论文总字数：17524字

摘 要

机器齿印识别是指给定一个齿印图片，使用计算机对齿印的边缘进行识别，通过与工业标准图片的比较，来判别是否符合生产线的标准。

在本文里，我们对原始齿印图片做了灰度化处理，将多通道图像转化为单通道图像；然后进行空间域滤波（中值滤波），去除掉图像中的噪声。由于图像中的边缘特征不够突出，我们使用了巴特沃斯高通滤波器来增强图像边缘这些高频信号。最后，使用多种边缘检测算子去寻找图像的边缘，通过分析各个算子的优劣性，找出一条适用于齿印识别的算法流程。

关键词：机器视觉 齿印 边缘检测 OpenCV

Abstract

Machine tooth mark recognition refers to the identification of the edge of the tooth mark aided by computer for a given image, and then comparing with the industry standard images to determine whether it meets the standard of the production line.

In this paper, we have grayscaled the original tooth mark image to convert the multi-channel image into a single-channel image; and then use domain filtering (median filtering) to eliminate the noise in the image. Since the edge features in the image are not prominent enough, we used a Butterworth high-pass filter to enhance these high-frequency signals at the edges of the image. Finally, a variety of edge detection operators are used to find the edges of the image, in order to find an algorithm flow suitable for tooth mark recognition by analyzing the advantages and disadvantages of each operator.

Key Words: Machine vision Tooth print Edge detection OpenCV

目 录

第一章 绪论 1

1.1研究背景与意义 1

1.2项目简介 1

1.2.1任务描述 1

1.2.2发展历史 2

1.2.3机器视觉的国内外现状 2

1.3 研究内容及论文结构 4

1.3.1研究内容 4

1.3.2论文结构 4

第二章 机器视觉的核心算法 5

2.1 预处理算法 5

2.1.1 均值滤波 5

2.1.2中值滤波 8

2.1.3频率域滤波 9

2.2边缘检测算法 12

第三章 实验设计和数据分析 14

3.1准备工作 14

3.1.1 初始数据集和标准 14

3.1.2实验软件 15

3.2实验过程 15

3.2.1灰度化处理 15

3.2.2空间域滤波 16

3.2.3频率域增强 16

3.2.4边缘检测 17

第四章 总结与展望 20

4.1总结 20

4.2展望 20

致 谢 1

参考文献 2

附录 3

第一章 绪论

1.1研究背景与意义

随着科技水平的进步，工业生产中的劳动力和劳动效率渐渐不能满足生产的需要，新的时代走向了高度自动化的方向，一个全新的概念走进了新生代工业的眼球，那就是机器视觉^[9]。机器视觉的权威协会是这么定义的：“机器视觉（Machine Vision）是通过光学的装置和非接触的传感器自动的接手和处理一个真实物体的图像，通过分析图像获得所需信息或用于控制机器运功的装置”^[6]。它在工业生产上的运用能够有效解决现代工业上十分棘手的问题，例如在一些高精产业，单纯靠人眼的识别或者一些传统的检测技术很难在新时代达到现今产业链上要求的精度、效率和自动化程度。

在现今齿轮制造业中，为了防止使用时高速旋转带来的损坏，两个齿轮在啮合传动时并不是紧密相连，而是会留下一定的间隙，这就导致在齿轮加工过程和装配过程中会造成一定量的误差，而这种误差在制造业中是靠人眼识别齿印（即两个齿轮的啮合处）的位置来排查，这种方式不仅造成大量的人力成本，在时间上也是过于漫长^[1]。

而将机器学习技术应用到齿印识别方面，只要算法设计的合理精确，计算机很容易在短时间内识别大量齿印图片，效率极高。若发现某一系列齿印图片存在相似误差，则大概率某个机器出现了问题，此时我们可以通过判断齿印位置来增减垫片来消除误差。

本文提出了一种基于机器视觉的在线检测齿轮齿印位置的设计方案，不但提升了检测效率，而且降低了人力成本，对工人的经验要求下降，多方位提高了工厂的效益，具有远大的市场需求空间，前景十分广阔。

1.2项目简介

1.2.1任务描述

齿轮是有着能够互相啮合的轮齿的机械零件，在大型机械设备中属于十分关键的部分，可以说齿轮的精度直接影响着机械设备的整体性能^[5]。现代的齿轮技术发展到十分高速的阶段：齿轮模数最小能达到0.004毫米；齿轮直径最小1毫米，最大150米，均有大规模生产；传递功率最高可到数万千瓦。随着时代的发展，生产所需要的齿轮的平稳性和精度逐渐受到重视。本文研究的就是如何通过齿印来判断一个齿轮平稳性和精度的好坏以及能否达到生产所需。

齿印，即两个齿轮啮合时相接触的部位，在工业生产中用黄油涂抹齿轮表面，在高速旋转中两个齿轮会将齿印部分的黄油挤压出去，再利用光学设备记录下来，就能够得到我们研究所需要的齿印图片^[10]。

目前，在机器齿印识别方面，还存在一些困难，例如生产线上的工人对于这些知识一知半解，需要作出一个成熟的程序才能将这个方案应用到实际生产中去。

1.2.2发展历史

20世纪70年代一些视觉系统初步现世。同样在这个时候，美国麻省理工大学的人工智能实验室正式开设“机器学习”的课程，由国际著名学者B.K.P.Horn教授讲授。大批著名学者进入麻省理工大学参与机器视觉理论、算法、系统设计的研究。

1977年，David Marr教授也对机器视觉领域产生了极大的兴趣，因此他在世界名校麻省理工大学领导了专攻机器视觉领域的研究小组，这个小组在四年后提出了一个全新的计算机视觉理论，这个理论在后续的十年里成为机器视觉研究领域中的一个中流砥柱^[6]。

辗转来到1980年，正是由于David Marr教授等人理论的贡献，使得机器视觉获得极为高速的发展，大批研究人员进入这个领域，涌现出许多关于机器视觉的新理论，这种井喷式的发展一直到1990年之后才慢慢缓了下来 ^[4]。

剩余内容已隐藏，请支付后下载全文，论文总字数：17524字