基于计算机视觉的H型钢结构连接器自动识别和焊接轨迹提取

时间:2020-12-15 18:20 | 栏目:计算机论文 | 浏览:次

硕士论文网第2020-12-15期，本期硕士论文写作指导老师为大家分享一篇计算机论文文章《基于计算机视觉的H型钢结构连接器自动识别和焊接轨迹提取》，供大家在写论文时进行参考。

本篇论文是一篇计算机硕士论文范文，在 H 型钢结构连接件自动识别过程中，特征提取是最关键的，也是至关重要的环节，对后面的图像匹配有很大的影响。先对工业相机采集得到的 H 型钢结构连接件图像信息进行预处理，再进行 H 型钢结构连接件的特征提取，最终，依据所提取的特征作为图像匹配的依据。因此，影响匹配效果的不仅有预处理，还有特征提取。特征提取本质上是从大量的特征中统计出对工件识别最有效的特征，从而达到减少特征向量维数的目的。

1. 绪论

1.1 课题研究背景及意义

随着我国经济实力的不断增强，劳动力成本逐渐提高，因此传统制造业开始逐渐离开中国。由于国民经济的迅速发展，综合国力的日益上升，人民的生活水平越来越高，消费能力越来越强，使得工业制造业的生产压力骤然提高，按照传统的生产方式不能满足日益增长的供应需求，为了符合工业制造业发展需要，国内外许多国家提出了各自智能制造发展战略，如德国2013 年提出的“工业 4.0”、欧盟 2010 年提出的“欧洲 2020 的战略”、美国政府 2014 年提出的“再工业化”、日本政府 2015 年发布的《机器人新战略》，世界上许多发达的国家都在积极地发展智能制造技术，科研投入不断加大，大力推动机器人在工业制造行业中的应用，在这样的时代潮流之下，我国也越来越重视智能制造技术。政府颁布了许多政策支持智能制造技术的研发，同时也投入了大量的资金支持各大高校、制造企业对智能制造技术的探索,加快迎接我国的“工业 4.0”的到来。2015 年国务院印发了《中国制造 2025》战略规划，引导我国智能制造的发展，实现制造强国梦，大力推动智能机器人、无人驾驶、新能源汽车等智能制造领域的研究与支持。随着国家智能制造产业领域增加的投入和研究，我国的工业自动化及现代化得到很大程度的改善和提高。工业机器人可以在很大程度上降低制造业的人工成本，提高生产效率和产品质量，同时还可以改善操作人员的工作环境。因此我国大力推进工业现代化的进程，推进国内各行各业进入工业 4.0 阶段是未来发展的必然趋势。图 1.1 是传统焊接人员工作环境，传统焊接的工作环境恶劣，强度大，危险系数高，技术要求严，导致了焊接制造业的人力成本居高不下，所以说传统的焊接行业急需发展和改进。在智能制造的大背景下，用焊接机器人代替传统的焊接行业是大势所趋。

1.2 论文主要研究内容与章节安排

基于计算机视觉的 H 型钢结构连接件自动识别及焊接轨迹的提取，其研究重点就是将焊接工位视觉图像中获得的待加工工件的信息与 CAD 模型库工件的理论模型进行匹配，识别出工件类型，从而由理论数据计算得到焊接轨迹，所涉关键技术可分为 H型钢结构连接件图像预处理、H 型钢结构连接件特征提取和 H 型钢结构连接件特征匹配是三个重要的环节。（1）H 型钢结构连接件预处理现如今大多应用工业摄像机进行钢结构图像的采集。在进行图像获得的过程中有可能会受到噪声等干扰，因此有必要对采集得到的钢构附件图像做预处理，钢构附件图像的预处理主要包括彩色灰度化、增强、滤波等。（2）H 型钢结构连接件特征提取详细介绍，基于结构特征和基于统计特征各自适用情况，选择基于结构特征作为钢构附件的特征提取方法。先对钢构附件图像完成图像预处理后，再对钢构附件图像进行特征提取，特征提取主要包括对钢构附件图像细化，提取钢构附件图像的特征点，构建钢构附件图像的特征向量。（3）H 型钢结构连接件特征匹配，介绍了图像匹配相关概念，分析图像匹配常用的方法包括基于模板匹配和基于特征匹配的各自特点，选取后者对钢构附件图像与 CAD 模板库工件图像进行匹配，选取合适的相似性度量函数判断两幅图像的匹配程度。本文共由五章组成，具体章节安排如下:第一章绪论：主要对本文课题研究背景及意义以及国内外对工件识别研究现状做简单的介绍，然后指出本文的主要研究内容。第二章 H 型钢结构连接件图像预处理：详细阐述了各类与图像预处理算法有关的理论，给出各种处理结果，通过对比处理结果，最终选取出最优的预处理方法。第三章 H 型钢结构连接件特征提取：在特征提取中，不仅介绍了特征提取相关的理论知识，还对钢构附件的细化进行研究，采用不同的图像细化算法提取钢构附件的骨架特征，比较骨架提取的效果，选取适合于钢构附件图像的细化算法，对钢构附件骨架图进行特征点的提取和利用提取到的特征点构建钢构附件的特征向量。第四章 H 型钢结构连接件特征匹配：介绍了基于欧式距离的相似性度量与基于余弦相似性度量特征匹配的相关方法，比较其各自的优缺点，并根据实验结果，针对缺陷进行改进构建特征向量的方法，在保持匹配算法较好的区分能力同时，应具有较强的鲁棒性。第五章系统软件设计与实现：在 64 位 Windows 10 系统下，采用 Visual Studio 2012 开发工具，基于 MFC 软件框架，实现本文所采用的 H 型钢结构连接件类型识别与焊接轨迹系统。结论，对论文内容进行概括，指出今后的研究方向。

2 H 型钢结构连接件图像预处理

如今，H 型钢结构连接件图像的采集大部分情形下都通过工业摄像机来获取，一般情况下在图像采集过程中，受多种因素的影响，图像质量都会有所下降，例如受元器件本身、现场拍摄环境、外部光源的质量、恶劣的现场拍摄环境、设备本身的制造误差、工件加工制造过程中工人误操作使得工件带有划痕和油污等干扰因素都会造成拍摄所生成的图片成像质量不高，主要表现在图像的对比度增强或降低、图片变得模糊不清和倾斜等，这些情况都会严重影响 H 型钢结构连接件的特征提取，甚至导致无法正确进行图像匹配。所以，识别前对 H 型钢结构连接件图像做一系列的预处理是很有必要的。

2.1 H 型钢结构连接件图像的特点

如图 2.1 所示是多种钢结构附件的现场拍摄图，可以清晰的看到 H 型钢结构连接件有如下特点：H 型钢结构连接件是由许多钢板拼接而成形成的工件，它的种类繁多。不同钢材通过焊接形成组合体，这种结构组合体性能稳定，不易发生破坏。H 型钢结构连接件图像存在着 T型、Y 型、H 型、矩形和十字型等多种复杂的空间交错立体结构。

2.2 H 型钢结构连接件灰度处理

彩色图像一般有非常多的信息量，如果直接将彩色图像应用于图像处理会导致计算机处理图像的速度降低，处理难度极大。灰度化以后的图像虽然只有亮度信息，但是它还含着原图像的主要信息特征，同时会使计算机处理图像的速度有所提高，处理难度降低，灰度化后的图像特性不会丢失原图像所包含的所有信息。因此，灰度处理不会影响 H 型钢结构连接件的主要特征。为了尽可能的降低算法的出错几率，确保其准确度，本文将 H 型钢结构连接件彩色图像做灰度化处理，能够由以下 3 类常规的方法来达成。图像噪声可以分成内部与外部噪声两种，外部噪声是因为外部电磁波导致的干扰，比如因电气设备而引发的噪声。内部噪声产生原因可以细分成下述四种情况：第一类引发原因为光与电的基本性质；第二类引发原因为电器的机械运动；第三类引发原因为器材材质自身；第四类引发原因为系统内部设备电路的干扰。通过不同的概率密度函数对噪声进行分类，其最重要的是椒盐噪声。椒盐噪声产生的原因是图像传感器等导致其表面出现黑白间隔的亮暗点噪声。对其进行细分可以分成两种噪声：一种是盐噪声；另外一种是胡椒噪声。“椒”表示黑色噪声，“盐”表示白色噪声。前者是高灰度噪声，后者属于低灰度噪声。一般两种噪声同时出现，呈现在图像上就是黑白杂点。数字图像的噪声主要因为在获取图像的过程中，摄像机组件的运行情况会受到各种客观因素的影响，包括图像拍摄的环境条件和摄像机的传感元器件质量在内都有可能会对图像产生噪声影响。在传输图像的过程中，传输介质所遇到的干扰也会引起图像噪声，如通过无线电网络传输的图像可能会因为光或者其他大气因素被加入噪声信号。通常来说，在进行图像处理时，其自身的滤波可以明显的减少图像噪声的干扰，滤波效果的好坏直接影响后续的图像处理效果。常见的滤波方法有空间平滑去噪，空域滤波方法有均值滤波、中值滤波和高斯滤波等。空间平滑去噪作为一种邻域运算，其主要是利用空间变换的方法来对图像数据进行处理，从而达成平滑的结果，经过输入图像附近邻域内的像素值做计算处理，从而得出输出图像的像素值。平滑处理为了实现不同的滤波技术需要借助不同的滤波器。

3 H 型钢结构连接件特征提取

3.1 H 型钢结构连接件结构特征提取

3.2 H 型钢结构连接件骨架化

3.3 骨架特征点提取

3.4 构建工件骨架特征向量

3.5 实验设计与结果分析

3.6 本章小结

4 H 型钢结构连接件特征匹配

4.1 图像匹配理论概述

4.2 特征匹配方法

4.3 相似性度量

4.4 工件模板的建立

4.5 实验设计与结果分析

4.6 本章小结

5 H 型钢结构连接件自动识别系统软件设计与实现

5.1 视觉算法库及编程工具

5.2 软件设计

5.3 软件实现

5.4 应用实例

5.5 本章小结

结论

H 型钢结构连接件自动识别技术是工业生产系统中重要的组成部分。H 型钢结构连接件自动识别过程中最重要的三个关键环节分别是 H 型钢结构连接件图像预处理、H 型钢结构连接件特征提取、特征匹配。本文具体完成工作如下:（1）本文以 H 型钢结构连接件为研究对象，利用工业相机采集工件的图像，对得到的彩色工件图像进行了灰度化处理、图像滤波、图像增强等预处理工作。（2）通过对工件特征提取方法进行研究，分析和比较各种方法的优点和缺点，最终确定利用 Zhang-Suen 快速细化算法得到工件的骨架，通过搜索匹配的方法提取工件的特征点，利用这些特征点构建用于图像匹配的距离特征向量。通过工业相机对相同的工件在不同高度和相同工件在不同角度采集图像，验证本文特征提取方法不受工件缩放，旋转的影响以及本文构建的特征向量不受工件仿射变换的影响。通过工业相机在相同的高度采集不同的工件图像，验证本文构建的特征向量具有区分不同工件的能力。（3）介绍了图像匹配常用的方法，分析了基于模板匹配和基于特征匹配各自的特点，以及常用的相似性度量方法，基于欧式距离的相似性度量，利用第三章所构建的距离特征向量,它具有区分不同工件的能力和对工件的缩放，旋转变换有较强的抗干扰能力。基于余弦定理的相似性度量，因为利用第三章所构建的距离特征向量u ,它不具有区分不同工件的能力和对工件的缩放、旋转变换的抗干扰能力较差，所以提出改进构建的特征向量，用u 来表示，其对区分不同工件的能力和对工件的缩放、旋转变换的鲁棒性有明显提高。（4）在 Windows 平台下，使用 Visual Studio 2012 编写 MFC 应用程序，实现了图像预处理、工件特征提取与匹配、CAD 模板数据管理、焊接轨迹提取、结果输出与管理等功能模块。

以上论文内容是由硕士论文网为您提供的关于《基于计算机视觉的H型钢结构连接器自动识别和焊接轨迹提取》的内容，如需查看更多硕士毕业论文范文，查找硕士论文、博士论文、研究生论文参考资料，欢迎访问硕士论文网计算机论文栏目。

上一篇：基于计算机视觉的智能牧场应用研究

下一篇：混合钻头的破岩机理及计算机模拟