基于机器视觉的斜齿轮参数检测.pdf

第8 期2023年8 月机械设计与制造Machinery Design&Manufacture175基于机器视觉的斜齿轮参数检测张永炬12,张宸,张莉,郑宣（1.浙江科技学院机械与能源工程学院，浙江杭州310 0 2 3;2.台州学院航空工程学院，浙江台州318 0 0 0）摘要：为了实现斜齿轮参数的非接触式快速检测，提出了一种斜齿轮参数视觉检测方法。对于斜齿圆柱齿轮该方法可以实现齿顶圆直径、齿根圆直径、分度圆直径、齿数、模数、螺旋角和旋向的检测。通过预处理对斜齿轮端面画面进行图像增强，使用阀值分割和边缘检测获取斜齿轮端面轮廊，基于最小二乘法拟合齿顶齿根圆对斜齿轮的主要特征参数进行检测，在齿轮侧面使用SVM对斜齿轮的旋向进行分类检测，并计算齿顶区域的倾斜角度换算得螺旋角。经实验，该方法对不同规格斜齿轮的参数检测均有效，具有良好的稳定性、精确性。关键词：机器视觉；斜齿轮；参数检测；SVM中图分类号：TH16;TP391.41(1.School of Mechanical and Energy Engineering,Zhejiang University of Science&Technology,Zhejiang Hangzhou310023,China;2.School of Aeronautical Engineering,Taizhou University,Zhejiang Taizhou 318000,China)Abstract:In order to realize the non-contact rapid detection of helical gear parameters,a method of detecting helical gear pa-rameters based on machine vision was proposed.For helical gears,this method can be used to detect the diameter of addendumcircle,dedendum circle,reference circle,number of teeth,modulus,helix Angle and rotation direction.The image enhancementof the helical gear end face is carried out through preprocessing,then the threshold segmentation and edge detection are used toobtain the helical gear contour.After that,the contour is fitted based on the least square method to detect the main characteristicparameters ofthe helical gear.SVM was used to classify and detect the helical gears spin direction on the side ofthe gear,andthe helical Angle was converted by calculating the tilt Angle.The experimental results show that this method is effective in detect-ing the parameters of diferent helical gears with good stability and accuracy.Key Words:Machine Vision;Helical Gear;Parameter Detection;SVM文献标识码：AHelicalGearParametersDetectionBasedonMachineVisionZHANG Yong-ju2,ZHANG Chen,ZHANG Li?,ZHENG Xuan?文章编号：10 0 1-39 9 7(2 0 2 3)0 8-0 17 5-0 51引言齿轮作为一个重要的零部件在人类的生产生活中一直发挥着巨大的作用。采用合适的方法对齿轮的各个参数进行有效的检测对于生产效率和生产质量的提升具有重要意义。目前,齿轮的参数检测正慢慢朝着自动化的方向过渡,从传统的人工检测向着非接触式检测转变。采用传统接触式方法对斜齿轮进行测量不仅操作难度大，而且测头成本较高，容易损毁。而非接触式的检测主要包括相移法和机器视觉法。其中，采用机器视觉对齿轮进行参数检测具有高效率、高精度和易于实现自动化的特性，这也使得它在齿轮检测技术中发挥着巨大的作用1-2 。文献3提出了一种直齿圆柱齿轮的基本参数检测方法，基于Canny算子来提取齿轮的亚像素轮廓检测其参数,文献4 研究了基于Matlab的直齿轮几何参数检测系统，拟合齿顶圆和齿根圆确来稿日期：2 0 2 2-0 6-10基金项目：浙江省科技计划项目（2 0 2 0 C01064)作者简介：张永炬，（19 6 4-）,男，浙江台州人，硕士研究生，教授，主要研究方向：智能制造定其基本参数。文献5 针对中小模数的直齿轮检测方法进行了研究,对齿轮局部的视觉图像进行高精度检测。文献6 设计了一种基于斜齿轮上下端面的斜齿轮参数检测方法，通过两次获取齿轮端面图像来确定斜齿轮的螺旋角。目前,齿轮的参数研究大部分集中于直齿轮的基本参数,因此针对斜齿轮参数检测中的难点，如端面检测的噪点和斜齿轮螺旋角检测，通过合理选用光源提高画面对比度以降低噪点，经过预处理、阀值分割、边缘检测获取到准确的斜齿轮端面轮廓后对斜齿轮的基本参数进行检测。将支持向量机应用于斜齿轮的旋向检测当中,实现了对斜齿轮左右旋的分类检测。提出了一种螺旋角检测方法，通过获取斜齿轮齿顶区域后计算倾斜的齿顶面相对于水平轴的倾斜角度即齿顶圆螺旋角，通过齿顶圆螺旋角与分度圆螺旋角之间的关系换算得螺旋角。经过实验验证了该方法的可行性。1762检测系统及结构组成检测系统总体硬件主要由工业相机、远心镜头、光源和运动装置组成。光源选择环形光源和背光光源的组合，通过选用合适的光源可以最大限度提高画面的对比度。采用不同的光源对图像质量的影响，如图1所示。镜头选用OPTOEngineeringTC12064远心镜头，最大畸变0.0 4%。远心镜头的高景深特性可以在成相时减少图像的畸变，提高系统的检测精度。相机选用Basler公司的acA1600黑白工业相机,分辨率2 MP,顿速率2 0 fps。将待测斜齿轮置于检测台上，工业相机将获取到的斜齿轮图像通过图像采集卡转换并传输到工控机中，在对斜齿轮图像进行预处理后消除图像中的噪声,提取其亚像素边缘轮廓，拟合图像，检测其参数。对齿轮侧面图像齿顶区域的旋转角度进行检测来换算螺旋角并通过侧面图像对斜齿轮的旋向进行分类并显示检测结果。(a)背光光源(b)环形光源图1不同光源对画面质量的影响Fig.1 Effects of Different Light Sources on Picture Quality乙轴运动装置显示设备大理石平台图2 视觉检测系统结构Fig.2 Helical Gear Visual Inspection System Structure3斜齿轮的参数检测3.1预处理在对齿轮图像采集和处理的过程中，可能会受到外界的干扰导致画面质量的降低。为准确捕捉到斜齿轮的轮廓需要对获取到画面的对比度进行适当的增加，提高画面清晰度。根据式(1)可以对原始图像的灰度值进行处理得到新的灰度值以增强图像质量(7。res=round(orig-mean)*Factor)+orig(1)式中：orig一原始灰度值；Factor一对比度的增强因子；mean一均值滤波的灰度值。随着增强因子的改变,图像的对比度也会出现明显的改变，经过多次实验对比，当增强因子设置为2 时，图像增强效果最优，如图3所示。张永炬等：基于机器视觉的斜齿轮参数检测(a)原始图像图3斜齿轮的图像增强Fig.3 Image Enhancement of Helical Gear3.2阀值分割由于斜齿轮的齿形的特殊性，在图像扫描过程中会不可避免的产生背景噪声使端面的成像质量受到影响。为消除噪声提高检测效果，因此采用了阀值分割的方法对斜齿轮的端面图像进行提取。通过利用齿轮端面与背景和噪声之间灰度上的差异，设置阀值使画面根据灰度值进行分割，实现对目标图像的提取8 。即判断图像各个像素点的灰度值是否到达阀值，设原始画面为f(x,y),T为设置的阀值,则阀值分割后的图像为：1,f(x,y)T(x,y0,f(x,y)T通过对预处理的斜齿轮图像进行阀值分割得到的结果，如图4 所示。CCD相机远心镜头环形光源立柱背光光源X,Y轴运动装置工控机第8 期(b)Factor=1 时(c)Factor=2时(a）预处理后图像(b）图像阀值分割图4 图像阀值分割Fig.4 Image Threshold Segmentation3.3斜齿轮基本参数检测3.3.1基于Canny算子的边缘检测图像的边缘一般为目标与环境的过渡区域，它是图像测量以及形状匹配中需要特别注意的区域，边缘定位的精度会直接影响输出的结果。图像边缘检测是通过图像像素点的一阶和二阶导数进行判断，由于图像的边缘地带和相邻像素的灰度值变化剧烈，梯度幅度较大,因此灰度值的一阶导数幅度大小就可以判断图像是否有边缘,同样二阶导数的零点位置即为边缘的位置7.9 。S(a)齿形轮廓图5斜齿轮的亚像素边缘轮廓Fig.5 The Subpixel Edge Profile of the Helical Gear常用的一阶导数算子有Sobel、R o b e r t s、Pr e w i t t 等。二阶算子有Laplacian。这里使用的Canny算子是使用一阶偏导的有限差(2)(b)中心圆轮廓（c)亚像素边缘轮廓No.8Aug.2023分来计算梯度幅值和方向的，它先利用高斯平滑滤波器来平滑画面以去除噪声,是一个具有滤波、增强和检测的多阶段优化算子10 。在实际处理中,Canny算子比起对灰度渐变和噪声敏感的Sobel和Roberts能更精确定位到最优的边缘。使用Canny算子对斜齿轮的端面图像进行亚像素精度的轮廓提取，提取结果，如图5所示。3.3.2模数、齿顶齿根圆直径、齿数检测斜齿轮模数的测量首先要对齿轮的圆心进行定位,对此常用的方法有Hough变换圆心检测法和最小二乘法拟合检测法。Hough法由于采用了边缘点对点的方法导致其占用资源消耗时间长，因此这里采用了兼具了精度和效率的最小二乘法拟合检测，其通过对误差的平方和进行最小化处理得到最优结果，可实现亚像素级别的定位11-12 圆方程的误差优化函数：E=Z(xi+yi+Ax;+By:+C)2i=1使式中E取极小值，依据最小二乘法，在运算变换后需满足矩阵：=之.=12yni=i=1对正则矩阵进行求解,即得到亚像素下圆心坐标:2 0=一会：AB在对斜齿轮的圆心定位后，通过圆心（xo%。)拟合其最小外接圆和最大内接圆并得到其直径数据。根据斜齿轮模数计算公式：Da=D+2ha=m(z+2ha)D,=D-h,=m(z-2ha-2C*)推导得斜齿轮的模数为：D.-D,_ D.-Dfm=4h+2c*得到模数后根据GB/T1357-1987选取最相近的标准模数，标准模数，如表1所示。表1渐开线圆柱齿轮标准模数Tab.1 Standard Modulus of Involute Cylindrical Gears0.10.120.50.62.531216实验中对斜齿轮的端面的齿顶圆和齿根圆进行拟合，获取齿顶圆齿根圆直径值后即可计算其模数，拟合的边缘，如图6 所示。斜齿轮的齿数可以通过对斜齿轮的端面图像经过形态学处理，之后使用检测获取到的齿顶圆和齿根圆直径数据计算得分度圆直径绘制分度圆，使用分度圆图像对端面图像进行裁切，得到各个独立的齿形区域再计算齿数，具体算法流程，如图7 所示。机械设计与制造斜齿轮端面图读人预处理(3)图像二值化形态学处理图7 斜齿轮齿数算法流程图i=1=AB二i=1LCJ4.50.150.8420177图6 拟合的齿顶齿根边缘图Fig.6 The Fitted Addendum Edge Map计算齿数分割独立齿形区域绘制ROIFig.7 Flow Chart of Helical Gear Tooth Number Algorithm=1通过获取的圆心坐标以及齿数和模数来绘制以斜齿轮分度i(4)2+(5)(6)(7)4斜齿轮的旋向检测斜齿轮的旋向采用了SVM支持向量机分类，作为一种常运用于机器学习中的分类算法。它能依靠已分数据对其未知类别进行分析得到各自所属类别。它对给定问题的求解过程是对于给定的分类目标状态来寻求一个动作序列进行由实时状态到目标状态的0.20.2510.25562532圆为基础的ROI,斜齿轮原区域与ROI裁剪得到齿形区域，对齿形区域进行独立区域的分割最终得到结果,最终测得的结果为齿数为2 0 个，如图8 所示。D(a)形态学处理(b)ROI图8 齿轮齿数图Fig.8 The Number of Teeth of Dear0.30.41.528104050(c）分割区域计算齿数转化。SVM主要用来讲物体分为两种类型，也可以是多种类型。对于一个有n个特征的变量,X=(X,Xz,X）,其表示为：一维:X,=6,X2=6二维:X,=(XI,X,)=(0,1)X,=(X,X,)=(1,0)三维:X,=(Xj,X2,X,)=(0,1,0)X,=(X,X2,X,)=(1,0,0)在线性可分的最优分类发展得到的SVM,考虑在一个超平面使训练集的点尽可能的离分类平面远，使分类面两侧的空白区域margin最大13。No.8178机械设计与制造O进行交叉验证，测试集的样本数占36%。结果显示相较于另外三HOHH,口口口口口图9 线性可分情况下的最优分类Fig.9 Optimal Classification in the Case of Linear Separability相较于其他常用的机器视觉分类算法，如BP神经网络和基于模板匹配的分类算法，SVM分类器在小样本训练集时也能拥有较好的表现，且最初SVM算法就是针对二分类问题来提出的14 ,因此在对齿轮旋向分类时采用了SVM算法。对SVM分类器进行训练首先要准备斜齿轮左右旋向的图像数据集，将斜齿轮左右旋图片分别进行二值化处理提取其特征参数，之后将处理好的图片置人对应的标签后添加到SVM分类器即可开始学习，算法步骤，如表2 所示。表2 SVM检测算法步骤Tab.2Steps of SVM DetectionAlgorithmSVM检测算法步骤1.将数据集分类2.遍历数据集并将图片重新设置大小3.数据集训练4.调整SVM的重要参数5.读取待分类图片灰度区域6.进行SVM分类7.显示分类结果Aug.2023种核函数,RBF核函数由于它可以把图片的原始特征向更高维度OOOOOmargin=2/lwll不断映射的特性，使其平均准确率达到9 8%,在旋向分类时要优于其他三种核函数。因此在对斜齿轮旋向分类时选择RBF核函数。Tab.3Data Set Sample旋向左旋数据集35测试集20表4 核函数分类准确率Tab.4Kernel Classification Accuracy核函数Linear准确率95%5斜齿轮螺旋角的检测螺旋角是斜齿轮的重要参数，目前针对螺旋角测量的传统方法主要有纸板印痕法和模数推测法。文献15 总结了传统检测螺旋角的若干办法，文献6 提出了基于斜齿轮旋转角的方法检测斜齿轮的螺旋角。这里提出了一种基于机器视觉的螺旋角检测方法，通过检测齿顶圆的螺旋角来间接测算分度圆螺旋角。根据公式：dktanktandd=arctan(tan.)da式中：一斜齿轮任意圆上的螺旋角，因此只要测得齿顶的区域后计算其倾斜角度即可得齿顶圆螺旋角a，如图11所示。利用式中与.之间的关系即可代人得到分度圆上的螺旋角。表3数据集样本右旋3520PHPIH93%93.5%个数7040RBF98%(8)(9)dd(a）左旋齿轮二值化图10 斜齿轮旋向图像二值化Fig.10 Binarization of Helical Gear Rotation ImageSVM处理线性不可分的问题时会将其向更高的维度进行转化来实现分类，使用核函数就可以避免因为维度转化激增的计算复杂度。常用的核函数有Linear、PH、PH I 和RBF。选取合适的核函数对于分类的准确性起到关键作用。为验证选取最佳核函数,这里选取了总共110 个数据样本。数据集的样本，如表3所示。各个核函数的分类准确率,如表4 所示。对四个常用核函数的分类效果(b)右旋齿轮二值化d.图11斜齿轮齿顶圆螺旋角示意图Fig.11 Diagram of Helix Angle ofHelical Gear Addendum Circle首先采用基于形状匹配的模板匹配算法，获取到斜齿轮的齿顶面区域，如图12 所示。在对其进行形态学优化后计算该区域轮廓线与重心距离最大的点，即计算倾斜的齿顶面相对于水平轴的倾斜角度，所得到的值就是齿顶圆的螺旋角，将值带入式(9)即可得到分度圆螺旋角。No.8Aug.2023(a)斜齿轮侧图图12 斜齿轮齿顶区域Fig.12 Helical Gear Tip Area6 试验验证为评定斜齿轮参数检测方法的准确性和可靠性，选取了五组标准斜齿圆柱齿轮将通过该方法测得的尺寸与斜齿轮的厂家实际尺寸进行比较验证，得到的比较结果，如表5 表7 所示。表5斜齿轮齿顶齿根圆检测数据Tab.5Detection Data of Helical Gear Circle齿顶圆直齿顶圆直齿顶圆直齿根圆直齿根圆直齿根圆直组别径检测径实际径相对误吴径检测径实际径相对误值/mm值/mm134.80234.66346.50447.03546.62表6 斜齿轮齿数与模数检测数据Tab.6 Helical Gear Tooth Number and Modulus Test组别齿数检测值齿数实际值模数检测值/mm模数实际值/mm120220320420520表7 斜齿轮旋向与螺旋角检测数据Tab.7 Helical Gear Direction and Helix Angle Test组别旋向检测值旋向实际值检测值/（）实际值/（）1左旋2左旋3右旋4右旋5右旋实验表明，使用了基于Canny算子的边缘检测拟合齿顶齿根圆检测斜齿轮参数最终检测结果齿数、模数检测无误差，齿顶圆平均相对误差0.59%，齿根圆平均相对误差为0.2 7%，螺旋角检测的平均相对误差仅为0.4 9%，满足工程检测要求。7结论针对斜齿轮的参数检测，提出了针对斜齿轮几何参数、旋向和螺旋角的检测方法。搭建了机器视觉测量系统，经过对斜齿轮机械设计与制造画面预处理图像增强、阀值分割以及边缘检测对其齿顶圆、齿根圆、分度圆、齿数、模数进行检测与计算，在齿轮侧面通过使用SVM算法实现了对斜齿轮的旋向检测，利用齿顶圆螺旋角与分度圆螺旋角的几何关系，测量倾斜的齿顶面相对于水平轴的倾斜角换算得到分度圆螺旋角。实验中斜齿轮齿数、模数检测时未出现误差，齿顶直径平均相对误差0.59%，齿根圆直径检测平均误差0.2 7%，旋向检测的准确率为9 8%,螺旋角检测的平均误差0.4 9%，具有良好的精确性和可靠性，有一定的理论和应用价值，减少了人工检测的成本和误差，可进一步应用于在线检测中。参考文献(b)斜齿轮齿顶区域1石照耀，费业泰，谢华琨.齿轮测量技术10 0 年一回顾与展望J.中国工程科学,2 0 0 3,5(9):13-17.(Shi Zhao-yao,Fei Ye-tai,Xie Hua-kun.100Years of gear measure-ment technologyreview&prospect J.Engineering Science,2003,5(9):13-17.)2何新宇，赵时璐，张震，等.机器视觉的研究及应用发展趋势J.机械设计与制造，2 0 2 0(10)：2 8 1-2 8 3+2 8 7.(He Xin-yu,Zhao Shi-lu,Zhang Zhen,et al.Research and applicationtrends of machine vision J.Mechanical Design and Manufacturing,2020(10):281-283+287.)3谢铎.齿轮几何参数视觉检测方法的研究D.绵阳：西南科技大学，差值/mm值/mm34.960.46%34.960.86%46.620.26%46.620.88%46.400.47%2020202020左旋左旋右旋右旋右旋179差2018.27.9027.8127.8827.8137.1537.0836.9837.0837.1237.241.51.51.51.52.02.02.02.02.02.0相对误差19.2819.3119.4719.3119.2219.3111.9912.0812.1112.080.32%0.25%0.19%0.27%0.32%0.16%0.82%0.46%0.75%0.25%(Xie Duo.Research on visual detection method of gear geometric param-eters D.Mianyang:Southwest University of Science and Technology,2018.)4郭忠峰，杨子豪，王赫莹.基于MATLAB图像处理的直齿圆柱齿轮参数测量J.机床与液压，2 0 2 0,4 8(15)：12 2-12 6+132.(Guo Zhong-feng,Yang Zi-hao,Wang He-ying.Measurement of spurgear parameters based on MATLAB image processing JJ.Machine Tool&Hydraulics,2020,48(15):122-126+132.)5支珊.中小模数齿轮视觉测量方法与齿距测量技术研究D.沈阳：沈阳工业大学，2 0 19.(Zhi Shan.Research on visual measurement method of medium and smallmodulus gears and tooth pitch measurement technology D.Shengyang:Shenyang University of Technology,2019.)6石维，侯宇，周世凡,等.基于机器视觉的斜齿轮螺旋角参数测量方法J.机械传动,2 0 2 0,4 4(5):17 1-17 5.(Shi Wei,Hou Yu,Zhou Shi-fan,et al.Helical gear parameters measure-ment based on machine vision JJ.Mechanical Transmission,2020,44(5):171-175.)7汪风林,周扬，叶绿，等.基于机器视觉的飞轮齿圈缺陷和尺寸检测方法J.中国测试,2 0 2 0,4 6(5)：31-38.(Wang Feng-lin,Zhou Yang,Ye Lu,et al.Detection method of tooth ringdefect and size of flywheel based on machine vision J.China Test,2020,46(5):3138.)8栗序明,方成刚,洪荣晶，等.基于机器视觉的轴类零件定位与测量系统J.机械设计与制造，2 0 2 0(7)：2 50-2 54.(Su Xu-ming,Fang Cheng-gang,Hong Rong-jing,et al.Positioning andmeasuring system of shaft parts based on machine vision JJ.MechanicalDesign and Manufacturing,2020(7):250-254.)9孙浩晏.基于机器视觉的指针式仪表读数识别系统研究D.长春：吉林大学，2 0 15.(下转第18 4 页）No.8184机械设计与制造表5体素网格法和新方法得到的点云中2 Dovrat O,Lang I,Avidan S.Learning to sample;proceedings of the Pro-各个点之间的最近距离，长度单位mmceedings of the IEEE Conference on Computer Vision and Pattern Rec-Tab.5 Nearest Distances Between Downsamplingognition,F,2019C.Points Obtained by the Voxel Grid and3邹鹏，李蓓智，龚菊贤，等.改进的RANSAC点云分割算法及其应用Proposed Methods,Length Unit in mmJ.机械设计与制造，2 0 2 0(11)：12 1-12 4.(Zou Peng,Li Bei-zhi,Gong Ju-xian,et al.Improved RANSAC point体素网格法新方法点云点数每边等分最小最大平均标准等分最小最大平均标准值值值差距离值值值数差0.888.616.051.243210.0点云7 3527661752575981.1017.28.872.102115.0106222693120.6214.16.4112.552610.0点云6 7 22599623964162二3117531867 7357364结论当点云轴向包围盒在x，y，z 轴三个方向的边长相差非常悬殊的时候，传统的体素网格降采样方法就存在着采样点分布不均匀的问题。这是因为传统的体素网格法不考虑轴向包围盒的边长差异，直接将点云的轴向包围盒沿各个坐标轴方向皆分成n等份，最终导致包围盒最短边所在方向的采样点分布比最长边所在方向的采样点分布要密集得多,也即采样点在空间分布不均匀。针对这一问题，提出了一种新的体素网格降采样方法。该方法首先对点云建立轴向包围盒,然后以某一个等分距离对包围盒沿x,y,z轴三个方向的边进行等分，使得每一个体素近似为一个正方体，然后计算每一个体素内所有点的重心,并将其作为该体素的采样值。从实验结果可见，当降采样后的点数大致相同时，若点云包围盒在x,y,z轴三个方向的边长相差不大，新方法和传统体素网格法获取的点云分布均匀程度相当，但若点云包围盒在x,y,z轴三个方向的边长相差非常悬殊，新方法比传统体素网格法获取的点云分布更均匀。而且,新方法的计算效率高于传统的体素网格法。参考文献1 Vidal J,Lin C-Y,Llado X,et al.A method for 6D pose estimation of free-form rigid objects using point pair features on range data JJ.Sensors,2018,18(8):2678.Aug.2023cloud segmentation algorithm and its application JJ.Machinery Design&Manufacture,2020(11):121-124.)4 Zhou Y,Tuzel O.Voxelnet:End-to-end learning for point cloud based3d object detection;proceedings of the Proceedings of the IEEE Confer-1.1110.06.061.470954140551842.5815.1 9.082.19101122548750.6411.87.92 2.123671737433431.6116.79.633.8215.041ence on Computer Vision and Pattern Recognition,F,2018c.5 Sayed A,Ibrahim A.Recent developments in systematic sampling:a re-viewJJ.Journal of Statistical Theory and Practice,2018,12(2):290-310.6 Sanders P,Lamm S,Hubschle-Schneider L,et al.Efficient parallel ran-dom sampling vectorized,cache-efficient,and onlineJJ.ACM Transac-3.4415.712.13.0025125792tions on Mathematical Software(TOMS),2018,44(3):1-14.7 Eldar Y,Lindenbaum M,Porat M,et al.The farthest point strategy for pro-gressive image sampling JJ.IEEE Transactions on Image Processing,1997,6(9):1305-1315.8】傅思勇，吴禄慎，陈华伟.空间栅格动态划分的点云精简方法J.光学学报,2 0 17,37(11):2 53-2 6 1.(Fu Si-yong,Wu Lu-shen,Chen Wei-hua.Point cloud simplificationmethod based on space grid dynamic partitioningJJ.Acta Optica Sinica,2017,37(11):253-261.)9 Han H,Han X,Sun F,et al.Point cloud simplification with preservededge based on normal vector J.Optik-International Journal for Lightand Electron Optics,2015,126(19):2157-2162.1o Nezhadarya E,Taghavi E,Razani R,et al.Adaptive Hierarchical Down-Sampling for Point Cloud Classification;proceedings of the Proceed-ings of the IEEE/CVF Conference on Computer Vision and Pattern Rec-ognition,F,2020C.11李琪琪，花向红，赵不钒，等，一种基于曲率泊松碟采样的散乱点云精简方法J.测绘通报，2 0 2 0(S1)：17 6-18 0.(Li Qi-qi,Hua Xiang-hong,Zhao Bu-fan,et al.A method for scatteredpoint cloud simplification based on curvature poisson dish samplingJ.Bulletin of Surveying and Mapping,2020(S1):176-180.)12李丽娟，李青政，刘涛.飞机插配零部件数字化装配碰撞检测研究J.机械设计与制造，2 0 2 0(2)：14 5-14 8.(Li Li-juan,Li Qing-zheng,Liu Tao.Research on digital assembly col-lision detection for insertingand fitting parts of aircraft JJ.MachineryDesign&Manufacture,2020(2):145-148.)(上接第17 9 页）(Sun Hao-yan.Research on pointer Instrument reading recognition sys-tem based on machine visionD.Changcun:Jilin University,2015.10 WANG Y,WU Z,DUAN X.Design of gear defect detection systembased on machine visionJ.IOP Conference Series:Earth and Environ-mental Science,2018,108(2):022025.11彭锐涛,降皓鉴,徐莹,等.刀具磨损的机器视觉监测研究J.机械科学与技术,2 0 19,38(8)：12 57-12 6 3.(Peng Rui-tao,Xiang Hao-jian,Xu Ying,et al.Research on machinevision monitoring of tool wearJ.Mechanical Science and Technology,2019,38(8):1257-1263.)12王文成.基于机器视觉的齿轮参数测量系统设计J.机械传动，2011,35(2):41-43.(Wang Wen-cheng.Design of gear parameter measurement systembasedon machine vision JJ.Mechanical Transmission,2011,35(2):41-43.)13张震，程伟伟，吴磊，等.基于不变矩和SVM的圆形交通标志识别方法研究J.电子测量与仪器学报，2 0 17,31(5)：7 7 3-7 7 9.(Zhang Zhen,Cheng Wei-wei,Wu Lei,et al.Research on recognitionmethod of circular traffic signs based on invariant moment and SVMJ.Journal of Electronic Measurement and Instrumentation,2017,31(5):773-779.)14 Trujllo-Pino A,Kr Issian K,Aleman-Flores M,et al.Accurate sub-pixel edge location based on partial area effect J.Image and VisionComputing,2013,31(1):72-90.15高丽芹.渐开线斜齿圆柱齿轮角的测算J.机械研究与应用，2013,26(2):159-161.(Gao Li-qin.Calculation of angle of involute helical cylindrical gearJJ.Mechanical Research and Application,2013,26(2):159-161.)