基于机器视觉的磁悬浮间隙检测方法研究

摘要

机器视觉技术是人工智能领域的重要分支，具有检测精度高、识别能力强等优点。本文设计了一种基于机器视觉的悬浮间隙检测方法，并搭建了以磁悬浮球系统为基础的实验平台，验证基于机器视觉的悬浮间隙检测方法的可行性。　　机器视觉技术通过处理图像数据的方式获得图像中的关键信息，为提高系统效率，本文采用了先识别、裁剪关键区域，再检测悬浮间隙值的间隙检测策略。首先，通过对几种目标识别算法的简单实验和对比，选择基于卷积神经网络的YOLOv3系统作为本文关键区域识别策略，并进行了实验验证。　　其次，在得到关键区域后，设计了基于图像边缘特征的悬浮间隙检测方法，分析了基于边缘特征的悬浮间隙检测数学模型。通过Canny算子实现对关键区域的边缘检测，在数学模型基础上计算得到悬浮间隙值，对通过Canny算子得到边缘特征实现间隙检测的方法进行了实验验证。针对Canny算子边缘检测精度不高的问题，采用了zernike矩方法实现了图像边缘的亚像素检测，提高边缘检测精度，并进行了实验验证。对基于两种边缘检测算法的间隙检测结果进行了对比，结果表明通过zernike矩得到边缘特征的间隙检测方法有更高的精度。　　同时设计了基于卷积神经网络(CNN)的悬浮间隙检测方法。分析了CNN的网络结构，在基于Python开发环境的Keras神经网络库基础上搭建了悬浮间隙检测的CNN模型，采集了用于训练CNN的悬浮间隙图像样本。对基于CNN的间隙检测算法进行了实验验证和鲁棒性分析，实验表明该算法具有较高的检测精度和鲁棒性。

目录

声明

第1 章绪论

1.1 研究背景及意义

1.1.1 研究背景

1.1.2 研究意义

1.2 研究现状

1.2.1 悬浮间隙传感器的研究现状

1.2.2 机器视觉检测技术的研究现状

1.3 本文主要研究内容

第2 章机器视觉悬浮间隙检测系统工作原理

2.1 机器视觉悬浮球系统的工作原理

2.2 机器视觉悬浮系统的硬件平台搭建

2.2.1 实验硬件平台介绍

2.2.2 实验硬件的选型

2.3 实验软件环境配置

2.3.1 实验软件环境介绍

2.3.2 安装 Linux 系统和配置 OpenCV 环境

2.4 样本数据采集

2.5 本章小结

第3 章悬浮间隙图像关键区域识别与裁剪

3.1 关键区域识别算法

3.2 基于卷积神经网络的关键区域识别

3.2.1 神经网络的基本概念

3.2.2 配置 YOLOv3 卷积神经网络

3.2.3 实验验证

3.3 悬浮间隙图像关键区域裁剪

3.4 本章小结

第4 章基于图像边缘特征的间隙检测

4.1 悬浮间隙检测原理

4.2 间隙检测数学模型

4.3 基于 Canny算子的边缘检测

4.3.1 Canny 算法原理

4.3.2 实验验证

4.4 基于 Zernike矩的亚像素边缘检测

4.4.1 亚像素的概念

4.4.2 Zernike 矩边缘检测的原理

4.4.3 亚像素边缘点的直线拟合

4.4.3 实验验证

4.5 本章小结

第5 章基于卷积神经网络的间隙检测

5.1 卷积神经网络的基本结构

5.2 基于 CNN的间隙检测模型

5.2.1 CNN 间隙检测模型

5.2.2 制作 CNN 训练样本

5.2.3 Keras 神经网络的参数选择与训练

5.3 实验验证

5.4 CNN抗干扰鲁棒性改进

5.4.1 改进方法与实验验证

5.4.2 间隙检测算法检测效果对比分析

5.4 本章小结

结论与展望

致谢

参考文献

攻读硕士学位期间发表论文及科研情况