改进Zernike矩算法提升亚像素圆孔零件测量精度

本文主要探讨了一种针对圆孔类零件半径尺寸测量精度提升的改进Zernike矩亚像素测量方法。该方法由华北理工大学人工智能学院的刘利平和上海电子信息职业技术学院的孙建、孙文悦合作开发，旨在解决电子测量技术领域中圆孔类零件测量的精确性问题。 首先，文章强调了对传统的Canny算子进行优化，特别是在图像输入、去噪、梯度幅值计算和阈值选取方面。通过这些改进，实现了圆孔中心像素级别的边缘坐标的粗略定位，提高了边缘检测的效率和准确性。这种方法对于减少噪声干扰，确保边缘检测的可靠性至关重要。 接下来，作者提出了一种新的边缘判断条件，基于Ghosal算法基础之上，这有助于更好地识别目标区域边缘像素点。他们还采用了迭代法来计算Zernike矩的最佳灰度阶跃阈值，这一步骤对于获取亚像素级的边缘点至关重要，因为亚像素精度能够进一步减小测量误差。 作者特别关注了灰度边缘模型的角度误差分析，这涉及到对测量过程中可能产生的角度偏差进行量化，以便更好地理解和控制测量误差来源。通过这种方式，他们可以确保算法在边缘位置的精确性和稳定性。 最后，论文的核心部分是利用最小二乘原理进行圆孔中心坐标和半径的高精度检测与测量。这种方法确保了在处理实际数据时，能够得到非常精确的结果，圆心坐标相对误差控制在0.02像素以内，半径相对误差精度为0.05像素，这远高于传统Zernike矩算法的精度。 通过对多个不同零件的实际测量，研究结果表明，改进后的算法相较于原算法，其测量结果与人工测量值的相对误差更低，更接近人工测量值。这证明了新算法在提高测量精度方面的有效性，能满足工业零件生产过程中的高精度要求。 本文提出的方法在电子测量技术中具有重要意义，它不仅提升了圆孔类零件的测量精度，而且为视觉测量、Canny算子优化、亚像素边缘检测以及误差精度控制提供了创新性的解决方案，为精密制造领域的自动化测量提供了强有力的技术支持。