应用于水表检定的机器视觉技术研究

为解决目前水表检定存在效率低、人为因素影响大等诸多问题,提出了应用机器视觉技术的水表检定系统,并重点研究实现梅花针快速定位的模板匹配算法和消除湿式水表表盘气泡的图像形态学算法。使用Harris算法预先提取梅花针模板角点,并实时提取现场图像的角点。采用部分Hausdorff距离法,实现梅花针的快速定位;利用图像形态学算法实时消除气泡影响,并完成对梅花针转动齿数的计数。实验表明,该系统在保证检定准确性的同时,可缩短检定时间,提高水表检定效率,解决了湿式水表表盘气泡对检定的不良影响,适用于各类水表的检定。     

一种基于DBSCAN随机圆检测的多瓶口定位算法

现有医药灌封生产中的西林瓶瓶口定位方法易受瓶口边缘干扰的影响,导致瓶口圆中心定位不准确。对此,提出一种基于DBSCAN随机圆检测的多瓶口定位算法。首先,通过Canny边缘检测算法得到图像中所有轮廓,采用基于密度的DBSCAN聚类算法分割出感兴趣的瓶口边缘集;接着,针对每个单独的瓶口边缘集,采用最小二乘法和径向扫描获取瓶口的外边缘点,再利用重复随机圆检测得到大量候选圆心集;最后,基于DBSCAN算法聚类得到真实圆心集,以真实圆心集的均值中心作为瓶口中心。与4种典型算法进行对比,实验结果表明,提出的圆定位算法的平均定位误差为0.553 pixels,优于其他算法,且该算法的平均执行速度为1.359 ms。该算法能够满足医药灌封生产线对准确性和实时性的要求。     

基于最小凸包的直齿圆柱齿轮检测方法研究

提出了基于齿轮外轮廓最小凸包及凸包缺陷的直齿圆柱齿轮齿数及缺齿识别算法,采用二值图像连通域跟踪提取齿轮外轮廓,然后进行外轮廓最小凸包及凸包缺陷检测,去除伪凸包缺陷后进行齿数检测及缺齿部位识别。根据直齿圆柱齿轮外形特征,提出了基于齿轮外轮廓凸包顶点的齿顶圆检测方法,以及基于齿轮外轮廓凸包缺陷最深点的齿根圆拟合方法,实现了直齿圆柱齿轮的特征圆参数快速测量。实验结果表明,齿数及缺齿识别算法正确率高达98.48%;与现有两种典型方法对比,齿轮特征圆拟合算法可以实现各种情况下齿顶圆和齿根圆的高速高精度定位。     

基于深度学习的指针式仪表识别算法研究

目前指针式仪表数据仍然基于模板匹配等传统算法,在信噪比低的情况下识别精度低,因此采用深度学习进行指针的分级定位与识别。一级识别采用SSD算法进行仪表区域定位,计算仪表倾斜角度并修正。二级指针定位使用多方位SSD算法识别指针转动角度并转换量程。使用自建的仪表数据集进行网络训练,指针式仪表检测精度达到87%;作为拓展方向,数字式仪表检测精度达88%。实验结果表明,该算法稳定性及准确度均高于传统的指针式仪表识别算法。     

基于关键点检测的指针仪表读数算法

通过摄像头实现指针式仪表自动读数时易受复杂环境、摄像头不同角度等因素影响,而且在实际的应用中难以均衡检测速度和检测精度,为此,文章提出一种基于关键点检测的指针仪表读数算法。以ResNet18为主干网络,摒弃了最后两个阶段的残差块以及之后的全连接层,并针对指针仪表表盘的特点设计了一个轻量级特征融合网络,同时引入提高模型性能的姿态修正机(pose refine machine, PRM)。最后利用得到的表盘圆心、零刻度线、当前指针刻度3个关键点信息,通过角度法完成读数计算。实验结果表明,本文算法读数误差仅为0.506%,速度可达53 fps,相比于传统算法具有较高的精确度;相比于其他同类算法,在拥有更少参数量与运算复杂度的情况下,仍能实现对指针关键点的高准确度预测,充分证明所提算法的有效性。     

基于轮廓曲率的PET瓶防盗环断裂检测

针对现有满瓶检测算法中缺乏聚对苯二甲酸乙二酯(polyethylene terephthalate,PET)瓶防盗环断裂检测算法的问题,提出一种基于轮廓曲率计算和角点检测的防盗环断裂检测算法。首先采用灰度投影法大致定位出瓶盖区域并将瓶盖所在的矩形区域设置为感兴趣区域(ROI),再利用梯度极大值抑制法获取瓶盖边缘点,并根据提出的等腰三角形法和最近点搜索法,拟合边缘点的亚像素坐标并连接瓶盖轮廓。然后利用边缘点的路程距离比(stretch to distance ratio,SDR)来近似表示轮廓曲率,再根据轮廓曲率极大值检测角点,并采用角点匹配法定位支撑环。最后根据支撑环和防盗环之间存在缝隙与否,来判断防盗环是否断裂。该算法检测正确率达到94.75%,可满足生产需要。     

基于安卓平台的电力仪表远程读取系统

针对当前电力系统中的部分传统指针仪表人工读取不便且改造费用较高的情形,设计并实现了一种基于安卓平台的电力仪表远程读取系统。首先,使用数字图像处理算法对电力仪表的指针进行识别;其次,根据仪表的形状特征,设置角度阈值,检测仪表指针偏转角度;进一步地,根据偏转角度与表盘量程计算仪表的指针读数;最后,利用手机的短信服务功能发送仪表读数。实验结果表明,所设计系统能够有效实现电力仪表的远程读取,具备现场应用潜力。     

空瓶检测机器人瓶底缺陷检测方法研究

针对当前瓶底圆心定位方法精度不高、瓶底防滑纹区域缺陷易误检等问题,利用瓶底防滑纹的几何特征,提出一种改进的基于变权重随机圆拟合的瓶底定位算法,首先采用重心法对瓶底圆心进行快速预定位,再采用变权重随机圆拟合法实现瓶底精定位。然后检测瓶底图像疑似缺陷区域,并提取区域面积、轮廓长度、圆形度、灰度方差和灰度均值等特征,采用支持向量机算法进行分类决策,检测出缺陷。实验表明,瓶底定位误差小于6个像素,缺陷检测准确率为92.7%,基本满足实际生产精度的要求。     

一种基于运动控制器的二维轮廓检测装置

针对动车轮对动态扫描的精度不足与成本过高问题,提出了一种基于激光实时同步扫描动车轮对双侧轮廓,并辅以最小二乘法计算轮对实际圆心的轮廓检测方法。论述了基于zmotion运动控制器的高精度同步扫描控制系统的结构和工作原理。实测表明系统能较高精度地还原动车轮对的实际轮廓并对磨损程度进行评测。     

基于霍夫变换和RANSAC算法的绝缘子定位方法

对绝缘子进行定位是实现其非接触式爬电距离测量的前提条件,为此本文依据绝缘子自身所具有的形态和分布特点,提出一种基于霍夫变换和RANSAC算法的绝缘子定位方法.首先利用Canny边缘检测获取绝缘子的边缘特征,并依赖其形似圆的特点结合霍夫圆变换进行检测;接着依据其在串中间距大体相等且串似直线的特点,利用修正的RANSAC算法提取圆心构成直线;最后遍历直线用红色矩形框对其进行有效定位.实验结果表明,本定位方法可对绝缘子进行有效定位,为绝缘子爬电距离的计算等后续研究提供了基础.     

基于空间变换的指针式仪表读数识别算法研究

针对目前指针式仪表图像自动读数识别普遍存在受光照变化影响大,表盘内部阻尼液干扰引起识别精度低的问题,本研究提出了一种基于空间变换的指针式仪表读数识别算法。首先选取指针所在区域的圆心和半径,获得边缘提取的仪表内圈圆弧轮廓,以此确定图像空间变换需要的参数从而将圆弧形的表盘转换成矩形;其次通过图像拼接处理构建无指针图像,在此基础上对刻度线进行校正处理得到刻度线坐标;最后通过减影法提取指针区域中心直线坐标,判断指针与刻度线的相对位置来获取指针读数。光照实验表明,本算法对指针和刻度线识别受光照影响小,经校表实验表明,本研究提出的算法识别速度快、精度高。     

基于霍夫变换及相似度检测的圆形表计检测方法

变电站巡检机器人沿巡检道路行走进行设备巡检,停在预定的监控位置,调用云台预置位将监测仪器对准被监测设备,可见光检测仪器通过光学变焦获取比例适当的清晰图片。由于机器人导航定位精度、行进姿态偏差和云台预置位定位精度等误差的综合影响,导致每次巡检时同一观测目标的成像位置在整幅图像视野中的位置有较大偏差。霍夫圆检测作为常用的圆形检测方法可以很好地检测图像中的圆形,但是搜索区域、搜索半径等参数设置需要人为反复试验才能取得良好的检测效果,因此不适合于背景复杂且圆形大小未知的变电站图像。文章将霍夫圆检测和感知哈希相似度算法相结合,从霍夫圆检测结果当中,筛选出与基准图圆形表相似的现场圆形表计,定位出圆形表计所在位置,从而计算出圆形表与其在基准图的位置偏差,通过云台扭转实现表计二次对准。     

基于深度学习的模糊指针式仪表矫正读数方法

变电站户外巡检任务中,由于大风,大雾,路面不平等复杂环境影响,巡检机器人容易出现抖动和视角偏差,导致所获取的仪表图片出现模糊,倾斜等问题,难以保证指针式仪表识别读数的准确性。为解决此问题,结合YOLOX目标检测,DeblurGAN-v2图像增强,DeepLabV3+语义分割神经网络算法,研究了模糊指针式仪表矫正读数识别方法。首先改进YOLOX网络实现仪表表盘、指针区域和仪表文字信息提取,并获取仪表参数,其次增强DeblurGAN-v2网络的特征提取能力,去除图像模糊影响,然后使用DeepLabV3+网络分割表盘和指针。仪表图像矫正过程采用透视变换和文本矩形轮廓矫正实现仪表高精度矫正。实验证明,该方法在检测任务中更能适应复杂环境影响,检测准确率高达97.55%,满足工业上自动化检测要求。     

基于改进Canny边缘检测的指针式仪表自动读数算法研究

指针式仪表自动读数是工业巡检机器人系统的核心技术之一,以机器视觉为基础,提出了一种新的指针式仪表的自动读数算法研究,研究分为3个模块。首先采用基于深度学习的目标检测SSD算法,对指针式仪表位置进行准确定位,该算法可以准确的从复杂背景中检测出指针式仪表的位置,并将其提取出来;接着采用多尺度Retinex对HSL色彩空间中的图像进行图像增强,采用最大类间方差进行二值化操作,采用改进的Canny边缘检测进行指针边缘的提取;最后采用改进的霍夫变换法——概率霍夫变换对指针所在的直线进行检测,计算出指针的倾斜角度从而利用角度法得出指针的准确示数。实验结果表明该研究可以较为准确的自动读出指针仪表的示数,误差较小,稳定性高。     

基于天幕靶与声靶的入靶参数检测及性能分析

为了准确检测弹丸的入靶参数,提高精度靶检测性能,在分析弹丸定位算法的基础上,建立基于天幕靶与声靶的五元定位模型,进一步提出一种弹丸入靶参数检测算法。根据模型间各阵元的矢量关系,推导出弹丸入靶参数的计算公式,实现弹丸入靶参数检测。利用阵列参数,偏航角和弹丸入靶坐标点到阵元中心距离与定位性能关系,对测距测向精度进行分析。结果表明,该算法弹丸入靶坐标最大误差为1.41%,方位角最大误差为1.23%,具有较好的弹丸入靶参数检测效果。     

基于注意力机制的卷积神经网络指针式仪表图像读数识别方法

目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低。并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值。因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高。首先构建了融合卷积注意力模块的双路异构卷积神经网络,强化了对仪表图像特征的提取,改善了特征的类型和分布,提高了仪表读数识别的准确率;然后采取了软区间分级回归的策略,极大地简化了模型的体积,使得模型易于部署;最后通过算例对比了所提方法和基于指针线段检测的深度学习、机器学习模型识别仪表读数的准确率和效率。算例表明,所提方法在仪表图像读数识别准确率和效率之间取得了较好的平衡。     

Uncalibrated Workpiece Positioning Method for Peg-in-hole Assembly Using an Industrial Robot

This paper proposes an uncalibrated workpiece positioning method for peg-in-hole assembly of a device using an industrial robot. Depth images are used to identify and locate the workpieces when a peg-in-hole assembly task is carried out by an industrial robot in a flexible production system. First, the depth image is thresholded according to the depth data of the workpiece surface so as to filter out the background interference. Second, a series of image processing and the feature recognition algorithms are executed to extract the outer contour features and locate the center point position. This image information, fed by the vision system, will drive the robot to achieve the positioning, approximately. Finally, the Hough circle detection algorithm is used to extract the features and the relevant parameters of the circular hole where the assembly would be done, on the color image, for accurate positioning. The experimental result shows that the positioning accuracy of this method is between 0.6-1.2 mm, in the used experimental system. The entire positioning process need not require complicated calibration, and the method is highly flexible. It is suitable for the automatic assembly tasks with multi-specification or in small batches, in a flexible production system.