加工表面显微视觉图像三维重构与粗糙度检测评价方法的研究开题报告.pptVIP

加工表面显微视觉图像三维重构与粗糙度检测评价方法研究 姓名：郭 便 导师：郑建明 教授 专业：机械电子工程 一、综述 二、课题的主要目的及内容 三、预期效果 四、论文中新见解 五、课题的主要难点及解决办法 一、综述 随着科学技术的进步和社会的发展，人们对于机械产品表面质量的要求越来越高。而评价表面质量的一个重要指标为工件的表面粗糙度，其加工控制难度大，测量与评定的难度也大。其好坏不但直接决定了工件的耐磨性、耐腐蚀性、接触刚度、抗疲劳能力、密封性和表面美观，而且对机械设备的装配质量、配合性质、工作性能、使用寿命都有很大的影响。所以，表面粗糙度的研究构成了表面科学中表面特征研究的核心内容。 目前，用于定量评定表面粗糙度的方法主要为接触式测量与非接触式测量两类。接触式检测方法主要是触针法，该方法是目前国际唯一公认的表面粗糙度测量标准方法。但是该方法有很大的缺陷，测量精度随触针尖端半径影响很大、测量速度慢、实现在线检测困难、检测过程中容易对被测工件表面造成损伤。非接触测量速度快,能满足高速、自动、无损检测的需要，主要包括基于光学散射原理的测量方法、基于光学干涉原理的测量方法和基于图像的测量方法。 基于光学散射和干涉原理的测量方法的入射光源的波长(λ)必须远远大于被测表面粗糙度值。也就是说，这些测量方法对某些表面粗糙度的测量受到光源和接收器波长的限制。 近几年，随着计算机技术的不断发展和工业生产中柔性制造系统的大力推广，基于计算机视觉的工件表面粗糙度模型和预测问题受到越来越多的关注。具有处理精度高、处理内容丰富、处理速度快、易于集成等优点。 计算机视觉检测技术的关键是高质量图像的获取和对图像进行的何种处理。目前通过获得2D灰度图像获得表面粗糙度参数的方法主要有以下两种：一是统计分类法；二是神经网络法。李大勇教授介绍了一种利用数字图像技术提取出纹理特征（直方图均值和方差）和形状特征（单位顶点面积和陡峭度）两个参数评价铸造表面粗糙度的方法。初步确立了一套用于评价铸造表面粗糙度的三维参数及其算法。 抚顺石油学院的金子明、杨国田等利用从标准样块上通过采样得到的散射光强度分布数据，把表征光强分布的数据和样块的标称值分别作为神经网络的输入和输出，采用改进的BP算法对神经网络进行训练。训练后，把某一工件的散射光强度分布数据输入给神经网络，则神经网络的输出就是该样块的表面粗糙度数值。该算法可正确识别在0.8μm以下的被测表面，并可避免误识别。 以上两种图像方法仅能计算出表面粗糙度的参数值，而无法全面体现其表面的微观形貌。因此对重建三维微观表面，获取其真实的三维形貌提出了要求。三维重建技术是指利用物体单幅或多幅2D灰度图像获得该物体3D表面形状信息的技术。 重构时根据采用的模型不同，现今的研究主要有两种方法。一是光强–形貌模型（Intensity-Topography Compatible，简称ITC）；二是光照漫反射模型。此两种重构方法的实现还需借助表面轮廓仪的测量值，因为 最终的轮廓值需要有轮廓仪测量值与灰度标准偏差值之比的参与。且这两种方法不够稳定，误差时大时小，对比此两种方法计算所得的结果也相差较大。 本课题引入由明暗恢复形状（shape from shading）的方法，该方法是Horn在1970年提出的，开辟了基于单幅图像进行三维形貌恢复的先河，是一种简单且易应用到工业现场的方法。其实质是利用二维灰度图像中各点的亮度值，基于光度学理论并采用合适的光照模型，通过求解图像辐射度方程计算出物体的表面方向进而得到物体表面高度。SFS方法的流程图。 SFS问题本身固有一些困难： （1）确定合适的反射模型； （2）给出合适的约束条件； （3）不具备很好的鲁棒性。 目前国内外SFS算法主要有： （1）最小化方法； （2）演化方法； （3）局部方法； （4）线性化方法 进入九十年代后，随着计算机、仿生学、分形学、数理统计学、计算机视觉等多门与SFS密切相关的学科的迅速发展，SFS领域出现了许多新的研究方向，主要集中在以下几个方面：（1）混合反射模型的应用；（2）分形几何学的应用；（3）SFS算法的鲁棒性研究主要有以下几个方向： ①贝叶斯模型的应用②小波的应