机床热误差建模技术的研究现状

1、第 36 卷 第 期 河 北 科 技 大 学 学 报 Vol. 36, No. 2015年 月 Journal of Hebei University of Science and Technology 2015收稿日期：2014-10-04；修回日期：2014-11-06；责任编辑：张 军基金项目：国家自然科学基金面上项目（61271419）作者简介：方 珩（1989）,男，安徽安庆人，硕士研究生，主要从事纺织品数字图像技术方面的研究。通讯作者： 辛斌杰副教授，E-mail:方 珩，辛斌杰，刘晓霞，等. 一种新型纱线毛羽图像特征识别算法的研究J.河北科技大学学报，2015，36（1）：FAN

2、G Heng, XIN Binjie , LIU Xiaoxia,et al. novel method of measuring yarn hairiness based on image recognitionJ. Journal of Hebei University of Science and Technology,2015，36（1）：文章编号:1008-1542(2015)00-0001-00 doi:10.7535/hbkd.2015yx机床热误差建模技术的研究现状 郭前建，王红梅，李爱军（山东理工大学机械工程学院，山东淄博 255049）摘 要：运用ANSYS进行实体结构的有

3、限元分析时，网格划分的质量高低直接决定了运算过程收敛与否及分析结果的精确程度。自由网格容易划分但求解精度较低。六面体网格求解精度较高但只有六面体结构能够直接扫掠划分为六面体网格。其它形状的实体如何得到高质量的六面体网格是预处理的关键，现有文献很少有相关报道。本文研究了三棱柱、圆柱、球体等典型实体的网格划分方法，首先在实体表面创建关键点、创建分割面、把实体结构合理切分为六面体，然后扫掠得到六面体网格。对于复杂的实体结构可以先切分成六面体或此类典型结构，再运用本文的划分方法，得到高质量的网格。最后，给出一个较复杂的大型实体结构的网格划分实例，为高精度分析提供了重要参考。关键词：ANSYS; 网格划

4、分; 网格优化中图分类号：TH161 文献标志码：ADevelopment status of machine tool thermal error modeling technologyGUO Qianjian，WANG Hongmei，LI Aijun(School of Mechanical Engineering, Shandong University of Engineering Science, Zibo Shandong 201620, China) Abstract：One set of novel algorithm based on image acquisition a

5、nd processing method was proposed in order to measure the number and length of yarn hairiness. The image acquisition system could be used for the image capturing of yarn continuously. Yarn hairiness features could be extracted with the aid of image processing methods, such as gray-scale transformati

6、on, background subtraction, image enhancement, dynamic threshold segmentation, tilt correction, image segmentation, target classification and recognition. Then a thinning algorithm was applied on these yarn hairiness images to extract the skeleton of the hairiness at the pixel level. The number of y

7、arn hairiness of different length was determined by the modified scanning algorithm through choosing the edge of yarn evenness as the baseline. Our experimental results show that the precision of the new method was consistent with the visual observation method, its deviation was within 5%, which con

8、tributedto the improvement efficiency and accuracy of feature extraction of yarn hairiness.Key words：yarn hairiness; extracted hairiness; background subtraction; image processing; target recognition毛羽是纱线质量控制的重要指标，直接影响纱线的质量，后道工序的加工和运行，以及终端产品的2015年 河 北 科 技 大 学 学 报 第36卷质量以及售价1- 2 。常用的纱线毛羽检测方法主要分为光电法和人工

9、检测方法，评价指标为毛羽根数分布、毛羽长度指数和毛羽面积指数3- 4 ，有些学者认为毛羽根数的分类和统计比毛羽指数更能直观地反映毛羽分布情况5。然而，现有的纱线毛羽的检测方法，如人工检测法存在效率低下，光电法存在收集的毛羽信息不完备、所用设备价格昂贵等诸多问题，无法在现代化的生产中实现产品的有效管理6。因此，需要进行进一步探索新的毛羽检测方法。本文采用CMOS工业相机捕获纱线的背景和图像序列，利用减背景技术消除纱线图像灰度不匀带来的影响，通过图像增强法增大纱线毛羽与背景灰度值之间的差异，提出了一种基于灰度直方图的动态阈值分割方法，实现将图像中纱线目标与背景的理想分离，通过目标分类识别法进一步降

10、低图像噪声对纱线图像的干扰，并利用形态学处理和图像分割，得到纱线的毛羽图像，最终通过对纱线进行细化处理，得到细化后的纱线毛羽图像，以纱线轴线和主干边缘之间的中心线为基准线，对毛羽像素点进行分析和判断，统计得到不同长度的毛羽根数。本文包括3个部分：1）纱线图像采集系统的搭建； 2）纱线图像的预处理和形态分析；3）纱线毛羽的特征参数提取与分析；1 纱线图像采集系统的构建和采样 图1 纱线图像采集示意图Fig.1 Yarn image acquisition纱线图像采集系统，包括5个部分：1）光学镜头（尼克尔镜头）；2）Flare CL 2M360 CMOS摄像头；3）图像采集卡；4）LED光源；

11、5）个人计算机。其系统结构示意图如图1所示。为确保捕获的纱线图像保持清晰，将相机的各项参数进行如下设置：曝光时间为400 us，图像的分辨率为176 0*100 0，预先将纱线的轴线在水平方向上能够位于相机视野正中央，与镜头平面的空间距离保持在15 cm左右，通过调整光源亮度、焦距和光圈的大小至纱线图像最清晰。在本文的实验中，共选用了3种纱线样品进行测试，其纱线规格如表1所示。表1 测试样品纱线的线密度及股数Tab.1 Yarn linear density and number of shares of test samples样品种类纱线的线密度/tex股数样品1 棉纱27.81样品2 棉

12、纱31.251 样品3 棉/粘胶29.41纱线图像的预处理和形态分析由于纱线毛羽和背景、纱线条干之间的亮度存在差异，需要图像进行减背景、图像增强、动态阈值分割等一系列图像处理，完整的提取纱线毛羽的特征参数信息，其算法流程图如图2所示。灰度变换 本文中采集的纱线图像为彩色位图，需要通过灰度转换公式1将其转换为灰度图像，如图3所示，便于后续的图像处理。L=0.2889r+0.5870g+0.1140b （1）其中，L为纱线图像灰度值；r, g, b分别代表彩色图像中红、绿、蓝3种颜色的亮度值。样品1样品2样品3图3 灰度图像Fig.3 Gray images 减背景法 减背景法是将采集的纱线序列图

13、像和不包含纱线的背景图像(灰度转换后的图像)相减，获取纱线主体目标图像。本文在采集纱线图像前，首先采集无纱线存在的空白背景图像，如图4所示，通过2幅图像的减运算得到纱线目标图像，如图5所光照强度随时间的延长而发生改变，背景图像的灰度在一定的程度上发生了改变，因此减背景法可能会破坏部分毛羽的信息。同时，纱线的毛羽在空间呈立体、卷曲状分布，会对光线产生散射现象等，因相机景深的深度限制，导致纱线毛羽灰度值过低。因此，希望通过灰度变换函数对每一个像素点进行线性扩展，改善纱线毛羽图像的视觉效果，较好的实现阈值分割。本纱线毛羽基准线的拟合如图18所示，因纱线边缘的呈曲线分布特征，本文采用不同于以往的参考文

14、献中以纱线边缘作为基准线的标准 16-17，而是以纱线横向轴线与上下条干边缘之间的距离的平均值作为基准线。上基准线轴线下基准线图18 纱线毛羽基准线的判定Fig.18 Estimation of yarn hairiness baseline 纱线毛羽的检测方法图19 纱线毛羽数量的统计Fig.19 The statistic methodof yarn hairiness图20 放大后的图像Fig.20 Enlarged view of the encircled region如图19所示，用图像法统计纱线毛羽数量时，关键是判断毛羽点的个数，其原理是在纱线图像上间隔1 mm的距离沿水平方向统

15、计毛羽点的个数，由图20可知，毛羽轮廓虽然由单个像素点组成，但并非呈竖直排列状，在某一水平方向上会由多个连续像素点构成，因此单个毛羽点由连续的像素点或单个像素点构成，在本文的统计中，毛羽点的个数代表毛羽根数。 本文选用的纱线毛羽统计标准参照UsterHL400毛羽仪的测试标准，比如1 mm长度的毛羽数量表示毛羽长度小于或等于1 mm的长度，2 mm长度的毛羽数量表示大于1 mm且小于或等于2 mm的毛羽长度，3，4，5，6 mm长度的毛羽数量的统计依次原理类推。因此，本文通过如图22所示的毛羽根数的统计原理，即每个条柱面积代表初始统计的毛羽根数，红色的条柱面积表6、表7，从3个图表中可看出，相

16、同条件下，图像法与目测法测试结果的最大偏差为4.5%,在合理范围之内。表5 样品1与目测法比较Tab.5 Comparison result with the visual method by sample 1毛羽长度毛羽/根图像法目测法偏差1197.3205.24%229.930.62.3%36.66.82.9%41.11.1050.30.1060.10.10 结 论 实验结果证明，本文提出的基于图像处理算法的新型纱线毛羽的检测方法，在不考虑纱线毛羽交叉、卷曲、断裂的情况下能够有效提高纱线毛羽根数检测的准确性，提升图像检测法的精度和检测效率，更好的反映纱线毛羽的分布情况。本文通过3种纱线样品

17、实例分析，纱线毛羽的图像处理算法的结果与目测法的偏差在5%以内，说明这种算法在实践中是可行的，可为将来开发纱线毛羽特征软件和图像法毛羽检测系统提供参考和评价。参考文献/References: （注：文献不少于20条。加红部分分别为中英文期刊论文J、标准S、书M、毕业论文D的格式）1 CARVALHO V, BELSLEY M, VASCONCELOS R M, et al. Yarn hairiness and diameter characterization using a CMOS line arrayJ. Measurement, 2 孟宪鸿, 陈跃华. 数字图像处理法测纱线毛羽的方法

18、和仪器J. 上海纺织科技, 2003, 31(4): 15-16.MENG Xianhong, Chen Yuehua. Method and apparatus of image processing in yarn hairiness measurementJ. Shanghai Textile science & Technology, 2003. 31(4): p. 15-16.3 Barella A. Yarn hairinessJ. Textile Progress, 1983, 13(1): 1-57.4 秦贞俊. 关于纱线毛羽问题的讨论J.棉纺织技术, 2001, 29(3):

19、 5-10.QIN Zhenjun. The discussion about the yarn hairinessJ. Cotton Textile Technology, 2001, 29(3): 5-10.5 GUHA A, AMARNATH C, PATERIA S, et al. Measurement of yarn hairiness by digital image processingJ. The Journal of The Textile Institute, 2010, 101(3): 214-222.6 GB 10002000，沙土S.GB 10002000，（对应的

20、英文）S.7 赵*，王*. 沙土治理M. 北京：*出版社，2005.ZHAO *, WANG *. Sand TreatmentM. Beijing: * Publisher, 2005.8 张继蕾. 基于图像处理技术的纱线毛羽检测应用研究D.石家庄：河北科技大学, 2011.ZHANG Jilei. Application Study on the Yarn Hairiness Detection Based on Image Processing TechnologyD. Shijiazhuang: Hebei University of Science and Technology,20

21、11.9 周绚丽, 成 玲. 纱线黑板数字图像处理方法J. 纺织学报, 2008, 29(8): 30-34.ZHOU Xunli, CHENG Ling. Digital image processing method of yarn black boardJ. Journal of Textile Research, 2008, 29(8): 30-34.10 FABIJASKA A, JACKOWSKA-STRUMIO L. Image processing and analysis algorithms for yarn hairiness determinationJ. Machin

22、e Vision and Applications, 2012, 23(3): 527-540. 11 孟宪鸿, 陈跃华. 数字图像处理法测纱线毛羽的方法和仪器J. 上海纺织科技, 2003, 31(4): 15-16.MENG Xianhong, Chen Yuehua. Method and apparatus of image processing in yarn hairiness measurementJ. Shanghai Textile science & Technology, 2003. 31(4): p. 15-16.12 Barella A. Yarn hairiness

23、J. Textile Progress, 1983, 13(1): 1-57.13 秦贞俊. 关于纱线毛羽问题的讨论J.棉纺织技术, 2001, 29(3): 5-10.QIN Zhenjun. The discussion about the yarn hairinessJ. Cotton Textile Technology, 2001, 29(3): 5-10.14 GUHA A, AMARNATH C, PATERIA S, et al. Measurement of yarn hairiness by digital image processingJ. The Journal of

24、 The Textile Institute, 2010, 101(3): 214-222.15 CARVALHO V, BELSLEY M, VASCONCELOS R M, et al. Yarn hairiness and diameter characterization using a CMOS line arrayJ. Measurement, 2008, 41(10): 1077-1092.16 FABIJASKA A, JACKOWSKA-STRUMIO L. Image processing and analysis algorithms for yarn hairiness determinationJ. Machine Vision and Applications, 2012, 23(3): 527-540. 17 张继蕾. 基于图像处理技术的纱线毛羽检测应用研究D.石家庄：河北科技大学, 2011.ZHANG Jilei. Application Study on the Yarn Hairine