齿形链链板视觉集成测量

构建了基于计算机视觉的齿形链链板的测量系统,对直线和圆的边缘定位,提出了新的亚像素算法,计算了齿形链链板的销孔直径及圆度误差、链板节距和两直边夹角,对测量结果进行了误差分析。将图像处理、参数计算、标定等整个测量过程集成起来,通过标准样件对被测零件图像进行坐标变换,确定待测区域并完成标定。实验表明,改进最小二乘直线拟合定位误差是常规最小二乘拟合误差的1/4。而圆的亚像素定位可使CCD的分辨率提高42倍,大大提高图像边缘的定位精度。利用亚像素方法测量时,销孔直径为2.563mm,链板节距为6.296mm,两直边夹角为60.453°,圆度误差为14.7μm。单一链板的整个测量过程不足1s。     

基于序列局部图像的尺寸高精度测量方法

为实现大尺寸机械零件的高精度视觉测量,研究基于序列局部图像的视觉测量方法。首先分析机械零件图像边缘的过渡分布特征,提出边缘像素补偿法,消除实际边缘不能精确定位对测量精度的影响。然后以直线边缘距离测量为原型,提出基于序列局部图像尺寸特征的测量方法：对零件进行微小区域成像,生成在空间上连续的序列局部图像;应用相关系数法和双线性插值法获得相邻序列图像的亚像素级尺寸特征线,从而得到各局部图像的尺寸特征;对这些尺寸进行求和与补偿,得到零件的总体尺寸。实验表明,对常规尺寸零件的单幅图像运用边缘像素补偿法,相对测量误差在0.008%以内;对大尺寸零件应用序列图像测量法,相对测量误差在0.01%以内,具有误差积累小的优点,可用于机械零件的精密自动化测量。     

基于序列局部图像的高精度测量

研究了基于序列局部图像的视觉测量方法.分析了机械零件图像边缘的过渡分布特征,提出用边缘像素补偿法来消除实际边缘不能精确定位对测量精度的影响.以直线边缘距离测量为原型,提出了基于序列局部图像尺寸特征的测量方法:对零件进行微小区域成像,生成在空间上连续的序列局部图像;应用相关系数法和双线性插值法获得相邻序列图像的亚像素级尺寸特征线,从而得到各局部图像的尺寸特征;对这些尺寸进行求和与补偿,得到零件的总体尺寸.实验结果表明,对常规尺寸零件的单幅图像运用边缘像素补偿法,相对测量误差在0.008%以内;对大尺寸零件应用序列图像测量法,相对测量误差在0.01%以内,并具有误差积累小的优点.本文算法可基本满足板类零件的精密自动化测量要求.     

基于LabVIEW的曲轴零件视觉检测研究

针对曲轴零件尺寸检测问题,以LabVIEW作为图像处理平台,将采集到的零件图像进行预处理,选取相应的图像滤波方法和边缘检测方法,实现曲轴零件图像灰度变换、阈值分割、边缘检测、特征提取等功能,得到曲轴零件几何边缘轮廓,计算视觉特征量,实现曲轴零件几何尺寸的测量。该方法提高了曲轴的检测速度和精度,有效地提升了检测水平。     

薄片零件尺寸机器视觉检测系统中边缘检测技术的对比研究

以高斯模糊的仿真图像和薄片零件图像为评价图像．分别用Roberts算子、Sobel算子、Prewitt算子、Kirsch算子、Laplacian算子、LOG算子、数学形态学边缘检测方法进行边缘检测,对边缘检测结果进行了深入分析,对算法的边缘定位精度、抗噪声能力和计算时间进行了比较。数学形态学边缘检测方法能获得单像素宽连通的轮廓,检测时间分别为0．0521s、0．457s。选择数学形态学边缘检测方法作为薄片零件尺寸机器视觉检测系统的边缘检测方法是合适的。     

基于自组织特征映射神经网络的零件图像的识别

提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法,首先,对零件图像进行小波多尺度边缘检测,提取零件图像的边缘轮廓;然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由自组织特征映射神经网络实现识别.实验结果表明该方法是有效的.     

基于小波神经网络和证据理论的零件图像识别的研究

从零件图像的小波分解系数和相对图像边缘像素系数作为零件特征的方法出发,提出了基本概率分配构造和多源零件图像特征识别的方法。首先,对多源零件图像分别进行小波分解,获取零件图像的小波分解系数。对零件图像进行小波多尺度边缘检测,将被检测的零件边缘轮廓图像分成若干个区域并分别统计各区域的相对边缘像素系数。然后,多源零件图像的小波分解系数和零件边缘轮廓图像的相时像素系数作为零件图像的特征并作为神经网络的输入,获取多源零件图像识别的基本概率分配。最后,依据证据理论的合成规则得到零件的识别结果。实验结果表明,基本概率分配构造和多源零件图像特征识别的方法是有效的。     

基于小波神经网络和证据理论的零件图像识别的研究

从零件图像的小波分解系数和相对图像边缘像素系数作为零件特征的方法出发,提出了基本概率分配构造和多源零件图像特征识别的方法.首先,对多源零件图像分别进行小波分解,荻取零件图像的小波分解系数.对零件图像进行小波多尺度边缘检测,将被检测的零件边缘轮廓图像分成若干个区域并分别统计各区域的相对边缘像素系数.然后,多源零件图像的小波分解系数和零件边缘轮廓图像的相对像素系数作为零件图像的特征并作为神经网络的输入,获取多源零件图像识别的基本概率分配.最后,依据证据理论的合成规则得到零件的识别结果.实验结果表明,基本概率分配构造和多源零件图像特征识别的方法是有效的.     

基于图像处理的轴类零件尺寸测量技术研究

采用图像检测技术对轴类零件尺寸进行非接触检测,实现了动态测量。在获取零件图像后,采用Sobel算子完成对图像边缘的初步定位,在此基础上,通过对图像边缘的离散点作最小二乘曲线拟合,达到边缘的亚像素定位,基于精度分析,得出了误差最小时的尺寸求解方法。通过标定系数k的求解,计算出精确的零件尺寸。实验表明,该方法能有效地提高检测精度,在CCD摄像机分辨率为1392×1040,像元尺寸为4.65μm时,检测误差<±20μm。     

一种改进的角点检测法

角点包含丰富的图像几何信息，其检测精度直接影响后续图像参数的计算与分析。为满足工程上要求的高精度计算出零件轮廓参数，在检测出零件轮廓边缘后．角点定位成为影响结果精度的最重要因素。为此．本文提出了一种基于亚像素思想，综合图像灰度信息与边缘轮廓点特征的高精度角点检测法。该方法使用Marr边缘检测算子得到连续单像素边缘，结合亚像素思想对各个边缘点进行精确定位，在此基础上根据角点曲率最大原理进行检测．最终确定独立角点。实践证明，该方法能有效、高精度地进行角点检测。     

环形光切测量法的亚像素技术

针对深孔内膛的检测,对环形光切的测量方法进行了介绍,对其测量原理进行了分析。为了提高断面形廓的检测精度并消除CCD的量化误差、饱和误差、激光的不均匀误差和“散斑”噪声等误差和噪声对检测结果的影响,提出了一种亚像素检测技术,该技术在环形光斑图像中“刻画”出一系列截线,对这些截线灰度分布进行连续重建、基于小波变换的理想估计和理想灰度极值点计算,并利用这些极值点得到环形光斑的理想灰度极值线的亚像素检测结果,从而实现深孔断面形廓的测量。该方法具有检测精度高(可达到0.1像素的位置精度),抗噪能力强,没有数据的缺失和冗余现象,能够检测复杂的断面形廓等特点,对于具有一定复杂程度的深孔内膛形貌检测具有重要的意义。     

计算机视觉检测技术在滚珠螺母测量中的应用

提出一种基于CCD图像的滚珠丝杠螺母非接触测量方法。首先用数字摄像头采集滚珠螺母图像,并经数字接口卡传输到计算机;其次对包含噪声的原始数字图像实施预处理和图像分割、细化等处理,将图像转换成易于检测的单象素宽边缘信息;然后用自编程序计算滚珠螺母有关参数,并实际测量了滚珠螺母的圆度、圆柱度等几何误差,进行了数据处理及标定。理论分析及实验测量结果表明,该方法可满足产品的技术要求。     

装配位姿视觉检测系统中红外靶点质心定位

结合装配位姿视觉检测系统的研发,为提高红外LED靶点质心亚像素定位精度与稳定性,对红外LED靶点图像的灰度分布模型进行了研究,提出了一种基于自由曲面拟合的质心定位算法以获取靶点图像的亚像素中心。根据靶点图像的灰度分布,该算法通过双三次样条插值生成靶点灰度分布曲面,利用拟牛顿法求取曲面顶点即靶点图像中心的亚像素坐标。实测实验显示该算法在图像噪声水平较低的高精度测量环境中,当靶点距离摄像机约5m和12m时,与高斯曲面拟合法和加权灰度重心法相比,该算法都能更准确地描述靶点的灰度分布,生成的灰度曲面更加接近靶点图像的真实分布,在高精度测量环境中具有更高的测量精度和稳定性。     

摩托车链板的机器视觉检测

针对摩托车用滚子链外链板的几何尺寸及圆度误差提出了一种基于机器视觉的检测方法。用数字摄像头采集数字图像,通过IEEE1394数字接口卡将采集到的图像传输到计算机。对原始图像进行图像预处理及图像分割。在测量尺寸时,依据图像分割所提取的轮廓,使用自编程序利用最小区域法对圆度误差进行评定,并计算、测量链板的孔径和节距。在同一系统中实现了尺寸及形状误差的非接触测量,分析了测量误差的原因。分析及试验表明,用该方法对摩托车滚子链的几何尺寸及圆度误差进行测量及分析评定是可行的,并具有高效性和实用性。     

有图形硅片显微图像微距线宽测量方法研究

针对硅片关键尺寸高精度准确测量的要求，在整像素级标准件法二维图像微距尺寸测量的基础上，本文综合应用基于卡尺的标准件法和空间矩亚像素细分算法，提出了具有像素级高速度、亚像素级高精度线宽测量的两步标定法。通过给出一个焊盘样本的实际测量结果来分析对比，表明该方法测量精度有了明显地提高，可以用来进行有图形硅片关键尺寸的测量标定。     

散斑运动模糊复原的直线电机动子位置检测

图像测量技术具有非接触性、抗干扰性等优点被越来越多地应用到双次级永磁直线电机动子位置检测中。针对图像采集过程中所产生的图像模糊问题,提出了一种精确辨识运动模糊参数的方法,实现了直线电机动子位置的精确测量。采用数字散斑图像作为原始拍摄面,通过相机获得包含动子位置信息的序列运动模糊图像。利用奇异值分解对运动模糊图像进行去噪重构预处理,降低噪声对运动模糊参数辨识精度的影响。求取预处理后图像的倒谱图,通过主成分分析找到倒谱图二值化后亮线的主矢量方向即为模糊方向;同时作出倒谱三维图,利用其负峰值中两个最小值坐标求出模糊长度。根据计算的模糊参数值复原模糊散斑图像,再利用图像亚像素测量方法获得动子位置。实验结果表明:本文算法的计算耗时比Radon算法缩短了5倍多,不同位移下的平均绝对误差仅为0.084 7mm,满足直线电机动子位置检测的实时性和高精度要求。     

大尺寸机械零件的机器视觉高精度测量方法

为实现大尺寸机械零件的高精度视觉测量,研究了基于序列局部图像尺寸特征的测量方法,提出了基于纹理特征的序列局部图像校准技术以解决测量过程中相面旋转引起的局部图像尺寸方向变动问题;提出了图像边缘补偿测量技术以消除实际边缘不能精确定位而对测量精度的影响;论述了基于序列局部图像尺寸特征测量方法的算法实现过程。实验表明,对大尺寸零件应用序列图像测量法进行测量,其相对测量误差在0.012%以内,基本满足机械零件二维尺寸精密自动化测量要求。     

基于机器视觉的机械零件边缘像素补偿法

机械零件图像边缘灰度的分布特征已成为影响机器视觉准确测量机械零件的重要因素之一。为了减小这种测量误差,提高测量精度,提出边缘像素补偿法来对机械零件图像边缘进行处理。通过分析视觉边缘检测原理,应用高精度标准块对相机进行标定。标定后对待测零件进行多次测量,试验结果表明:对图像信息进行边缘补偿后,其测量结果的相对误差可减小0.059%,边缘补偿算法可以有效提高测量精度。     

齿轮加工在线智能检测装置的设计

许多机械传动部件如齿轮在加工的过程中需要严格的保证其加工精度,传统的检测齿轮精度的设备只能在齿轮加工完成后才能对齿轮的精度进行测量,无法在齿轮加工的过程中对齿轮的加工精度进行测量。本文设计了一种齿轮加工在线智能检测装置,能在齿轮加工的过程中对齿轮的轮廓数据进行采集,将机床工作台旋转坐标反馈数据与在线智能检测装置测量的数据进行同步,将检测获得的数据在极坐标下表示即为被加工齿轮齿面检测点的坐标,当被加工工件旋转一周,在线智能检测装置能够测得工件完整的横截面点云坐标。本装置可以有效地实现对加工过程中的齿轮进行测量,具有结构简单、操作快捷、安装方便等优点。     

大尺寸机械零件的机器视觉高精度测量方法

为实现大尺寸机械零件的高精度视觉测量,研究了基于序列局部图像尺寸特征的测量方法,提出了基于纹理特征的序列局部图像校准技术以解决测量过程中相面旋转引起的局部图像尺寸方向变动问题;提出了图像边缘补偿测量技术以消除实际边缘不能精确定位而对测量精度的影响;论述了基于序列局部图像尺寸特征测量方法的算法实现过程。实验表明,对大尺寸零件应用序列图像测量法进行测量,其相对测量误差在0.012%以内,基本满足机械零件二维尺寸精密自动化测量要求。