基于发动机缸盖零件制造的视觉检测算法研究

摘要

发动机缸盖是发动机中最关键零件之一，零件变形以及圆孔尺寸不合格等都会导致气门密封性不严，大量能量随着高温的气体从存在缺陷的气门排出，造成大量浪费，从而大大降低发动机的功率。因此需要对发动机缸盖零件上的圆孔进行高精度精测，本文结合重庆某军工项目，针对发动机缸盖零件采用计算机视觉技术实现自动化高精度检测，并对相关的视觉算法进行研究。 基于发动机缸盖检测问题的研究，首先总结了产品检测、特征匹配以及卷积神经网络的国内外研究现状，随后详细阐述了发动机缸盖零件检测的问题以及造成检测困难的原因，并对本文研究涉及的最优化模型、特征匹配算法以及卷积神经网络相关原理进行论述。 基于光线角度、亮度以及相机角度造成检测圆形区域存在局部纹理差异问题，本文提出了一种基于灰度阈值搜索的最优化模型进行检测。首先,基于灰度阈值搜索得到各个区域子空间，构建出最优化问题的目标函数和约束条件，并对最优化问题进行求解得到圆形整体区域；然后利用实际圆的轮廓是平滑闭曲线的特征对检测圆的边缘进行矫正，提高检测精度。实验分析表明了基于最优模型检测很大程度减少光线的影响因素，具有较高的精测精度。 基于发动机缸盖零件制造的高精度检测要求，本文提出了一种基于特征点匹配的检测算法。实际检测中为了满足高精度测量要求，需要减少摄像头与检测圆的距离，增大分辨率，因此很难保证检测区域和非检测区域的一定的整体差异性，直接影响基于灰度阈值搜索的最优化模型检测精度。而特征点匹配依赖于局部纹理特性，相同环境同一款发动机缸盖零件产品具有相同的纹理，所以能够实现高分辨下的高精度测量。首先，利用边缘特性预先估计匹配点可能存在的区域；然后，利用改进的Haar-like特征从可能存在的区域进一步寻找最相似的匹配点，提高精度；最后通过改进的图相似度或编码算法以及增大模板库，减少光线或纹理差异带来的影响。实验结果表明基于边缘和改进的Haar纹理特征的点特征匹配算法具有很强的光照鲁棒性，检测的圆半径精度误差在0-1像素。 基于特征选取问题，本文结合 FCN(Fully Convolutional Networks)和 RCF (Richer Convolutional Features)网络思想提出了一种新的卷积匹配网络。边缘特征和改进的Haar纹理特征都是在问题分析的基础上人为提出的特征选取方法，存在较大的局限性，通过卷积神经网络自动学习某像素点与邻域内像素之间更强的依赖关系。本文提出的卷积匹配网络由两个不同尺度卷积核大小的通道块构成，每个通道块提取每层的卷积特征，从而得到丰富的像素之间的依赖关系。利用显著性的欧式空间和颜色空间构建样本相似度标签，采用带正则化的均方误差为损失函数对网络进行训练。实验结果表明通过卷积网络训练能够得到更强的像素之间依赖关系，特征点匹配准确度更高，测量结果更精准。 基于研究和项目需求，设计并实现了基于发动机缸盖零件制造的视觉检测平台，并分析了检测系统对发动机缸盖零件上侧面的实际检测结果，满足了项目检测要求。

目录

第一个书签之前