基于机器视觉的车门限位器检测与识别研究及实现

发布时间：2020-10-26 10:04

　　 随着机器视觉技术的不断发展,其在工业领域上的应用越来越多。汽车生产过程中,车门限位器安装之后需要确认其型号是否正确,而现阶段都是通过人眼观察来判断零件型号,长时间的工作下不可避免地造成了正确率的下降。为解决此问题,本文对机器视觉在车门限位器检测和识别中的应用进行了相关研究。本文框架分为四大部分:(1)针对车门限位器零件上的螺母,利用自适应增强(Adaptive Boosting,Adaboost)框架对螺母进行精准定位。利用螺母的局部二值模式(Local Binary Patterns,LBP)特征训练多个二叉树弱分类器,将所有弱分类器组合成强分类器,利用强分类器对螺母进行定位与识别。(2)对车门限位器零件上字符进行定位与分割。因为车门限位器上的字符为下凹字符,由于对光线反射的不均匀,现有方法较难对其准确定位,所以本文针对这种字符,先采用强光源对字符进行前向打照,以突出字符的边缘,再采用改进方法对字符进行定位与分割。在定位与分割之前,利用基于先验知识的改进Canny算法提取字符边缘。定位与分割时,分别使用两种方法:基于边缘的字符定位与分割、基于最大极值稳定区域(Maximally Stable Extremal Regions,MSER)的字符定位与分割。第一种方法根据字符的边缘疏密度对字符进行精准定位,然后利用垂直投影与连通域的方法对字符进行分割;第二种方法利用最大极值稳定区域方法在零件的边缘增强图上定位字符,然后利用连通域的方法分割字符。实验证明,基于边缘的字符定位与分割方法在准确率上优于基于最大极值稳定区域的字符定位与分割方法,但在速率上不及基于最大极值稳定区域的字符定位与分割方法;(3)对零件上字符进行识别。采用三种方法对其进行识别:基于多模板匹配的字符识别、基于卷积神经网络的单字符识别和基于Faster-RCNN的端到端字符识别。第一种方法先通过监督学习的方法制作模板库,再利用基于有界部分相关(Bounded Partial Correlation,BPC)思想的高效算法对模板匹配进行加速。第二种方法搭建了一个七层简易网络模型:“卷积-池化-卷积-Dropout-池化-卷积-全连接”,利用前六层进行特征提取,最后一层实现字符分类。第三种方法跳过了字符定位阶段,实现了端到端的字符识别。实验证明,第一种方法的识别准确率最低,第三种方法的识别准确率最高。
【学位单位】：南京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP181;U468.22
【部分图文】：

用的是高效的图像处理技术，对一些微小尺寸的精确快速确度极高，并且传统的检测方法以人眼检测为主，人眼检会不可避免的造成精确度的下降，而机器视觉依靠的是计上这些特点，机器视觉相比较于传统检测技术具有更多的展。构成于计算机学科的一个分支，其涵盖了机械、电子、光学、所用到的理论包括计算机技术、图像处理、信号处理、模器视觉系统的构成包括光源、镜头、相机、图像采集卡、所示：

1.4.1 本文主要工作本文主要针对工业零件车门限位器进行检测与识别方法的研究，最终目的是根据硬件拍摄的图片判别其零件类型及零件正反面。图1.2 显示的是车门限位器的某型号零件正反面图。如该图所示，车门限位器上主要有两大关键部分：螺母区域和字符区域，螺母的正反面用来区分零件的正反面，字符用来区分零件的类型。所以本文的主要工作是对螺母和字符进行识别。（a）车门限位器某型号正面图 （b）车门限位器某型号反面图图 1.2 车门限位器某型号正反面图针对螺母，本文利用基于 Adaboost 的方法对螺母进行定位与识别，采集大量螺母样本建立数据库，利用数据库训练分类器，对螺母进行定位与识别，从而区分螺母的正反面。针对字符，分为定位和识别两部分。在字符定位方面，本文先利用基于先验知识的改进 Canny 算法对零件图片进行边缘提取

主要有 Radon 变换、离散余弦变换、局部傅里叶变化、Gab小波分解等。理特征提取取时，常用 LBP（LocalBinaryPattern）、HOG（HistogramofOr特征。本文使用基于 Adaboost 的方法对螺母进行定位与识别征，因为本文利用 LBP 算子[30]提取螺母的局部纹理特征，所LBP 算子P 算子定义为，在 3×3 的窗口内，以窗口中心像素点灰度值为值与其进行比较，若周围像素值大于中心像素值，则该像素这样，3×3 邻域内的 8 个点经比较可产生 8 位二进制数（通 256 种），即得到该窗口中心像素点的 LBP 值，并用这个值 2.1 所示：
【相似文献】

相关期刊论文 前10条

1 宋慧欣;;3D视觉，机器视觉未来蓝海[J];自动化博览;2019年12期

2 文晓;;台达：机器视觉“智造”未来[J];自动化博览;2019年12期

3 ;机器视觉对线缆市场的影响及趋势[J];功能材料信息;2018年04期

4 郑植;席先鹏;王楠;蒋欣燎;夏山淋;;机器视觉在网球捡球机器人中的应用研究[J];科技创新与应用;2019年16期

5 宋春华;彭泫知;;机器视觉研究与发展综述[J];装备制造技术;2019年06期

6 田壮;刘富成;;基于机器视觉的果园喷药机器人设计[J];湖北农机化;2019年16期

7 迎九;;国内机器视觉产业的技术市场[J];电子产品世界;2019年09期

8 朱阳芬;银冬平;邹舜章;王海文;周为;;机器视觉在汽车行业中的发展与应用[J];汽车实用技术;2017年22期

9 吴东明;王丽娟;;基于GPS和机器视觉的自主导航定位农机设备研究[J];农机化研究;2018年02期

10 ;机器视觉时代,最好的时代![J];智能机器人;2018年02期

相关博士学位论文 前10条

1 侯杰;飞行器机器视觉框架设计及算法研究[D];西安电子科技大学;2017年

2 郭依正;基于机器视觉的俯视群养猪个体识别与饮水行为分析研究[D];江苏大学;2018年

3 李晨;基于机器视觉的不同属性表面中微弱缺陷的检测技术研究[D];浙江大学;2018年

4 陶丹;基于机器视觉的家蚕蛹雌雄识别研究[D];西南大学;2019年

5 胡志新;基于机器视觉的钢轨踏面磨耗剥落检测技术研究[D];南昌大学;2018年

6 吴衡;机器视觉鬼成像理论与实验研究[D];华南理工大学;2017年

7 项森伟;高温单晶硅液位和直径视觉检测关键技术及应用研究[D];浙江大学;2018年

8 胡越黎;目的机器视觉研究及其在皮肤症状识别中的应用[D];上海大学;2005年

9 韩彦芳;机器视觉中的聚类检测新方法[D];上海交通大学;2006年

10 饶洪辉;基于机器视觉的作物对行喷药控制系统研究[D];南京农业大学;2006年

相关硕士学位论文 前10条

1 杨晗;融合机器视觉和CAN总线的生物质形态检测系统研发[D];扬州大学;2019年

2 杨永强;基于机器视觉的蘑菇自动采摘系统关键技术研究[D];南京航空航天大学;2019年

3 李红伟;基于机器视觉的智能输煤检测系统[D];哈尔滨工业大学;2019年

4 罗启峰;基于机器视觉的零件三维尺寸全方位测量技术研究[D];哈尔滨工业大学;2019年

5 王磊;基于机器视觉的路面裂缝分类与检测方法研究[D];哈尔滨工业大学;2019年

6 杨晶;基于机器视觉平板多孔定位系统研究[D];安徽工业大学;2019年

7 邬甜甜;基于机器视觉的海上可疑船舶识别研究[D];浙江海洋大学;2019年

8 唐凡;基于机器视觉的绒毛织物表面质量检测系统研究[D];西安工程大学;2019年

9 李理;基于机器视觉的双黄鸭蛋无损识别技术研究[D];华中农业大学;2019年

10 冀永乐;基于机器视觉的纺织布品色差检测研究[D];西安工程大学;2019年

本文编号：2856852