齿轮的主要参数,亚像素边缘检测在小模数齿轮参数检测中的应用

  • 时间:
  • 编辑:TNmCn2jH
  • 来源:东方早报

  和三次样条插值法连结取得亚像素角落检测的法子,以迅疾且准确的形式,齿轮的主要参数取得二值化的角落图像。通过对图像角落提取尝试,对该算法的有用性和检测精度举办了验证,给出了实测尺寸比较结果。尝试结果说明:本文的亚像素定位算法比古板算子检测定位精度更高,可餍足图像高精度及时正在线衡量的哀求。

  幼模数齿轮拥有本钱低、重量轻、精度高、传动噪声幼等特征,遍及用于家电、飞机、工业掌握、汽车机器等范围。精细注塑的迅疾兴盛,使幼模数齿轮的精细检测成为要害题目之一,古板的衡量法子很难到达哀求。目前国表里幼模数齿轮测试的主动化水准低,测试仪器安笑开发较少。图像检测技能拥有非接触、高精度、高功效等诸多益处,正在齿轮坐褥中,必要豪爽其直径、角度、尺寸等目标,所以将图像检测技能利用于幼模数齿轮有强大事理。

  正在图像衡量范围,被测件相闭角落点的定位精度往往直接影响到扫数衡量的精度。所以,要升高齿轮检测的精细度,要害正在于咨议齿轮图像的角落检测和准确定位法子。幼模数齿轮齿槽空间幼、轮齿刚度差、易变形,这哀求检测的精度至极高,有的哀求准确到m级别。这就为图像衡量技能带来了寻事,古板的角落检测技能只可准确到1个像素点,这鲜明很难餍足对检测精度越来越高的哀求。所以,本文提出一种基于改正的Sobel算子和三次样条插值连结的亚像素角落检测法子,能到达亚像素级而且拥有较好的抗噪声才能。

  Sobel算子是一种经典的微分角落检测算法,它估量浅易,且检测成效较好,能滑腻噪声,可供给较为准确的角落目标新闻。

  Sobel算子只检测程度目标和笔直目标的亮度差分值,其经典的3×3的邻域模板图1所示:

  Sobel算子很容易正在空间上完毕,Sobel角落检测器能形成较好的角落成效,并且受噪声影响较幼。

  由以上领悟可知,固然Sobel算子浅易、迅疾,但因为只采用了2个目标的模板,这种算法用来惩罚纹理较为丰富的图像时,其检测的角落成效就不是很理思了。为了增加此类缺乏,本文对Sobel算子举办了改正,将算子模板扩展到了8个模板,其算子模板如图2所示。

  始末8个目标模板的估量,对某一幅图像举办逐点估量,而且取最大值为像素点的新灰度值,通过阈值的设定,决断角落点。最大值对应的模板所显示的目标为该像素点的角落目标。

  为了造服Sobel算子检测的角落较粗,取得的角落象素往往是分幼段连绵,梯度幅值较幼的角落容易损失的缺陷,本文对S(i,j)引入一个衰减因子D,用它去除估量的结果,即:

  所以,用途理后的所取得图像与Sobel算子直接对原始图像举办角落检测的图像相加,这一步显得尤为紧急。可有用改正算法的精度。

  古板的基于角落跟踪算法定位精度平常为1个像素(囊括以上改正的Sobel算子),其定位道理如图3所示。鲜明,检测的面积与物体几何轮廓有明明差异,对付数字图像,每个像素坐标均为整数,取得角落点能够不太准确,齿轮的主要参数所以本文中提出一种亚像素角落定位算法,其定位的重点即怎么更准确地忖度角落点坐标。