基于特征的通用工件立体识别及其关键技术的研究

基于特征的通用工件立体识别及其关键技术的研究

论文摘要

工件识别技术贯穿了反求设计、零件制造、设备装配和质量检测等主要生产环节,具有广阔的应用前景和一定的理论研究价值。工件识别技术可有效提高设计效率和生产自动化水平,可提高工业机器人的柔性化程度,可有效减小自动化生产中检测系统的规模,正在成为制造业信息传递的重要而简洁的途径之一。而目前的工件识别基本上是针对某一专用场合研究待识别工件的专用识别方法,即遇到一新问题就需投入大量时间去开发相应的识别算法系统。对此,本文提出一种基于特征参数化造型的通用工件立体识别的方法,并选取了其中的若干关键技术进行了研究,以期从一个新的视角得到具有广泛适用性的通用工件识别方法,为工件识别方法的扩展做出一点有意义的尝试和探索。论文主要完成以下工作:(1)特征分类及分类实现方法的研究。通过对工件形状分析发现大多数工件都可由三维参数化特征造型理论中的旋转类、拉伸类、扫掠类和混成类这四类特征组合而成,故提出了基于特征的通用工件识别方法,并分析了能够区分这四类特征的特征量的提取和选择,据此设计了RBF和BP神经网络分类器,但应用中发现它们对于某些有歧义的工件并不能恰当区分,故提出了一种新的分类器设计方法,该方法将神经网络和PCA结合起来,先用神经网络对提取出的特征量集进行非线性映射,然后利用PCA对映射所得特征集进行压缩,最后利用本文提出的宽泛的判据准则检验压缩所得数据是否为线性可分且易分。实验说明了该方法可生成线性可分特征集,且泛化能力较强,可保证实际分类时的准确性。(2)对工件图像处理的相关方法进行了研究。提出采用数学形态学去噪方法对工件图片进行滤波处理,它不仅可以去除图片中的高斯、椒盐等噪声,还能将工件本身含有的孔洞、凸刺去除,达到平滑边界、修整工件目的;针对Harris角点提取算法具有提取到的角点冗余大、角点位置偏移等问题,提出了用B样条滤波代替高斯滤波,用B样条微分算子代替高斯微分算子的改进方法,实验说明这种方法提取的角点合理,且角点位置准确;在边缘提取方面,为克服Pal模糊边缘检测算法中隶属度函数复杂且会损失部分灰度值、增强函数中迭代次数r太小无法突出边缘信息从而损失某些边缘等主要不足,提出了将隶属度函数用线性函数代替,增强函数用高斯函数代替的改进的pal算法,将其应用于工件的边缘检测取得了满意的效果。(3)特征立体识别方法的研究。对于分类成功的四类特征根据其三维参数化造型原理,给出了每类特征的基于双目立体视觉的立体识别算法。并以包含特征元素共性较多的拉伸式工件识别为例详细研究了基于特征参数化生成原理的双目立体识别算法,实例说明了这种方法可行,且计算量小,对摄像机的角度设置要求不多。(4)优化方法在识别应用中的研究。在工件识别过程中很多地方如特征的最佳匹配,神经网络权值、阂值的最优选取,边缘检测中阈值的选取等都需要用到优化技术,但优化时发现标准遗传算法存在收敛性较差、搜索速度较慢,甚至会出现早熟现象,以至得不到最优或近似最优解,故本文提出了一种新的遗传算法—动态种群不对称交叉的新型遗传算法,这种方法可免除独立的变异操作,且寻优速度快,抗早熟能力强。在此基础上,提出了一种基于主元分析的匹配分类方法,与常规的基于主元分析的图像识别方法不同,该方法中将模板图像视为一高维数据集,通过对模板图像的主元投影处理缩减匹配过程中的计算量,使用改进的遗传算法作为寻优工具,使得匹配识别中的计算量小,匹配准确性高,且抗噪声干扰能力强,具有一定的实际应用价值。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 课题的提出
  • 1.1.1 课题研究背景及意义
  • 1.1.2 问题的提出
  • 1.1.3 课题研究内容
  • 1.2 工件识别的研究现状
  • 1.2.1 工件识别信息获取方法
  • 1.2.2 分类器研究现状
  • 1.2.3 立体匹配技术
  • 1.3 本文主要工作
  • 1.4 本文主要创新点
  • 第二章 基于特征的通用工件识别策略
  • 2.1 基于特征的工件识别策略的提出
  • 2.1.1 工件特征与三维特征造型
  • 2.1.2 策略的提出与分析
  • 2.2 特征分类与特征组合规律分析
  • 2.2.1 特征分类方式的确定
  • 2.2.2 典型零件特征组成规则的分析
  • 2.3 策略的实现过程
  • 2.4 特征量提取
  • 2.4.1 图像纹理特征量
  • 2.4.2 图像形状特征量提取
  • 2.5 本章小结
  • 第三章 工件图像降噪和特征分类方法研究
  • 3.1 基于数学形态学的滤波方法研究
  • 3.1.1 数学形态学基础
  • 3.1.2 工件修整及去噪实例
  • 3.2 基于RBF神经网络特征分类方法的研究
  • 3.2.1 RBF网络原理及讨论
  • 3.2.2 RBF网络整体训练学习算法
  • 3.2.3 网络结构的确定
  • 3.2.4 RBF神经网络的训练及应用
  • 3.3 基于LM-BP网络的特征分类方法研究
  • 3.3.1 LM-BP网络原理
  • 3.3.2 输入输出矢量的确定
  • 3.3.3 网络训练及应用
  • 3.4 一种基于神经网络—主元分析的分类方法研究
  • 3.4.1 PCA原理
  • 3.4.2 特征与特征的软生成
  • 3.4.3 网络结构
  • 3.4.4 一种宽泛的收敛判据
  • 3.4.5 网络的学习方法
  • 3.4.6 方法验证
  • 3.5 本章小结
  • 第四章 工件图像边缘检测和角点提取方法的研究
  • 4.1 改进的Pal算法及其应用
  • 4.1.1 Pal模糊边缘检测算法及其讨论
  • 4.1.2 模糊边缘检测的改进算法研究
  • 4.1.3 实验结果及分析
  • 4.2 改进的Harris角点提取方法及其应用
  • 4.2.1 Harris算法原理
  • 4.2.2 Harris算法的改进
  • 4.2.3 实例验证
  • 4.3 本章小结
  • 第五章 基于特征生成原理的工件双目立体识别方法研究
  • 5.1 立体视觉原理
  • 5.1.1 双目视觉
  • 5.1.2 摄像机标定
  • 5.2 拉伸类工件双目立体识别算法的研究
  • 5.2.1 拉伸面、拉伸长度判别方法
  • 5.2.2 拉伸面几何设计参数抽取方法
  • 5.2.3 拉伸类工件立体匹配算法研究
  • 5.2.4 拉伸类工件立体识别实例
  • 5.3 其它类工件立体识别方法研究
  • 5.3.1 扫掠类工件立体识别方法研究
  • 5.3.2 旋转类工件立体识别方法研究
  • 5.3.3 混成类工件立体识别方法研究
  • 5.4 本章小结
  • 第六章 基于改进的遗传算法和主元分析的工件识别方法研究
  • 6.1 遗传算法基本原理
  • 6.2 动态种群不对称交叉的新型遗传算法
  • 6.2.1 实数编码遗传算法分析
  • 6.2.2 新型算法的提出
  • 6.2.3 算例验证
  • 6.3 基于PCA和改进的遗传算法的工件匹配方法研究
  • 6.3.1 工件匹配问题提出
  • 6.3.2 模板图像的PCA和数据缩减
  • 6.3.3 匹配方法
  • 6.3.4 寻优方法
  • 6.3.5 方法性能分析
  • 6.3.6 实验验证
  • 6.4 本章小结
  • 第七章 结论与展望
  • 7.1 结论
  • 7.2 讨论
  • 参考文献
  • 致谢
  • 作者简介
  • 攻读博士期间发表的学术论文
  • 相关论文文献

    标签:;  ;  ;  ;  ;  ;  ;  ;  

    基于特征的通用工件立体识别及其关键技术的研究
    下载Doc文档

    猜你喜欢