基于深度图像的零件识别及装配监测

针对机械产品装配中零件和装配体的识别、监测问题,提出一种基于深度图像和像素分类的装配体零件识别及装配监测方法。首先构建装配体深度图像标记样本集,包括合成标记样本集和真实标记样本集;然后提取深度差分特征,利用随机森林分类器对深度图像的像素进行分类,获取像素预测图像;最后通过对比像素预测图像和颜色标签图像对装配体各零件进行识别,并对比待测状态像素预测图像和正确装配像素预测图像,实现对装配过程的监测。为了提高边缘像素点的分类准确率,引入边缘因子。实验结果表明,该方法不但准确率高,而且兼具一定实时性和鲁棒性,在装配维修诱导、装配监测和自动化装配领域具有一定应用价值。     

基于分块PCA和SVM的零件识别分类系统

针对工厂流水线零件的自动分拣,提出一种基于分块主成分分析和支持向量机(分块PCA-SVM)算法的零件识别分类系统.针对用PCA算法提取特征受外界噪声及光照环境影响较大的问题,本系统运用分块PCA算法,能够有效地抽取图像局部特征,进而提高识别率;采用基于高斯核函数的SVM(支持向量机)对特征数据进行训练,同时利用网格搜索...     

面向微装配的零件识别定位方法研究

针对平板类微小零件装配问题,在搭建了微小型零件装配系统实验平台的基础上,开发了微装配控制系统,并对装配流程进行了分析研究。根据平板类微小型零件的特点,在微装配识别定位模块,对零件识别定位方法进行了研究,开发了基于形状模板的匹配算法。该模块首先将模板图像与目标图像进行高斯滤波,得到平滑图像,并对平滑图像二值化以及对模板二值图像进行去噪;其次,通过Sobel滤波器计算边缘点的方向向量,定义相似性度量;最后,通过图像金字塔加快匹配速度,并利用最小二乘法达到亚像素级定位精度。实验分析表明,此方法识别率高、匹配速度快、定位精度高,能够较好的满足实际要求。     

面向零件装配的机器人工件识别

针对工业机器人装配柔性低、工件识别鲁棒性差的问题,提出一种基于机器视觉的工件识别方法应用于零件装配领域。该方法首先利用双层旋转滤波器的尺寸不变性和旋转不变性实现特征点的均匀提取,利用rBRIEF算法生成带有方向信息的特征点描述符,计算Hamming距离进行特征点匹配,利用RANSAC算法对结果进行优化,实现目标工件的准确识别。用工件图片对本文方法进行检验,试验对比分析了该方法与3种传统方法在旋转、缩放变换下的工件识别效果,结果表明,该方法能够更准确、高效地识别工件。最后,搭建基于机器视觉的轴孔装配实验平台,验证工件识别的可行性。     

装配体断层图像边界轮廓的提取和内外环识别

研究装配体断层图像边界轮廓的提取,提出通过构造轮廓包含树及其变形处理来识别装配体断层图像的内、外边界的方法。     

双机器人视觉协调装配零件系统研究

为了提高工业生产的柔性和自动化控制程度,在传统的零件装配系统中引入视觉注意思想和协调控制方式。使用基于直方图对比的方法生成显著图,用固定阈值优化法进行二值化,利用最小外接矩形抽取出零件,通过特征提取和匹配识别出零件,用于指导工业机器人抓取,结合两台工业机器人主从式协调控制方式,完成零件装配任务。在自主开发的平台上进行实验,结果表明了所提出的方法能够快速地识别和定位出目标零件并且在仿真平台上成功地模拟了零件协调装配的整个过程。     

基于子装配识别和有向割集的装配序列研究

基于图论和子装配识别,提出了装配序列规划方法.把有向图理论运用到装配建模,提出了用有向装配关联图来表示装配关系.通过对装配体的结构分析,定义了子装配体,并且将子装配体进行分类.然后通过于装配识别和有向图割集,实现了装配序列规划的生成.此方法比单独的有向割集计算量少、产生的序列少.最后将该算法运用到阀门装配体中,验证了其有效性.     

基于特征识别的紧固件快速装配方法研究

为了提高紧固件的装配效率,文中提出了一种基于特征识别的紧固件快速装配方法。首先提取零件上所有孔特征,进而在部件中提取所有装配孔特征;然后通过装配知识推理自动匹配得到紧固件的组合模式;提出一种更简便的装配特征定义方式,实现了紧固件的快速自动装配。最后,建立了紧固件快速装配流程,并以某部件为例演示了紧固件的快速装配,验证了方法的有效性。     

在装配序列规划中子装配体识别方法研究

提出了基于关联图与基础零件识别子装配体的方法.首先从有向图识别基础零件.通过模糊数学理论建立几何和工艺优先约束因素相对于装配难度的隶属函数,以综合函数值作为权值得到赋权配合关联图.然后通过设置难度系数和以基础件为核心对节点进行合并与组装得到简化配合关联图.在此基础上通过一定的规则和基础零件识别子装配体.最后通过实例验证方法的可行性.     

基于YOLOv3的装配零件多目标实时检测

为实现装配零件图像的多目标检测任务,提出基于深度学习的目标检测算法,将目标检测模型YOLOv3应用于零件的识别检测。将基于迁移学习思想的预训练权重引入网络模型的训练过程,加速网络训练过程,损失函数快速收敛,加速模型建立过程。将训练模型应用于零件检测,实验结果表明,所提出的多目标检测方法识别10类零件的mAP为99.8%,识别周期小于1s,检测结果准确。研究结果对生产线的自动化分拣、零件的装配定位有参考价值。     

基于车牌识别的图像预处理研究

车牌识别包括车牌图像的预处理、车牌定位、字符分割和字符识别等重要的部分。其中车牌图像预处理的优劣直接决定着车牌定位识别准确性的高低。列举了图像预处理的优化方法和步骤,针对全局阈值的二值化算法进行了改进。实验的仿真结果很好的验证了改进算法的性能。     

基于装配简图与装配语义的轴类零件信息提取

传统面向零件设计的ＣＡＤ已不能很好地适应产品的全过程设计。本语文提出了基于装配简图与装配语义的轴类零件信息提取方法,可较好地支持自顶向下的设计过程,对加快机械产品设计周期和减少设计师的重复劳动有着重要的意义。     

基于二值图像边缘像素和方向编码的双层隐写算法

基于二值图像边缘像素和方向编码,提出一种以灰度图像为载体的双层隐写方法.嵌入栽体数据的秘密信息分为两部分:第一部分利用二值图像边缘像素嵌入信息,利用一组完备的规则,能够准确判断边缘像素是否可以承栽嵌入数据,保证嵌入数据的无差错盲提取;第二部分利用方向编码对载体数据加权和负载.该方法具有实现简单、嵌入信息量大、图像失真小...     

基于形变检测的弱微零件过盈装配控制

针对过盈微装配中弱微零件易损的问题,以激光惯性约束聚变（InertialConfinementFusion,ICF）研究中微靶关键部件—冷冻罩（ThermomechanicalPackage,TMP）组件装配作为研究对象,开展弱微零件过盈装配方法研究。首先,针对装配空间狭小及存在视觉遮挡,导致难以实现装配过程中硅臂形变检测的问题,提出了基于灰度变化的形变检测方法并建立了小爪灰度—形变模型;然后,针对受到显微视觉检测精度影响,硅臂与套筒微小位姿偏差不易检测的问题,基于硅臂受力变形情况分析,提出了硅臂与套筒位姿偏差定性判断方法,实现两者微小位姿偏差的检测;最后,基于零件灰度变化及几何分析,提出了微装配过程位姿偏差定量计算方法并设计了过盈装配控制策略。实验结果证明了所提方法的有效性,并且实现了过盈20~26μm的TMP组件无损装配。该方法适用于微机电系统制造中微轴孔过盈装配。     

基于UG的车身零件组合检具自动装配方法研究

在UG二次开发平台上,采用模块化设计方法,研究虚拟车身坐标系装配空间确定方法等关键技术,通过定位约束映射和规则推理,给出了在三维模型空间中对检具各组合元件实施坐标变换并进行自动装配的过程,研究实例表明:计算机辅助技术的应用,能有效提高检具自动装配的效率.     

装配体ICT图象的内外边界识别研究

用小波变换提取装配体ＩＣＴ图象中的边界轮廓,提出基于简单环识别装配体ＩＣＴ图象的内外边界,该算法可用于装配体的结构形状分析并能正确地建立实体模型。     

基于统计特征中心对称局部二值模式的虹膜识别

由于中心对称局部二值模式(CS-LBP)的虹膜识别具有特征维数高、对噪声敏感等缺点,提出了基于统计特征中心对称局部二值模式(SCCS-LBP)的虹膜识别方法.首先,根据虹膜纹理的分布特性,用CS-LBP对归一化的虹膜图像进行编码;为了进一步降低特征维数,对编码后的图像进行特征统计.然后,根据统计结果的分布,提取出有效的二值特征图像.最后,用Hamming距离进行虹膜识别.对CASIA1.0、CASIA2.0、CASIA3.0-Interval、MMU1图像库进行了识别,最高正确识别率分别为99.955％、99.848％、99.989％、99.916％.实验结果表明:该方法有效地利用了虹膜纹理分布特性,与LBP和CS-LBP方法相比,具有更少的特征维数、更高的正确识别率和更好的鲁棒性.     

手势识别引导机械臂的零件智能装配方法

文中利用手势识别方法,以示教编码的模式完成零件自动抓取的动作,防止装配过程中出现错装、漏装等问题,满足零件柔性装配多样化的需求。首先提出利用SSD模型实现零件抓取位置目标检测方法,根据SSD网络给出当前输入图像的零件种类与位置,缩小零件抓取位置分析范围;然后通过整合空间金字塔池化方法与传统特征提取卷积网络,利用传统的边框检测法,设计了物体角度的抓取参考矩形框方法来代替滑动窗口生成方法,以提高检测速度;最后结合YOLOv3网络进行手势识别,引导机械臂进行零件的智能装配。     

基于深度学习的装配零部件识别与定位方法

工业4.0和中国制造强调智能化生产与装配,而在机床加工装配过程中存在装配零部件识别与定位精度低、效率低的问题。因此,基于轻量化网络、注意力和信息融合机制,提出一种零部件识别与定位算法LAI YOLOv5。首先,在YOLOv5网络结构中通过对卷积层进行轻量操作,有效解决神经网络参数量多、浮点运算量大、显存占用高和实时检测速度慢的问题;然后在主干网络中引入注意力机制,增加特征提取的倾向性,提升被检测物体的显著度;最后在特征融合网络中增加跨通道信息融合机制,增强特征检测能力。实验结果表明：与原始算法相比,在模型结构方面,改进后的LAI YOLOv5算法参数量和网络层数分别减少了约45.98%和28.46%,浮点运算量减少了约55.82%,显存占用降低了15.51%,训练时间缩短约32.27%。同时,训练精确度达到96.80%,训练覆盖率达到95.01%,实时检测效率提升至100.739 fps,检测准确率高达98.62%。     

基于图像测量的微小零件尺寸检测

针对10μm-10mm的微型零件,阐述了现有的主要图像测量技术,包括图像的经典边缘检测算子、亚像素级别的边缘定位检测和实现高精度的尺寸检测方法。同时,总结各种能够提高检测精度的方法,并指出图像测量的未来发展趋势。