基于多尺度特征的光亮零件在线检测与识别方法研究

发布时间：2021-12-16 11:57

　　零件是工业生产制造过程中必不可少的组成元件。不论是航空航天装备制造业,还是精密仪器制造业,零件都发挥着不容忽视的重要作用。将机器视觉检测与识别技术搭载于各类自动化设备,实现零件的智能化识别与抓取,对工业生产制造领域的智能化发展具有极大的推动作用。基于深度学习的物体检测与识别方法具有易于提取物体特征的特点。面对不同应用场景,采用图像数据增强的方法扩充训练图像数据集提升模型的泛化能力,融合多尺度特征网络提升检测的实时准确率。本文主要以不同类别的光亮金属零件作为研究对象展开深入研究,提出基于机器视觉的光亮零件在线检测与识别方法。本文的主要工作如下:首先,针对本文研究对象自身的特点,设计机器视觉在线检测与识别系统,对系统关键硬件设备进行选型,搭建了机器视觉检测平台。利用该系统,采集并建立光亮金属零件图像数据集。其次,本文研究了多种传统图像数据增强方法,通过实验验证传统图像数据增强方法得到图像数据的局限性。结合光亮金属零件的特点,提出改进的基于深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Network,DCGAN）的金属零件数据增强方... 

【文章来源】：天津工业大学天津市

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

采集与实采集与实验平台

天津工业大学硕士学位论文10表2-2线阵相机与面阵相机对比Tab.2-2Thedifferencebetweenline-scancameraandarea-arraycamera线阵相机面阵相机图像获取单行像素像素矩阵成像速度慢快成本高低分辨率高低检测速度快慢表2-3不同数据传输接口对比Tab.2-3ThedifferenceofdatatransmissioninterfaceUSB3.01394a/1394bGigECameraLink成本低高低高传输速率（Gbps）3.2-5.00.81.02.0-5.0传输距离（m）3-54.510010采集卡支持无有无有CPU占用率一般低低高综合考虑工业相机包含的主要参数以及本文研究对象的特点，本文选择了Microview公司ROSA系列工业相机，具体型号为RS-A1300-GM60-M10，其外形尺寸为38mm×38mm×37.6mm。相机实物图如图2-2所示，相机具体参数如表2-4所示。图2-2工业相机实物图Fig.2-2Industrialcameraphysicalmap表2-4RS-A1300-GM60-M10相机关键参数Tab.2-4RS-A1300-GM60-M10cameraparameters参数名参数值参数名参数值物理尺寸（mm）38×38×37.6传感器型号EV76C560分辨率（pixel）1600×1200传感器类型CMOS像元尺寸（μm）5.3×5.3数据接口以太网接口最高帧率（fps）60光学接口C接口

第二章金属零件检测与识别系统设计112.2.2镜头选型准确选择与所选工业相机相匹配的工业镜头也是机器视觉识别系统搭建过程中的重要环节，二者的匹配度决定了检测与识别系统采集图像的质量，进而影响了检测结果的准确率。镜头选择过程主要考虑的主要参数包括：焦距、视尝物距、靶面尺寸等。根据上一小节的相机选型，RS-A1300-GM60-M10工业相机的像元尺寸为5.3μm×5.3μm，分辨率为1280pixel×1024pixel，则可得到靶面高度为1280×5.3μm＝6.8mm。焦距的计算公式[30]如公式（2-1）所示，再根据焦距的计算公式可以得到镜头的焦距。f=hL/H（2-1）其中，f为镜头焦距，h为相机靶面高度，L为被测物体到镜头的距离，H为视场高度。本文用到的金属螺钉最长尺寸约为40mm，待测物体在图像中所占位置的最大高度为150mm。即公式（2-1）中H为150mm，设定相机与待检测物体最大距离L为400mm。通过公式（2-1）计算得到待选用相机最大焦距为18mm。根据本文研究对象的尺寸、相机参数、实验平台尺寸以及实验场景等条件，本文选用了Computar公司的M1614-MP2镜头。M1614-MP2镜头实物如图2-3所示，相关参数如表2-5所示。图2-3镜头实物图Fig.2-3Industrialcameraphysicalmap表2-5M1614-MP2镜头关键参数Tab.2-5M1614-MP2lensparameters参数名参数值靶面尺寸（mm）8.8×6.6，11焦距（mm）16后焦距（mm）13.10尺寸（mm）11×28.2接口C

【参考文献】：
期刊论文
[1]基于卷积神经网络模型的手写数字辨识算法研究[J]. 张烁,张荣.  计算机应用与软件. 2019(08)
[2]生成对抗网络图像处理综述[J]. 朱秀昌,唐贵进.  南京邮电大学学报(自然科学版). 2019(03)
[3]基于Wasserstein GAN的文档表示模型[J]. 马永军,李亚军,汪睿,陈海山.  计算机工程与科学. 2019(01)
[4]结合深度残差学习和感知损失的图像去噪[J]. 吴从中,陈曦,季栋,詹曙.  中国图象图形学报. 2018(10)
[5]混合KPCA和SVM的机械零件形状识别方法研究[J]. 冯长建,吴斌,罗跃纲.  机械制造与自动化. 2016(04)
[6]基于视觉的焊接工件在线识别与分类算法研究[J]. 李春,李琳,邹焱飚,曾亮华.  价值工程. 2016(04)
[7]基于LBP和SVM的工件图像特征识别研究[J]. 吴益红,许钢,江娟娟,毕运锋.  重庆理工大学学报(自然科学). 2016(01)
[8]离轴三反空间相机的焦距测量[J]. 谭进国,何欣.  光学仪器. 2014(04)
[9]一种基于区域的双三次图像插值算法[J]. 王会鹏,周利莉,张杰.  计算机工程. 2010(19)
[10]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭.  自动化技术与应用. 2008(07)

博士论文
[1]复杂交通场景下车牌检测算法的研究[D]. 向函.贵州大学 2019

硕士论文
[1]基于改进生成对抗网络的图像超分辨重建研究[D]. 王凡.西安理工大学 2019
[2]基于深度学习的分拣机器人目标识别与定位[D]. 解修亮.安徽工程大学 2019
[3]储粮害虫图像定位识别算法的研究与实现[D]. 苗海委.北京邮电大学 2019
[4]基于HALCON的半轴零件视觉测量系统研究[D]. 金航旭.中北大学 2019
[5]基于对抗生成网络的超分辨率图像生成的研究与实现[D]. 夏卫尚.北京邮电大学 2019
[6]基于DCGAN样本生成的小样本视觉外观瑕疵检测[D]. 孙东平.吉林大学 2019
[7]基于GAN的SAR图像生成研究[D]. 王雷雷.电子科技大学 2019
[8]基于机器视觉的工业机器人分拣系统设计[D]. 何泽强.哈尔滨工业大学 2016
[9]基于CMOS图像传感器的运动目标检测技术研究[D]. 顾园山.重庆大学 2015
[10]基于图像处理的接触网状态检测研究[D]. 赵明杰.西南交通大学 2013



本文编号：3538094