基于深度图像的零件识别及装配监测

针对机械产品装配中零件和装配体的识别、监测问题,提出一种基于深度图像和像素分类的装配体零件识别及装配监测方法。首先构建装配体深度图像标记样本集,包括合成标记样本集和真实标记样本集;然后提取深度差分特征,利用随机森林分类器对深度图像的像素进行分类,获取像素预测图像;最后通过对比像素预测图像和颜色标签图像对装配体各零件进行识别,并对比待测状态像素预测图像和正确装配像素预测图像,实现对装配过程的监测。为了提高边缘像素点的分类准确率,引入边缘因子。实验结果表明,该方法不但准确率高,而且兼具一定实时性和鲁棒性,在装配维修诱导、装配监测和自动化装配领域具有一定应用价值。

基于PX-LBP和像素分类的装配体零件识别研究

针对机械产品装配维修诱导中零件和装配体的识别、监测问题,对装配体零件识别及装配监测进行了研究,对LBP算子进行了改进,提出了一种基于像素局部二值模式(PX-LBP)和像素分类的装配体零件识别及装配监测方法。首先将LBP算子与像素分类融合,提出了PX-LBP算子;然后对深度图像进行了PX-LBP特征提取,生成了训练集和测试集;最后训练随机森林分类器,并利用训练好的随机森林分类器实现了对测试集深度图像的像素分类,生成了像素预测图像,通过像素预测图像与标记图像对比实现了装配体零件的识别及装配过程的监测。研究结果表明:该方法对于模型深度图像的像素识别率可达到98.81%,对于真实装配体深度图像的像素识别率也可达到77.51%;该方法兼具了一定的实时性与鲁棒性,可用在装配维修诱导、装配监测和自动化装配邻域中。