基于彩色分布統(tǒng)計矩陣和變量預測模型的粗糙度識別研究.pdf

1、表面粗糙度對機械零件的性能和壽命具有重大的影響。隨著圖像處理技術的發(fā)展，機器視覺已經(jīng)成為了工業(yè)自動化檢測道路上不可小覷的一部分。對基于視覺的粗糙度識別的研究具有重要的理論和實際意義?；谝曈X的粗糙識別技術包含兩個問題:第一，用什么樣的圖像指標來表示工件粗糙度;第二，用什么樣的模式識別方法來完成粗糙度識別。
　　目前，還沒有建立起一個關于圖像指標與粗糙度之間關系的標準，廣泛使用的方法是通過拍攝工件表面紋理，計算圖片的灰度共生矩陣，通

2、過灰度共生矩陣的矩陣指標完成粗糙度的識別。但是灰度共生矩陣算法計算耗時，參數(shù)不好控制。而模式識別領域，目前常用的有神經(jīng)網(wǎng)絡和支持向量機等。但是，這些方法都存在各自的局限性，也沒有充分利用各類別圖像的特征變量之間的相互內(nèi)在關系。
　　彩色分布統(tǒng)計矩陣(Colour Distribution Statistical Matrix，CDSM)利用定制色彩的光源照射在樣件表面成像，統(tǒng)計圖像紅色和綠色分量的亮度信息獲得矩陣，由于不同粗糙度表

3、面反射性能不同，因此得到的矩陣所包含的信息也各不相同。變量預測模型(Variable Predictive Model Based Class Discriminate，VPMCD)算法是近年來一種新的模式識別算法，它利用了各個特征之間的相互內(nèi)在關系建立相應的VPM(Variable Predictive Model，VPM)模型來實現(xiàn)分類。
　　本文在國家自然科學基金(編號:71271078)資助下，用提出的彩色分布統(tǒng)計矩陣的矩

4、陣指標結(jié)合變量預測模型算法對基于視覺的粗糙度識別進行了深入而系統(tǒng)地研究。
　　本文的主要研究內(nèi)容和創(chuàng)新點如下:
　　(1)彩色分布統(tǒng)計矩陣自提出以來已經(jīng)驗證了其在檢測粗糙度方面的優(yōu)勢，但是用單個圖像指標來對粗糙度進行表達難免會出現(xiàn)信息量過少使檢測的粗糙度不準確的情況。本文為彩色分布統(tǒng)計矩陣設計了五個矩陣指標包含矩陣非零點個數(shù)、對比度、同質(zhì)性、信息熵和能量，介紹了這些指標的理論依據(jù)，并通過數(shù)據(jù)分析驗證了這些指標來表示粗糙度的可

5、行性。
　　(2)研究了變量預測模型算法的基本原理和算法流程，由于圖像彩色分布統(tǒng)計矩陣的矩陣指標之間具有一定的相關性，為了找到這些指標之間的相互關系，本文用VPMCD方法依靠本文加工的實驗樣本，對實驗樣本建立了的不同類別的VPM模型，并對測試樣本進行了測試。實驗結(jié)果表明用VPMCD算法識別粗糙度的方法是高效的，也是可行的。
　　(3)LabVIEW具有集成性高、界面設計方便的優(yōu)點，Matlab具有強大的矩陣計算功能。因此，本

6、文結(jié)合了LabVIEW和Matlab平臺的優(yōu)越性，設計并實現(xiàn)了離線識別樣件表面粗糙度的設備開發(fā)，首先通過LabVIEW采集圖片，然后利用Matlab強大的計算功能來提取圖像的特征，并完成粗糙度類別的分類，最后利用LabVIEW的顯示界面完成對結(jié)果的展示。為了對設備有一個客觀認識，本文依據(jù)JJF1094-2002標準，從中選取了準確率和響應時間兩個指標完成了對設備的初步評價。
　　本文在LabVIEW和Matlab平臺上開發(fā)了一臺基