刘冬芳[1]2007年在《基于计算机视觉的刀具状态在线监控研究》文中研究指明基于计算机视觉的刀具状态在线监控是综合了机器视觉和图像处理分析技术对刀具磨损状态进行监测的一种技术。本文通过对刀具的不同磨损状态下加工的工件表面纹理图像的纹理特征进行研究,应用数据挖掘技术对纹理特征进行特征数据的提取,通过对特征数据进行模式识别,以达到对刀具磨损状态监测的目的。分析了切削加工表面纹理的形成过程,以及加工表面纹理的形态及图像特征,并对影响工件表面纹理的因素进行了对比,阐明了基于加工表面纹理的刀具磨损监测方法的合理性和可行性。论文结合实验所得到的工件表面图像,对常用的图像预处理方法进行了研究、分析和比较,找出了适合工件表面图像的预处理算法,为实现刀具磨损状态监测的图像特征提取奠定了基础。研究和探索了适合于工件表面纹理图像的数据挖掘算法,对辅助工人进行刀具状态的在线监控具有重要实用价值。本文通过基于灰度共生矩阵法、基于空间像素投影面积法、基于连通区域数法和基于马尔可夫随机场模型四种方法对工件表面图像的纹理特征数据进行提取,通过实验数据分别得到的估计参数都能正确的表达纹理图像和刀具磨损状态的对应关系,从而为刀具状态的识别提供了数据来源。本文在进行刀具状态识别时,针对不同刀具状态类别特征样本存在重迭区域造成的分类困难,本文提出了基于模糊判决的刀具状态识别模型和方法;针对特征判决边界存在一定的非线性特性,本文提出了基于BP神经网络的刀具状态识别模型和方法;再对上述两种识别模型进行决策层融合研究,提出了基于分类器融合的刀具状态识别模型和方法。通过对上述两种基于不同特征的识别模型的融合,刀具状态识别的效率和准确率显着提高。
封海蕊[2]2013年在《基于数字图像的刀具磨损状态监测研究》文中提出刀具磨损状态监测技术是自动化生产中一个极其关键的技术，它是降低制造成本，减少环境危害、保证制造系统正常高效运行和产品质量的主要手段之一。刀具磨损状态监测系统为制造系统现代化、自动化、柔性化奠定了基础，对刀具状态的实时监测研究已成为许多国家研究的热点，并成为各国公认的重大技术关键。本文主要研究基于数字图像的刀具磨损状态监测方法，提取刀具在各种磨损状态下的工件表面纹理图像和刀具后刀面磨损图像的视觉特征，并建立图像特征与刀具磨损状态之间的联系，以实现基于数字图像分析的刀具磨损状态的监测。本文分别从工件表面纹理图像分析和切削刀具后刀面图像分析两个方面进行研究，重点研究了工件表面图像的纹理特征提取方法和刀具图像的磨损区域分割方法，针对传统方法的不足改进了纹理提取的效率和准确性，以及刀具图像磨损区域分割的准确度。本文研究的主要内容有：针对原始的工件表面纹理图像存在的图像信息冗余、不均匀光照、噪声影响等问题，介绍了纹理图像预处理方法，提出了自动裁减算法裁减工件图像，并提出二阶统计方法进行图像光照校正、中值滤波方法去除图像噪声，完成工件表面纹理图像的预处理。然后创新性地提出基于Hough变换和行程长度统计法的工件表面图像纹理分析方法，直接利用工件图像的纹理结构信息，对图像进行Canny边缘检测得到纹理边缘图像，去除纹理以外的无关信息，大大减少了计算工作量，然后对纹理边缘图像进行Hough变换检测图像中的直线信息，并利用行程长度统计算法提取出平均长度和平均角度特征，有效、准确地完成工件表面图像的纹理特征提取。对采集到的切削刀具后刀面图像进行处理，提出了基于Hough变换的刀具角度旋转校正和积屑瘤去除方法，有效实现刀具后刀面的预处理。提出了基于马尔可夫随机场(MRF)的刀具后刀面图像分析方法，利用马尔可夫随机场构建刀具图像磨损区域分割模型，并加入松弛迭代算法改进分割效果，准确分割得到后刀面图像的磨损区域，然后提出利用8-连通链码边界搜索算法搜索磨损区域的边界，并据边界搜索结果提取出图像的平均磨损VB值，准确地完成了刀具后刀面磨损图像特征的提取。构建了基于数字图像的刀具磨损状态监测实验系统，分析了本文提出的工件表面纹理图像分析方法和刀具后刀面磨损图像分析方法对刀具磨损监测的实现，并给出了系统的具体实现流程，分析了基于数字图像的刀具磨损状态监测系统的实际可用性。
胡金华[3]2005年在《基于工件表面纹理分析的加工参数优化技术的研究》文中指出随着生产自动化的日益普及,加工参数优化已经成为现代切削加工,尤其是精密硬态切削加工过程中降低生产成本和提高生产效率的关键,因此,应用各种理论和方法进行加工参数优化具有重要的现实意义。参数优化的关键是优化指标的选取,本文结合纹理分析中的纹理谱和马尔可夫随机场理论,以工件表面纹理为研究对象,对加工参数优化指标的选取进行了比较深入地研究,提出了一些新的算法。 (1)阐述了加工参数优化的研究背景及意义,分析了基于工件表面纹理分析的加工参数优化的优越性和可行性。比较了各种纹理分析方法的优缺点及主要应用场合。 (2)研究了基于工件表面纹理的相关分析法和纹理谱分析法的应用原理、设计思路及相关注意事项。重点研究了基于工件表面纹理分析的纹理谱改进方法,提出了能反映工件表面纹理平滑性和完整性的衡量指标。 (3)研究了基于高斯马尔可夫随机场(GMRF)模型的刀具磨损状态识别方法,比较了GMRF模型的最小平方误差(LS)估计与最大似然(ML)估计的估计效果,并分析了GMRF模型的阶数与处理速度之间的矛盾,分析结果表明,采用五阶GMRF模型进行LS估计,求得的相对距离d能有效地识别出刀具的磨损状态。 (4)分析了不同切削用量对基于GMRF模型法的刀具磨损量衡量指标d和基于纹理谱法的纹理完整性衡量指标s的影响,最后进行了加工参数的正交实验设计,完成了加工参数的优化。
李凡[4]2007年在《基于工件表面图像的刀具磨损状态监测》文中提出刀具状态监测技术在自动化生产中具有十分重要的意义,本文以车削加工为对象,建立了以工件表面图像为依据的刀具磨损状态监测实验系统,分析了基于工件表面图像的刀具磨损监测原理,并对工件表面图像的特征提取以及刀具磨损状态识别方法进行了理论分析和实验研究。论文结合实验所得到的工件表面图像,对常用的图像预处理方法进行了研究、分析和比较,找出了适合工件表面图像的预处理算法,为实现刀具磨损状态监测的图像特征提取奠定了基础。采用工件表面图像的纹理分析方法,对工件表面图像进行分析和特征提取,得出各特征参数随刀具磨损的变化规律,实验结果表明,累计面积S、d =1,θ=90o时的惯性矩I、θ=0o、45o、90o和135o时的长游程优势度量RF 1、短游程优势度量RF 2和游程总数的百分率度量RF 5随着刀具磨损程度的增加都呈现出一定的变化规律,可以作为有效的特征参数来判断刀具磨损状态。将分形布朗运动模型引入工件表面图像分析中,研究了分形维数D的算法,将分形维数D作为判断刀具磨损状态的特征参数,分析了分形维数D与刀具磨损之间的关系,实验表明,该方法能够较好适用于刀具磨损状态监测中。建立了刀具磨损状态识别的BP神经网络模型,通过大量实验结果对网络的训练,实现了工件表面图像特征参数与刀具磨损状态的映射,结果表明,该网络能够较好的应用于刀具磨损状态的识别与判断。
李丽宏[5]2013年在《基于显微视觉的刀具磨损状态监测技术研究》文中指出刀具磨损状态监测技术是实现现代生产自动化、智能化的一项重要技术。本文结合显微视觉对刀具磨损监测关键技术：显微自动聚焦技术、刀具磨损区域分割技术与工件纹理分析技术进行了深入研究与探讨，为实现刀具磨损监测系统实用化奠定了基础。本文的主要创新性工作如下：⑴针对强噪声环境下传统聚焦评价函数无法满足需要的状况，提出了一种改进的聚焦评价函数处理方式，即对图像采用预处理后，利用分水岭技术把图像分成区域块，并以区域块灰度均值代替此区域内像素灰度值，以此降低噪声对聚焦评价函数的影响，实验验证了此处理方式的有效性。⑵针对传统焦平面搜索算法存在误判及实时性较差的问题，提出了一种改进自适应步长搜索爬山法，此搜索算法设置两个阈值，根据相邻位置的斜率与两阈值及局部极值因子间的关系，确定搜索步长值，步长分为小步距、中步距与大步距叁种情况，在确定步长值时，考虑了陡峭区宽度因子，因此这种自适应步长搜索算法既可以降低把局部极值位置作为焦平面位置的情况，又可降低在大步距搜索时，越过焦平面位置的情况，同时降低了计算量，提高了系统实时性。⑶针对传统马尔可夫随机场在刀具磨损区域分割时计算量大且对噪声敏感的问题，提出了一种自适应区域马尔可夫随机场分割算法。此算法利用分水岭技术把预处理图像分割成区域块，利用区域块均值与方差作为特征参数，参与图像初分割；势函数连接参数根据当前区域块与其相邻区域块的连接紧密程度自适应地确定其数值，自适应连接参数符合图像分割机理，实验验证此算法应用于刀具磨损区域分割时，提高了边界分割的精确性与鲁棒性。⑷针对低对比度图像采用传统阈值分割算法分割效果欠佳的状况，提出了一种像素邻域灰度共生矩阵分割算法，此算法利用像素点灰度值与其邻域灰度加权平均值构造共生矩阵，进而确定图像分割阈值；生成步长值是构造共生矩阵的一个关键参数，提出利用不同步长值分别构造共生矩阵，并对这些共生矩阵特征参数进行仿真，特征参数仿真曲线第一周期极值位置所对应的步长值即为最佳生成步长值，实验验证，利用最佳生成步长值构造的共生矩阵，利于刀具磨损程度的判断。⑸为了提高刀具磨损状态监测的准确性与稳定性，综合利用刀具磨损值与工件纹理特征参数对刀具磨损程度进行监测，较单一判据相比，其准确性与稳定性较高。
青克尔[6]2012年在《大型筒节车削加工过程视觉监测系统的研发》文中研究表明加氢反应器是石油化工行业的重大关键设备，加氢筒节是加氢反应器的关键零件，其毛坯是铸造、锻造而成的，且具有热韧性和红硬性特点，因此，车削加工筒节时有不易断屑、切屑缠绕而造成刀具磨损和工件表面划伤等问题。为了提高生产率实现自动化加工，监测筒节车削加工过程具有十分重要的意义。而基于工件表面图像的刀具磨损状态监测是监测筒节车削加工过程的重要内容。本文根据筒节车削加工现场环境，初步选择了视觉监测前端设备，并建立了大型筒节车削加工过程视觉监测系统。分析了车削过程中工件表面形成过程和影响因素，重点研究了刀具磨损对工件表面纹理的影响，找出了工件纹理图像的特征与刀具磨损之间的映射关系，阐明了基于加工表面纹理的刀具磨损监测方法的合理性和可行性，并对工件表面纹理图像的特征提取以及刀具磨损状态识别方法进行了理论分析和实验研究。结合实验所得工件表面图像，研究了常用的图像预处理方法，从图像几何变换、图像校正、图像分割和图像增强等方面对工件表面图形进行了预处理，通过对比分析，得出适合工件表面的图像预处理方法。用灰度共生矩阵法对实验所得工件表面图像进行了纹理分析，从归一化灰度共生矩阵提取了角二阶矩E、惯性矩I、熵H、相关性C等特征参数作为刀具磨损特征，经过比对分析这些特征参数得出灰度共生矩阵法中相邻间隔为1的垂直方向上的惯性矩I可以作为判断刀具磨损状态的依据，以实现刀具磨损状态监测，为机械加工过程中刀具磨损监测提供了有效途径。
缪红松[7]2003年在《基于工件表面纹理的刀具磨损状态监测技术的研究》文中指出基于工件表面纹理的刀具状态监测方法是综合了视觉和纹理分析技术以进行刀具磨损状态监测的方法。本文通过分析工件表面纹理在刀具各种磨损状态下所表现出的视觉特征以对此监测技术进行深入研究。基于随机场纹理模型在纹理分析中具有比较独特的优势，本文在分析工件表面纹理时，通过建立马尔可夫随机场纹理模型以提取工件表面纹理图像的特征参数，并对刀具的磨损状态作出识别。本文各章主要研究内容如下： 第一章阐述本文的研究背景和意义，以及刀具状态监测系统的原理。以大量的国内外文献为基础，对刀具状态监测技术的发展概况和主要刀具状态监测技术作了深入分析。随后指出本文所研究的基于工件表面纹理的刀具状态监测方法的应用与优点。最后提出本文的主要研究内容和创新点。 第二章分析了刀具前刀面、后刀面和边界磨损等磨损表面的特征。研究了刀具的磨损过程以及磨钝标准的选取原则。对影响工件表面纹理的因素和工件表面纹理形态及图像特征进行了研究。阐明了基于工件表面纹理的刀具监测方法的合理性和可行性，为后续章节的研究奠定了基础。 第叁章对纹理学原理与其主要研究方法进行了分析。结合工件表面纹理图像，研究了纹理学特征分析的经典方法—灰度共生矩阵法。分析了工件表面纹理在归一化灰度共生矩阵中所表现出的特点。 第四章阐述了视觉标记和马尔可夫随机场的基本理论，研究了马尔可夫随机场和吉布斯随机场的等价性，并在此基础上建立了应用于工件表面纹理分析的吉布斯马尔可夫随机场模型(Gibbs-MRF)和高斯马尔可夫随机场模型(Gauss-MRF)。 第五章研究了吉布斯马尔可夫随机场模型和高斯马尔可夫随机场模型的特征参数提取方法，论证了高斯马尔可夫随机场模型的参数估计的一致性问题。研究了工件表面纹理图像的小角度旋转和噪声对高斯马尔可夫随机场模型的参数估计的影响，数据分析表明高斯马尔可夫随机场模型所估计的参数对于小角度的旋转纹理具有不变性。 第六章基于车削实验所得到的工件表面纹理图像，分别应用各种纹理分析方法对其进行研究。分析了由吉布斯马尔可夫随机场模型提取的工件表面纹理的特征参数，提出使用表征纹理垂直方向、两对角方向特性的参数作为评价刀具磨损程度的特征参数，并基于这叁个特浙江工业大学硕士学位论文征参数提出了组合评定参数p，解释了评定参数p所具有的含义.基于高斯马尔可夫随机场模型提取的工件表面纹理的特征参数，提出使用相对距离来评价刀具的磨损程度。分析结果表明基于马尔可夫随机场模型的纹理分析方法可以有效地识别出刀具的磨损状态。 第七章对全文工作进行了总结，并归纳了论文的创新点，对进一步的研究提出设想和展望。
白莉[8]2009年在《基于工件表面纹理图像的刀具磨损状态监测技术研究》文中研究说明刀具状态监测技术对自动化加工效率和加工质量的提高有着十分重要的意义,而基于图像处理的刀具状态监测技术较传统监测技术有明显的优势。本文以车削加工为研究对象,分析了加工工件表面纹理图像与刀具磨损之间的内在联系,采用图像预处理、改进Hough变换、分形理论及隐马尔科夫模型等方法,对基于工件表面图像的刀具磨损状态监测的关键技术进行了研究,对刀具状态监测具有重要的指导意义。建立了基于工件表面纹理图像的刀具磨损监测实验系统,结合实验数据对常用的图像预处理方法进行了研究、分析和比较,找出了适合工件表面图像的预处理方法,为实现刀具磨损状态监测的图像特征提取奠定了基础。针对传统Hough变换存在的局限性,对传统Hough变换进行了改进,并将改进Hough变换用于工件表面纹理图像的处理,提取出直线段平均长度、直线段与切削速度方向的夹角作为特征参数；引入高阶分形特征和多重分形奇异谱对工件表面图像进行分析,提取出新的分形参数—缝隙平均值Λ和多重分形熵Hm。结果表明：上述方法提取的特征参数与刀具磨损状态之间存在密切联系,根据其变化规律可实现刀具磨损状态的监测。根据从工件表面图像提出的特征值,建立了基于隐马尔科夫模型的刀具磨损识别系统。完成了刀具磨损HMM的训练和识别,并给出了具体实施步骤。结果表明：利用未知观察序列在HMM下的概率输出值,可反映不同刀具磨损状态下观察序列的统计相似性,跟踪刀具磨损的发展趋势；根据合适的阈值可实现刀具磨损状态的识别。
熊四昌[9]2003年在《基于计算机视觉的刀具磨损状态监测技术的研究》文中提出基于计算机视觉的刀具状态监测技术具有传统刀具状态监测方法所没有的优点。本文旨在研究基于计算机视觉的刀具状态监测方法和刀具在各种磨损状态下所表现出的视觉特征。研究以工件表面纹理特征的提取和刀具磨损图像的分割算法为主。工件表面纹理特征的提取以随机图像纹理模型为基础，分别研究了基于分数布朗运动理论和马尔可夫随机场理论的图像纹理特征参数的提取方法和应用。刀具磨损图像的分割算法建立在马尔可夫随机场理论基础上，推导出合理的计算方法，并在此基础上计算了刀具磨损VB值及其它参数。本研究采用的基于计算机视觉的方法为刀具状态监测技术的开发提供了一种新思路。本文各章的主要内容如下： 第一章首先阐述了刀具状态监测技术的研究背景和重要性，对刀具状态监测技术的发展状况作了深入阐述。综合比较研究了传统刀具状态监测方法的特点，阐明了计算机视觉的原理和其在刀具状态监测中的应用与优点。 第二章分析了刀具磨损形态的特征、磨损过程和磨钝标准，从理论上描述了利用后刀面磨损图像进行刀具状态监测的合理性和可行性。同时分析了影响工件表面纹理的主要因素，为后续章节研究基于工件表面纹理的刀具磨损状态监测奠定了基础。 第叁章对纹理学原理与其主要研究方法进行了分析，然后结合工件表面图像特征，研究了纹理学特征分析的经典方法—灰度共生矩阵法，并结合工件表面图像，分析了工件表面纹理在归一化灰度共生矩阵中所表现出的特点。 第四章采用分数布朗运动(FBM)的基本理论，对切削工件表面纹理的图像进行分析，提取纹理特征参数，根据分形维数和图像上对数功率谱的拟合曲线的平均斜率来判断刀具的磨损状态。并研究了图像噪声对该方法的影响，实验表明，该方法对车削工件表面纹理具有较好的识别能力。 第五章引入了马尔可夫随机场理论，建立了马尔可夫随机场纹理模型，对工件表面纹理图像进行了分析。提出了基于Gibbs分布和基于近邻像元的两种纹理模型参数估计方法以提取工件表面纹理特征，并利用纹理特征参数对刀具的磨损浙江大学博士学位论文状态进行判别。研究了小角度的旋转和图像噪声污染对马尔可夫随机场模型的纹理特征的影响。 第六章以马尔可夫随机场理论为基础，提出刀具磨损区域分割算法，推导了松弛迭代更新公式，并用该方法对图像分割问题进行求解，获得了MAP准则下将刀具图像的分割结果。在此基础上，使用峰值带宽法从磨损区图像中分割出目标区，并通过链码边界搜索法得到了目标区的边界描述。针对边界中存在的分割噪声使用圆形形态算子对边界进行完整化，最终获得了完整的刀具磨损区图像，为实现通过刀具磨损区大小来评判刀具磨损程度的方法奠定基础。 第七章研究了基于计算机视觉的刀具状态监测技术在车削监测中的应用。首先介绍了刀具状态监测系统的基本组成，说明了刀具磨损状态的监测步骤。然后基于车削实验所得到的数据，使用前述章节的各种纹理分析方法对工件表面纹理进行分析和讨论。最后利用基于马尔可夫随机场的图像分割模型对刀具后刀面图像的磨损区进行分割，分析了分割结果，取得了满意的效果。 第八章对全文工作进行了总结，并归纳了论文的创新点，对进一步的研究工作提出了设想和展望。
周柏清[10]2004年在《基于纹理分析的刀具磨损状态检测技术》文中研究说明在大规模的自动化生产中,对刀具磨损状态的监控是保证生产顺利进行的关键。本论文在分析现状的基础上,研究应用数学形态学方法对工件表面纹理图像进行分析,间接地实施对刀具磨损状态的监测。 第一章 阐述了本文的研究背景,在分析了刀具磨损状态监测技术的研究情况和各种相应的研究技术的特点、优点和目前刀具磨损状态检测的研究现状的基础上,提出将数学形态学方法应用与刀具磨损状态的在线监测。 第二章 分析了不同加工时刻的工件表面图像的特征,阐明了刀具磨损的机理以及磨损形式、磨钝标准。给出了获取实验图像的实验方案。 第叁章 首先介绍了图像纹理分析的几种基本方法:像素空间投影分析法、灰度共生矩阵法、等灰度行程长度法,然后研究了将数学形态学理论应用于加工工件表面的纹理分析,以实现刀具状态的间接监测。 第四章 本章应用四种基本纹理分析方法对采集到的加工工件表面图像进行了实验数据处理。重点分析了数学形态学方法的应用,并用matlab软件编程实现,比较了实验结果。 第五章 对本文的研究做了总结和展望。
参考文献：
[1]. 基于计算机视觉的刀具状态在线监控研究[D]. 刘冬芳. 河北工业大学. 2007
[2]. 基于数字图像的刀具磨损状态监测研究[D]. 封海蕊. 浙江理工大学. 2013
[3]. 基于工件表面纹理分析的加工参数优化技术的研究[D]. 胡金华. 浙江工业大学. 2005
[4]. 基于工件表面图像的刀具磨损状态监测[D]. 李凡. 西安理工大学. 2007
[5]. 基于显微视觉的刀具磨损状态监测技术研究[D]. 李丽宏. 河北工业大学. 2013
[6]. 大型筒节车削加工过程视觉监测系统的研发[D]. 青克尔. 哈尔滨理工大学. 2012
[7]. 基于工件表面纹理的刀具磨损状态监测技术的研究[D]. 缪红松. 浙江工业大学. 2003
[8]. 基于工件表面纹理图像的刀具磨损状态监测技术研究[D]. 白莉. 西安理工大学. 2009
[9]. 基于计算机视觉的刀具磨损状态监测技术的研究[D]. 熊四昌. 浙江大学. 2003
[10]. 基于纹理分析的刀具磨损状态检测技术[D]. 周柏清. 浙江工业大学. 2004
标签：金属学及金属工艺论文; 灰度共生矩阵论文; 图像分割论文; 特征提取论文; 马尔可夫过程论文; 马尔可夫模型论文; 刀具角度论文; 图像融合论文; 灰度图像论文; 共生关系论文;