英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
基于机器视觉的磁边抛光灵活自动化
摘要：生产釉面瓷盘的第一步是原料颗粒的成型。 然后，形成盘子的雏形。 该过程通过在高压下的压机进行。 所形成的盘通常在边缘周围有毛刺。 为了提高灵活性并提高产品质量，机器人用于盘抛光过程，需要盘的精确位置。 本文论述了现实世界生产线中的问题。 机器视觉技术和图像处理技术被采用，实现并与当前机器人系统集成以检测雏形的样子（位置和取向），因此引导机器人臂以正确和最有效的姿态执行其抛光操作。 这系统和算法已经被发展了。 已经对圆形和矩形形状的两个代表性样品盘进行了开发，这两个样品盘都被成功地开发和测试。
- 介绍
因釉瓷产品的需求不断增长，制造商之间的竞争增长，在出口的增加和定制已经使得制造商采取各种制造过程，控制和检查的机械化。釉面生产的阶段之一就是原料颗粒的成型，因此，瓷盘的模具的生产。盘饼模具的模制过程通过压力机在高压下进行。由于几个生产原因，如确保模具的完全灌装和盘饼模具的强度，注入进入模具的颗粒的量会超过封闭模具的空体积。因此，就会产生毛刺盘饼的边缘。所有的盘子都需要在上光之前把盘饼饼的边缘抛光。因此，对于相关生产线的生产率，利用各种机器人来执行边缘的抛光工艺，所有这些都需要具有关于盘子的方向、位置的信息，传统系统的盘饼模具的定位过程是通过机械方法进行的。大多数机器人系统在可接受的公差内使用用于制造产品的位置调整的传感器。在这里研究关于利用机器视觉系统的结果，以检测位置和方向盘模具。原则上，整个机器视觉系统由相机，计算机构成配有接口卡，照明系统和传感器组成。系统采用除了解释盘的模具的位置和方向到机器人，也能够检测有缺陷的模具。因此，它是可以记录信息并进行后续的统计分析的系统。在机器人过程中使用机器视觉的产品定位领域已经进行了许多研究。机器视觉系统以计算机器人末端执行器在热量的维护和检查过程中的位置转移系统在核能单位[2]。所提到的系统使用连续拍摄的图像进行操作通过相机和在线处理。提高无损检测的效率和精度检查焊接裂纹缺陷，机器视觉系统提升的机器人系统已被使用[3]。机器视觉系统也已经被用作机器人中最重要的部分。我们一直在思考苹果和草莓，以及开发机器人导向检测位置发现系统的质量[4,5]。为了将几个非工业机器人定位在适当的几何布置中，它是需要具有彼此和周围区域的机器人的相对位置的管理。
在此基础上，机器视觉系统已被利用并被考虑用于机器人的定位在机器人抛光过程中模具边缘的瓷盘，传感器，机械系统和模板被充分地用于定位和引导位置。 参见图 1，观察模板的位置。因此，该部分的制造速率受到显著影响。 另一方面，考虑到工厂的出口率，不可能对印刷机的所有输出模具进行抛光，这不可避免地涉及一些模具被人转移到另一部分以执行边缘的抛光。 在这项研究中，提出了机器视觉系统成功利用机器人抛光过程边缘的检测玻璃釉瓷盘模具的位置和方向的结果。2.照明条件
由于不同的原因，如机器人和压机数量的限制，每个的生产瓷盘以小组的形式。 30种瓷盘类型的模具由四台压力机生产，之后，通过12个机器人进行盘子的边缘的抛光处理。因此，编程压力机和机器人可以根据制造过程和盘子模具边缘的抛光进行调整。此外，在每组机器人中，通过抛光处理彼此具有更相似性的模样。因此，与每组机器人相关的视觉系统被设计成与在该组中制造的模板的类型成比例。。基于任何机器视觉系统的最重要部分之一是照明的事实条件，在这一节我们考虑瓷盘模具的照明条件。压制过程后在每种碟型的模具的边缘处产生毛刺，与其形状，边缘和表面成比例产生不同的斜率。此外，在每个模具从压榨机下降到输送机上时，朝向机器人的运动，可能一个或多个毛刺与模具分离。
图2示出了从所生产的模具中选择的方形模具的图像。用于照明和分离不同的盘子，我们可以利用定向照明系统。另一方面，基于盘类型的多样性，和盘子的置换，因为传送带上盘子的位移为plusmn;50mm，跨越传送带的宽度和盘子在a处从摄像机视野的旋转最大20°顺时针和逆时针方向下的边缘的差异照明高，因此正确边缘的拟合误差高。基于最接近创建的餐具表面的边缘是圆形的，并且表面存在于整个盘子中，因此最合适的照明方法是使用具有适当的强度和角度的强光。
- 相机校准
在视觉系统中存在可能导致获得的结果中的错误的各种因素，其通常可以被称为透镜畸变，因为缺少来自系统的电子设备的精度误差，误差转换为数字，机械装配误差，照明误差，环境条件效应，软件误差，光线折射和校准误差。在大多数校准过程中，在校准期间指定12个参数相机，其中6个与内部因素相关，而其他6个与外部因素相关。
外部因素包括相对于全局坐标的相机原点的平移矢量和旋转矩阵起源。内部因素包括焦距，图像中心位置和透镜畸变因素。关于在机器人视觉过程期间相机被固定在盘子模具的定位和定向中执行一次校准。在本研究中，采用[7]中使用的校准过程，其结果是连续出现。图3（a）示出了用于校准处理的针孔照相机模型。
- 图像处理
在这个过程中，目的是定位和引导瓷盘模具的边缘。一般来说，生产盘具有各种形状，可以分为四组：圆形，正方形，矩形和三角形。在四个组中，已经提出了与具有方形（正方形）和圆形形状的两个碗相关的定位和定向算法。。所拍摄的图像具有1280times;960像素的分辨率，这是使用拍摄的工业相机（DFK23GM021）。
在方形菜肴的图像处理中，已经使用直边检测算法。到目前为止，许多研究已经针对不同产品的边缘进行了研究。提取自动化中的裂纹缺陷工艺的陶瓷砖分级，边缘检测功能和以后的形态功能增加已经应用了具有准确性的算法[8]。检测瓷砖的边缘，Subble边缘检测算法已经被使用并且边缘检测的处理已经被引入作为两个阶段：检测其中边缘的发生可能的像素，以及这些像素的整合以描述边缘[9]。图像的第一步处理是图像的改进和噪声消除。在图像的噪声消除中，应用线性滤波器会导致图像变暗。为此，线性滤波器已经用于图像的噪声消除，其包括对图像的每个像素的检测，根据它们的强度对相邻像素进行分类，并且最终用通过分类的像素获得的中间值替换主像素值[10]。在这个阶段，为了检测盘的边缘，已经应用了直边检测功能图片。已经示出了与方形餐具相关的图像的处理算法，参见图 5。
3.1相机校准结果
为了进行校准过程，使用每个区域尺寸为30times;30mm的方格平面，参见图 3（b）。诸如尺寸精度，黑白颜色的质量和平面的平面度等项目都在其中必须考虑的特征。将校准平面放在传送带上并固定后相机位置在平面上的适当位置，拍摄图像并且针对不同位置重复该过程和校准平面的方向。最后，利用照相机和MATLAB软件拍摄的图像。校准过程完成。
图4示出了相机校准中的像素误差。表1和2显示了内在和外在参数的相机校准估计使用Heikkilauml;和Fabras方法[7]。校准过程包括验证阶段通过位置检测具有已知位置的矩形黑色物体的矩阵。在验证过程中机器人臂命令移动到受控位置（最少三个）和那些位置由先前登记的相机 - 机器人坐标系检测
- 图像处理
在这个过程中，目的是定位和引导瓷盘模具的边缘。一般来说，生产盘具有各种形状，可以分为四组：圆形，正方形，矩形和三角形。在四个组中，已经提出了与具有方形（正方形）和圆形形状的两个碗相关的定位和定向算法。。所拍摄的图像具有1280times;960像素的分辨率，这是使用拍摄的工业相机（DFK23GM021）。
在方形菜肴的图像处理中，已经使用直边检测算法。到目前为止，许多研究已经针对不同产品的边缘进行了研究。提取自动化中的裂纹缺陷工艺的陶瓷砖分级，边缘检测功能和以后的形态功能增加已经应用了具有准确性的算法[8]。检测瓷砖的边缘，Subble边缘检测算法已经被使用并且边缘检测的处理已经被引入作为两个阶段：检测其中边缘的发生可能的像素，以及这些像素的整合以描述边缘[9]。图像的第一步处理是图像的改进和噪声消除。在图像的噪声消除中，应用线性滤波器会导致图像变暗。为此，线性滤波器已经用于图像的噪声消除，其包括对图像的每个像素的检测，根据它们的强度对相邻像素进行分类，并且最终用通过分类的像素获得的中间值替换主像素值[10]。在这个阶段，为了检测盘的边缘，已经应用了直边检测功能图片。已经示出了与方形餐具相关的图像的处理算法，参见图 5。
算法对方阵图像的应用结果已经被论证，见图 6。
在图像处理和线条拟合在盘的至少两个边缘上之后，引入三个点作为该级的输出。一点涉及两条线的交叉点，另外两点涉及拟合线的端点。因此，通过对获得的三个点的几何计算，边缘以及盘相对于视觉系统参考的中心坐标。又假设图像可以从其中心分为四个相等的区域;两条线的交点位置盘边缘可以位于图像的四个区域中的任一个上。此外，关于餐具的旋转是可能的顺时针和逆时针（从相机范围），一般有八种不同条件的可能性在线交点和边缘角的位置。接下来，考虑可能的条件之一。根据图1（b），本研究中提出的条件是拟合在图像左上角边缘的线的交点的位置，并且盘的旋转是逆时针。所以，计算旋转角度和盘的中心，我们有以下关系：
其中是对应于装在模具的纬向边缘上相对于地平线的线的角度。 x0和y0是两条线的交点的像素坐标，其中x1和y1是结束的像素坐标点的纬度线。 所以盘中心的坐标可以通过：
其中 是碟子直径的一半。
在圆形盘的定位过程中，已经使用圆形边缘发现方法。圆形盘的边缘区域，如方形盘，也具有边缘和具有不同斜率的表面。 因此，在这些盘中使用具有适当强度方法的照明。在圆形盘中，目的是计算表示它们中心的x和y位置的两个数字。 图7示出了通过应用所获得的结果算法对圆形盘的形象。
在图7（a）中，具有变形的边缘部分与模具的毛刺相同。 毛刺相关区域延伸（径向）到第一边缘。 在圆盘模具中，除了毛刺相关边缘之外的整个边缘的配合，引导到模具中心点的像素坐标的计算。 这在图7（b）中是显而易见的。 在这种情况下，由于软件特性在从中心径向向外和从暗边缘到边缘点的检测中轻的一个，最接近中心的边缘拟合。
5.结果
在表3和表4中，给出了定位和引导多个饼干的结果。 图。 图8示出了放置在五个不同位置和取向中的检测到的餐具。 子图像a，b，c，d和e示出了在表3的第一行的五个情况。为了验证结果，由视觉系统检测的位置和取向被给予TAGHDIS公司的抛光机器人。 图。 图9示出了抛光工艺之后的碗碟。 公司的质量控制单位批准了由机器人和视觉系统加工的抛光盘的质量。
6.结论
在这项研究中，提出了通过成功应用机器视觉获得的结果获得一个灵活的自动过程抛光的釉面瓷盘边缘的。 其目的是增加盘边缘的抛光过程的均匀性和制造速率。 由于机器视觉在检测在线盘的位置和方向的应用，不需要使用机械系统以及人的盘控制来将盘定位和放置在机器人位置。 因此，加工速度提高，并且通过压力机生产的整个饼干在同一部分中被抛光。 每个抛光部分的制造速率为每小时300个盘，其通过应用机器视觉达到每小时360个盘并且消除机械系统。
基于机器视觉方法的非接触式测量旋转工件的表面粗糙度
摘要
目的一本文旨在提出一种使用机器视觉的非接触式方法，用于以高达4,000rpm的速度测量旋转工件的表面粗糙度。
设计方法一具有高快门速度和背光的商用数字单镜头反光相机用于捕获旋转工件轮廓的轮廓。 使用边缘检测的矩不变方法从所捕获的图像以子像素精度提取粗糙度轮廓。 在高达4,000rpm的锭子速度下测量10个不同样品的平均（Ra），均方根（Rq）和峰 - 谷（Rt）粗糙度参数。 使用触针表面光度仪验证使用所提出的机器视觉系统测量的粗糙度值。
结果一使用所提出的方法测量的粗糙度值与使用表面光度仪确定的粗糙度值具有高相关性（对于Ra高达0.997）。 两种方法之间的平均差异Ra，Rq和Rt分别仅为4.66,3.29和3.70％。
实际意义一所提出的方法具有显着的可能性，用于在车削过程中的工件轮廓特征的过程中粗糙度测量和刀具状态监测，因此，避免了停止机器的需要。
原始性/值一机器视觉方法结合子像素边缘检测未用于测量旋转工件的粗糙度。
关键词 机器视觉，表面粗糙度，机上测量
- 介绍
移动或旋转表面的粗糙度的测量已经是十多年来感兴趣的主题。这是因为这种方法成为制造中的表面质量控制的真正过程中方法的潜力。几个研究人员已经开发了用于测量移动表面的表面粗糙度的各种方法。例如，Li和Li（1999）使用干涉和光散射的组合效应来测量在圆柱形研磨工艺中以高达3.7m / s的速度移动的表面的粗糙度。 Wang et al。 （1998）使用斑点和散射现象的组合效应来测量移动表面的粗糙度。表面的粗糙度由斑点图案中的暗和亮区域的尺寸推断。 Grandy等人（2009）通过将背压信号的频率含量与横向于喷嘴移动的表面的微几何形状相关联，来改进用于非接触粗糙度估计的常规气动计量技术。他们表明，这种技术能够快速表面的表面，平均粗糙度低至0.8 p，m在高达200米/分钟的速度。 Suksawat（2011）通过监测切削力信号开发了一种过程中表面粗糙度测量方法。过去提出的光散射，干涉，散斑，气动测量和信号监测方法的局限性在于表面粗糙度是从测量参数间接推断出来的，例如Wong和Li（1999）的暗 - 亮比）。所提取的信息不显示表面轮廓在处理过程中如何实际变化。因为不可能使用常规的触针型仪器测量移动表面的粗糙度，所以在过去提出的大多数技术本质上是非接触的。一种流行的非接触方法是通过使用机器视觉。然而，表面粗糙度测量的机器视觉方法的主要问题是该方法通常仅适用于静止表面。如果在捕获图像时表面移动，则会像传统摄影一样发生模糊。 Dhanasekar和Ra
全文共10602字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144801]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
