【技术实现步骤摘要】
本专利技术涉及数字化测量，更具体的，涉及一种基于亚像素边缘搜索的零件几何参数检测方法及系统。
技术介绍
1、零件几何尺寸检测方法主要包括传统检测和机器视觉检测两类。传统检测方法主要包括人工检测、光学投影检测和三坐标检测。人工检测一般采用百分尺、千分尺和千分表等传统检测工具，对操作人员的依赖性强，效率低，可能出现人为错误，使得产品质量不能得到有效保证；光学投影仪和三坐标检测虽然精度较高，但读取过程繁琐，测量时间长，对专业设备和专业技术要求极高。
2、机器视觉测量技术的非接触性、实时性、高效灵活性以及适用场景广泛性是传统测量方式无法比拟的，并且其自动化水平越来越高。机器视觉作为一种非接触智能检测技术在测量领域大有可为，并且从长远角度来讲，还可以有效降低成本。随着工业检测技术的发展，机器视觉方法在零件几何尺寸检测中得到了广泛应用，通过图像采集和图像处理技术实现高速、准确的检测，具有较低的人为误差率和较高的自动化程度，在零件几何尺寸检测领域具有显著优势。因此，如何利用机器视觉方法对零件进行精确测量并控制多个尺寸及几何形状的误差，以保证零件的质量及性能是亟需解决的问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提出了一种基于亚像素边缘搜索的零件几何参数检测方法及系统，目的是通过对零件图像亚像素边缘的精确提取，并利用误差评估确定零件的最佳检测参数，以提升零件几何参数检测的效率及精度。
2、本专利技术第一方面提供了一种基于亚像素边缘搜索的零件几何参数检测方法，包
3、通过图像采集读取零件图像，将所述零件图像进行预处理，提取零件图像的感兴趣区域，在感兴趣区域中提取零件边缘像素级粗定位点；
4、根据所述零件边缘像素级粗定位点基于zernike矩计算零件边缘的亚像素坐标，通过所述亚像素坐标进行零件姿态感知，利用零件姿态信息进行零件关键点的搜索；
5、通过获取的零件关键点坐标计算零件的几何参数，基于零件的几何参数进行整合，分析获取不同几何参数类别的检测误差；
6、根据所述检测误差确定相关检测参数，利用改进的粒子群算法对相关检测参数进行寻优，通过相关检测参数最优解配置零件几何参数检测全流程，对检测精度进行反馈。
7、本方案中，将所述零件图像进行预处理，提取零件图像的感兴趣区域，在感兴趣区域中提取零件边缘像素级粗定位点，具体为：
8、获取零件图像，对所述零件图像进行图像增强及图像去噪处理，将预处理后的零件图像作为训练数据，使用所述训练数据预训练vgg-16网络及变分自动编码器，构建预训练模型；
9、将待检测零件图像导入所述预训练模型，在所述预训练模型中将vgg-16网络的全连接层及输出层进行移除，对输入的待检测零件图像进行重建操作，使用改进的网络结果对图像数据进行特征提取，提取感兴趣区域；
10、将感兴趣区域中的多尺度图像特征进行特征融合，通过拼接操作构建单一特征图，将所述单一特征图输入到变分自动编码器进行特征重构，对所述特征图进行编码，映射到低维潜在空间，通过解码得到重构特征图；
11、根据重构特征图与单一特征图的差分计算边缘分数，利用所述边缘分数构建边缘分数图，基于所述边缘分数图根据预设分数阈值进行二值化，根据零件二值化图像提取零件边缘像素级粗定位点。
12、本方案中，根据所述零件边缘像素级粗定位点基于zernike矩计算零件边缘的亚像素坐标，具体为：
13、获取7*7的zernike矩参数模板的参数值，根据零件边缘像素级粗定位点与7个zernike矩参数模板分别进行卷积操作，生成7个zernike矩；
14、根据零件边缘水平偏移角度对所述zernike矩进行相乘，对零件图像进行矫正，计算所述zernike矩的距离参数及灰度差参数，并与预设约束条件进行对比判断是否为边缘点；
15、遍历所有边缘像素级粗定位点，当检测完所有像素点后输出零件边缘的亚像素坐标。
16、本方案中，通过所述亚像素坐标进行零件姿态感知，利用零件姿态信息进行零件关键点的搜索，具体为：
17、根据零件的历史检测数据获取零件边缘模板，基于所述零件边缘模板根据预设关键几何参数类别选取零件关键点，将所述零件关键点在所述零件边缘模板中进行标注；
18、将待检测零件及零件边缘模板中零件边缘的亚像素坐标进行编码，对零件边缘进行分段，使用多层感知机对各零件边缘子段中的亚像素坐标进行单点特征学习，另外通过平均池化操作获取局部区域亚像素坐标空间分布特征，生成待检测零件及零件边缘模板局部特征；
19、将所述单点特征及局部特征在特征维度通道上进行特征拼接，通过最大池化及批标准化操作获取待检测零件及零件边缘模板中边缘子段的局部最终特征，引入注意力机制获取权重信息，对边缘子段的局部最终特征进行加权；
20、通过多层全连接层将注意力加权后的待检测零件及零件边缘模板中的局部最终特征进行特征聚合，在全连接层中基于待检测零件的零件边缘水平偏移角度通过不同的网络深度进行零件的位姿预测；
21、利用待检测零件的姿态信息进行零件关键点的搜索定位，读取零件关键点的亚像素坐标。
22、本方案中，通过获取的零件关键点坐标计算零件的几何参数，基于零件的几何参数进行整合，分析获取不同几何参数类别的检测误差，具体为：
23、根据预设关键几何参数类别对零件关键点坐标进行拟合，通过拟合结果获取几何参数检测结果，生成关键几何参数类别对应几何参数集合；
24、在不同类别的几何参数集合利用检测值与标准值的均方误差进行检测精度评定，获取不同几何参数类别的检测误差。
25、本方案中，根据所述检测误差确定相关检测参数，利用改进的粒子群算法对相关检测参数进行寻优，具体为：
26、根据零件几何参数检测全流程数据，将所述全流程数据按照关键几何参数类别进行划分，生成不同类别几何参数集合对应的检测参数集合；
27、在各检测参数集合中使用mrmr算法及交叉测方法进行特征选取，通过mrmr算法基于检测参数与检测误差相关性最大且检测特征之间冗余性最小原则获取重要性排序，基于重要性排序选择预设数量的检测参数；
28、根据选择的检测参数续联svm生成预测模型，获取所述预测模型在交叉测训练过程中的均方误差，获取均方误差最小的前n个检测参数确定为检测误差相关检测参数；
29、基于确定的相关检测参数初始化粒子群算法参数及粒子位置、速度信息，通过检测误差设置适应度函数，使用所述适应度函数计算粒子个体适应度，选取个体最优及全局最优，引入模拟退火算法进行迭代寻优，利用模拟退火邻域搜索更新粒子的位置和速度；
30、当满足终止条件时停止迭代，根据最优位置获取确定相关检测参数的最优解。
31、本方案中，通过相关检测参数最优解配置零件几何参数检测全流程，对检测精度进行反馈，具体为：
本文档来自技高网...
【技术保护点】
1.一种基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，将所述零件图像进行预处理，提取零件图像的感兴趣区域，在感兴趣区域中提取零件边缘像素级粗定位点，具体为：
3.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，根据所述零件边缘像素级粗定位点基于Zernike矩计算零件边缘的亚像素坐标，具体为：
4.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，通过所述亚像素坐标进行零件姿态感知，利用零件姿态信息进行零件关键点的搜索，具体为：
5.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，通过获取的零件关键点坐标计算零件的几何参数，基于零件的几何参数进行整合，分析获取不同几何参数类别的检测误差，具体为：
6.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，根据所述检测误差确定相关检测参数，利用改进的粒子群算法对相关检测参数进行寻
7.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，通过相关检测参数最优解配置零件几何参数检测全流程，对检测精度进行反馈，具体为：
8.一种基于亚像素边缘搜索的零件几何参数检测系统，其特征在于，实现如权利要求1-7任一项所述的基于亚像素边缘搜索的零件几何参数检测方法，该系统包括：图像采集及预处理模块，亚像素边缘提取模块、零件关键点搜索模块、几何参数计算模块、检测误差评估模块及检测精度反馈模块；
...【技术特征摘要】
1.一种基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，将所述零件图像进行预处理，提取零件图像的感兴趣区域，在感兴趣区域中提取零件边缘像素级粗定位点，具体为：
3.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，根据所述零件边缘像素级粗定位点基于zernike矩计算零件边缘的亚像素坐标，具体为：
4.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，通过所述亚像素坐标进行零件姿态感知，利用零件姿态信息进行零件关键点的搜索，具体为：
5.根据权利要求1所述的基于亚像素边缘搜索的零件几何参数检测方法，其特征在于，通过获取的零件关...
【专利技术属性】
技术研发人员：申兴琭，赵春英，周婷，吴荣，吴子怡，
申请(专利权)人：苏州兴喜博信息技术科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。