关键词：机械零件;;图像预处理;;图像分割;;图像分离;;模式识别
摘 要：机器视觉是现代制造的一个极其重要的组成部分,涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等多个领域的交叉学科。机器视觉实现制造过程中的机械零件检测和智能控制已成为现代制造领域的研究热点,例如,自动线生产和装配监测、机器人和机械手引导、视觉伺服系统、机械零件图像的自动理解和识别等。为了有效地获取机械零件图像中的信息来提高现代制造的自动化水平,机械零件的图像分割与分离研究有着十分重要的意义。机器视觉系统构建方面,本文结合机械零件特性,搭建了突显机械零件特征的视觉系统,主要包括:数字相机、光源设备、图像采集卡、PC机、传送带和系统软件;针对机械零件进行了光源强度对比实验,选取最通用的光照强度打亮机械零件的特征信息。机械零件的图像预处理是机械零件图像分割与分离的保障,本文采用双边滤波和基于灰度直方图分段线性增强的方法。基于图像信噪比和峰值信噪比指标,评价了均值滤波、高斯滤波和双边滤波的滤波效果,实验结果表明双边滤波去除噪声的同时依然能够有效地保留机械零件边缘信息;对于滤波后图像进行线性变换、基于灰度直方图的分段线性变换和直方图变换,结合图像灰度均值、灰度标准差和处理后图片主观判断,实验结果表明:基于灰度直方图分段线性变换在机械零件图像增强方面具有良好效果。机械零件的图像分割与分离算法是机械零件自动化分析的核心技术,图像分割与分离算法的有效性直接影响机械零件形态特征提取的有效性。本文在比较了基于阈值分割、基于轮廓检测和基于区域检测分割方法的基础上,设计了基于距离图像标记的改进分水岭算法,解决了分水岭算法过分割的问题,同时也便于提取分割后区域信息;针对分割后区域存在多个机械零件堆叠现象,本文提出了基于面积和骨架线交叉点数指标的机械零件单体判定准则和逐步改变阈值的分水岭分离算法,基于机械零件单体判定准则将单个机械零件从分割后图像中提取出来,再使用本文提出的分离算法对剩余区域进行分离,最终实现机械零件的完全分离。设计了机械零件特征模型和BP神经网络的机械零件识别模型,这是基于机械零件图像分割与分离的应用,同时也是对机械零件分割与分离效果的验证。在图像分割与分离的基础上,进一步研究了图像特征的提取方法,从外形、结构、纹理、频域、区域等方面对机械零件特征进行分析,利用BP神经网络对机械零件进行模式识别,通过实验测试,分类效果良好,证明了机械零件分割与分离算法的有效性。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取