1、分类号： 密级：U D C： 编号： 学 位 论 文制造过程复杂工况辨析及其视觉特征识别方法研究指导教师姓名： 教 授 河北工业大学申请学位级别：硕 士 学科、专业名称：仪器科学与技术论文提交日期： 年 月 论文答辩日期: 年 月学位授予单位： 河北工业大学答辩委员会主席：评 阅 人：年 月制造过程复杂工况辨析及其视觉特征识别方法研究摘 要随着先进制造业的发展，制造过程中的工况监控所遇到的问题也越来越突出，且直接影响了生产效率，因此对复杂性工作状况进行辨析，从而实现对生产过程的预测及生产安全控制具有十分重要的意义。本文以制造过程的刀具状态和工件分类这两种典型工况为例分析说明了其视觉监控方法，并
2、通过对工况视觉特征的分析，建立了基于视觉特征聚类融合的工况辨析体系，利用 BP 神经网络特性实现多域信息空间的非线性映射，完成聚类分析和信息融合，最终达到工况辨析的目的。通过对图像处理和视觉特征提取方法的研究，确定了本文所采用的图像滤波和边缘检测算子，以及基于 RGB 颜色空间的颜色矩特征提取，基于灰度共生矩阵的纹理特征提取和基于 Hu 不变矩的形状特征提取方法。以刀具状态识别和工件分类为例进行实验，对比独立特征识别和多混合特征融合识别的工况识别率，实验结果表明经聚类融合的识别率明显提高，证明了基于视觉特征聚类融合的工况辨析方法的优越性。关键词：工况辨析，聚类融合，图像处理，视觉特征，神经网络
3、iNALYSIS OF COMPLEX WORKING CONDITIONSIN MANUFACTURING PROCESS AND RESEARCH BASED ONTHE VISUAL FEATURE RECOGNITION METHODSABSTRACTWith the development of advanced manufacturing industry, the problems of condition monitoring in manufacturing process are more and more prominent, and impact on producti
4、vity directly. Analysis of the complex working conditions help achieve the prediction and safety control of production process, which has great significance.In this paper, analysis of the visual monitoring methods of the tool condition and the workpiece classification that two typical working condit
5、ions in manufacturing process, and through analyzing the visual feature of working conditions, established the analysis system of working conditions based on visual features clustering fusion. Using BP neural network achieved nonlinear mapping of multi-domain information space, to complete the clust
6、er analysis and information fusion, and to analyze the working conditions ultimately.By researching on the method of image processing and visual feature extraction, determined the image filtering and edge detection operator used in this paper, as well as the method of color moment feature extraction
7、 based on RGB color space, the texture feature extraction based on gray level co-occurrence matrix and the shape feature extraction based on Hu invariant moments. Taked the tool condition and the workpieces for example, carried out some identification and classification experiment. Comparing the sin
8、gle-feature recognition rate with the multi-features fusion recognition rate of working conditions, it is obvious that the recognition rate of clustering fusion is higher, which proved the method of the analysis of working conditions based on visual feature clustering fusion is superior.KEY WORDS: w
9、orking conditions analysis, clustering fusion, image processing, visual feature, neural networkii目 录第一章 绪论 .11-1 课题来源 .11-2 论文研究的目的和意义 .11-3 国内外研究现状 .21-4 论文研究内容 .4第二章 复杂工况辨析方法研究 .52-1 工况的复杂性分析 .52-1-1 制造过程工况的复杂性 .52-1-2 加工系统工况监控 .52-1-3 工况状态监控系统的基本结构 .52-2 典型工况视觉监控方法 .62-2-1 刀具的状态监控 .62-2-2 工件的分类识别
10、 .72-3 工况视觉特征分析 .92-4 基于视觉特征聚类融合的工况辨析方法 102-4-1 聚类融合的结构原理 102-4-2 基于视觉特征的复杂工况聚类融合设计 102-4-3 神经网络工况辨识技术 122-5 本章小结 16第三章 用于视觉特征辨识的图像处理方法 .173-1 图像滤波 173-1-1 滤波方法分类 173-1-2 图像滤波方法的选取 173-2 边缘检测 203-2-1 边缘检测定义 203-2-2 边缘检测算子的选取 203-3 本章小结 24第四章 用于工况辨析的视觉特征提取技术 .254-1 颜色特征的提取 254-1-1 颜色模型 254-1-2 颜色特征的描
11、述方法 264-1-3 基于 RGB 颜色空间的颜色矩特征提取 274-2 纹理特征的提取 284-2-1 纹理特征的描述方法 284-2-2 基于灰度共生矩阵的纹理特征提取 284-3 形状特征的提取 31III4-3-1 形状特征的描述方法 314-3-2 基于 Hu 不变矩的形状特征提取 .324-4 本章小结 34第五章 利用 BP 网络实现多混合特征融合的工况识别 355-1 BP 识别网络的设计 355-1-1 BP 网络结构设计 355-1-2 识别率的确定方法 355-2 刀具的状态识别 365-2-1 刀具样本的获取 365-2-2 独立特征的刀具状态识别 365-2-3 多
12、混合特征融合的刀具状态识别 405-3 工件的分类识别 425-3-1 工件样本的获取 425-3-2 独立特征的工件分类识别 425-3-3 多混合特征融合的工件分类识别 465-4 实验结果分析 475-5 本章小结 48第六章 结论与展望 .496-1 结论 496-2 展望 49参考文献 .51致谢 .54攻读学位期间所取得的相关科研成果 .55v符号说明CCD电荷耦合器件，Charge-coupled deviceCPU中央处理器， Central Processing UnitCNC计算机数字控制，Computer Numerical ControlBP误差反向传播，Back-Pr
13、ogagationTCMS刀具状态监控系统，Tool Condition Monitoring SystemCVTCM基于计算机视觉的刀具状态监控，Computer-vision based Tool Condition MonitoringMRSAR多尺度自回归，Multiscale AutoregressiveLabVIEW实验室虚拟仪器工程工作平台，Laboratory Virtual instrument Engineering WorkbenchMATLAB矩阵实验室， Matrix Laboratoryvi河北工业大学硕士学位论文第一章 绪论1-1 课题来源人类感知外界信息，80%
14、以上是通过视觉得到的，而图像实际上正是对这种感知能力的一种人为增强形式。随着图像数字技术的成熟，图像作为人类感知外部世界更丰富更直接的信息载体，正成为越来越重要的研究对象。人们利用计算机、图像获取设备模拟人的视觉来采集图像并进行数字信号转换以通过计算机实现对图像的处理与理解。计算机视觉是指由人类设计并在计算机环境下实现的模拟或再现与人类视觉有关的某些智能行为的技术，如文字识别，图像模式识别等，它的应用也几乎遍及当今所有科学领域 1。图像监控技术是将图像技术和制造技术以及计算机控制技术结合起来, 从而实现对机床等被控制对象的状态进行实时监控, 同时还可以通过网络进行远程监控。图像监控技术在数控机
15、床上的应用, 可以使机床具有更好的可控性, 这种技术被集成于机床控制系统过程中, 对于制造业的发展将具有重要的意义 2。目前，现代 CNC 集成制造系统中大量采用了工况辨析技术，包括机床主轴箱故障诊断、刀具磨损模式识别等。据估计，采用加工工况实时监控技术，可将人为或技术因素引起的故障停机时间减少 75%，有效加工时间由无监控系统时的 10%提高到 65%，机床利用率提高 50%以上，加工费用降低 30% 以上。近年来，根据实际生产需要，国内外开始将基于视觉的复杂工况监控技术用于 CNC 集成制造系统。模式识别(Patten Recognition)是利用计算机对某些物理对象进行分类，在错误率最
16、小的情况下，使识别的结果尽量与客观事物相符。将模式识别应用于数字图像处理技术中，就是利用计算机来模拟人类的识别方法，对数字图像进行识别、分类。采用图像监控、图像识别等技术对工况进行预测，不仅可以有效避免制造过程中机械运行部件故障的产生，而且还可以掌握运行状态，从而达到对工况安全状态的预测以及产品质量的控制，具有非常重要的意义。1-2 论文研究的目的和意义随着现代工业的发展和科学技术的进步，设备向着大型化、复杂化、自动化、高速化方向发展，设备工况监控中所遇到的问题也越来越突出，且直接影响了生产效率，已逐渐发展为生产过程中的主要矛盾，从而出现了工况监控这一新的学科领域。工况监控与故障诊断技术是了解
17、和掌握设备的运行状态，区分、识别设备的异常表现，早期发现设备的潜在故障并预报故障发展趋势的技术 3-4。设备运行工况不仅影响其性能，甚至会造成重大事故。历史上，由于设备发生故障而导致的严重后果触目惊心。1979 年，美国三里岛核电站由于错误判断和操作，导致核反应堆堆芯严重损坏，放射性物质泄漏，1制造过程复杂工况辨析及其视觉特征识别方法研究造成了几十亿美元的经济损失，而且公害引起居民示威抗议，迫使国会出面干预调查；1984 年，位于印度博帕尔的美国碳化物公司农药厂毒气泄漏，造成 2000 多人死亡、20 多万人受害的空前工业灾难； 1986 年，美国挑战者号航天飞机在发射升空后由于火箭系统出现故
18、障，飞机爆炸失事，机毁人亡，损失达 12 亿美元；1988 年秦岭电厂的 200MW 汽轮发电机组的断轴毁机事故，直接经济损失各达 1 亿元人民币，其中一台机组的转子系统断为 7 段，一个联轴节飞出，穿透 4 堵墙，落在几十米之外 5。CNC 集成制造技术的发展和普及应用，对数控加工及自动化生产过程中的监控及故障诊断提出了数字化、集成化、智能化、信息化及适应性要求。随着我国逐步发展为世界制造基地，迫切需要发展与先进制造技术相集成或匹配的监控技术理论和应用技术。基于计算机视觉的工况模式识别技术应用，不但可以节约大量制造原材料，还可以提高制造业产品质量和产量，节能降耗。目前，以图像处理为基础的机器
19、视觉技术正在迅猛发展，计算机视觉监控或诊断是通过计算机来模拟或再现与人类视觉有关的某些智能行为的技术，可以通过客观事物的图像获取监控和诊断信息，快速有效的进行模式识别。视频所携带的信息量远远大于语音和文字，它具有确切、直观、具体、生动、高效等特点，这就决定了视频图像将成为人类最主要的模式识别信息源。随着人们需求的增长，多媒体技术的进步，视频信息的数量和种类的分布还在不断迅速地增长和扩展。基于视觉图像的监控和诊断技术易于和设计信息及加工控制信息集成，实现自动化过程的高度集成化、智能化和信息化。由于机器视觉系统可以快速全面的获取大量信息，并通过计算机自动进行数据处理。因此，在现代自动化生产过程中，
20、机器视觉系统可广泛用于工况监视、成品检验和质量控制等领域，有着极为巨大的应用前景。课题研究基于视觉图像的工况模式识别方法，针对制造自动生产线的监控和诊断的模式识别技术进行系统深入的理论研究和实验研究，对实现加工过程自动化、提升制造业水平具有重要意义 6。综合上述,课题采用多学科先进技术融合方法解决现代制造过程视觉监控技术中的核心问题,主攻方向与我国二十一世纪先进制造业发展的总体目标要求相吻合，相关理论及实验研究成果都有着广阔的应用前景。1-3 国内外研究现状由于计算机技术的提高，和人们对设备维护科学化水平的日益提高，机械设备工况监控与故障诊断技术得以迅猛发展。设备工况监控与故障诊断的目的就是要
21、监控设备运行状态，判断是否正常，发现和确定故障的部位和性质，预报故障趋势并提出相应的对策，以提高设备运行的可靠性，延长其使用寿命，降低设备维修费用从而追求更高的经济目标和更大的社会效益。目前，工况监控技术已经应用于各领域的复杂系统及大型设备，包括油井、城市污水处理、玉米播种机、公交车循环系统、天然气压缩机、以及电厂等。可以说工况监控技术涵盖了生活和生产的大部分领域，己成为当今科技研究的热点课题。在国外，英国石油公司建立的自动化监控系统可以根据监控到的地质情况自动控制油井的产量，保证地层原油达到最大采收率。美国 LUFKIN 公司最近推出的 PRC 油井自动控制系统功能齐全，完全能够满足对油田抽
22、油机井进行全方位测控的需要。1995 年，波兰科学家开发了一套装备 UKS-1 型排种器的2河北工业大学硕士学位论文电子控制系统 7。WP29 下属的 GRPE 于 1997 年提出建立全球统一的重型发动机认证规程（WHDC） 8。德国布伦瑞克理工大学建立了瞬态布伦瑞克城市行驶循环。在国内，胜利埕岛油田海上采油平台的微机测控系统，新疆彩南油田的两级计算机监控系统的采用。1996 年山东农业大学研制了精密播种机工况自动监视及播量数显系统。中国农业大学农业机械化教研室的金昊博士于 1998 年研究开发了基于虚拟仪器的精播机排种性能检测系统。北京工商大学化学与环境工程学院在建立成都市车辆行驶循环工况
23、的过程中，提出用 11 个特征值作为反映行驶循环特征的准则数 9。武汉理工大学汽车工程学院和中国汽车技术研究中心在科技部 863 项目资助下，对车辆实际行驶工况开发过程中的关键问题进行了研究。计算机视觉(Computer vision)又称机器视觉，是指用计算机实现人的视觉功能，对客观世界的三维场景的感知、识别和理解。它是由代替人眼的图像传感器(CCD 摄像头)获取对象图像，将图像数据存储于计算机硬盘，并用代替人脑的 CPU(计算机) 来分析图像。随着计算机技术本身的飞速发展，计算机硬件和软件的应用也越来越广泛，图像处理技术的发展与计算机硬件成本的下降和运行速度的提高，计算机视觉的研究和应用己
24、扩展到工业、农业、军事等诸多领域，并取得了相当多的成果 10。图像视觉信息内容主要涉及两层含义 11:一层是图像信息的视觉特征，如颜色(灰度) 、纹理、形状与空间关系等，这是最低层的图像信息模型，也是图像所固有的物理属性，能被人的感官觉察出来的，图像内容是客观的；另一层是与人类认知领域相关的图像内容，即图像内容的语义描述，也称为高层次图像信息。在一幅图像中，语义描述包含了物体(或称对象)的定义、物体的空间位置与物体间的空间关系等。目前，结合计算机视觉、图像处理、图像特征提取、图像检索、模式识别等技术，视觉特征识别应运而生并且已经广泛应用于各个领域，包括农作物的特征图像识别、杂草图像特征识别、工
25、件特征识别与分类、视觉检查系统等。在国外，Ahmad I S 等 12-13利用 RGB、HSI 或者 RGB 角度模型评价玉米由于缺水和缺氮对叶片造成的色彩特征变化。研究发现，3 种模型中 HSI 值能较早地反映出玉米植株因水分和缺氮水平不同而引起的颜色差别，其中 I 值能够有效地同时识别叶片在 3 种不同水分（低、中、高 )和 3 种不同的氮水平(低、中、高)情况下的颜色变化，而 b 值也可以识别叶片在 3 种不同的氮水平 (低、中、高)状态下的颜色变化。几个特征的组合进行试验，识别率达到 92%。2000 年，Burks 等人 14，利用颜色共生法对土壤和 5 种杂草进行了识别。使用色调
26、和饱和度的 n 个纹理特征参数区分土壤和 5 种杂草，准确率为 93%。这种方法的准确率比 Meyer 等的方法有提高，且没有用到亮度的纹理特征参数，减少了颜色共生矩阵的运算量，所以使用该方法可以减少光照变化造成的影响。2001 年，美国罗切斯特大学计算机科学学院的 Selinger、A.N1eSno 等人开发了基于产品外形特征的多视角分类识别系统。该系统使用多个相对位置固定的相机获取目标图像，得到丰富的多角度特征，有效地避免了因单视角系统获取的产品特征不充分而导致的识别精度下降的问题 15。在国内，李少昆等 16率先将图像技术用于小麦、玉米等大田作物株型信息的提取和生长监控，借助人工标记的方
27、法，实现了玉米、小麦株型信息的提取，将基于图像技术的特征参数与传统农学中的参数建立起了联系，可检测到叶片长度、茎叶夹角、叶倾角等 30 余个形态特征参数，同时建立了基于图像处理技术的一些新指标，如用于表述叶片在空间分布状态的叶均角等。2007 年，曹晶晶，王一鸣等3制造过程复杂工况辨析及其视觉特征识别方法研究人 17提出了利用条播作物的位置和纹理特征识别田间杂草的方法，该方法先利用植物像素直方图确定作物的行中线和行宽，然后以作物行中心选取纹理块，提取 5 个纹理特征参数，利用 K 均值聚类法判别分析各块的类别来识别行内的杂草。试验结果表明，杂草正确识别率约为 93%。2005 年哈尔滨理工大学
28、的研究人员提出利用改进的 BP 神经网络模型解决视觉检查系统的在线识别问题，该方法适用于工业零件或商品的分类识别。它通过传感器采集目标图像，提取图像中基于目标形状的某些特征(如直方图特征、面积、周长、分散度、伸长度等)，并将这些特征以向量方式输入己经训练好的神经网络，最终实现目标的分类识别。他们提出的改进型人工神经网络模型与传统的 BP 神经网络模型相比，有效地降低了陷入局部极小点的可能性，提高了网络收敛与识别的速度 18。1-4 论文研究内容本文通过将制造过程的复杂工况转变成特征描述，建立基于视觉特征聚类融合的工况辨析体系，结合图像滤波、边缘检测的处理方法及视觉特征提取的相关技术，并利用 B
29、P 神经网络来实现对 CNC 典型工况多混合特征融合的识别及辨析。论文共分六章，每章的主要内容如下。第一章阐述了课题来源，简要说明了采用计算机视觉技术对制造过程复杂工况进行辨识的目的和意义，以及课题国内外发展现状，指出了论文的研究内容。第二章是针对制造过程复杂工况的辨析方法研究，从工况监控的角度说明了工况的复杂性，并介绍了刀具和工件两类典型工况的视觉监控方法，通过基于视觉特征聚类融合的方法，利用 BP 神经网络实现工况的辨析。第三章介绍了图像滤波和边缘检测的两种处理方法，并且通过算法的比较确定了本文所采用的滤波和边缘检测算子。第四章详细介绍了视觉特征的提取技术，分别针对颜色、纹理、形状特征的描
30、述方法展开分析，并最终确定了本文所采用的提取方法。第五章利用 BP 网络实现刀具状态识别和工件分类，并且对比了独立特征和多混合特征融合的识别率，显示了聚类融合方法应用在工况辨析方面的优越性。第六章归纳了本文的研究工作并提出了有待于进一步研究的问题。4河北工业大学硕士学位论文第二章 复杂工况辨析方法研究2-1 工况的复杂性分析2-1-1 制造过程工况的复杂性随着制造业水平的不断提高，数控机床、加工中心、柔性制造系统等先进生产设备具有高速、复杂、精密和连续运转的发展趋势，其复杂程度和智能化程度不断提高，机械系统的规模越来越大，现场环境越来越多样化，性能指标越来越高，耦合现象越来越复杂，制造过程运行
31、状况的复杂性也越来越明显。在工业控制中，过程运行状况就是工况。对加工设备进行状态监控与故障诊断的目的就是对生产过程中产生的各种信息进行获取、传输、处理、分析及应用，以确保自动化制造过程可靠、安全、高效、高质量的运行。本文从加工工况监控的角度来阐述制造过程工况的复杂性。2-1-2 加工系统工况监控加工工况监控包括的主要内容有加工设备状态监控、刀具状态监控、加工过程状态监控、加工工件质量监控、加工系统运行环境监控等 5 个方面。具体内容如下图 2.1 所示。其中刀具状态监控和加工过程监控是技术难度最大、也是研究人员投入精力最多的加工工况监控内容。加工系统工况监控加工设备 刀具 加工过程 工件质量
32、加工系统状态监控 状态监控 状态监控 状态监控 环境监控主轴运行状态 刀具磨损状态 切屑断屑状态 工件识别 电网电压进给系统状态 刀具破损状态 切削温度 加工精度 火灾设备安全状态 刀具寿命 切削力 表面粗糙度 环境温度冷却润滑系统 切削刃位置 颤振 定位精度 环境湿度状态 动态变形 空行程 现场图像功率消耗 环境安全振动图 2.1 加工系统工况监控的主要内容Fig. 2.1 The content of condition monitoring in processing systems2-1-3 工况状态监控系统的基本结构工况状态监控系统主要包括信息获取、特征提取和状态识别 3 个主要方面
33、，具体构成如下图 2.2 所示。5制造过程复杂工况辨析及其视觉特征识别方法研究被 各 信 信 特 模式识 状监 种 号 号 征 别专家 态控 传 检 处 提 系统神 识对 感 测 理 取 经网络 别象 器 等方法信息获取 特征提取 状态识别图 2.2 工况状态监控系统基本结构Fig. 2.2 The basic structure of the condition monitoring system信息获取是状态监控系统的首要一步。CNC 集成制造中反应过程状态的信号有很多，包括切削力、电机功率、声发射信号、振动信号、切削温度、切削参数、切削扭矩、图像信号等等。这些信号需要通过若干相关的传感器
34、来进行检测。特征提取是对检测信号进行进一步加工处理，主要是指信号的分析和处理，从大量信号中提取出与加工状态变化相关的参数。提取的特征参数的品质对监控系统的性能和可靠性具有重要的影响。状态识别实质上是通过建立合理的模型，根据特征提取所获得的特征参数对加工过程的状态进行分类判断。该过程的关键是模型的建立，当前建模的方法主要有统计方法、模式识别、专家系统和神经网络等 19。2-2 典型工况视觉监控方法2-2-1 刀具的状态监控1. 刀具工况分类刀具工况虽然构成复杂，但从总体上来看，刀具工况可分为正常磨损状态、急剧磨损状态以及崩刃状态。正常磨损状态通常是指具备应有的正常切削指标，没有任何加工缺陷或虽有
35、缺陷但仍在容限范围内。急剧磨损状态是指刀具磨损量发展到使刀具正常切削指标和加工质量都有所丧失的状态。从刀具故障的形成特点来分，刀具工况又可分为两种类型：正常切削状态和故障状态。而故障状态又可分为软故障状态和硬故障状态。软故障状态是指随着加工过程的不断进行，磨损量不断增加，当磨损量达到一定量值后而出现的一种故障状态，刀具急剧磨损就是一种典型的软故障状态；硬故障状态是指加工过程中发生突发性故障，如刀具崩刃、破损、折断等 20。2. 刀具状态监控方法从测量手段上来分，传统上将刀具状态监控系统（TCMS）分为直接监控法和间接监控法。直接法是通过一定的测量手段来确定刀具材料在质量上的减少或形状上的改变，
36、如检测刀具的切削刃是否已磨损或检测刀具的切削刃位置的变化，并通过一定的数学模型来确定刀具的磨损或破损状态 21-23，由于直6河北工业大学硕士学位论文接法需要直接检测刀刃的形状、位置等参量，一般只能离线监控。例如直接检测刀具后刀面平均磨损量VB 值、刀具磨损、破损尺寸大小等状态；主要的方法有光学扫描法、接触电阻测量法和计算机图像处理法等。间接法则是测量切削过程中与刀具磨损或破损有较强内在联系的某一种或者几种参量，或测量某种物理现象，根据其变化并通过一定的标定关系来检测刀具的磨损或破损状态 24。许多可测量的参数能够用于识别刀具磨损或破损，例如：切削力的突然增加或消失，表明刀具已破坏；切削温度的
37、突然升高或降低也可表征刀具已磨损或破损；主轴功率(或扭矩) 和进给驱动力的增加或降低；切削时刀具发出的异常声音；工件尺寸的突然变化；机床的突然振动；工件表面粗糙度的变化；工件与刀具之间电阻值的变化等等，都可以用于刀具状态的监控。3. 基于计算机视觉的刀具状态监控方法基于计算机视觉的刀具状态监控(Computer-vision based Tool Condition Monitoring，简称为CVTCM 方法) 也开始逐步进入机械加工自动化领域，出现了一些 CVTCM 算法 25-30。CVTCM 方法具有仿生学上的合理性，能在很大程度上克服现有刀具状态监控方法，例如基于声发射、切削力、振动
38、、功率等监控方法所存在的缺陷，已经逐步发展成为现代刀具状态监控领域的一类重要监控手段。现有的 CVTCM 方法，主要有三种类型，一是检测面在刀具磨损表面的基于刀具磨损表面图像的直接监控方法，二是检测面位于被加工工件表面的基于工件表面纹理图像的间接监控方法，三是检测面在刀具刃口处切削上的基于切屑图像的准直接监控方法。刀具的磨损破损状态，以前主要是通过机床操作者对刀具表面形态的观察作出判断，而且判断更多的是依靠其工作经验，准确性较差。基于计算机视觉的刀具状态监控则能替代人工对刀具表面形态进行检测，便于实现刀具状态监控的自动化。刀具表面是刀具磨破损状态的直接反映，它所具有的优点是其它监控方法不能比拟
39、的。刀具磨破损对刀具表面造成的影响主要有刀尖磨损、刀尖破损、后刀面磨损和前刀面磨损 31。由于在工件切削过程中切屑遮挡在刀具的表面，因此，基于刀具表面图像的视觉监控方法一般不能在切削过程中进行监控。但可以采用间断式工作模式，在每一次切削回程时摄取刀具表面图像，这种方法是一种间歇式的准在线监控方法。由于这种方法直接对刀具磨破损部位的几何形态进行检测，属于直接监控方法，具有监控结果准确可靠、可实现非接触测量、计算速度快等优点，尤其在换刀时使用可有效保证加工开始时所选择的刀具具有良好的状态，是刀具状态监控技术的比较理想的可行方法。2-2-2 工件的分类识别1. 工件分类的意义在我国很多制造型企业中，
40、都需要对产品进行实时检测、识别与分类，而大量的人工识别与分类不仅影响生产效率和准确性，更不利于企业的信息化管理。将机器视觉分类识别系统应用于制造企业的产品生产现场，不仅可以实现实时、准确的在线检测，极大地提高生产效率，而且有利于产品质量的信息化管理。在工业流水线生产的后期阶段，一般会遇到不同零件的组装。组装之前首先要把待组装的零件进行归类。随着生产线技术的提升，特别是在柔性生产线的应用，使得智能化的要求不断提高,普通的零件如高矮零件可以利用传感器技术进行简单的分类，如果一些零件的相似性比较大则借助于传感器一般无7制造过程复杂工况辨析及其视觉特征识别方法研究法做到这点,这就要采用机器人视觉系统进
41、行分类，这在生产生活上的应用性很强，比如现代物流管理系统中需要对货物进行数量统计和类型分类 32。2. 典型的机器视觉分类识别系统图 2.3 为典型的机器视觉分类识别系统，它包括:图像获取、处理、图像分割、特征提取、分类决策(模式识别) 和分类器设计等六个部分。图中，上半部分完成未知类别模式的分类，下半部分属于分类器设计的学习训练过程。未知类别模式的分类图像 预处 图像 特征 分类 分类结果获取 理 分割 提取 决策误训练 预处 图像 特征 确定判差样本 理 分割 选择 别函数检改进 测分类器设计图 2.3 典型的机器视觉分类识别系统结构框图Fig. 2.3 The architecture
42、diagram of a typical machine vision classification and recognition system3. 基于计算机视觉的分类识别方法(1) 模板匹配策略模板匹配法是一种最基本、最方便、最简单的图像识别与定位方法。它避免了视觉识别中的图像分割与特征提取环节，而是根据实时图像中某一区域与模板图像的相似程度，来确定模板图像所代表的目标在图像中的有无和位置。因此，模板匹配策略已经成为大多数机器视觉分类识别系统的首选。模板匹配识别的最大问题是计算量大、效率低，很难满足在线识别的要求。近年来，许多相关领域的研究人员对此进行了大量的研究，也设计了一些快速匹配的
43、计算方法，如：幅度排序相关算法(BARC算法)、FTF 相关算法以及 SSAD 算法。这些算法在一定程度上解决了模板匹配计算量大的缺点，使模板匹配的计算速度有了一定的提高，但也存在着一定的局限性 33。因此，在保证识别精度的前提下，如何进一步提高模板匹配的计算效率和计算速度就显得十分重要。(2) 人工神经网络策略人工神经网络是一种广义的智能模式识别方法，它是智能模式识别方法的延伸与发展。近年来各种优秀网络模型的诞生，更使得它在模式识别领域取得了传统的统计识别方法与结构识别方法无法达到的成就。通过传感器采集目标图像，提取图像中基于目标形状的某些特征（如直方图特征、面积、周长、分8河北工业大学硕士
44、学位论文散度、伸长度等），并将这些特征以向量方式输入己经训练好的神经网络，最终实现目标的分类识别。该方法适用于工业零件或商品的分类识别，具有通用性、较高的识别精度和计算效率。2-3 工况视觉特征分析工况有很多种特征表现形式对其进行描述，如振动、切削力、功率、声发射及切削温度等。而制造过程工况的复杂性使得上述特征在环境等因素变化的情况下具有这样或那样的缺点及不足，基于这个原因，我们寻求一种可以精确、快速对复杂工况进行描述的特征表现形式，并能弥补上述特征在某种程度的不足。计算机视觉技术是用计算机实现人的视觉功能，对客观世界的三维场景的感知、识别和理解，它是依据视觉敏感和反馈以某种程度的智能完成一定
45、的任务。由于计算机视觉所具有的优越性以及在工业领域的广泛应用，本文采用视觉特征对工况进行描述及分析。视觉特征是图像视觉效果的量化表示，它从各个方面描述了图像的内在语义，从而可以作为图像的抽象表示。特征比较则是计算两幅图像间的相似程度，好的比较算法能更好地模拟人对于两幅不同图像感受的差异程度 34-35。1. 颜色特征颜色是图像的一种重要视觉性质，颜色特征的定义比较明确，抽取也相对容易，所以得到了广泛的研究，已提出了许多算法 36。相对于几何特征而言，颜色具有一定的稳定性，其对大小、方向都不敏感。颜色直方图是应用最多的颜色特征表示法，其相似性度量方法主要有 Swain 等提出的直方图交叉法 37
46、，Hafner 提出的 L2 关系矩阵法 38以及 Stricker 提出的累加直方图方法 39。为了克服颜色直方图对量化作用的影响，Stricker 基于任何颜色分布都可以用它的矩来表征的数学基础，提出了颜色矩表示法 40。为了加速大容量图像库的搜索， Smith 和 Chang 提出用颜色集来近似颜色直方图，并讨论了颜色集与颜色直方图之间的关系。2. 纹理特征纹理也是描述图像时常用的一个概念，但目前尚无对它正式的(或者说尚无一致的) 定义。纹理是所有事物表面固有的一种特性，也是一个重要而又难以描述的特性。纹理统计特征分析方法主要有灰度共生矩阵分析法、马尔可夫分析法、多尺度自回归 MRSAR
47、 模型以及遗传算法等 41。对纹理的感受是与心理效果相结合的，用语言来描述纹理很困难。直观来说，纹理描述可提供区域的平滑、稀疏、规则性等特性。3. 形状特征形状也是描述图像内容的一个重要特征，因而也得到广泛的重视。形状常与目标联系在一起，所以形状特征可以看作是比颜色或纹理要高层一些的特征。由于从不同视角获取的图像中目标形状可能会有很大差别，为准确进行形状匹配，需要解决平移、尺度、旋转变换不变性的问题。如可采用小波变换模极大值来提取目标边缘信息，然后用不变矩来度量相似性。9制造过程复杂工况辨析及其视觉特征识别方法研究2-4 基于视觉特征聚类融合的工况辨析方法复杂的工业生产过程中，工况无法用一个或
48、几个过程变量来直接表示，某传感器的输出只是描述了工况的一个侧面而不是整个工况。采用适当的信息融合方法，将从不同侧面描述工况的多个传感器信息融合起来，就有可能获得对工况的完整或比较完整的描述，使人们能据此工况进行生产操作和实时干预，或系统按工况进行自动控制。2-4-1 聚类融合的结构原理1. 信息获取和处理 包括多传感器系统、传感器信息处理和软测量、人机接口。该部分包括硬件和有关的软件，它们应尽可能地将反映对象运行状态和环境的信息直接或间接检测出来，包括对象的状态量、被控量(输出) 以及环境信息。该部分的多传感器系统也包括同质和异质传感器，如工业摄像机等多媒体检测手段。人机接口提供操作人员对系统
49、进行监督和干预。2. 聚类融合 由一系列软件模块组成，是完成智能监控控制的核心部分，其中聚类融合是基于信息融合的。3. 状态识别 经过聚类融合的信息最终实现状态识别。聚类融合的原理如图 2.4 所示，信息流动和映射过程如图 2.5 所示。人机接口R对 被控量 预处 信象 状态 多传 S 理和 息 状态和 感器 软测 融 识别系 环境 系统 量 合统图 2.4 聚类融合原理框图Fig. 2.4 The block diagram of clustering fusion传感器模 输入信息 聚类融合 类别空间式空间 S 空间 X 空间 C B信息 映射 映射处理 图 2.5 信息流动和映射过程Fig. 2.5 Flow of information and mapping process2-4-2 基于视觉特征的复杂工况聚类融合设计基于视觉图像的特征信息聚类融合是根据数据的不同特征，将其划分为不同的类。目的是使得属于同一类别的个体之间的距离尽可能的小，而不同类别上的个体间的距离尽可能的大。聚类方法包括统计10河北工业大学硕士学位论文方法、机器学习方法
