摘 要

在生产自动化的当今，冲床加工的轨迹规划是提高生产效率方面的重要课题。而图像识别发展到当今，其应用范围早已遍布每一个生产生活领域。本文旨在提出一种基于图像识别的冲床加工轨迹规划方案，优化二维待加工冲压板的加工轨迹，提高工作效率，节约生产资源。

本文可分为图像分割和轨迹规划两部分。在对加工图进行了去噪的预处理后，本文利用最大类间方差法对图像进行了阈值分割，通过二值化提取出了待加工的冲压孔区域，并提取出其质心作为加工点。之后为了进行轨迹规划，本文通过基于密度聚类的DBSCAN算法对加工点进行了分区，之后求出了均方误差最小的点作为每一类的中心，利用蚁群算法进行了类内和类间的轨迹规划。

本文特色在于，为了使最终结果尽可能的贴合实际应用要求，本文方案增加了人工干预手段，可任意框选某一部分的点单独作为一类点，并进行轨迹规划。

关键词：图像分割、密度聚类、轨迹规划、蚁群算法

Abstract

In today's production automation, trajectory planning for punch press processing is an important issue in improving production efficiency. The image recognition has developed to the present day, and its application range has long been in every field of production and life. This paper aims to propose a punch processing trajectory planning scheme based on image recognition, optimizes the processing trajectory of two-dimensional stamping board to be processed, improves work efficiency, and saves production resources.

The topics studied in this paper can be divided into two parts: image segmentation and trajectory planning. After processing the denoising of the processing map, this paper uses the maximum between-class variance method to threshold the image, extracts the punched hole area to be processed through binarization, and extracts its centroid to facilitate the later. deal with. After that, in order to carry out trajectory planning, this paper divides the processing points by the DBSCAN algorithm based on density clustering, and then finds the point with the smallest mean squared error as the center of each class and uses the ant colony algorithm to perform intra- and inter-class trajectory planning.

In addition, in order to make the final result fit the practical application requirements as much as possible, the humanity intervention was added to the scheme, and a certain point can be arbitrarily selected as a single point, and trajectory planning is performed.

Keywords: image segmentation, density clustering, trajectory planning, ant colony algorithm

目录

绪论 1

1 图像识别 1

2. 冲床加工及其自动化 1

3. 轨迹规划 2

4. 文章结构 2

第1章 图像预处理 4

1.1 图像噪声 4

1.2 噪声消除方法 4

1.3 实验结果 5

第2章 基于图像分割的冲压孔加工区域提取 6

2.1 图像分割 6

2.2 阈值分割 6

2.2.1 最大类间方差法的原理 6

2.2.2 分割过程及结果 8

第3章 基于聚类的冲压加工区域的标定 9

3.1 聚类简介 9

3.3 聚类结果 13

3.4 人工干预调整 14

3.5 聚类中心的计算 15

第4章 冲床加工的轨迹规划 17

4.1 轨迹规划的概念及意义 17

4.2 旅行商问题（Travelling salesman problem, TSP） 17

4.3 基于蚁群算法的轨迹规划 17

4.3.1 蚁群算法简介 17

4.3.2 基本思想 18

4.3.3 蚁群算法原理 18

4.3.4 算法的基本步骤 20

4.5轨迹规划结果 24

4.5.1 一般情况 24

4.5.2 人工干预 27

结论 29

参考文献 30

致谢 32

绪论

本文旨在设计并实现一个基于图像识别的冲床加工轨迹规划方案，即给定一个冲床加工后的效果图，通过图像识别，标识出加工密度大的区域，然后在此基础上给出加工轨迹的规划，以使得冲床在加工过程中运动轴移动的距离最短。

1 图像识别

图像识别作为人工智能及其相关研究应用领域的重要课题之一，发展到今天，其技术早已不仅限于过去对单张图片的识别，可以处理对体积量巨大的图像数据，去除图像中包含的杂质和不需要保留的信息部分。最终得到的信息完全可以满足使用者的需求。从数学角度来看，图像识别本质上属于从模式空间映射到类别空间的问题。早在 20世纪60年代，Lawrence Roberts就提出了检测边缘算子。以此为契机，边缘检测领域迅速产生了不少经典算法^[1]。自20世纪80年代以来，小波分析理论与变换方法发展迅猛，克服了傅立叶分析不能用于局部分析等方面的不足之处^[2]。S.Mallat和 Y.Meyer提出了mallat算法，有效地将小波分析的多分辨率分析理论应用于图像边缘细节的观察检测与分解、重构。小波分析使得信号与图像分析这一技术领域在数学理论上拥有了强有力的工具，借此机会，数字图像处理技术也得到了长足的发展。最近几年，在三维重建、新理论新算法的研究、机器人视觉方面有诸多的突破^[3-4]。

数字图像处理在dsp硬件芯片开发等领域的发展同样迅速。基于脉动阵列结构，Thomson公司ST13220成功设计出了一款运动预测器^[5]。

2. 冲床加工及其自动化

冲床是以冲压工艺对板材进行加工的机床。作为现代生产的重要手段，冲床具有柔软，高效，可靠，通用的加工单元，其效率的提升自然是备受关注的要点。冲床十分适合大批量生产，且材料利用率很高。冲床应用广泛，适用于在模具的支持下，金属的冲剪、引伸、压缩成型等加工。不适用于铸铁、木材、玻璃等易碎或易燃料的加工。自1991年来，我国不仅限于从日本，德国，美国等国家购进数控系统，另一方面更加积极地开发，设计，制造具有自主版权的中高档数控系统，并且取得了可喜的成果^[6]。

冲床自动化是提升数控冲机床工作效率的重要手段之一，其具有连续，高效，无间歇的特点。一般定义在作业过程中随时间变化的机械手的位置、速度和加速度的集成为其轨迹。

3. 轨迹规划

轨迹规划是机器人学中的一个基本问题，可以这样定义：沿着给定的几何路径找到时间运动规律，以满足对轨迹属性设定的某些要求^[7]。在过去的二十年中，对轨迹规划进行了大量研究^[8]。大多数研究涉及机器人操纵器的轨迹规划，并且引入了两类用于轨迹规划的操作：点对点操作和连续路径操作^[9]。

Du和Guo^[10]提出了一种使用可控机构的新型金属成形压机设计方法。其中提出一种结合了多项式插值、逆运动学和遗传算法的冲床轨迹规划方法。利用图像处理技术识别加工板并进行区域标定，再针对所得区域对冲床的轨迹进行规划，建立数学模型进行求解，使得整个加工过程中冲床运动轴的移动距离最短，可大大节约能源、原料与时间，提高生产效率^[11]。

定点加工的情况下，轨迹规划可以视为是固定城市之间的路径规划问题。路径规划问题的核心之处在于如何设计或者找到一个最适用于当前情况的算法。无论是启发式算法、最优化算法还是传统算法，各个算法的特点不同，在不同情况下的效率也有较大差异，根据算法本身的特点来研究其相性较好的路径规划问题，也具有十分重要的意义。

路径规划在许多方面都有重要意义。民用方面例如城市道路网的规划导航；决策规划管理领域内则例如物流管理或者资源配置；高新科技领域应用更加频繁，比如机器人自动避障、GPS的导航、无人机飞行路径自主规划等等。

一般来说，需要冲床加工的冲压点都是固定的，因此可视为对环境信息有一个较好的掌握，即基于先验完全信息的全局路径规划。而在离散域范围内，冲床加工的路径规划属于一维的静态问题。

4. 文章结构

本文内容上可以分为两个部分：基于图像处理的区域标定以及基于智能算法的轨迹规划。在识别并标记出加工孔区域后，利用聚类算法对其进行分类。之后提取聚类区域的中心进行各类彼此间的轨迹规划，同时在每一类的内部也进行了轨迹的规划。

论文的大致结构也围绕着区域标定和轨迹规划展开。第一章对图像进行了预处理，为了得到准确的结果，滤波去噪是必要的。；二章基于图像识别提取冲压孔区域，为了方便之后的处理，提取出每个冲压孔的质心坐标；第三章基于密度对其进行聚类。第四章首先介绍了旅行商问题和蚁群算法，进行各类彼此间的轨迹规划，同时在每一类的内部也进行了轨迹的规划。最终对本次毕业设计所提出的要求进行了解决。

第1章 图像预处理

图像处理类似于数据集的数学规范化，一般在对图像进行识别、分割或特征提取前所进行。图像预处理一般用于消除图像中的噪声和其他不需要的信息。有人会认为图像预处理破坏了图像信息的原有性质，但实际上，正确智能地使用图像预处理可以恢复有使用需求的真实信息，导致更好的局部和全局特征检测，减少数据量，从而提高处理效率，增强处理精度和可靠性。简单来说，图像数据性质是变好还是变坏，具体取决于我们如何选择以及使用图像预处理方法。

1.1 图像噪声

图像数据中往往存在着不必要或多余的干扰信息，这些信息就是图像噪声。图像噪声严重地影响图像处理的准确性和处理结果的质量。

图像噪声种类繁多，根据不同的分类标准，可分为不同的类别。从数理统计和概率分布角度考虑，信号统计特征不随时间变化的成为平稳噪声，随时间变化的则称为非平稳噪声；基于对信号的影响，可分为加性噪声和乘性噪声两类。一般来说，加性噪声可以分为脉冲噪声或高斯噪声。如果基于产生原因，则分为外部噪声与内部噪声；

1.2 噪声消除方法

一般我们采用滤波的方式来进行噪声的消除。图像滤波分为空间域滤波和频域滤波。空间域法如均值滤波、中值滤波等，强调采用模板的方式增强图像有用信息或滤除无用信息。频域方法利用数字图像本质上为数字信号这一特征，在频域中提取有用频段的信号，从而达到滤波的目的。

（1）均值滤波

均值滤波器是一个简单的滑动窗口的空间域滤波器。一般来说，大多采用邻域平均法来实现。其核心思想是利用图像像素的灰度值固定且相邻像素互相关性很强这一特征，但噪声具有统计独立性，故可以利用邻域像素的均值来代替原像素。可表示为如下形式：

式(1.1)中，为原图像像素值，为处理后的图像像素值，为所取像素点的邻域内各像素的坐标。需要注意的是，模板窗口一般是方形的，例如3*3，但也可以是其他任何形状。虽然均值滤波算法可以减小噪声的幅值，但同时会使图像边缘变得模糊。考虑到冲压孔的加工边缘必须是清晰的，因此并不适用于本次设计。

（2）中值滤波

中值滤波器也是一种空间域的滑动窗口滤波器。从数学角度来看，它是一种基于统计特性理论的非线性滤波器，能够有效地滤除脉冲噪声。基本思想就是将在图像中滑动的模板中心点的值替换为模板内所有像素值排序得到的中值，从而使周围的像素值逼近真实值，从而有效地消除单独存在的噪点，同时保护边缘，避免边缘发生偏移，抑制边缘模糊。

类似于均值滤波，中值滤波也需要利用滑动的模板来进行处理。区别在于，均值滤波输出像素为模板范围内像素值的平均值，而中值滤波输出的像素值为模板范围内像素值的中值。但于均值滤波相比，中值滤波在面对异常值时的稳定性更好，因此可以在不弱化图像对比度的情况下改善异常值对图像的负面影响。

（3）频域处理

滤波图像一般为灰度图像，维度为2。因此根据噪声的频率域特征，频域处理大多采用二维的低通、带通或者带阻滤波器来消除噪声。从信号频谱角度看，信号变化速度较快的部分对应图像的细节信息，属于频率域中的高频部分；信号变化迟缓的部分对应图像边缘信息，属于频率域中的低频部分。因此低通滤波用来滤除噪声，高通滤波则强调图像的细节信息，即图像增强。频率域的滤波就是通过滤波器的脉冲响应与输入图像像素矩阵进行卷积运算来实现的。脉冲响应矩阵在频率域对应着频率响应函数。

1.3 实验结果

(a) 附加了椒盐噪声的灰度图 (b) 去噪结果

图1.1 噪声图及其去噪结果

如图所示，为了测试中值滤波的处理效果，图(a)为本文对matlab原生图片库中的lena.jpg附加了椒盐噪声。然后利用中值滤波法对附加噪声的图像进行处理。可见中值滤波较好的去除了图像信息中的噪声点。

第2章 基于图像分割的冲压孔加工区域提取

2.1 图像分割

图像分割是根据某些标准，将图像分割为几个具有特定特征的区域从而提取需要的目标的过程。到目前，已经有了数千种的图像分割算法。图像处理一直是计算机视觉问题中的经典研究方向，是图像分析和图像处理中的重要课题。尽管一直是业界的研究重点，但至今也还没有一种图像分割方法能够较好的处理所有图像^[12]。本章主要简介基于阈值分割的图像分割算法，并将结果与其他算法的结果进行了一个比较。

2.2 阈值分割

阈值分割是一种简洁高效的基于区域的图像分割算法。给定一副图像，可以利用阈值分割得到符合具体分割要求的二值图像。最简单的阈值分割首先在图像的灰度范围内，根据某种标准或者方法，选取一个灰度值作为阈值，再将整幅图像中的每个像素的灰度值与该阈值进行大小对比，并根据比较的结果，将对应像素分为两类，从而完成图像分割。各区域彼此间不会有重合的范围。同时，为了减小图像数据量并且使分割后的结果更为清晰明确，根据像素灰度值与阈值间的大小关系，将灰度值小于阈值的像素替换为黑色，大于阈值的则替换为白色，即进行二值化处理。

显然，阈值的选取是该类算法的重点，直接决定了分割效果的好坏。本文使用了最大类间方差法，该方法是一种自适合于双峰情况的自动求取阈值的方法。最大类间方差法又称为大津法，简称Otsu法^[13-16]。通过该种方法，可以自动的求出合适的阈值。

2.2.1 最大类间方差法的原理

从统计角度来看，方差是用于表征数据分布离散程度的统计量。最大类间方差法的阈值的选取准则是基于图像的灰度直方图，以目标对象和背景图像数据间方差的最大值作为阈值。当且仅当有最佳阈值时，两部分数据有最大方差，即最大离散程度。目标区域和背景数据之间的方差越大，说明构成图像的两个部分之间的差异越大。当图像分割出现错误，混淆了部分目标和北京区域，则会导致两个区域之间的数据差异减小。因此，当所取阈值的分割使类间方差最大时，分割最成功。此时两部分数据之间的差别最大，分割错误的概率最小^[17]。

下面介绍最大类间方差法的原理

设整幅图像像素灰度值的集为，表示灰度值为的像素的总数，则可以得到图像全部的像素数为：

进行标准化，得到各个灰度出现的概率：

式中，，，。

设目标区域与背景区域的分割阈值为灰度值。则目标区域、背景区域占整幅图像总面积的比例以及它们的平均灰度为：

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：