国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

一種零件綜合質(zhì)量評(píng)定方法研究

2022-09-13 07:43尹宗軍
關(guān)鍵詞:灰度模板分?jǐn)?shù)

李 夢(mèng),尹宗軍

(安徽信息工程學(xué)院機(jī)械工程學(xué)院,安徽 蕪湖 241000)

零件的質(zhì)量評(píng)定與分揀是工業(yè)生產(chǎn)過(guò)程中十分重要的環(huán)節(jié)。隨著大數(shù)據(jù)信息處理技術(shù)的廣泛應(yīng)用,逐漸開(kāi)始利用人工智能算法,如支持向量機(jī)[1]、多層感知層[2]、卷積神經(jīng)網(wǎng)絡(luò)[3-4]和其余機(jī)器學(xué)習(xí)算法[5-10]等,來(lái)實(shí)現(xiàn)零件圖像數(shù)據(jù)集的訓(xùn)練與測(cè)試,完成其質(zhì)量預(yù)測(cè)。但利用人工智能算法處理圖像的速度受計(jì)算機(jī)處理器硬件水平的影響較大,一般僅用于數(shù)據(jù)集的離線處理。

零件的關(guān)鍵尺寸是否符合加工圖紙的要求是判斷其質(zhì)量的重要依據(jù)。對(duì)于某些輪廓復(fù)雜的零件,須求解多個(gè)重要位置處的尺寸誤差以進(jìn)行精度分析,圖像處理工作量較大。有些學(xué)者通過(guò)圖像模板匹配直接得到零件圖像與其CAD(computer aided design,計(jì)算機(jī)輔助設(shè)計(jì))機(jī)械加工圖不匹配所產(chǎn)生的誤差。例如:Sun等[11]提出了基于相對(duì)熵的小樣本特征區(qū)域匹配的零件識(shí)別方法。Ucev等[12]提出了用等分面積法對(duì)圖像形狀進(jìn)行歸一化描述的方法,其可自動(dòng)識(shí)別并提取零件的輪廓。Bohlool等[13]通過(guò)采用尺度不變特征變換(scale-invariant feature transform,SIFT)來(lái)獲取良好的模板匹配精度,以適用于樣本大小、位置和照明條件不同的情況。Piccinini等[14]通過(guò)分割目標(biāo)物體圖像與模型對(duì)應(yīng)點(diǎn)來(lái)進(jìn)行匹配,較為準(zhǔn)確地獲得了目標(biāo)物體的輪廓特征,但該方法的分類準(zhǔn)確性在一定程度上受目標(biāo)物體表面質(zhì)量的影響。

除零件的幾何尺寸外,表面缺陷也是衡量其質(zhì)量的重要指標(biāo)。不少學(xué)者針對(duì)零件表面缺陷對(duì)其質(zhì)量的影響展開(kāi)了研究。例如:Rashad等[15]、Alamoudi等[16]、劉麗等[17]和李暉等[18]基于被測(cè)零件表面的紋理特征,展開(kāi)了零件的分類識(shí)別。Yang等[19]提出了一種多尺度傅里葉描述符,基于其可以準(zhǔn)確地提取零件表面的局部特征。Lee等[20]提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的圖像局部特征學(xué)習(xí)與訓(xùn)練算法,該算法可借助零件表面的紋理特征完成分類識(shí)別,但其實(shí)現(xiàn)過(guò)程較復(fù)雜,易受周圍光線與環(huán)境變化的影響。

基于此,筆者擬提出一種結(jié)合幾何特征和表面缺陷特征的零件綜合質(zhì)量評(píng)定方法,以進(jìn)一步提高零件分類識(shí)別的準(zhǔn)確性。

1 零件綜合質(zhì)量評(píng)定方法構(gòu)建

零件綜合質(zhì)量評(píng)定方法的總體框架如圖1所示,其包括機(jī)器視覺(jué)與機(jī)器學(xué)習(xí)兩個(gè)模塊。首先,利用機(jī)器視覺(jué)技術(shù)完成待測(cè)零件圖像的實(shí)時(shí)采集與處理,用于獲得其幾何特征和表面缺陷特征,并形成四維特征數(shù)據(jù)集,作為后續(xù)展開(kāi)機(jī)器學(xué)習(xí)訓(xùn)練的數(shù)據(jù)來(lái)源。其中,零件的幾何特征由圖像灰度匹配算法與幾何匹配算法求解獲得,即通過(guò)比較被測(cè)零件圖像與其CAD機(jī)械加工圖,計(jì)算得到灰度匹配分?jǐn)?shù)與幾何匹配分?jǐn)?shù);零件的表面缺陷特征則是針對(duì)其表面的常見(jiàn)缺陷(如劃傷、磨損、邊緣缺料以及銹蝕等),通過(guò)圖像預(yù)處理(灰度化、圖像增強(qiáng)、高斯降噪和二值化)獲得零件圖像灰度的均值與標(biāo)準(zhǔn)差。然后,在機(jī)器學(xué)習(xí)模塊中,利用主成分分析(principal component analysis,PCA)對(duì)獲得的零件四維特征數(shù)據(jù)集進(jìn)行降維處理,并利用K最近鄰(K-nearest neighbor,KNN)算法對(duì)降維后的數(shù)據(jù)集進(jìn)行訓(xùn)練和預(yù)測(cè),實(shí)現(xiàn)零件綜合質(zhì)量評(píng)定。

圖1 零件綜合質(zhì)量評(píng)定方法總體框架Fig.1 Overall framework of comprehensive quality assessment method for parts

2 零件圖像處理與質(zhì)量分類方法

2.1 基于機(jī)器視覺(jué)的零件圖像處理

2.1.1 幾何特征提取

零件的幾何特征用于評(píng)判其尺寸參數(shù)是否符合加工精度。本文借助模板匹配處理算法來(lái)求解被測(cè)零件圖像與其CAD機(jī)械加工圖的灰度匹配分?jǐn)?shù)和幾何匹配分?jǐn)?shù),作為零件的幾何特征參數(shù)。其中:圖像的灰度匹配具有平移不變性,能夠?qū)⑿D(zhuǎn)不變性與實(shí)時(shí)性提升到較高程度,但其不具備尺度不變性;圖像幾何匹配是以被測(cè)目標(biāo)的幾何外形(綜合角點(diǎn)、直線段和曲線段等描述)為特征,比較其圖像模板與標(biāo)準(zhǔn)模板的形狀差異,幾何匹配彌補(bǔ)了灰度匹配的不足。因此,本文選擇這2種匹配方式對(duì)被測(cè)零件圖像進(jìn)行處理,獲得相應(yīng)的匹配分?jǐn)?shù)。

1)圖像灰度匹配。

灰度匹配以像素灰度或灰度梯度為特征,通過(guò)計(jì)算零件圖像模板與其CAD機(jī)械加工圖標(biāo)準(zhǔn)模板(下文簡(jiǎn)稱標(biāo)準(zhǔn)模板)的歸一化互相關(guān)值來(lái)確定匹配區(qū)域。本文采用金字塔匹配法對(duì)零件圖像進(jìn)行灰度匹配處理,獲得其與標(biāo)準(zhǔn)模板的灰度匹配分?jǐn)?shù)。令I(lǐng)表示原始圖像的灰度,Imax和Imin表示原始圖像灰度的最大值和最小值,Inewmax和Inewmin表示線性歸一化圖像灰度的最大值和最小值,由此可以計(jì)算得到線性歸一化圖像的灰度Inormalized:

尺寸為K×L的零件圖像模板t(xn,yn)在尺寸為M×N的標(biāo)準(zhǔn)模板s(xn,yn)中從左到右、從上到下移動(dòng)時(shí)(K≤M且L≤N),當(dāng)t(xn,yn)移動(dòng)到點(diǎn)(a,b)處時(shí),t(xn,yn)與其所覆蓋的s(xn,yn)區(qū)域的互相關(guān)值C(a,b)可表示為:

通過(guò)計(jì)算零件圖像模板與標(biāo)準(zhǔn)模板的互相關(guān)值R來(lái)確定灰度匹配分?jǐn)?shù)。鑒于互相關(guān)值對(duì)圖像灰度幅值的變化極為敏感,對(duì)其進(jìn)行歸一化處理:

歸一化互相關(guān)值對(duì)零件圖像模板和其標(biāo)準(zhǔn)模板的幅度變換均保持不變性。由此可知,歸一化互相關(guān)值越大,零件圖像模板與標(biāo)準(zhǔn)模板越相似[21]。

2)圖像幾何匹配。

幾何匹配采用廣義霍夫匹配,即提取零件圖像的邊緣曲線后,計(jì)算邊緣曲線上各點(diǎn)的灰度梯度方向角,如圖2所示。

圖2 邊緣點(diǎn)灰度梯度方向角示意Fig.2 Diagram of gray gradient direction angle of edge point

在圖2所示的極坐標(biāo)系中,已知零件圖像的幾何中心為(xc,yc),某邊緣點(diǎn)(xi,yi)的坐標(biāo)可表示為:

式中:θ為邊緣點(diǎn)(xi,yi)與幾何中心(xc,yc)連線與水平方向的夾角。

令邊緣點(diǎn)(xi,yi)的灰度為f(xi,yi),則其灰度梯度方向角φi為:

基于此,以邊緣點(diǎn)的灰度梯度方向角為索引,將邊緣曲線上具有相同灰度梯度方向角的點(diǎn)歸為一組,構(gòu)成描述零件圖像的模板特征。若零件圖像模板中包含與標(biāo)準(zhǔn)模板匹配的區(qū)域,則該區(qū)域邊緣曲線上的點(diǎn)具有與標(biāo)準(zhǔn)模板相同的幾何特征。故在圖像幾何匹配階段,先獲得零件標(biāo)準(zhǔn)模板邊緣曲線上各點(diǎn)的灰度梯度方向角,再?gòu)牧慵D像模板特征中檢索得到具有相同灰度梯度方向角的邊緣點(diǎn),并反求匹配中心的坐標(biāo)。最后通過(guò)累加器記錄各匹配中心坐標(biāo)被重復(fù)計(jì)算的次數(shù),取計(jì)算次數(shù)最多的為最佳匹配結(jié)果[21],進(jìn)而可獲得幾何匹配分?jǐn)?shù)。

2.1.2 表面缺陷特征提取

在零件的實(shí)際生產(chǎn)與裝配中,除幾何特征外,其表面缺陷特征的提取與量化也尤為重要。針對(duì)表面存在劃傷、缺損、邊緣缺料以及銹蝕等缺陷的零件,對(duì)采集的彩色圖像進(jìn)行預(yù)處理,即完成灰度化、圖像增強(qiáng)、高斯降噪和二值化處理。將零件表面存在缺陷的區(qū)域設(shè)置為白色(灰度為255),無(wú)缺陷區(qū)域設(shè)置為黑色(灰度為0),計(jì)算零件圖像灰度的均值和標(biāo)準(zhǔn)差,以對(duì)其表面缺陷特征進(jìn)行量化。對(duì)于尺寸為K×L的零件圖像,經(jīng)預(yù)處理后圖像中某點(diǎn)的灰度為f(xn,yn),則圖像灰度的均值μ和標(biāo)準(zhǔn)差σ分別為:

2.2 基于機(jī)器學(xué)習(xí)的零件質(zhì)量分類

利用基于機(jī)器視覺(jué)的圖像處理技術(shù)獲得了由灰度匹配系數(shù)、幾何匹配系數(shù),灰度均值和灰度標(biāo)準(zhǔn)差組成的零件四維特征數(shù)據(jù)集。

為提高數(shù)據(jù)處理效率,利用PCA對(duì)原始的特征數(shù)據(jù)集進(jìn)行降維處理。PCA是一種應(yīng)用最為廣泛的數(shù)據(jù)降維方法,以m維樣本數(shù)據(jù)集降至k維為例,說(shuō)明PCA降維處理的原理,其主要過(guò)程如下。

2)計(jì)算樣本數(shù)據(jù)集的協(xié)方差矩陣。

3)對(duì)協(xié)方差矩陣作特征值分解。

4)對(duì)所得的特征值按從大到小進(jìn)行排序,取降維后k個(gè)特征值所對(duì)應(yīng)的特征向量w1,w2,…,wk,將其組成特征向量矩陣W?=[w1w2…wk]。

通過(guò)PCA降維處理可獲得相關(guān)的主成分,從而減少數(shù)據(jù)集中的變量個(gè)數(shù),提高了數(shù)據(jù)處理效率[22]。

利用PCA對(duì)獲得的零件四維特征數(shù)據(jù)集進(jìn)行降維處理,形成二維特征數(shù)據(jù)集。而后,借助KNN算法對(duì)二維特征數(shù)據(jù)集進(jìn)行訓(xùn)練和預(yù)測(cè),完成零件綜合質(zhì)量分類。KNN算法是最常用的分類算法之一,通過(guò)比較各待分類樣本最近的K個(gè)樣本所屬的類別來(lái)完成分類識(shí)別,其具體步驟為:

1)確定K值;

2)計(jì)算待分類樣本與訓(xùn)練樣本的歐式距離;

3)選擇離待分類樣本最近的K個(gè)訓(xùn)練樣本;

4)將獲得的K個(gè)訓(xùn)練樣本中出現(xiàn)次數(shù)最多的類別作為待分類樣本的類別。

KNN算法簡(jiǎn)單且效率高,結(jié)合PCA降維處理可進(jìn)一步提高零件綜合質(zhì)量評(píng)定效率。

3 零件綜合質(zhì)量評(píng)定實(shí)驗(yàn)

3.1 光學(xué)檢測(cè)與處理系統(tǒng)搭建

根據(jù)所提出的零件綜合質(zhì)量評(píng)定方法,在工業(yè)現(xiàn)場(chǎng)搭建如圖3所示的光學(xué)檢測(cè)與處理系統(tǒng)。該系統(tǒng)的硬件主要包括MER2-2000-19U3C相機(jī)(2 000萬(wàn)像素,幀速率為17~19幀/s,卷簾快門,USB 3.0接口,可拍攝彩色圖像)、VISIONHOMESHI-C3514 GFL光學(xué)鏡頭(300萬(wàn)像素,焦距為5~55 mm)和ES400300500S可調(diào)支架。

圖3 光學(xué)檢測(cè)與處理系統(tǒng)Fig.3 Optical detection and processing system

3.2 質(zhì)量評(píng)定實(shí)驗(yàn)與結(jié)果分析

借助搭建的光學(xué)檢測(cè)和處理系統(tǒng)對(duì)被測(cè)零件的圖像進(jìn)行實(shí)時(shí)采集。以某待加工零件為例,結(jié)合工業(yè)現(xiàn)場(chǎng)作業(yè)環(huán)境和零件質(zhì)量評(píng)定的要求:光源照度為200~500 lx,質(zhì)量評(píng)定的準(zhǔn)確率達(dá)到95%以上,光學(xué)檢測(cè)與處理系統(tǒng)的運(yùn)行速度高于42幀/s,展開(kāi)其綜合質(zhì)量評(píng)定實(shí)驗(yàn)。

該零件的CAD機(jī)械加工圖如圖4所示,對(duì)其進(jìn)行灰度化、圖像增強(qiáng)、高斯降噪和二值化處理后,對(duì)采集的零件圖像(作上述相同處理)進(jìn)行灰度匹配和幾何匹配,結(jié)果分別如圖5(a)和圖5(b)所示。

圖4 零件的CAD機(jī)械加工圖Fig.4 CAD machining drawing of part

圖5 零件圖像的模板匹配結(jié)果Fig.5 Template matching results of part images

由于實(shí)際生產(chǎn)中作業(yè)環(huán)境比較復(fù)雜,不可避免地存在一定光線干擾,影響光學(xué)檢測(cè)與處理系統(tǒng)對(duì)零件圖像高質(zhì)量采集的穩(wěn)定性。由圖5所示的匹配結(jié)果可知,本文所提出的零件綜合質(zhì)量評(píng)定方法中的機(jī)器視覺(jué)模塊對(duì)處于不同光源環(huán)境、呈不同放置狀態(tài)的零件均具有較好的魯棒性與適應(yīng)性。

針對(duì)常見(jiàn)的劃傷、磨損、邊緣缺料以及銹蝕等零件表面缺陷,借助灰度化、圖像增強(qiáng)、高斯降噪和二值化處理等,求解得到零件圖像的灰度直方圖并提取圖像灰度的均值與標(biāo)準(zhǔn)差,作為衡量零件表面質(zhì)量的指標(biāo)。存在不同表面缺陷的零件的原始圖像(左)及其預(yù)處理結(jié)果(右)如圖6所示。

圖6 存在不同表面缺陷的零件圖像預(yù)處理結(jié)果Fig.6 Image preprocessing results of parts with different surface defects

通過(guò)對(duì)零件幾何特征和表面缺陷特征的提取,形成了每個(gè)零件的四維特征數(shù)據(jù)集,部分結(jié)果如圖7所示。其中:上方的5列數(shù)據(jù)分別為零件圖像的序號(hào)、幾何匹配分?jǐn)?shù)、灰度匹配分?jǐn)?shù)、灰度均值和灰度標(biāo)準(zhǔn)差;下方的3列數(shù)據(jù)分別為零件圖像序號(hào)、零件質(zhì)量等級(jí)(target)及其對(duì)應(yīng)標(biāo)簽(label)。標(biāo)簽為0表示質(zhì)量等級(jí)為“NG”,即零件綜合質(zhì)量不合格;標(biāo)簽為1表示質(zhì)量等級(jí)為“First level”,即零件綜合質(zhì)量較好;標(biāo)簽為2表示質(zhì)量等級(jí)為“Second level”,即零件綜合質(zhì)量一般。

圖7 零件的四維特征數(shù)據(jù)集及其綜合質(zhì)量評(píng)定結(jié)果(部分)Fig.7 Four-dimensional feature data set of part and its comprehensive quality assessment results(part)

利用PCA對(duì)零件的四維特征數(shù)據(jù)集進(jìn)行降維處理。將原始四維特征數(shù)據(jù)集在新空間超平面上的投影記為PC1~PC4,其方差比如圖8(a)所示。選擇方差比較大的2個(gè)主成分組成二維特征數(shù)據(jù)集,并利用KNN算法進(jìn)行訓(xùn)練和預(yù)測(cè),得到的零件綜合質(zhì)量分類結(jié)果,如圖8(b)所示。

圖8 基于PCA+KNN算法的零件綜合質(zhì)量分類結(jié)果Fig.8 Comprehensive quality classification results of part based on PCA and KNN algorithm

為了驗(yàn)證本文選用的KNN算法的優(yōu)越性,選取文獻(xiàn)[4-9]中的其他機(jī)器學(xué)習(xí)算法(K均值聚類算法、異常點(diǎn)檢測(cè)算法和決策樹(shù))進(jìn)行比較。為方便比較,對(duì)本文零件的四維特征數(shù)據(jù)依次兩兩組合,得到幾何匹配分?jǐn)?shù)—灰度匹配分?jǐn)?shù)、幾何匹配分?jǐn)?shù)—灰度均值和幾何匹配分?jǐn)?shù)—灰度標(biāo)準(zhǔn)差等共計(jì)6組二維特征數(shù)據(jù)集,分別利用K均值聚類算法與異常點(diǎn)檢測(cè)算法對(duì)該數(shù)據(jù)集進(jìn)行訓(xùn)練和預(yù)測(cè),部分分類結(jié)果如圖9和圖10所示。其中圖9是基于幾何匹配分?jǐn)?shù)—灰度匹配分?jǐn)?shù)獲得的,圖10是基于灰度匹配分?jǐn)?shù)—灰度標(biāo)準(zhǔn)差獲得的。需要注意的是,異常點(diǎn)檢測(cè)算法僅可對(duì)零件質(zhì)量不合格與否進(jìn)行判定,而無(wú)法對(duì)合格零件的質(zhì)量進(jìn)一步分類。

圖9 基于不同算法的零件綜合質(zhì)量分類結(jié)果對(duì)比(幾何匹配分?jǐn)?shù)—灰度匹配分?jǐn)?shù))Fig.9 Comparison of part comprehensive quality classification results based on different algorithms(geometric matching score-gray matching score)

圖10 基于不同算法的零件綜合質(zhì)量分類結(jié)果對(duì)比(灰度匹配分?jǐn)?shù)—灰度標(biāo)準(zhǔn)差)Fig.10 Comparison of part comprehensive quality classification results based on different algorithms(gray matching score-gray standard difference)

同理,利用決策樹(shù)對(duì)零件的二維特征數(shù)據(jù)集進(jìn)行訓(xùn)練與預(yù)測(cè),利用不同顏色的分枝來(lái)表示零件綜合質(zhì)量的不同等級(jí):紫色的表示零件質(zhì)量不合格;綠色的表示零件質(zhì)量一般;其他顏色的表示零件質(zhì)量較好。當(dāng)決策樹(shù)的最小樣本葉取值不同時(shí),零件綜合質(zhì)量的分類結(jié)果有所不同,結(jié)果如圖11和表1所示。由圖11和表1可以看出,隨著最小樣本葉的增大,決策樹(shù)的分類準(zhǔn)確率逐漸降低,但最小樣本葉取值過(guò)小會(huì)加大處理系統(tǒng)的工作量和增加運(yùn)行時(shí)間。對(duì)于本文所評(píng)定的零件而言,宜選擇最小樣本葉為3。

表1 基于決策樹(shù)的零件綜合質(zhì)量分類準(zhǔn)確率對(duì)比Table 1 Comparison of accuracy of part comprehensive quality classification based on decision tree

圖11 基于決策樹(shù)的零件綜合質(zhì)量分類結(jié)果Fig.11 Comprehensive quality classification results of parts based on decision tree

為進(jìn)一步驗(yàn)證KNN算法的優(yōu)越性,對(duì)基于KNN算法、K均值聚類算法、異常點(diǎn)檢測(cè)算法和決策樹(shù)的零件綜合質(zhì)量分類結(jié)果進(jìn)行比較,主要對(duì)準(zhǔn)確率、召回率、特異度、精準(zhǔn)率和F1分?jǐn)?shù)等指標(biāo)進(jìn)行分析,結(jié)果如表2所示。

由表2可知,在光學(xué)檢測(cè)與處理系統(tǒng)硬件條件(相機(jī)、鏡頭、光圈等)不變的前提下,利用PCA與KNN算法相結(jié)合的方法來(lái)預(yù)測(cè)零件的綜合質(zhì)量時(shí),其在準(zhǔn)確率、召回率等指標(biāo)上均具有更好的表現(xiàn)。

表2 基于不同算法的零件綜合質(zhì)量分類結(jié)果比較Table 2 Comparison of part comprehensive quality classification results based on different algorithms %

此外,由于PCA與KNN算法在不同光源照度、快門時(shí)間和圖像處理速度下對(duì)零件綜合質(zhì)量的預(yù)測(cè)準(zhǔn)確率也有所不同,利用所搭建的光學(xué)檢測(cè)與處理系統(tǒng)采集不同光源條件下的零件圖像并進(jìn)行處理,同時(shí)利用PCA與KNN算法進(jìn)行綜合質(zhì)量分類預(yù)測(cè),結(jié)果如表3所示。

由表3可以發(fā)現(xiàn),當(dāng)光源照度為500 lx時(shí),所搭建的光學(xué)檢測(cè)與處理系統(tǒng)的圖像處理速度達(dá)到45.2幀/s,質(zhì)量分類準(zhǔn)確率達(dá)到96.15%以上。

表3 不同光源條件下基于PCA+KNN算法的零件綜合質(zhì)量分類準(zhǔn)確率Table 3 Accuracy of part comprehensive quality classification based on PCA and KNN algorithm under different lighting conditions

4 結(jié)論

本文提出了一種基于機(jī)器視覺(jué)和機(jī)器學(xué)習(xí)的零件綜合質(zhì)量評(píng)定方法。通過(guò)對(duì)生產(chǎn)線上已加工零件的圖像進(jìn)行采集與處理,獲得其幾何特征與表面缺陷特征,即幾何匹配分?jǐn)?shù)、灰度匹配分?jǐn)?shù)、灰度平均值與灰度標(biāo)準(zhǔn)差,可作為其綜合質(zhì)量評(píng)估的依據(jù)。同時(shí),利用PCA降維處理提取所獲得的零件四維特征數(shù)據(jù)集的關(guān)鍵信息,提高了KNN算法的分類預(yù)測(cè)效率。

相較于傳統(tǒng)零件質(zhì)量評(píng)定方法僅能針對(duì)不合格品進(jìn)行剔除,本文所提出的方法優(yōu)化了零件質(zhì)量分類的輸出形式,能夠識(shí)別更多的質(zhì)量等級(jí),這可為合格零件的進(jìn)一步再加工提供參考依據(jù)。實(shí)驗(yàn)結(jié)果表明,基于所提出方法搭建的光學(xué)檢測(cè)與處理系統(tǒng)在不同環(huán)境下具有良好的運(yùn)行效率,對(duì)零件綜合質(zhì)量的分類準(zhǔn)確率較高,能夠較好地滿足工業(yè)現(xiàn)場(chǎng)高速、實(shí)時(shí)的性能要求。

猜你喜歡
灰度模板分?jǐn)?shù)
鋁模板在高層建筑施工中的應(yīng)用
高層建筑中鋁模板系統(tǒng)組成與應(yīng)用
鋁模板在高層建筑施工中的應(yīng)用
采用改進(jìn)導(dǎo)重法的拓?fù)浣Y(jié)構(gòu)灰度單元過(guò)濾技術(shù)
分?jǐn)?shù)的腳步
分?jǐn)?shù)的由來(lái)
Bp-MRI灰度直方圖在鑒別移行帶前列腺癌與良性前列腺增生中的應(yīng)用價(jià)值
無(wú)限循環(huán)小數(shù)化為分?jǐn)?shù)的反思
Inventors and Inventions
Arduino小車巡線程序的灰度閾值優(yōu)化方案
双柏县| 通辽市| 古田县| 桂阳县| 常州市| 仲巴县| 松原市| 左贡县| 曲水县| 东台市| 阳江市| 织金县| 射阳县| 平潭县| 郴州市| 锦屏县| 林周县| 玛沁县| 辛集市| 宁河县| 沁水县| 东宁县| 天津市| 马关县| 柳州市| 淮阳县| 乌拉特中旗| 浮梁县| 盐池县| 简阳市| 章丘市| 健康| 枣阳市| 阿勒泰市| 岑巩县| 肥乡县| 勃利县| 江陵县| 桃源县| 会宁县| 湘西|