基于机器视觉的轮毂型号在线识别技术与系统

摘要

轮毂型号的自动识别，在轮毂的生产、检测、运输等过程中起着至关重要的作用。尤其是在缺陷检测领域，轮毂型号的自动识别是其缺陷检测自动化的必要前提。然而传统的人工识别方式由于效率低下无法满足当下的大规模生产。因此，急需开发一套高效、准确的轮毂型号自动识别系统，以提高轮毂生产、检测的自动化水平。 基于此，本文开发了一套基于工业相机和光栅传感器的轮毂型号在线识别系统，对生产线上不同型号的毛坯轮毂进行识别分类。本文的主要工作如下： （1）根据轮毂厂家的技术要求，结合机器视觉的工作特点，搭建了基于工业相机和光栅传感器的硬件系统，分别用于获取轮毂的外观图像和高度信息。随后，为了获取真实、有效的特征参数，对相机进行标定，以校正产生畸变的轮毂图像。 （2）通过对比轮毂图像和背景图像的直方图选取灰度拉伸的参数，对轮毂图像进行灰度拉伸以提高对比度。由于毛坯轮毂结构复杂，传统的分割方法无法适用于轮毂图像的分割，本文选用最小类内交叉熵法对轮毂图像进行分割，最后通过形态学运算去除轮毂二值图像中的毛刺。 （3）通过分析轮毂的外型特征和命名规律，提取高度、直径、轮辐数目、轮辐类型、幅窗圆形度以及幅窗面积比这六个参数作为轮毂型号识别的特征参数。然后对K-近邻算法进行改进：降低样本维度；优化相似度距离公式。 最后对采集到的轮毂数据进行分类实验。实验结果表明，对比传统K-近邻算法，改进的K-近邻算法具有更高的识别准确率和速率。且当K为5时，分类识别的准确率最高，为98.08%，且识别系统对单个轮毂的识别时间小于2s。

目录

声明

第一章 绪论

1.1 课题来源与研究背景

1.2 国内外发展现状

1.3机器视觉简介

（1）机器视觉特点

（2）机器视觉系统的执行步骤

1.4 论文研究内容及章节简介

第二章 系统设计与搭建

2.1 轮毂结构及特征选取

2.2 硬件系统的搭建

2.2.1 硬件选型

2.2.2 系统搭建

2.3 相机标定

2.3.1 相机模型

2.3.2 畸变校正

2.4 本章小结

第三章 图像预处理及特征提取

3.1 图像预处理

3.1.1 图像去噪

3.1.2 图像增强

3.2 图像分割

3.2.1 最大类间方差法

3.2.2 最小类内交叉熵法

3.2.3 形态学运算

3.3 特征提取

3.3.1 轮毂高度

3.3.2 边缘检测

3.3.3 轮毂直径

3.3.4 轮辐特征参数

3.3.5 幅窗特征参数

3.4 本章小结

第四章 分类识别

4.1 引言

4.2 K-近邻算法

4.2.1 K-近邻算法简介

4.2.2 传统K-近邻算法的缺点

4.2.3 K-近邻算法的改进

4.3 改进K-近邻算法的分类实验

4.3.1 K值的选取

4.3.2 实验结果

4.4 本章小结

第五章 系统的实现与应用

5.1 系统软件的实现

5.2 系统的应用

5.3 本章小结

第六章 总结与展望

6.1 本文工作总结

6.2 未来工作展望

参考文献

攻读硕士学位期间发表的论文及取得的研究成果

致谢