摘要：针对当前机器视觉检测粗糙度主要采用图像灰度值信息进行统计分析,没有充分利用色彩信息且忽略了人眼视觉系统主观评判的问题,提出一种基于图像清晰度评价的磨削表面粗糙度检测方法。根据色块在不同等级粗糙度表面上形成的图像清晰度不一样,采用熵函数评价算法和基于色彩相关性的彩色图像清晰度评价算法分别构建清晰度与粗糙度之间的关系模型,论证了基于图像清晰度检测磨削表面粗糙度方法的可行性。试验结果表明,基于图像清晰度检测磨削表面粗糙度是一种可行的粗糙度检测方法,清晰度与粗糙度相关性强,清晰度有随着粗糙度的增大而减小的趋势,且利用色彩相关性的彩色图像清晰度评价算法对磨削表面粗糙度检测具有较好的灵敏性,并且该方法符合人眼视觉系统的主观评价;清晰度算法和主观评价二者结合可快速简易地在线检测工件的整体表面轮廓粗糙度。

摘要：当前基于机器视觉的粗糙度测量方法中,粗糙度关联的图像特征指标性能评价主要关注测量精度而忽略了指标的测量单调性、稳定性、效率以及灵敏度,而且大多数指标均是基于灰度图片而忽略了彩色图片多维性的优势。针对这样的问题提出采用视频质量专家课题组设计的视频质量预测模型评价体系来评价粗糙度关联的图像特征指标性能,设计了灵敏度与测量效率算法。根据红绿光源在不同粗糙度等级的样块表面产生的虚像混叠情况不同,提出了采用彩色图片能量差(ED)指标用于样块粗糙度测量。实验结果表明,采用的指标性能评价方法可以较为全面地表征指标的性能,所设计的ED指标较基于灰度图片的指标有较好的综合性能。

摘要：基于激光结构光视觉传感的焊缝跟踪技术将焊缝定位转化为结构光条纹特征点的定位,具有较强的普适性。然而,实时焊缝跟踪中弧光(焊接电弧产生的强烈可见光)、飞溅(溅射焊渣)、烟尘等噪声对结构光图像造成了严重的污染,从而影响了焊缝定位的精度和鲁棒性。滤除结构光图像中的噪声对于提升焊缝定位的精度和鲁棒性具有重要作用。为滤除焊缝结构光图像中的噪声,本文提出了一种基于轻量化DeepLab v3+语义分割网络的焊缝结构光图像分割方法,通过分割出结构光条纹的前景图像来达到噪声滤除的目的。采用浅层Resnet-18网络替代DeepLab v3+的原始深层骨干网络,以提高分割效率;以像素占比的补数为权重设计了加权交叉熵损失函数,以提高结构光条纹分割的像素准确率。实验结果表明:所提方法的平均单张图像推理时间为15.9 ms,结构光条纹的像素准确率为96.47%,结构光条纹的平均交并比为89.04%,可以实现高效、精确、鲁棒的结构光图像分割,从而达到焊缝结构光图像中弧光、飞溅、烟尘等噪声滤除的目的。

摘要：当前基于机器视觉的粗糙度测量方法使用的图像指标考虑因素少、无参考使得预测模型精度受限、受光源亮度影响大。针对此问题,论文提出了一种基于全参考彩色图像质量算法的粗糙度测量方法。该方法根据粗糙表面成像机理分析,在视觉显著性图像质量评估算法(VSI)的基础上引入结构信息,提出了基于视觉结构显著性(VSIS)的图像质量评估算法,与此同时设计了一套基于图像质量的磨削样块表面粗糙度测量装置。实验结果表明,提出的VSIS图像质量评估算法与表面粗糙度Ra之间存在明显的相关性。使用最小二乘法拟合出的曲线关系,能够对粗糙度大于等于0.965μm的磨削样块进行低离散高精度预测,平均误差为0.111μm,标准差为0.079μm。相比于考虑单一因素的粗糙度关联图像特征指标,VSIS有着较好的综合性能,且能一定程度上克服光源亮度的影响,为非接触粗糙度测量提供可选择途径。

摘要：针对当前基于机器视觉的粗糙度检测方法测量工件范围有限、采用的指标考虑因素不全面问题,提出了一种基于图像质量算法的粗糙度检测新方法。该方法在梯度相似度图像质量算法(GSSIM)的基础上,引入了区域对比度,提出了基于区域对比度和梯度结构相似度(RCGSSIM)的图像质量评价指标和相应的计算方法,并设计了一套基于图像质量的磨削表面粗糙度测量装置。实验结果表明,磨削表面粗糙度Ra与图像质量有明显的线性相关性,相比传统图像质量评价算法,RCGSSIM综合性能最好,能更好地应用于粗糙度非接触在线测量。

摘要：基于机器视觉的粗糙度测量方法大多是根据粗糙度关联指标建立预测模型,或者利用深度学习网络建立无指标预测模型,而这两类方法均存在着不足。一方面,人工设计指标的计算过程复杂,不利于在线检测。另一方面,深度学习模型则严重依赖大数据,数据量不足难以训练出有效的模型。针对以上问题,本文提出一种基于图神经网络的铣削表面粗糙度测量方法。该方法在训练阶段获取了自主学习的能力,而后仅需要少量铣削样本就能够完成铣削工件的粗糙度测量。试验结果表明,本文方法在铣削工件的粗糙度测量上不仅能够自动提取特征,而且表现出了较高的精度和良好的光照环境鲁棒性。

摘要：针对现有单激光视觉微位移测量方法中利用的图像特征信息不丰富,导致测量结果不精确的问题,本文提出了一种直射与斜射结合的双激光微小位移测量方法,配合BP(Back Propagation)神经网络实现位移的高精度测量。论文采用透镜成像和小孔成像的原理对双激光模型进行理论分析,使用ZEMAX对测距模型进行数值模拟,以验证所提方法的理论可行性与优越性;其次,根据数值模拟结果设计并搭建实验平台进行图像采集实验,提取一系列图像特征作为BP网络的输入,以位移参数为输出,构建位移预测模型。实验结果表明,相比单激光模型,本文提出的双激光位移模型有更高的测量精度,引入BP神经网络后,测量准确度达到99以上。本文为微小位移高精度测量提供了新方法与新思路。