基于光切显微镜的表面粗糙度视觉综合测量方法

针对光切显微镜不能综合测量粗糙度的高度参数和间距参数的问题,提出了基于光切显微镜的视觉测量表面粗糙度方法。通过安装在光切显微镜上的工业相机获取表面粗糙度图像,对图像进行预处理来提高图像对比度,采用最大类间方差法融合形态学算法提取表面粗糙度的光带区域。根据光带区域上下边缘轮廓具有相同的峰谷特点,采用Freeman链码算法提取下边缘轮廓特征,结合边缘轮廓特征以最小二乘法拟合中线,建立了评定表面粗糙度的高度参数和间距参数的数学模型。实验结果表明,该方法测量的高度参数与光切显微镜读数最大相对误差为4.81%,同时实现了间距参数的测量,相对误差控制在4.47%,能够综合评定表面粗糙度。

改进卷积神经网络的手写试卷分数识别方法

针对手写试卷分数识别中存在耗时长、错误率高的问题,提出了改进卷积神经网络(convolution neutral network,CNN)算法的手写试卷识别方法。为简化识别分数的类别,对手写试卷分数栏进行分割处理得到0~9共10类数字。为提高手写分数识别的效率,提出卷积神经网络融合贝叶斯的分类识别算法,利用构建的卷积神经网络模型提取手写数字的特征,采用主成分分析(principal component analysis,PCA)算法对特征降维,通过贝叶斯分类器对0~9的10类数字进行判别分类,在Mnist数据库中验证该算法的准确性与效率。建立试卷分数求和模型,在手写试卷分数识别后进行自动求和。实验结果表明:对3门课程的1188份试卷手写分数的识别,相对于其他算法,该方法的识别率为98.23%,平均每份试卷识别时间为7.5 s,证明了算法的实用性。

基于Kinect V2的筒子纱作业机器人视觉定位方法

针对筒子纱作业机器人对作业目标缺乏识别定位的问题,提出基于Kinect V2的筒子纱视觉定位方法。利用Kinect V2相机获取同一场景下筒子纱目标的RGB图像与深度图像,根据筒子纱表面纹理的特点,采用K-means聚类算法对预处理后的RGB图像进行分割,找出目标区域;通过多尺度边缘融合提取筒子纱边缘轮廓,利用低阶几何矩确定筒子纱目标轮廓质心点的二维坐标;根据相机标定参数实现彩色图像和深度图像的对齐,以及二维坐标到三维空间坐标的转换,并计算出筒子纱质心点的三维空间坐标。实验结果表明:该方法能够对不同放置状态下的筒子纱目标进行三维质心定位,误差控制在4 mm以内。此定位方法为筒子纱机器人抓取、转运及包装系统的设计提供参考。