基于机器视觉的布匹瑕疵在线检测

 为实现图案布匹瑕疵在编织过程中的实时检测,提出一种通过区域差影自动分割瑕疵区域的检测方法。通过求取水平和竖直两方向距离叠加函数极值,并对极值做权重分析,精确求取纹理基元周期;根据所求纹理基元周期确定区域差影的区域大小,并对区域差影图像求取梯度,再进行标记分水岭分割,能够快速准确地分割出纹理瑕疵区域。实验结果表明：该算法能够准确地检测出纹理布匹瑕疵的位置,检测一帧用时200 ms,准确率均达98%以上,实时性强,检测精度高,满足工业现场要求。     

结构现场可调的点激光精密测量系统

为了实现激光传感器测头可以根据现场条件来实时改变入射角度,建立了结构可调的点激光测量系统。建立了相机的针孔模型,利用张正友标定算法得到该相机模型的内部参数,定义点激光测量系统中的光心角,推导出利用像点坐标和相机内部参数实时求取光心角公式。建立了点激光测量系统的数学模型,引入点激光测量系统的结构参数:基线距和基准角,利用零平面和两个基准面标定系统结构参数。利用标定得到的系统结构参数进行实时的逆向工程在线测量。实验结果表明:测量系统量程为75mm时,该标定算法最大标定误差≤0.02mm,点激光测量系统的测量误差≤0.06mm,达到精密测量的要求。     

一种实用的X型靶标亚像素角点提取方法

为了提取亚像素角点和实现高精度的标定,提出了一种基于Harris算子和空间矩的亚像素角点提取方法。利用Harris算子,在优化后的范围内提取像素级角点;运用改进后的梯度模板提取像素级角点周围部分边界点,并利用空间矩的方法得到边界点的亚像素级坐标;将亚像素边界点进行直线拟合,并将交点的平均值作为该角点的亚像素坐标。实际测试证明:利用该方法提取到的角点精度可以达到0.1pixel,可满足实际的公差要求,为X型靶标的角点提取提供了一种新的思路,目前已经将该方法应用到了嵌入式机器视觉工业现场。     

基于正三角形平面模板的摄像机标定与重建

提出一种采用正三角形平面模板标定摄像机内参数并进行重建的方法。模板包含一个正三角形和其重心至3个顶点的连线。用摄像机拍摄3幅以上不同位姿的模板图像,并提取每幅图像上角点的亚像素级坐标,然后计算消失点并拟合消失线,再由两组正交直线的消失点求得圆环点的图像坐标,最后线性求解出摄像机内参数。给出了两种弱化条件的模板,并介绍了恢复欧氏尺寸和摄像机部分外参数的方法。该方法降低了对标定模板的要求,模拟实验和真实实验的结果证明了其具有较高的标定精度。     

基于水平树结构的可变权重代价聚合立体匹配算法

针对基于树结构的代价聚合方法中只利用颜色信息选择权值支持区域时,在图像边界区域易产生误匹配的问题,提出了一种基于水平树结构的可变权重代价聚合立体匹配算法。采用水平树代价聚合得到初始视差值,结合初始视差值与颜色信息重构水平树,在更新后的树结构上进行代价聚合,得到最终视差图。在视差后处理阶段,提出了一种改进的非局部视差后处理算法,将不满足左右一致性匹配的像素点引入匹配代价量构造中,提高了最终视差图的匹配精度。在Middlebury数据集的31对图像上进行测试,结果表明,未进行视差后处理时所提算法在未遮挡区域的平均误匹配率为6.96%,代价聚合平均耗时1.52s。     

遗传算法结合自适应阈值约束的ICP算法

根据传统ICP算法存在的缺点,提出了一种遗传算法结合自适应阈值约束优化的ICP位姿估计方法。采用统计学滤波和区域增长分割算法对原始点云进行预处理,去除离群点并得到各混乱工件的点云集;针对ICP易陷于局部最优的问题,利用遗传优化算法对点云进行粗匹配,得到目标点集相对于参考点云的初始位姿;针对迭代速度较慢的缺点,提出了一种自适应阈值约束法,利用点对距离约束和法向量夹角约束去除局部大变形点,在保证实时性的同时提高了位姿估计的精度。实验表明,该方法能够在84.5ms内定位一个工件,位姿估计误差达0.39mm,满足实时性和抓取精度要求,能够为工业机器人随机箱体抓取提供理论依据与指导。     

SCARA机器人的模糊自适应滑模控制

为了提高SCARA机器人的轨迹跟踪控制性能,提出一种双模糊自适应滑模控制。采用一自适应模糊控制器,根据滑模到达条件对滑模切换增益进行估算,消除滑模控制中输出力矩的抖振现象,增强其对不确定性因素的适应能力。采用另一自适应模糊控制器对指数趋近律系数进行修正,改善由于大范围初始位姿产生的偏差而引起的大力矩和速度跳变问题。基于Lyapunov方法进行了稳定性证明,保证控制系统的稳定性与收敛性。仿真实验结果表明,该方法应用于SCARA机器人,跟踪效果良好并产生了平滑的力矩输出和速度输出。     

磁瓦表面缺陷的机器视觉检测方法

为了提高磁瓦表面缺陷在线检测准确率并降低检测时间,提出一种基于机器视觉的检测方法。离线训练时,对经过Gabor小波处理后的子图进行融合并提取纹理特征,使用改进的Relief算法提取与类别相关性强的特征子集,并去除冗余特征。为降低缺陷磁瓦的漏检率,先进行偏向性分类处理,再采用最小二乘支持向量机进行分类预测。实验表明,整体预测准确率96.89%,缺陷磁瓦分类准确率达到99.09%,且在线预测时间减少了近1/4,只需67.4ms。     

一种基于规则带特征的图案布匹检测新方法

为了对具有纹理图案的纺织品缺陷进行准确有效的检测,提出了一种新的基于规则带( regular band,RB)特征的纹理图案布匹瑕疵检测方法.首先利用规则带分析提取图像的各子带纹理特征;然后对各子带图像特征求梯度,并通过融合各子带梯度来获得纹理梯度,使其在纹理梯度中能有效地突出纹理区域的边界;最后在此基础上,结合分水岭...     

基于曲率多尺度的高精度角点检测

为了提高角点检测的精度,满足算法的稳定性与实时性,提出了一种基于曲率多尺度和局部迭代的亚像素角点检测算法。首先基于Canny算子和自定义边缘跟踪算法检测目标轮廓,然后利用多尺度曲率多项式得到像素级的角点,最后以像素级角点为中心,利用向量正交性原则,采用迭代算法及双线性插值得到子像素级角点。实际测试表明:该方法检测效率高,提取到的角点稳定,精度可以达到0.2pixel,可满足实际应用中的实时、高精度要求,目前已成功地应用于嵌入式机器视觉工业现场。