论文部分内容阅读
为了更好的适应制造业的新形势,满足消费者日益增长的个性化需求,传统的装配车间急需一种智能化的装配监测系统,能够智能识别装配体各零件并监测装配过程。针对机械产品装配中零件识别及装配监测相关问题,研究了一种基于深度图像的装配体零件识别及装配监测方法。与普通彩色图像相比,深度图像不仅能够检测场景的三维信息,而且具有较强的抗光照干扰、色度干扰及阴影干扰等环境因素干扰的能力,因此受到计算机视觉领域的关注。完成主要工作如下:(1)构建了装配体深度图像标记样本库。深度图像标记样本库主要包括合成深度图像标记样本库和真实深度图像标记样本库,在构建合成深度图像标记样本库时,首先,建立装配体三维模型,并利用不同颜色标记各零件模型;然后,利用人工合成法,合成模型深度图像及对应的颜色标签图像;最后,旋转模型获取不同视角下的合成深度图像及颜色标签图像并构建合成深度图像标记样本库。在构建真实深度图像标记样本库时,首先,利用深度传感器采集装配体的真实深度图像并进行空洞填充及平滑处理;然后,采用人工标记法标记各零件;最后,整理不同视角下的真实深度图像与颜色标签图像,构建真实深度图像标记样本库。(2)提出了PX-LBP算子。针对经典LBP算子无法很好的与像素分类方法相融合的问题,提出了对LBP算子的改进,命名为PX-LBP算子,与经典LBP算子相比,PX-LBP算子增加了起始像素点数、每个中心像素点的邻域数以及每个邻域所产生LBP的数量等。最后,实现了基于PX-LBP算子的像素分类。(3)改进了深度差分特征提取算法。针对经典深度差分特征提取算法对图像前景边缘像素点的偏移向量自适应能力差的问题,引入了边缘因子,改进了经典深度差分特征提取算法。与经典深度差分特征提取算法相比,改进后的深度差分特征提取算法对真实深度图像的像素识别率有了明显提高,并提高了去噪功能。(4)实现了装配体深度图像像素分类。分别提取深度图像的PX-LBP特征和深度差分特征,选择随机森林分类器进行像素分类,使用OpenCV机器学习库中随机森林分类器相关算法构建了随机森林分类器,通过实验确定各相关参数并输出像素分类预测图像,实现了装配体深度图像的像素分类。最后,分别从特征采集效率、图像识别效率及像素分类准确率等多个方面对PX-LBP特征和深度差分特征进行对比。(5)提出了基于深度图像的零件识别及装配监测方法。对比像素预测图像与颜色标签图像,根据颜色标签图像中各零件对应的RGB值,获取RGB值与装配体各零件的对应关系,分析像素预测图像内各像素点的RGB值,结合RGB值与装配体各零件的对应关系,实现对装配体各零件的识别;对比待测状态像素预测图像与正确装配像素预测图像,计算并分析待测状态像素预测图像相对于正确装配像素预测图像的像素重合率和像素减少率,实现了装配监测功能。实验结果表明:本文方法不仅准确率高,而且具有一定的实时性和鲁棒性,在装配维修诱导、装配监测和自动化装配领域中具有一定的应用价值。