基于预加工孔CCD图像的零件视觉定位

针对在薄板和微型零件上冲裁加工时装夹定位的难题,采用了一种基于预加工孔CCD图像来定位工件位置的方法。这种定位方法的精度取决于图像孔位置的测量精度。对此提出了Hough变换与最小二乘圆相结合的圆孔位置测定方法,消除了孔表面污渍、表面粗糙度及其它噪声的影响。该法利用二维灰度直方图对图像进行二值化处理,在对其边缘检测的基础上采用Hough变换粗测定以及最小二乘圆精密测定方法。仿真与实验证明孔位测定结果兼具鲁棒性与精密性。该方法实现了工件的微米级定位。     

模板匹配优化耦合图像校正的旋转工件目标定位算法

为了解决当前工件定位算法难以有效识别带有旋转角度的目标,且计算复杂度大等不足,文章设计了基于Canny检测与SIFT特征的旋转工件目标识别算法。首先,对采集工件图像的RGB三通道完成权重分配,获取灰度化图像;并利用Canny边缘检测和霍夫直线检测处理灰度图像,计算出工件旋转角度;并基于几何变换,定义图像校正模型,消除工件旋转角度,对其完成复位处理,并采用模板匹配在图像中定位工件。最后分别提取模板工件与待识别工件的SIFT特征,计算欧式距离,以度量相似性,完成工件目标识别。实验数据显示:与当前识别算法相比,在面对带有旋转角度工件时,文中工件目标识别算法具备更高的准确性和鲁棒性。     

基于工业机器人的图像引导圆孔定位方法

在图像引导的圆孔金属工件自动化装配中,由于圆孔金属工件的图像存在弱纹理甚至无纹理的情况,从而导致对圆孔位姿的定位精度低。针对此问题,通过工业机器人带着单目工业相机水平移动构建一个平行双目结构,获取双目图像;通过对双目图像中的圆孔轮廓提取的特征点粗匹配,得到图像的基础矩阵,再通过基于弧段的椭圆检测对双目图像中的圆孔轮廓进行提取,最后通过上述信息进行基于极线约束的双目精立体匹配并求得相关点三维坐标与位姿。实验结果表明：孔位与孔心距精度保持在1 mm内,孔姿态精度保持在0.3°内。     

基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明：改进后的识别平均精确度比原有识别系统有所提高,反应时间缩短,并且能识别不同类型的工件。     

应用误差分离理论对轴（孔）类工件表面缺陷进行涡流检测的研究

提出了一种应用误差分离理论对轴（孔）类工件表面缺陷进行涡流无损检测的新方法,建立了基于该理论的提取轴（孔）类工件表面缺陷信息的数学模型,并以此为理论依据,设计了轴（孔）类表面缺陷涡流检测实验系统。从实验结果可以看出,被测工件表面的缺陷信息被明显地提取出来,从而验证了系统的正确性。     

基于同步挤压S变换和深度学习的轴承故障诊断

针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。     

基于网格运动统计的工件识别改进算法北大核心

为提高快速鲁棒特征(SURF)算法在复杂环境下进行工件识别的匹配精度及匹配效率,提出一种基于网格运动统计(GMS)的工件识别改进算法。首先,用加速分割检测(FAST)算法代替SURF特征点检测进行工件图像特征点的快速提取,并对特征点建立64维SURF描述符,使加快关键点检测速度的同时得到具有旋转尺度鲁棒性的特征点;其次,对特征点进行快速近似最近邻(FLANN)匹配得到粗匹配集;最后,采用改进GMS算法对图像进行网格化处理,根据运动平滑性进行内点与离群点的区分,保留正确匹配特征点对,实现误匹配点的剔除,准确找到待识别工件的位置。实验结果表明:改进算法比传统的SIFT、SURF和ORB等算法在工件图像受到旋转、平移、尺度、亮度等变化及影响时能够更高效、更准确识别工件,提高了复杂环境下工件识别的效率。     

基于改进的YOLO v3的工件识别方法研究

针对传统识别方法受工件的摆放角度、位置影响较大,鲁棒性差的问题,提出了一种基于改进的YOLO v3的工件识别方法。首先,采用深度可分离卷积网络对Darknet网络进行结构改进,减少了计算复杂度,提高了检测速率;其次通过K-means聚类方法对数据集参数进行聚类,得到了更适合工件识别的预测框,确定了预测框的参数;然后运用了图像增强的方法对采集的图像集进行处理,扩充了训练样本;最后在训练迭代后,采用多种评价指标联合评价的方法,将所设计的算法与多种检测算法进行对比。实验结果表明,基于改进的YOLO v3的工件识别方法在测试集的准确率达96.5%,召回率达93.4%,识别速率达63fps,更能满足工业生产中工件识别的需求。     

基于卷积神经网络多特征融合的工件识别与检测

针对工业自动化场景中工件识别与检测精度不够高、特征提取困难、多工件定位困难等问题,提出一种基于卷积神经网络多特征融合的工件检测算法。工件检测算法是在一种单次目标检测器算法基础上,新增了特征融合结构,将图像深层信息与浅层信息融合而得以改进,由基础网络、自定义网络、特征融合结构和检测网络四部分构成。实验测试表明,对于200个不同工件组成的图像数据集检测的平均精度达99.2%,优于改进前的96.3%,单张图片检测时间为0.026s,基本符合工业自动化场景中的实时性要求。     

一种基于机器视觉的滴灌带孔位在线检测方法

在内镶迷宫滴头滴灌带生产过程中,为了实现滴孔加工位置的检测和反馈控制,将机器视觉用于滴孔位置检测,提出了一种从图像泛白区域ROI多次深度提取ROI的优化识别算法。首先,通过去背景初步提取ROI,进而通过全局固定阈值分割、膨胀、闭运算和区域生长算法的合理运用,对处于光照泛白区域的滴灌带图片进行ROI提取,然后采用基于直方图的全局阈值分割算法进行边缘强化,通过Hough圆变换进一步提取滴孔位置,并通过Hough线变换以及附加约束条件提取迷宫滴头前沿位置,最后计算得到滴孔到迷宫滴头前沿的相对距离。实验结果表明,使用优化后的算法,滴孔的识别准确率达到了98%以上,滴孔到迷宫滴头前沿的距离测量误差由优化前的10%以上减小到了5%左右。     

轴类零件外圆的视觉检测软件开发

为了满足生产自动检测的迫切需求,基于机器视觉的非接触式检测技术成为自动检测发展的主流方向。以轴类零件为研究对象,在Matlab环境下开发了轴类零件外圆的视觉检测软件。该软件主要具有标定处理、批量处理及数据汇总3个功能。在标定处理过程中,提出了基于标准件的标定方法,减少了换算单位,克服了标定件和待检件难以保证相同物距带来的不便。在外圆尺寸获取中,分别采用最小二乘法和霍夫变换技术进行处理,结果表明利用霍夫变换技术获取的外圆尺寸精度更高。试验结果表明:该软件能够有效地对待检件进行检测判断,具有较高工程应用价值和生产推广价值。     

基于机器视觉的轴承沟道曲率半径在线检测

在实际生产线上,根据不同的尺寸偏差对同一型号的轴承沟道曲率半径进行在线检测。针对该问题,设计基于机器视觉的轴承沟道曲率半径在线检测系统,以替代人工检测。运用CCD摄像机与MATLAB图像处理技术相结合的方法,对零件进行非接触式测量,并对采集到的零件图像进行预处理;通过对比各种边缘检测算法,采用Canny算法求取像素精度的轴承边缘;利用圆的Hough变换检测出带有圆弧的圆特征,计算此圆弧的圆心坐标和半径值。实验结果表明:该系统的测量精度可达到0.5μm,测量标准差小于2.5μm,符合工业检测要求。     

基于机器视觉的电路板自动钻孔系统设计

电路板手工制作过程中人工钻孔定位准确度要求高、耗时长、危险系数高,为解决这一问题需要机器代替人工自动钻孔。设计一套基于机器视觉的电路板自动钻孔系统。系统通过机器视觉进行电路板的图像采集,经过灰度处理、图像滤波及二值化、边缘检测等预处理后得到电路板线路边缘的图片,利用霍夫变换进行圆孔位置识别与定位,采用遗传算法对加工路径进行优化,通过C#语言编写控制机器程序,实现自动钻孔。实验结果表明：该自动钻孔系统能够准确、快速地进行电路板自动钻孔,大幅度提高了钻孔的效率和安全性。     

视觉圆要素检测图像校正技术的研究

当视觉检测带有多个圆孔要素工件时,由于倾斜角(成像平面与工件平面的夹角)和镜头畸变的影响,孔的圆形特征在图片中突变为椭圆或其他形状,增加了算法复杂度而且降低了检测精度。在分析图像发生突变原因之后,提出了通过角度校正和畸变校正的一种图像校正的方法,使图像能反映真实工件的情况。首先进行角度校正,对找到的亚像素角点进行基于几何距离的椭圆拟合,椭圆短轴与长轴的比即为倾斜角的余弦值,由此将图像校正为倾斜角为零时的图像,角度校正使实际距离相等的点在图像上距离的差值稳定在两个像素之内,从而提高了检测精度;然后进行畸变校正,使用畸变参数及公式对像素点进行重映射。经过实验验证,使用此校正方法校正的圆形要素图像使圆形要素检测算法更容易更准确地检测到圆形要素的特征尺寸。     

用概率统计原理判别轴(孔)类工件表面缺陷误差的方法

基于三点法误差分离模型提取出轴（孔）类工件表面缺陷误差信息，应用概率统计原理对其进行了定量分析和判别，大量现场数据的实验证明了该方法的正确性和可行性，它是一种新的表面缺陷误差判别方法。     

基于图像空间的焊接机器人起始点自动识别与自动控制

以集装箱薄钢板对接焊为背景,提出了一种焊接机器人起始点自动识别与焊枪精确对位的图像空间控制方法。分别以迭代圆形霍夫变换方法、直线霍夫变换方法确定了包含焊枪特征点的圆形感兴趣区域,实现焊枪特征点、焊缝直线的识别和焊缝特征点提取,设计了基于图像空间的焊缝起始点视觉控制策略,实现了起始点的精确定位控制。实验表明:该方法能够精确地识别焊缝特征和焊枪坐标,快速精确定位焊枪,具有较好的鲁棒性。     

基于卷积神经网络的工件识别算法

针对传统工件识别算法特征提取困难、通用性差、工件的平移、旋转和光照变化对识别效果影响较大、识别准确率不高等问题,提出了一种基于卷积神经网络的工件识别算法。卷积神经网络由4层网络构成,包括2层卷积层和2层全连接层。实验任意选取了10种工件进行识别。在神经网络训练阶段对这10种工件共采集1万张图片,其中9000张图片作为训练集,剩下1000张图片作为验证集。训练时采用在卷积层加入批归一化层和在全连接层使用随机失活的方法,使网络能够得到更好的训练效果。当迭代次数达到10万次时基本得到理想的训练效果。测试时通过摄像机采集图像,对采集到的图像进行预处理,然后将预处理后的图像送入网络进行识别。在光源稳定室内环境下进行实验,实验结果表明基于卷积神经网络的工件识别平均所需时间为0.169s,平均识别准确率为98.3%,准确率高于传统基于特征提取和模板匹配的工件识别。     

指示表图像特征的视觉检测方法

在对指示表进行智能读数时,需首先检测出指示表的两个图像特征,即指示表轮廓与指针位置,由此可以确定指示表的有效区域以及指针与刻度的位置关系。基于指示表图像的几何结构特征,提出一种指示表图像特征的视觉检测方法。通过对图像预处理提取出轮廓区域,基于对称性圆检测算法与Hough变换思路得到圆轮廓参数。然后在轮廓内部,以轮廓圆心作为指针回转中心,运用Radon变换得到指针中心线。最后利用二值图像椭圆特征识别出指针朝向。该方法能够准确、快速检测出指示表图像特征,为后续基于视觉的指示表智能读数提供必要的技术基础。     

基于机器视觉的工件识别与定位系统设计与实现

机器人关节工件组装生产过程中,工件种类多、产量大、人工分拣与装配困难等问题,为了提高生产速度和效率,提出一种基于OpenCV视觉技术的机器人关节工件识别与定位检测方法。首先,通过工控机读取相机的工件图像,并进行图像灰度化、均值滤波、自适应阀值分割等图像预处理过程,得到二值化图像;其次,从二值化图像中提取出工件的轮廓,之后,通过胡氏不变矩比较待识别工件的轮廓与给定的模板轮廓,识别目标工件;最后,提出一种确定工件的位置和方向的方法。实验结果表明,文章提出的方法能准确识别目标工件,并且有效地确定其位置,为类似的识别提供了有效参考。     

圆度误差的图像测量法

圆度误差是机械零件常见的形状误差之一,它的大小对精密机械的性能和寿命有重要影响,是零件几何精度的重要指标.本文探讨了一种基于图像测量技术的圆度误差测量方法.该方法通过对试件进行图像采集、图像预处理获得完整清晰的轮廓图像,然后利用改进的霍夫变换对系统进行标定,并按照最小条件法、利用有效的数据处理算法进行圆度误差评定.实验表明,用该方法进行圆度误差的测量是可行的,并具有测量精度高、速度快、实用性强的特点.