大尺寸零件在线视觉测量关键技术研究

发布时间：2017-09-18 02:23

  本文关键词：大尺寸零件在线视觉测量关键技术研究

  更多相关文章： 聚焦函数 边缘检测 像素当量 模板匹配

【摘要】：视觉测量技术具有非接触、无损伤和适应危险场合等优点,但目前关于大尺寸零件在线视觉测量的研究和理论却比较少。在国家自然科学基金“大尺寸机械零件的高精度在线测量方法研究”(50805023)的资助下,本课题致力于研究大尺寸零件在线视觉测量关键技术,为提高在线视觉测量零件尺寸的工业生产自动化程度奠定理论和技术基础,主要贡献如下：(1)设计了一套实用化的在线视觉测量系统；针对大尺寸零件在线视觉测量的功能要求和技术流程,设计了一套实用化的单目视觉在线测量系统。通过合理选择光源,正确设计照明系统,对相机和镜头等主要部件,综合考虑性价比来选配,搭建了硬件平台,同时开发了相应的测量软件。(2)定义了一个图像清晰度评价函数,提出了一种快速聚焦算法——边缘跨度最小法；针对大尺寸零件在线测量的特点,定义了一个评价图像清晰度的边缘跨度函数,采用动态聚焦窗口和快速搜索策略检测边缘并计算边缘跨度值,研究发现,当跨度值达到最小时,图像最清晰。对比实验表明：本文算法比几种经典最优聚焦函数的聚焦速度更快,比速度最快的绝对梯度函数提高了30%以上,聚焦特性曲线灵敏度更高、单峰性更好,抗噪声性能更强。(3)提出了一种自适应阈值快速边缘检测算法；在对大尺寸零件图像进行大量实验、分析和验证的基础上,提出了一种融合图像背景和前景灰度值的自适应阈值快速边缘检测算法：把图像中背景灰度值首次大于自适应阈值的点,作为目标点,实现了边缘的快速检测。对比实验表明：该方法确定的边缘定位精度高于Roberts算子边缘检测的精度,与几种常用的亚像素法边缘检测的精度接近,但新方法边缘检测的速度快,运算量远小于已有的算法。(4)提出了一种基于链码跟踪的消除序列图像旋转偏差的快速算法；针对大尺寸零件序列图像模板匹配首先需要消除旋转偏差的要求,对带有直线轮廓的零件序列图像,采用链码跟踪获取直线每段连续链码段的长度,然后根据链码段长度选择不同的算法,求出直线与坐标轴间的倾斜角,由倾斜角消除序列图像的旋转偏差。实验结果表明：该算法比用传统的Hough变换提取直线边缘来消除旋转偏差,不仅提高了精度,而且速度提高了25倍多。(5)提出了适用于不同测量对象的三种模板匹配改进算法；算法一：针对表面带有一致性好的线性纹理的大尺寸零件,当纹理方向与坐标轴方向一致时,提出了比较相邻像素灰度值的方法。通过分别比较模板内相邻像素灰度值是否相同,累计比较结果来得到匹配模板,然后再用绝对差和算法实现快速匹配。实验结果表明：该算法的精度与互相关法相当,但所耗时间约为互相关法的五分之一。算法二：对于表面无显著特征的大尺寸零件,提出了求相邻像素灰度值之差值的方法。分别将模板内的相邻像素灰度值各自相减来得到匹配模板,再采用绝对差和算法,并结合自适应阈值来提高匹配速度。通过求相邻像素灰度值之差,增强了算法的抗噪声能力。算法三：提出了一种在视野内大尺寸零件外添加人工标志的方法。根据零件的传送速度、相机的图像采集速度和设定的序列图像重叠区域的大小,来设计周期性的便于提取且计算量小的人工标志,并把人工标志添加在视野内大尺寸零件外的同一物面上。通过对人工标志分割、计算周期数确定匹配模板选择区域,然后对模板内的人工标志增强,采用基于自适应阈值的绝对差和算法完成匹配。这样不论零件表面是否存在特征,就把对大尺寸零件的匹配转化为对人工标志的匹配,从而在不需要对大尺寸零件做额外处理的情况下,大大提高了图像匹配的速度和匹配成功的概率,同时有效地拓宽了测量对象。
【关键词】：聚焦函数 边缘检测 像素当量 模板匹配
【学位授予单位】：东南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-10
• 第一章 绪论10-27
• 1.1 课题背景10-16
• 1.1.1 基于单目视觉二维平面图像测量技术研究的必要性11-13
• 1.1.2 基于二维平面图像视觉测量技术的研究应用现状13-15
• 1.1.3 大尺寸零件在线视觉测量技术研究的必要性15-16
• 1.1.4 课题的来源16
• 1.2 大尺寸零件在线视觉测量关键技术研究现状16-25
• 1.2.1 图像自动聚焦技术的研究现状16-18
• 1.2.2 边缘检测技术的研究现状18-21
• 1.2.3 图像匹配技术的研究现状21-25
• 1.3 课题的研究内容25-27
• 第二章 大尺寸零件在线测量技术路线与系统设计27-38
• 2.1 在线测量技术路线设计27-28
• 2.2 硬件模块设计及选型28-35
• 2.2.1 照明系统设计28-30
• 2.2.2 工业相机的选择30-32
• 2.2.3 镜头的选择32-34
• 2.2.4 图像采集卡34
• 2.2.5 输送机34-35
• 2.3 软件系统的设计35-37
• 2.4 本测量系统的特点37
• 2.5 本章小结37-38
• 第三章 基于边缘跨度函数的最优聚焦算法研究38-54
• 3.1 工业相机成像原理38-40
• 3.1.1 透镜成像简易模型38-39
• 3.1.2 点扩散模型39-40
• 3.2 不同类型聚焦函数及其特点40-44
• 3.3 一种基于边缘跨度值函数的最优聚焦算法44-52
• 3.3.1 边缘跨度函数及其聚焦原理44-45
• 3.3.2 聚焦窗口和搜索策略的确定45-46
• 3.3.3 算法流程46-47
• 3.3.4 边缘跨度值最小的聚焦算法47-48
• 3.3.5 新聚焦算法和最优聚焦函数的对比实验48-51
• 3.3.6 新算法和最优聚焦函数抗噪声能力对比实验51-52
• 3.4 本章小结52-54
• 第四章 像素当量误差成因分析及标定方法研究54-83
• 4.1 基于像素当量的大尺寸零件测量原理与像素当量误差成因分析54-55
• 4.2 图像畸变校正概述55-60
• 4.2.1 图像畸变成因分析55
• 4.2.2 图像畸变校正方法概述55-56
• 4.2.3 图像畸变模型56-57
• 4.2.4 一种基于标准网格的图像畸变校正算法57-60
• 4.3 一种基于灰度自适应阈值的边缘检测算法60-74
• 4.3.1 理想边缘模型60-61
• 4.3.2 经典边缘检测算子61-65
• 4.3.3 边缘亚像素定位算法65-70
• 4.3.3.1 插值法65-66
• 4.3.3.2 拟合法66
• 4.3.3.3 基于矩的边缘亚像素定位算法66-70
• 4.3.4 基于灰度自适应阈值的边缘检测算法70-74
• 4.4 工业相机像素当量标定方法与实验74-81
• 4.4.1 像素当量标定方法及大尺寸零件尺寸计算公式74-75
• 4.4.2 基于像素当量标定的边缘检测新算法和经典算法的比较实验与分析75-81
• 4.4.2.1 基于像素当量标定的新算法和梯度算子的边缘检测对比实验75-80
• 4.4.2.2 基于像素当量标定的边缘检测新算法和亚像素边缘检测法的对比实验80-81
• 4.5 本章小结81-83
• 第五章 基于大尺寸零件在线测量的图像匹配算法研究83-107
• 5.1 大尺寸零件序列图像匹配原理分析83-84
• 5.1.1 图像拼接技术概述83-84
• 5.1.2 大尺寸零件序列图像匹配本质84
• 5.2 基于链码跟踪的序列图像旋转偏差消除算法84-92
• 5.2.1 传统Hough变换提取直线的原理85
• 5.2.2 基于链码跟踪的消除序列图像旋转偏差的原理85-87
• 5.2.3 消除序列图像旋转偏差的流程与步骤87-90
• 5.2.4 倾斜量块的旋转校正对比实验90-92
• 5.3 消除图像平移偏差的三种模板匹配改进算法92-105
• 5.3.1 基于图像灰度值的模板匹配经典算法92-95
• 5.3.2 基于线性平行纹理的模板匹配改进算法95-99
• 5.3.2.1 基于线性平行纹理的改进模板匹配原理与算法95-98
• 5.3.2.2 基于线性平行纹理的模板匹配法与CC法对比实验98-99
• 5.3.3 基于相邻像素灰度差的模板匹配法99-102
• 5.3.4 零件外添加人工标志的模板匹配改进算法102-105
• 5.3.4.1 人工标志的设计102-103
• 5.3.4.2 人工标志的匹配流程103-105
• 5.4 本章小结105-107
• 第六章 大尺寸零件在线测量实验设计与验证107-120
• 6.1 大尺寸零件在线视觉测量实验设计107-108
• 6.2 大尺寸零件在线视觉测量实验验证108-118
• 6.2.1 钢尺的匹配测量实验108-111
• 6.2.2 大尺寸量块的测量实验111-114
• 6.2.3 添加人工标志的大尺寸量块的测量实验114-118
• 6.3 视觉测量误差成因分析与对策118-119
• 6.4 本章小结119-120
• 第七章 总结与展望120-122
• 7.1 本文的研究内容与成果总结120-121
• 7.2 后续研究工作展望121-122
• 致谢122-123
• 参考文献123-131
• 攻读博士学位期间发表的论文131
• 攻读博士学位期间取得的其它学术成果131
• 攻读博士学位期间参加的科研项目131

，

本文编号：872835