基于AdaBoost的具有多特征薄膜电容器端盖的识别算法研究

针对薄膜电容器端盖装配生产中需要调整端盖引脚角度,实现自动焊接的工艺要求,提出一种基于AdaBoost算法对随机堆叠的薄膜电容器端盖进行自动识别并解算端盖引脚偏转角度的方法,实现根据圆形端盖上引脚排列方位自动排序的功能。首先基于图片的LBP特征,用AdaBoost算法根据样本训练出一批弱分类器,经筛选、加权组合成一个强分类器,分别对端盖整体和引脚端子进行识别,考虑到该目标具有多特征这一特性,即目标物体上还有2个引线端子特征,可根据引脚端子与端盖整体的所属关系滤去误检测目标;然后根据端盖上识别出的2个引脚端子特征,自动确定引脚端子的中心点坐标,将2个中心点连线,以水平向右方向为参照,计算出引脚排列方位的偏转角度;最后搭建薄膜电容器端盖自动排序实验平台,在自然光照条件下,对6个端盖进行50次随机位置组合,采集了50张图片,利用所提出的算法对60张测试图片进行识别。实验结果表明:每个工件平均识别时长0.18s,工件识别率达到99.8%,角度偏差0.42°;可满足相互堆叠的薄膜电容器端盖自动排序的识别要求。

复杂背景下目标三维重构的图像预处理方法

针对目标三维重构图像处理算法要求背景单一、对实验环境依赖性较大的弊端,提出了一种复杂背景下目标三维重构的图像预处理算法。通过对所采集的图像进行高斯滤波、伽马变换以及直方图均衡化处理,去除图像噪点,对复杂背景图像进行抑制,最大程度地强化目标细节信息。融合Grab cut算法与Deeplab算法,解决Grab cut耗时而Deeplab边缘模糊的问题,有效地实现了目标与复杂背景的分离。搭建了针对小汽车模型的实验平台,共获取16组目标图像,验证了该算法的可行性。以2组目标为例,对比了所提算法与传统三维重构图像预处理算法的效果:所提算法的分割准确性为0.9986,灵敏度为0.9889,特异性为0.9991,均高于传统方法;与传统算法点云噪点率为22.7%相比,所提算法的点云噪点率降低为1.15%;所提算法的平均重构耗时为2.245s,是传统算法耗时的60.6%。由此证明了所提图像预处理方法在复杂背景下的三维重构中具有更好的效果。

基于改进法线方向的泊松曲面重构算法

针对三维点云在泊松曲面重构过程中由于法线方向不一致而导致重构结果出现偏差的问题,提出一种基于改进法线方向的泊松曲面重构算法。利用包围盒将原始点云分割为若干个立方体体素,并将每个有效体素标记为"位置已知"或"位置未知"。采用KD(k-dimensional)树对每个有效体素内的点云重新排序,利用主成分分析法进行法线估计,将新的顺序作为法线传播方向,实现点云法线的局部定向。针对"位置已知"的体素,依据体素质心位置完成法线的全局定向;对于"位置未知"的体素,则依据相邻体素的法线实现法线的全局定向。最后,结合法线定向结果对点云进行泊松曲面重构。实验结果表明,该算法能将复杂曲面点云的法线定向至同一侧,法线估计误差接近于0,能较好地实现泊松曲面重构,提高重构曲面的准确度。