轮廓控制（共9篇）
轮廓控制 篇1
0 引言
数控机床正在向精密、高速和复合化的方向发展。轮廓精度和位置跟踪能力已成为多轴进给系统的两个重要指标[1]。传统数控机床的直线运动是由电动机的旋转运动通过机械设备转化而来, 然而由于机械设备在传动过程中不可避免的会产生摩擦和弹性形变等不利因素, 因此, 直线电机被应用到数控机床中[2]。但是, 由于直线电机是一个多变量和时变的非线性系统, 传统的PID控制器已经很难实现精确控制[3]。虽然自适应控制、鲁棒控制、神经网络控制和滑模控制等方法可以获得较好的输出效果, 但是它们都要求有精确的模型对象, 当模型不准确, 或者参数发生变化时, 就无法实现精确的位置跟踪[4~9]。而迭代学习控制器不仅不要求有精确的被控对象模型, 而且在模型参数变化时, 通过学习, 仍然可以实现高精度位置跟踪, 文献[10]实现了迭代学习控制直线电机的高精度位置跟踪。文献[11]在XY平台各轴上实现了迭代学习控制的应用, 但是没有考虑两轴的不匹配问题。
针对系统存在的负载扰动、XY轴动态响应不一致, 本文采用基于实时轮廓误差模型与迭代学习控制相结合的控制策略对XY平台进行轮廓和位置控制。为了提高系统响应速度, 使系统具有鲁棒性, 单轴采用IP与ILC控制器相结合的方法。现有的交叉耦合控制器和基于局部任务坐标系的轮廓运动控制器等都利用各轴的位置误差来估计轮廓误差, 这些方法成立的一个前提是位置误差远小于期望轮廓的曲率半径[12~14], 而在迭代学习初期, 各轴位置误差都比较大, 用轮廓误差来修正控制信号已经没有意义, 因此, 本文提出基于混合误差的迭代学习控制, 在迭代初期只用位置误差修正控制信号, 而当位置误差减小到一定程度后, 再用轮廓误差修正控制信号, 最终使系统达到轮廓加工的高精度要求。
1 双轴平台的实时轮廓误差模型
对于直线电机驱动XY平台, 由两台永磁直线同步电动机直接驱动两轴相互垂直的XY平台。其机械运动方程为:
其中, x (t) 为动子的位移, iq为动子q轴电流, Kf为推力系数, Fe为电磁推力, M为动子及所带负载的总质量, B为粘滞摩擦系数, F为外部扰动。
在连续轨迹控制系统中, XY双轴平台系统不仅对单个轴的运动速度和精度控制有严格要求, 而且在双轴联动时, 还要求各移动轴有很好的动态配合, 因此, 系统的单轴位置误差与轮廓误差对轮廓加工精度有较大的影响。而对于自由形态的跟踪任务中, 轮廓误差模型的精度将直接影响轮廓加工的性能。综上, 建立实时轮廓误差模型如图1所示。
其中, R1为指令路径, P1为实际路径, R1 (t) 为指令位置点, P1 (t) 为实际位置点, 而R2 (t) 是指令路径上距离P1 (t) 最近的一个点, L为当前跟踪误差Ep在点P1 (t) 处的切向投影, R2 (t) 点与R1 (t) 点的长度约等于L, 而轮廓误差定义为实际位置与给定指令位置的最短距离, 即为E'c, 因此, 自由形态轨迹跟踪任务中的轮廓误差可以利用P1 (t) 与R2 (t) 之间的距离来计算, 即:
其中, Ex与Ey分别为系统跟踪误差Ep在XY轴的分量, j为通过R2 (t) 与R1 (t) 的直线与X轴的夹角为:
其中, R2x (t) 和R2y (t) 分别为R2 (t) 在XY轴上的分量, R1x (t) 和R1y (t) 分别为R1 (t) 在XY轴的分量, R2 (t) 可计算为:
式中, V1x (t) , V1y (t) 分别为R1 (t) 点在XY轴的切向分量速度, V2x (t) , V2y (t) 分别为R2 (t) 点在XY轴的切向分量速度, Vx (t) 和Vy (t) 分别为系统X轴和Y轴的进给速度, 计算为:
通常平台系统的进给速度并不是常值, 所以, V2x (t) , V2y (t) 的值不能准确求出。那么假设R2 (t) 与P1 (t) 有相同的切向速度, 那么上述方程可以重新给出:
综上, 将式 (4) 、式 (5) 、式 (8) 和式 (9) 带入到式 (3) 中即为轮廓误差的数学模型。
2 单轴控制器设计
2.1 位置跟踪迭代学习控制器的设计
图2为XY平台系统单轴位置跟踪迭代学习控制框图。其中, Φ为迭代学习控制器学习增益, yr为y轴的期望位置, yj+1为系统进行第j+1次迭代时的位置输出, P为被控对象, uj和uj+1分别为第j次和第j+1迭代的控制信号。第j次的控制信号uj存到存储器里, 并在第j+1次迭代时, 构造出新的控制信号uj+1。系统的位置误差被ILC控制器处理后, 得到的新控制信号, 下一次迭代时, 再反馈给系统, 通过不断的学习, 位置误差得到不断的减小。
定义位置跟踪迭代学习的学习律为:
其中, f (z) 为学习增益, 为了突出系统的快速响应能力, 本文采用PD型闭环迭代学习控制律, φ (z) 为:
这里kp、kd和Ts分别是比例增益、微分增益和采样周期。
误差ej (10) 1定义为:
将跟踪误差和控制信号动态方程改写为:
由压缩原理得出, 系统收敛的条件为:
2.2 IP控制器设计
迭代学习控制器有一定的滞后性, 因此, 本文在XY平台的单轴位置控制器采用带速度前馈的IP控制器结构来提高系统的响应速度, 增强系统的抗扰动能力, 保证闭环系统具有较强的鲁棒性。设计单轴控制器如图3所示。
由图3可知速度环的传递函数为:
由式 (16) 可知, 增大ki可提高系统的响应速度, 由式 (17) 可以看出, 增大ki相当于增强系统抗扰动能力。为补偿时间延时对XY平台系统跟踪精度的影响, 加入速度前馈控制器降低系统的位置误差, 保证了系统响应的快速特性。
未加入速度前馈时, 单轴的传递函数为:
加入速度前馈后的传递函数为:
如式 (18) 和式 (19) , 加入速度前馈后, 系统增加了一个零点, 从而增加了系统的频宽, 提高了系统的响应速度。
3 轮廓控制器设计
轮廓误差迭代学习控制就是将迭代学习控制应用到轮廓误差模型中, 使系统在前一次的迭代中学习纠正系统中存在的负载扰动以及各轴响应速度不一致等各种不确定性。图4为轮廓误差迭代学习控制器。其中, ux, j+1、uy, j+1、ux, j和uy, j分别为X、Y轴在第j+1次和第j次迭代时的控制信号;xj+1、yj+1分别为X、Y轴在第j次迭代时的位置输出;Exc、Eyc分别为轮廓误差在X轴和Y轴的分量, 可以由式 (3) 、式 (4) 、式 (5) 、式 (8) 和式 (9) 得到。轮廓误差的学习律为:
由式 (21) 可以看出, 前一次迭代的控制信息和当次迭代的轮廓误差用来更新系统的控制信号,
式中:
如图4所示为直线电机XY平台的系统框图。
图中, k1、k2分别为混合误差迭代系统的转换开关;因此, 将轮廓-位置误差迭代学习律改写为如下形式:
式中wc、wt分别为开关k1、k2的转换因子, 其分别代表轮廓误差转换因子和位置误差转换因子, 其值可选为0或1。当转换开关k1闭合, k2断开, 即wc=0, wt=1时, 用各轴位置误差更新控制信号;当转换开关k2闭合, k1断开, 即wc=0, wt=1时, 则用轮廓误差更新控制信号。本文用每次迭代的位置误差来判断用哪种误差更新控制信号, 当位置误差小于10μm时用轮廓误差更新控制信号, 反之用位置误差更新控制信号。
4 仿真与分析
本文仿真采用日本Yokogawa LM110系列直线电机驱动XY平台进行仿真研究, 其参数分别为M1=4.4kg, M2=1.4kg, Kf1=10.9794N/A, Kf2=8.526N/A, B1=244.3192Ns/m, B2=82.0176Ns/m。指令路径为长轴长为a=0.05, 短轴长为b=0.04的椭圆形, 即两轴输入指令为
前馈控制器系数kv1、kv2为1;X轴的IP控制器的积分、比例增益分别为125、20.523, 迭代学习控制学习增益Kp、Kd分别为30.21、9.32;Y轴的IP控制器的积分、比例增益分别为100、39.354, 迭代学习控制学习增益Kp、Kd分别为50.698、10.324。为了验证系统的抗干扰能力, 在t=2.5s时突加50N的干扰力, 采样时间设为0.001s。通过Matlab7.10进行仿真, 得到仿真曲线如下。
图5为外部扰动和系统不确定性均存在时, XY平台的期望输入与实际输出轨迹曲线, 可以看出, 在本文提出的控制策略作用下, 指令轨迹与实际轨迹基本重合。图6为X、Y轴的在迭代轴上的位置误差曲线, 随着迭代次数的增加, 迭代学习控制器不断修正控制信号, 实际输出位置不断接近期望位置, 在迭代到第九次的时候, 位置误差达到稳定状态。图7为外加扰动作用, 跟踪各轴位置误差和混合误差情况下, XY平台迭代15次后的轮廓误差曲线, 可以看出, 无论在有无扰动情况下, 跟踪混合误差时的轮廓误差均小于跟踪位置误差情况下的轮廓误差, 跟踪混合误差时, 轮廓精度有明显提高。
5 结论
本文采用适用多轴轮廓控制的轮廓误差计算法则计算轮廓误差, 对XY平台系统进行控制。通过在单轴上结合IP控制器与跟踪位置误差迭代学习控制器有效地抑制了负载扰动对系统的影响, 保证了系统的鲁棒性, 速度前馈控制提高了响应速度, 提高了系统的跟踪性能。轮廓控制采用基于实时轮廓误差模型的混合误差迭代学习控制器, 削弱了由于双轴速度不匹配对轮廓精度的影响。仿真结果表明所设计的控制系统有效地提高了XY平台的轮廓加工精度。
摘要：永磁直线同步电动机直接驱动XY平台系统时, 负载扰动及各轴动态响应速度不同等不确定性因素对轮廓加工精度有很大影响, 本文提出一种将实时轮廓误差模型与混合误差迭代学习控制器相结合的控制策略。在单轴上, 基于IP控制器的位置跟踪迭代学习控制器可以有效地抑制负载扰动的影响, 保证了系统的鲁棒性, 但是并不能有效地改善由于系统各轴动态响应速度不同对轮廓精度的影响, 为此, 利用实时轮廓误差模型, 设计混合误差迭代学习控制器来使轮廓误差趋近于零。仿真结果表明, 该方案能够有效地提高系统的轮廓精度和鲁棒性能, 并且控制器结构简单。
关键词：XY平台,永磁直线同步电动机,轮廓误差,迭代学习控制
轮廓控制 篇2
很喜欢这样的天气，暖暖的阳光，柔柔的风，明明是秋的表演，我却感受到了一种春的气息，这样的天气最能勾起心中的记忆。——题记
正午的阳光肆无忌惮地溜进了教室，霸道地驱逐掉了室内的阴翳，占领了属于自己的领地，好在它没有继续进攻，只敢在窗边逗留，窗边的同学被那阳光撩得发热，不得不关上窗。有些密闭的空间居然让我产生了幻觉，这是在过夏天吧!但考勤板上偌大的“11月10号”说明了我的幻想终究是幻想。但我明明清楚地听到了窗外的老梧桐树上还传来了清晰的知了声啊。
窗外传来了很好听的歌声，应该是七、八年级的学弟学妹们在上音乐课，九年级的课表上找不出“音乐”这两个字了。歌声是从对面的楼里飘过来的，却能不计空气阻力地传入了坐在四楼的教室里我们的耳里，能够想象得出那些孩子是多么卖力。隐约中我听见班里居然有哼曲儿的声音，很小很小，却和窗外的歌声融在一起，都是欢快的调子，看来是哪个同学听到音乐一时情不自禁了吧!柔柔的歌，暖暖的阳光突然让我觉得有一种满足与幸福，在这样的氛围中，思绪也不由得飘远了，回到了这个秋天以前……
脑中的放映机开始倒带，将两年的时光进行压缩，再放映。
七年级，画面定格在一张张笑得灿烂的脸上。初中的第一次春游，很激动，很好奇，像孩子一般的叽叽喳喳的说着笑着，在满片的油菜花里，在绿得油亮的草坪上，映下了我们的身影。
第一次军训，我们穿着整齐的军装，立正、稍息，顶着大太阳，迈着生硬的`步伐。皮肤被晒得生疼，脸上的汗也流个不停，但我们依旧站得笔直。第一次觉得原来我们也可以这样坚持。
八年级，在热火朝天的运动场上。我们按捺不住，都从自己的座位上站起来，神情专注地注视着操场，只为能在百米终点处看他们熟悉的身影通过。我们呐喊着“加油”，声音近乎嘶哑，却仍不停下，只是固执的认为这样才能使人们班的运动员充满士气。
音乐课上，遇上好听易唱的歌曲总是格外认真，尽量地放大声音，巴不得能有扩音器的效果，让全校都能听见。这个时候，我们就像能够进行心灵的交流，不用言语，仅仅是从一首歌曲便能体现出集体的力量。
……
好多好多，记忆像散落满地的弹珠，我措手不及想要拾起，却又散落。
轮廓控制 篇3
双直线电机XY平台以其自身的多数优点已经被广泛地应用于快速的自动控制技术等领域[1]。为提高其加工精度, 通常有间接和直接两种控制方式, 但是在前者的控制下, 不能完全的解决高精度轮廓控制问题[2]。因此对于后者的控制, 文献[3-4]首先提出了只适用于线性误差模型的交叉耦合控制 (CCC) 用以直接地减小轮廓误差。为了解决上述问题, 文献[5]提出了本质上仍然是线性变换, 但是模型比较简单的任务坐标转换法。为此, 随着控制技术的快速发展, 轮廓误差计算法解决了上述控制方案存在的不足[6]。其控制思想是以轮廓误差量直接作为控制器的输入, 通过控制器的调节来提高系统轮廓精度。例如, 文献[7-8]运用了抖振问题不能消除的二阶滑模和Terminal滑模变结构控制对XY平台数控系统进行了轮廓控制器的设计。因此本文将智能控制方法和现代控制方法结合设计简单且容易实现的模糊滑模控制器用以消除抖振问题并提高轮廓精度。
本文首先建以轮廓误差模型。然后再运用模糊滑模控制的逼近能力处理轮廓误差量, 使其在有限时间内趋近于零, 满足永磁同步直线电机 (PMLSM) 直接驱动XY平台数控加工系统的高精度加工要求。
1 XY平台的轮廓误差模型
图1为任意轨迹的实时轮廓误差模型, 其中期望轨迹的加工位置R1 (t) , 实际轨迹的加工位置是P1 (t) , 且期望轨迹上的一点是R'2 (t) 。假设从R'2 (t) 到R1 (t) 所需的加工时间为Δt, ex是X轴跟踪误差, ey是Y轴跟踪误差, X轴与直线R1R'2的夹角是。
轮廓误差为P1 (t) 到直线R1R'2的距离ε, VR1为R1 (t) 点的平均速度, Vp1为P1 (t) 点的平均速度, V1和V2分别为R1 (t) R'2 (t) 两点的切线速度且下角标X, Y分别代表X轴和Y轴, 由以上这些推出
得出:
最终推导出任意轨迹轮廓误差公式为:
2 XY平台模糊滑模轮廓控制器设计
双直线电机XY平台离散系统的状态方程如下:
设位置指令为r (k) 且其导数为dr (k) 满足R=[r (k) , dr (k) ], R1=[r (k+1) , dr (k+1) ], r (k+1) 和dr (k+1) 采用线性外推的方法进行预测:r (k+1) =2r (k) -r (k-1) , dr (k+1) =2dr (k) -dr (k-1) 定义位置偏差信号为e=R (k) -x (k) 且切换函为:
式中Ce=[c, 1]
采用二维模糊控制器, 通过模糊控制规律直接设计滑模控制量u。设模糊控制器的输入是s和, 它们分别是s (k) 和ds (k) 的模糊化变量, 模糊控制器的输出ΔU是控制的变化量Δu的模糊化变量。
定义控制器输入和输出为如下形式且模糊化变量均选择高斯隶属度函数
其论域为:
模糊规则的确定是力图满足不定式s s·<0的条件下设计u, 所得控制规则表如表1所示, 其中第一行和第一列分别代表s·和s且模糊规则是:
采用重心法反模糊化, 其公式为:
双直线电机XY平台系统的模糊滑模轮廓控制结构如图2所示。
其中Px, Py分别为X、Y轴的比例位置控制器;Kvx, Kvy分别为对X、Y轴的PID速度控制器。
3 仿真与分析
本文电机参数分别为M1=5.8 kg, M2=1.4 kg, Mf1=10.979N/A, Mf2=0.852 6 N/A, B1=244.319 2 Ns/m, B2=82.017 6Ns/m且规划的跟踪轨迹为五角星轮廓.两轴位置控制器Px=2.87, Py=2.95;速度控制器Kvx的积分、比例、微分增益分别为510, 39.94, 21;Kvy的积分、比例、微分增益分别为605, 40.5, 20滑模面参数c=10
图3为双直线电机XY平台的五角星输出轨迹。图4、为系统参数变化20%以后在2 s时向各轴突加150 N的负载扰动时直接驱动XY平台的单轴期望位置输出与实际位置输出曲线.可以明显地看出, 基于轮廓误差计算误差法的模糊滑模控制作用下, 实际输出曲线和期望轨迹基本相一致, 具有良好地跟踪性。
图5为同样仿真条件下的单轴位置误差响应曲线, 可以看出, X轴位置精度达到±0.04 mm, Y轴位置精度达到±0.03 mm, 而且在外界扰动存在的情况下, 系统很快地跟踪上了给定信号, 保证了直接驱动XY平台控制系统具有较好的抗扰性和较强的鲁棒性。
图6为同样仿真条件下的轮廓误差曲线, 可以看出, 其精度与单轴的精度相比有一个数量级的提高, 并在扰动和参数变化的情况下, 保证了直接驱动XY平台控制系统具有较好的抗扰性和较强的鲁棒性。
图7 (a) 和 (b) 分别是基于滑模和模糊滑模控制的控制输入量曲线, 后者的摄动问题小于前者, 因此后者控制有效地减弱了滑模的摄动问题。
4 结束语
本文首先采用轮廓误差计算法建立了可用于任意轨迹跟踪且便于计算的双直线电机XY平台的轮廓误差模型.然后采用模糊滑模控制进行了轮廓控制器的设计, 削弱了负载扰动和系统参数变化对控制系统的影响, 进而提高其抗扰性和鲁棒性.仿真结果表明, 所设计控制系统有效地提高了双直线电机XY平台的轮廓加工精度。
摘要：双直线电机XY平台在加工中负载扰动以及系统参数的变化会使其产生轮廓误差, 而且任意轨迹轮廓误差为非线性函数不易进行建模。采用适用于任意轨迹建模的轮廓误差计算法建立双直线电机XY平台的轮廓误差模型并以此误差量作为具有逼近能力模糊滑模轮廓控制器的输入, 使误差量在有限时间内趋近于零, 以满足XY平台的高精度加工要求.仿真结果表明, 所设计的双直线电机XY平台系统具有强鲁棒性和较高的轮廓精度。
关键词：XY平台,负载扰动,轮廓误差计算法,模糊滑模控制,鲁棒性,轮廓精度
参考文献
[1]赵希梅, 郭庆鼎.为提高轮廓加工精度采用DOB和ZPETC的直线伺服鲁棒跟踪控制[J].电工技术学报, 2006, 21 (6) :111-114.
[2]赵希梅, 郭庆鼎.基于ZPETC和CCC的直接驱动XY平台高精度控制[J].组合机床与自动化加工技术, 2011, 21 (6) :111-114.
[3]丛爽, 刘宜.多轴协调运动中的交叉耦合控制[J].机械设计与制造, 2006, (10) :166-168.
[4]SUN Dong, SHAO Xiao-yin, FENG Gang.A Model-free cross-coupled control for position synchronization of multi-axis motions[J].IEEE Transactions on Control Systems Technology, 2007, 15 (2) :306-314.
[5]YANG Jiang-zhao, ZHANG Dong-jun, LI Ze-xiang.Position loop-based cross-coupled control for high-speed machining[C].Proceedings of the7thWorld Congress on Intelligent Control and Automation, Chongqing, 2008:4285-4290.
[6]CHENG Ming-yang, SU Ke-han, WANG Shu-feng.Contour error reduction for free-form contour following tasks of biaxial motion control systems[J].Robotics and Computer-Integrated Manufacturing, 2009, 25 (2) :323-333.
[7]王丽梅, 金抚颍, 孙宜标.基于等效误差的直线电机XY平台二阶滑模控制[J].中国电机工程学报, 2010, 30 (6) :88-92.
乡村的轮廓作文 篇4
外婆家的乡村十分可爱：春天，山间绿树红花，小鸟在枝头婉转歌唱，鱼儿在小溪里跳着欢快的舞蹈，秋天，树叶从妈妈的怀抱里落下，给大地穿上金黄色的大衣，冬天……
又是阳光明媚的一天，上五年级的表哥带着我走出门，去欣赏乡村的美丽和可爱。走在那条熟悉的乡间小道上，迎着扑鼻的油菜花香，赏着那披着红衣的甲壳虫伏在菜花上，懒洋洋的。
再走不出百米步，便是一条清澈见底的小溪，小溪里，有许多可爱的小鱼和沙螺，小溪的水，终年潺潺的流着，即使干旱，它也不会干涸，陆陆续续有些许村民在溪边洗衣服，表哥带着我和几个小伙伴，来这儿戏水、打闹、嬉戏玩耍，还会捉一些小鱼养的瓶子里，摸些小沙螺回去煮汤。
我们坐在溪边的小石子上，望着那云雾环绕，高耸的山峰连绵起伏，岸边的田野间，绿油油的一大片，一年四季都那么绿，犹如用绿色渲染的水墨画般清新怡人，我决定，到田间看看。
一排排的柚子树挺拔的站在那里，像士兵一样在那守卫着祖国，每年四月，田间的柚子树就长满了白色的花苞，远看就像是点缀在绿毯上的一颗颗珍珠，花的香气香飘十里，引来一只只辛勤的小蜜蜂，落在洁白的.花蕾里采蜜。
到每年中秋时节，那一个个黄澄澄、金灿灿的柚子，像一个个灯笼一般挂满了枝头，小鸟飞过来了，鸣叫着丰收的时刻到来了，蜜蜂也飞过来了，嗡嗡的诉说着收获着劳动成果的快乐，似乎在说：“这丰收的果实也有它们功劳一份”。
最有诗情画意的地方莫过于房前屋后的菜园子了，外婆都会在那么一小块地方种上一些南瓜、丝瓜、茄子、蕃茄之类的蔬菜瓜果，每到夏天、秋天就会结出青的、红的、紫的瓜。它们有的悠闲的躺在地上，有的挂在藤上笑歪了腰，构成了一道特有生命气息的画面，给人一种生机，一种崭新的活力。
轮廓控制 篇5
端墙由端墙板和5块弯曲型材等经过焊接而成, 其变形规律复杂, 弯曲型材偏差累计等因素造成其外轮廓尺寸偏差控制难度大。目前, 我国的铝合金车体制造技术还处于初级发展阶段, 没有一套行之有效的端墙外轮廓尺寸偏差控制方法, 导致产品的一次合格率较低, 在实际生产中需要靠机械调修和火焰调修等来保证产品的质量合格, 甚至有些需要进行大量的焊接返修, 这不仅增加了制造成本, 影响了生产进度, 而且降低了端墙本身的强度和焊缝的疲劳性能等。如何才能有效地控制端墙外轮廓尺寸偏差, 成为我国动车组制造企业迫在眉睫需解决的问题之一[3]。
1 端墙结构及制造工艺
端墙由端墙板、端角柱、车顶连接梁、顶部侧弯梁等组焊而成, 如图1所示, 外轮廓是端墙的关键控制特征, 其控制目的是使其尺寸处于设计图纸要求的公差范围内, 满足车体组成装配需求。端墙的外轮廓为三维弯曲面, 从工装方面无法实现对外轮廓的定位, 现有制造工艺主要是依靠弯曲型材本身的轮廓和端墙板机加工后的轮廓来保证组焊后端墙的整体外轮廓。
端墙的外轮廓尺寸偏差主要源于弯曲型材本身的制造偏差、焊接变形、工装夹具和操作人员熟练程度的影响等。实际生产过程中, 各种偏差高度累加, 当出现质量问题时, 很难逐一、准确地实现对所有偏差来源的定位及诊断。生产实践证明, 在上述各种偏差中, 弯曲型材制造偏差、焊接变形和操作影响通常处于相对稳定的状态, 在这种情况下, 可以通过预制焊前反变形, 消减其他偏差的累加影响来提高端墙外轮廓的制造精度。
2 预制反变形的外轮廓过程点控制法
端墙组成外轮廓共由5块弯曲型材组成, 要通过过程点控制的方法保证端墙外轮廓的合格, 需控制5块弯曲型材在装配过程中的尺寸, 每块型材确定2个点以上的装配数值即可完全定位其位置, 从而实现端墙组成外轮廓的高精度制造。装配完成后, 还需要充分考虑焊接完成后的收缩量, 保证最终完成产品的尺寸合格, 所以需要在焊前预制反变形。
预制焊前反变形是在一批端墙生产之前, 为获得更好的外轮廓尺寸而实施的型材装配量调整, 以达到焊接完成后其数值符合设计图纸的公差要求。
预制反变形的统计分析计算如下:
采用数据统计分析法, 获得焊前预制反变形量△d, 设定理论尺寸为d, 装配尺寸为dj, 焊缝条数为n, 则如下公式成立:n×△d=dj-d。
在生产过程中采集了20个端墙的尺寸进行装配前和焊接完成后的尺寸测量统计, 测量位置如图2所示, 共测量3、4、5、1~2、6~7和8~9共6组数据。计算出所需的预制反变形量△d, 并绘制了折现图, 如图3所示。
由图3可以看出, △d在1.9~3.4 mm之间波动变化, 采取测量取整的原则, 最终确定△d预制反变形量最大为3 mm, 最小为2 mm, 所以在公差允许范围内, 可以确定控制点的装配尺寸为d+n×△d。
在实际生产中, △d的数值选择需根据生产过程中装配尺寸是趋于上差还是下差来决定, 装配尺寸趋于上差, 预制反变形量选择△d的最小值, 相反则选择最大值, 以保证最终端墙的外轮廓尺寸合格。对确定的点在装配过程中增加反变形量△d, 可将端墙外轮廓尺寸偏差控制在一个较小的范围, 使端墙的制造精度提高。
3 应用效果
将上述方法运用在某轨道客车制造企业的高速动车组端墙外轮廓尺寸的控制上, 取得了良好的效果, 实际生产表明, 利用过程点控制的方法, 在焊前预制反变形, 对提高端墙的外轮廓制造质量, 提高生产效率, 提升产品质量起到了显著的作用。
据调查统计, 端墙的外轮廓偏差由原先的最大5 mm缩小为1.5 mm, 一次性合格率由原来的42%提升到93.2%, 端墙的外轮廓制造质量得到了有效控制, 为企业节约了大量的人力和物力。端墙制造精度的提高, 不仅大幅度减少了人工调修的工作量, 提高了生产效率, 缩短了制造周期, 降低了制造成本, 还有效减少了机械调修和火焰调修的频率, 使端墙的疲劳强度和刚性等性能大幅提升。
4 结束语
上述基于预制反变形的过程点控制方法简便有效, 通过在装配过程中对指定点进行预制反变形即可获得良好的端墙外轮廓。对于其他相似的产品, 该思路同样适用[2]。
参考文献
[1]何华武.创新的中国高速铁路技术 (上) [J].中国工程科学, 2007 (9) :1-3.
[2]吴桃生, 李志敏, 王华, 等.基于工装预变形的高速列车侧墙尺寸偏差控制方法[J].铁道机车车辆, 2012 (1) :1-5.
集成轮廓跟踪 篇6
设计鲁棒的目标跟踪方法是一项艰巨的任务,特别是考虑自然场景中可能发生的各种复杂变化,例如,目标外形和表面的变化、亮度变化、部分遮挡等。最近,自从Collins等人[1]提出“将跟踪看作是目标和背景的分类”这一思想后,基于分类的跟踪算法得到了广泛研究并表现出很好的性能[2,3,4,5,6,7]。Avidan[2]提出了将SVM和光流法相结合的支持向量跟踪算法,随后Avidan[3]又提出了集成跟踪算法,利用每个像素11维的颜色和方向梯度特征,采用Adaboost训练分类器并且在线更新,以实现鲁棒的跟踪。Grabner[4,5]等人提出了在线Adaboost特征选择方法,并将其应用于复杂背景学习、视觉跟踪和目标检测。为减小漂移问题,Grabner等人[6]随后又提出了基于在线半监督Boosting的鲁棒跟踪方法。但在上述方法中,目标被限制在一个矩形区域内,不能获得更精确的目标轮廓,为解决这一问题,本文引入快速水平集算法来获取目标轮廓。
水平集(Level Set)方法[8]由Osher和Sethian提出,它具有适应拓扑结构变化、自动分裂与合并等优良特性,在图像分割和视觉跟踪中得到了广泛应用[9,10,11]。最近,Shi等人[11]提出了快速水平集算法,能实现实时的目标轮廓跟踪,但算法侧重于计算效率和速度的研究,而在跟踪的鲁棒性方面有待进一步提高。
基于此,本文基于“将跟踪看作是目标和背景的分类”这一思想,在文献[3,11]工作的基础上,提出了一种将Adaboost集成学习和快速水平集算法相结合的集成轮廓跟踪方法。
1 集成轮廓跟踪算法总体框架概述
本文提出的集成轮廓跟踪方法总体框架如图1所示,算法采用基于Adaboost的集成学习方法来构建快速水平集算法的速度函数,然后采用本文提出的基于动态邻近区域的快速水平集(图中虚线框部分)来演化目标边界曲线以实现目标的轮廓跟踪。
总体的算法运行如下:以初始帧所选目标区域像素点为正样本,与目标区域邻近的背景带区域像素点为负样本,训练得到包含T个弱分类器的集合;在接下来的每一帧新图像到来时,以上一帧的轮廓跟踪曲线初始化当前帧,并用上一帧更新得到的强分类器H来分类用于描述轮廓曲线的链表Lin和Lout中的各像素点(其具体定义在本文第二节中给出),从而得到曲线演化的外部速度,然后采用基于动态邻近区域的快速水平集算法演化曲线,重复这一过程直到满足曲线演化停止条件并最终得到当前帧的目标轮廓,最后根据新的目标轮廓得到当前帧的正负样本并更新强分类器H。
在跟踪过程中,算法始终维护并更新一个弱分类器的集合,用于从背景中区分前景目标。弱分类器可以在任何时间增加或移除以反映目标或背景的动态变化,而时序相关性则通过持续地训练新的弱分类器并将它们加入到弱分类器集合中来保持。集成因此实现了两个目标:每一个弱分类器被调整到在特定帧中从背景中区分目标,并且集合作为一个整体保证了时序上的一致性。
2 Shi快速水平集算法简介
文献[11]提出的快速水平集算法采用双链表的方式来实现曲线的演化。该方法根据曲线的隐含描述,如图2(a)所示,定义曲线C内部邻域点链表Lin和曲线外部邻域点链表Lout如下:
其中:x、y为像素点,N4(x)即为像素点x的4邻域,Rfg、Rbg分别为曲线C的内、外部区域,且Rfg∪Rbg为整个图像平面。基于此,曲线C包围区域由链表Lin、Lout所完全确定,且曲线的任意演化过程可以简单地通过链表Lin、Lout之间的像素点交换来实现。如图2(b)所示,在点A处要将曲线外移,只需把点A从Lout调换到Lin中即可,类似地,仅需将点B从Lin调换到Lout来将实现曲线内移,因此该方法通过重复的调换操作,就能实现任意的目标边界。算法首先定义如下的水平集函数来近似符号距离函数:
其中:内部点指在曲线C内部但不属于Lin的像素点,外部点指在曲线C外部但不属于Lout的像素点。在根据式(1)、(2)对Lin、Lout和水平集函数φ(x)定义的基础上,定义了对链表Lin和Lout进行操作的两个基本程序switch_in(x)、switch_out(x),用于实现Lin和Lout之间像素点的调换。由于在该算法中每演化一次,曲线向内或向外移动一个像点,即具有固定的演化速度,因此只需知道曲线演化的方向即可,即只需得到速度函数的符号,若速度函数为正,则曲线向外演化,反之,曲线则向内演化,在文献[11]中用于跟踪的外部、内部速度的分别定义为
其中:p(v|Ωfg)、p(v|Ωbg)分别为背景差分后的所得图像中目标和背景的特征分布,G1为高斯平滑模板。由此,整个快速水平集算法采用基于Fext(x)和Fint(x)的曲线演化双循环实现,具体流程可见文献[11]。
3 基于动态邻近区域的快速水平集曲线演化
本节在Shi快速水平集方法的基础上,针对跟踪任务的特点,结合Adaboost集成分类器,实现基于动态邻近区域特性的快速水平集曲线演化算法,本文称之为DNRFLS算法(Dynamic Neighborhood Region Fast Level Set),即实现图1中灰色区域部分。
如图3所示,设图像中内部闭合曲线C是初始目标轮廓曲线,C的内部区域是目标,内部与外部曲线之间是由曲线C确定的邻近背景区域带,在此仍以Rfg、Rbg分别标识目标及其邻近背景区域,但Rfg∪Rbg不是整个图像平面。本文将背景区域带的宽度Wbg取为
其中:Area(Rfg)是目标区域的面积也就是目标区域像素点的个数,Length(C)为闭合曲线C的长度也就是曲线上像素点的个数,通过式(5)进行在线动态地背景带宽选择,能自适应地适应目标尺度的变化。
在文献[11]提出的快速水平集算法中,曲线进化外部速度Fext(x)直接决定着跟踪的效果。而其外部速度本质上就是一个分类判别函数,因此本文引入基于Adaboost的集成分类器来设计外部速度函数。
设跟踪过程中,由上一帧或初始帧中的样本集通过Adaboost训练得到的强分类器H(x)为
其中:x为像素点的d维特征矢量,即x∈Rd,ht(x)为训练得到的第t个弱分类器,αt为基于弱分类器ht的错误率et而分配的权值。类似于式(3),式(7)的分类判别函数可直接作为速度函数,若g(x)≥0,则该像素点分类为目标,反之则为背景。但仅用式(7)的速度函数易受到噪声的影响,造成曲线在演化过程中会产生较多冗余轮廓,为减少噪声影响及消除冗余轮廓,本文增加点x的空间邻域信息,即对g(x)进行加窗滤波处理。以x为中心,选取一窗口Wx,对g(x)进行滤波可得本文的外部速度函数:
本文算法的实现与文献[11]类似,由于在式(8)中我们增加了窗口滤波,与式(4)的内部速度相类似,在很大程度上保证了曲线的平滑性,因此文献[11]中的曲线平滑循环可去除。DNRFLS算法流程如下:
1)初始化:根据初始曲线C,按式(1)、(2)初始化φ(x)、Lin和Lout,规定最大迭代次数Nmax;
2)for k=1:Nmax do
a)根据曲线C获得目标区域Rfg及背景带区域Rbg;
b)朝外进化:遍历Lout,由式(8)计算Lout中每一点x的外部速度Fext(x),若Fext(x)≥0,则switch_in(x);
c)Lin冗余点消除:遍历Lin,对于每个像素点x∈Lin,若满足∀y∈N4(x)且φ(y)<0,则将x从Lin中删除,并设置φ(x)=-3;
d)朝内进化:遍历Lin,由式(8)计算Lin中每一点x的外部速度Fext(x),若Fext(x)<0,则switch_out;
e)Lout冗余点消除:遍历Lout,对于每个像素点x∈Lout,若满足∀y∈N4(x)且φ(y)>0,则将x从Lout中删除,并设置φ(x)=3;
f)停止条件判断:若满足(Fext(x)<0∀x∈Lout且Fext(x)>0∀x∈Lin)则停止曲线演化,否则转到2)。
基于动态邻近区域的快速水平集算法与原有算法相比的主要特点是:Rfg和Rbg是图像平面的一部分,且在曲线演化过程中二者的大小都是在动态发生变化的;采用基于Adaboost的集成分类器来构建外部速度,增强了目标轮廓提取的准确性,并通过加窗滤波提高了抗噪性能。
4 集成轮廓跟踪算法流程
跟踪算法在d维特征空间中运行,每个像素x由归一化的d维特征矢量描述,即x∈Rd。本文中d=27,包括24维的Gabor纹理特征及3维的RGB颜色特征。其中灰度图像f(x,y)的Gabor纹理特征计算如下:
其中:“*”表示卷积运算,ψu,v(z)为二维Gabor滤波器组[12]:
其中:z=(x,y)代表像素的位置,||·||代表范数运算;参数u和v分别代表Gabor滤波器的方向和尺度,σ则决定了窗口宽度和波长的比例关系;方括号中的第一项是交流分量,第二项则为补偿直流分量,用以消除滤波器响应对图像亮度绝对值变化的依赖性;小波向量ku,v为ku,v=kvexp(iφu),其中kv=kmax/fv,φu=πu/U,kmax是最大频率,f是尺度因子,U是Gabor滤波器方向总个数。二维Gabor滤波器是一组具有高斯包络的平面波,能够精确地提取图像的局部特征,且对位移、形变、旋转、尺度变化和光照变化都有一定的容忍能力。这样,由不同尺度v∈1{,…,V}和不同方向u∈1{,…,U},通过式(10)、(11)即可得到灰度图像的不同尺度和不同方向的Gabor纹理特征。
本文提出的集成轮廓跟踪算法总体流程如下:
1)初始化(用于第一帧):
a)根据初始化曲线C0及式(5)确定目标R0fg和背景R0bg并提取样本集{xi,yi}N0i=1,其中xi∈Rd,yi∈{-,1+}1为样本xi的标定,初始化权值{iw}N0i=1为1/N0;
b)Fort=,1…,T(训练得到各弱分类器)
(1)归一化样本权值{wi}N0i=1,在{xi,yi}N0i=1上用弱学习算法训练生成弱分类器ht(x):Rd→{-,1+}1;
(2)计算th的错误率et=∑N0i=1wi|ht(xi)-yi|,权值αt=1(/)2log[(1-et)/et],并更新样本权值wi=wiexp(αt|ht(xi)-yi|);
c)运行DNRFLS算法得到C1。
2)while(1)
a)输入第j(j=2,3,…)帧图像,以Cj-1作为第j帧初始目标轮廓;
b)运行DNRFLS算法得到第j帧的轮廓Cj及其对应的目标区域Rjfg,根据式(5)确定背景区域Rjbg;
c)根据新的曲线Cj提取样本集{xi,yi}Nji=1,并初始化样本权值{iw}Nji=1为1/Nj;
d)Fort=,1…,K(保留K个最好的弱分类器并更新它们的权值)
(1)归一化样本权值{wi}Nji=1,并从{h1(x),…,hT(x)}中选择错误率et最小的弱分类器ht(x);
(2)更新弱分类器权值αt和样本权值{wi}Nji=1,并从{h1(x),…,hT(x)}中移除ht(x);
e)Fort=K+1,…,T(增加T-K个新的弱分类器)
(1)归一化样本权值{wi}Nji=1,在{xi,yi}Nji=1上用弱学习算法训练生成弱分类器ht(x):Rd→{-,1+}1;
(2)计算et=∑Nji=1wi|ht(xi)-yi|和αt=1(/2)log[(1-et)/et],更新样本权值{wi}Nji=1;
f)j=j+1,若图像输入结束则退出;否则,转向(2)。
需要指出的是,根据式(2),在跟踪结果中只需将φ(x)<0的图像部分保留即可得到分割出的目标部分。
5 实验结果
为验证本文算法的有效性,对两种典型视频序列进行了跟踪实验。实验均采用Matlab 7.01开发环境及Matlab编程语言实现,在Windows XP SP3,CPU为Intel Pentium M 1.5 GHz,内存为512 MB的PC上完成。实验中,Gabor滤波器大小为16 pixels×16 pixels,V=3,U=8,σ=π/2,f=2,kmax=π/2;其它参数设置如下:T=6,K=4,Nmax=25,Wx=[1/16 1/8 1/16;1/8 1/4 1/8;1/16 1/8 1/16]。实验结果如表1和图4所示。
Egtest05视频序列跟踪实验,如图4(a)所示,该视频序列中摄像机是运动的,在第52帧时存在部分遮挡及光照条件的变化,且跟踪过程中目标发生旋转变化,而基于Adaboost的集成分类器通过自适应调整并更新各弱分类器能适应目标及背景区域的变化,实现稳定的跟踪。图4(e)中给出了目标的运动轨迹,由于摄像机是运动的,轨迹以目标质心的行列坐标值分别给出。
Sweden视频序列跟踪实验,如图4(b)所示,该视频序列的显著特点是在图像中存在两个类似的非刚体目标,且目标尺度逐渐变大。由于水平集算法在处理曲线的分裂和合并上的天然优势,使本文算法能实现两个目标的同时跟踪并适应目标的尺度变化,而无需采用两个相互独立的文献[3]中的算法来进行跟踪。图4(f)给出了目标质心的运动轨迹,从图中看到在行坐标为150、列坐标为80~120之间位置处多次发生了目标的分裂和合并。
图4(c)给出了Egtest05序列在发生光照变化及部分遮挡时H(x)的调整变化,图4(d)给出了Sweden序列在目标尺度逐渐增大时H(x)的调整变化。从图中看出,当目标及背景区域发生变化时,本文算法通过自适应调整并更新各弱分类器,从而使得到的强分类器H(x)能迅速适应该变换,实现稳定而鲁棒的跟踪。
表2给出了实验中部分跟踪结果的各弱分类器的分类错误率及其权值,分类错误率小的弱分类器被赋予更大的权值,以保证所得到的强分类器的分类正确性。在算法的处理速率上,由于本文为实现鲁棒和准确的轮廓跟踪,在特征选择上采用了多尺度、多方向的Gabor纹理特征,且采用水平集算法来获取目标轮廓,因而本文算法与文献[3]相比处理速率慢,如表1所示。
6 结论
本文将跟踪看作是一个二分类问题,提出了一种基于Adaboost集成学习和快速水平集的集成轮廓跟踪算法。本文算法的主要特点包括:1)提出了基于动态邻近区域特性的快速水平集曲线演化算法,根据“将跟踪看作是目标和背景的分类”这一思想,将Adaboost集成分类方法应用于快速水平集,以实现目标轮廓跟踪;2)在特征选择上,通过采用多尺度和多方向的Gabor纹理特征,能更好地适应光照变化、目标旋转及尺度变化;3)弱分类器的集合被在线训练并更新,使跟踪器能适应目标或背景表面的动态变化,提高跟踪的稳定性和鲁棒性。实验结果表明,本文算法在摄像机运动、光照变化、部分遮挡或目标尺度变化等情况下,能实现刚体或非刚体目标的轮廓跟踪。
参考文献
[1]Collins T R,Liu Y,Leordeanu M.Online Selection of Discriminative Tracking Features[J].IEEE Trans.on PAMI(S0162-8828),2005,27(10):1631-1643.
[2]Avidan S.Support vector tracking[J].IEEE Trans.on PAMI(S0162-8828),2004,26(8):1064-1072.
[3]Avidan S.Ensemble tracking[J].IEEE Trans.on PAMI(S0162-8828),2007,29(2):261-271.
[4]Grabner H,Bischof H.On-line boosting and vision[C]//Proc.CVPR’06,New York,June17-22,2006:260-267.
[5]Helmut Grabner,Christian Leistner,Horst Bischof.Real-Time Tracking via On-line Boosting[C]//Proc.BMVC2006,Edinburgh,September4-7,2006:47-56.
[6]Helmut Grabner,Christian Leistner,Horst Bischof.Semi-Supervised On-line Boosting for Robust Tracking[C]//Proc.ECCV2008,Marseille,October12-18,2008,5302:234-247.
[7]Wang J,Chen X,Gao W.Online selecting discriminative tracking features using particle filter[C]//Proc.CVPR’05,San Diego,June20-25,2005,2:1037-1042.
[8]Osher S,Sethian J.A.Fronts propagating with curvature dependent speed:Algorithms based on Hamilton-Jacobi formulation[J].Comput.Phys(S0021-9991),1988,79:12-49.
[9]Yilmaz A,Li X,Shah M.Contour-Based Object Tracking with Occlusion Handling in Video Acquired Using Mobile Cameras[J].IEEE Trans.on PAMI(S0162-8828),2004,26(11):1531-1536.
[10]Mohand Sad Allili,Djemel Ziou.Object tracking in videos using adaptive mixture models and active contours[J].ELSEVIER:Neuro computing(S0925-2312),2008,71:2001-2011.
[11]Shi Yong-gang,William Clem Karl.A Real-Time Algorithm for the Approximation of Level-Set-Based Curve Evolution[J].IEEE Trans.on Image Processing(S1057-7149),2008,17(5):645-656.
中国地质构造的基本轮廓 篇7
1 古亚洲构造域
该构造域包括阿尔泰褶皱系、额尔古纳褶皱系、天山褶皱系、内蒙古大兴安岭褶皱系和吉黑褶皱系, 以及黑龙江褶皱带、那丹哈达褶皱的—部分, 大体与天山—兴安活动带相吻合。
2 塔里木—华北构造域
塔里木—华北构造域, 由塔里木、华北两大地台组成, 二者作东西向排列, 呈楔形相连, 是我国克拉通化程度较高的两大块体。
华北地台是我国最古老的地台, 在冀东、鞍山均已获得38亿a的同位素年龄值。于新太古代已出现了冀东、胶辽等古老地体。阜平期时粘合为太古宙克拉通。由高级变质区与花岗岩-绿岩带组成。高级变质区主要为花岗片麻岩和部分表壳岩, 以卵形穹窿和韧性剪切带为特征。绿岩带形成于古裂谷或古岛弧带, 构造样式以紧闭的复合褶皱群以及韧性剪切带为特征。此后, 地壳由塑性向刚性转化, 于吕梁期固结为地台。由于经后期叠加改造, 现今地台大致呈—东宽西窄的横卧三角形, 并被贺兰山、吕梁山、太行山以及郯庐断裂等纵向构造带分割为阿拉善、鄂尔多斯、冀鲁、胶辽等块体。它的北部与南缘均为中元古裂谷。北缘的“内蒙古地轴”可能是一个复杂的地体拼贴构造带。
塔里木地台呈东西向的透镜状, 显示近南北向的强烈压缩。地台萌生于新太古代或更早, 固结于晋宁期 (塔里木运动) , 大部为新生界所覆盖。地台西部隆起, 东部为叠加式断陷, 南北边缘发育山前逆冲推覆和古生代或古—中新生代叠加式前陆盆地, 东南部即阿尔金优地槽, 北侧有北东东向的铁克力克—阿尔金中元古裂谷和民丰—罗布庄断陷带。
3 昆仑—秦祁构造域
昆仑—秦祁构造域属近东西向摺皱区, 包括东、西昆仑褶铍系、秦岭褶皱系和祁连褶铍系四个次级构造单元, 为我国南北大陆的结合带, 构成中国大陆地质、地球物理、地球化学和自然地理的南北分界。该区主体构造为东西—北西西走向, 祁连造山带为其一个北西向分支, 东段被郯庐断裂带大幅度左旋平移至胶南、苏北地区, 走向转为北东东, 且陆缘软体部分已荡然无存, 仅残留下胶南—苏北中间地块的一部分。
该区内部结构十分复杂。其构造面貌还有待进一步查明, 据现有资料它是晋宁、加里东、华力西、印支、燕山等5次叠加造山所形成的复合造山带, 这些造山带互相关联、互相制约, 但其范围、展布方向又不完全一致。
加里东造山带的主体在祁连山—北秦岭, 有可能经胶南、苏北至朝鲜半岛北部作北西至近东西向延展, 与晋宁期秦昆带在秦岭斜向叠加, 北端为阿尔金优地槽所截。在祁连、北秦岭一带发育早古生代双峰式海相火山岩和岛弧型火山岩以及长达数百公里的蛇绿混杂岩带多条。形成一条巨大的加里东期重熔型花岗岩链, 并有蓝片岩带出现, 显示了造山的演化过程。其间的柴达木、大别、胶南—苏北等地块均来自塔里木、华北陆块和扬子陆块。这一时期昆仑、大巴地区属陆内裂陷槽, 出现浅水海盆沉积。
华力西期造山带的主体在昆仑、西秦岭—带, 石炭—二叠纪时属特提斯洋北侧的一个分支, 呈向西南开放的喇叭状。在中昆仑、阿尼玛卿一带有代表洋壳的蛇绿岩带分布, 塔里木南缘的柯岗断裂和柴达木南缘的金鱼湖—阿尼玛卿断裂可能是特提斯北支于早二叠世闭合时的缝合带。东秦岭及其以东地区属陆内裂陷性质, 华力西期造山带作近东西向展布, 在秦岭地区与加里东期秦祁造山带亦为斜向垒加, 所以导致秦岭地区的构造十分错综复杂。
4 古华夏构造域
位于我国东南部, 它涉及华南褶皱系和扬子地台两大构造单元及东南沿海褶皱系。该两构造单元在四堡期拼接形成四堡期弧形造山带。此后受到多期拉伸裂陷与来自东南方向的压缩作用, 经加里东、华力西运动, 发展至印支期, 形成一个总体作北东北东东向展布, 指向上扬子的叠加式弧形复式造山带。与华南西部以川滇青藏地区向北东方向突出的弧形构造带大体对称。二者之间为发育于攀西、黔东南北西构造带之间的构造干涉地带。
南华加里东期裂谷, 可能是沿绍兴—萍乡—北海古结合带发展起来的, 加里东运动时再次拼接, 因之, 加里东期褶皱系可分为两大部分, 即发育于扬子基底斜坡上的湘桂褶皱带和奠基于华夏古陆上的华夏褶皱带。后者由于先是向北, 后是向西的逆冲、叠覆、拼接, 概括古华夏域的构造格局, 不难发现, 由于构造域的东南部是一个裂解沉沦了的华夏古陆块, 并濒临东南侧的古大洋, 其构造、沉积、岩浆、变质作用的演化, 既具有陆间活动的某些特点, 又具有迭次向南东迁移的发展趋势。
5 特提斯构造域
主要包括昆仑—秦岭活动带以南、扬子地台以西的青藏高原地区。分属华南褶皱系的西部陆缘带、藏滇板块和印度板块北缘。它们由5条含有蛇绿岩带的结合带与5个地块相间排列, 呈现条带状的构造格局。
新特提斯开始出现在三叠纪末, 印度河—雅鲁藏布江张裂带开始活动到侏罗纪进一步扩张形成中、新生代洋盆, 即特提斯主域向南迁移, 三叠系从南至北, 呈稳定型沉积—过渡型沉积—活动型沉积的变化, 显示新特提斯于雅鲁藏布江一带开始拉张, 到侏罗—白垩纪形成新特提斯洋。雅鲁藏布江带间的蛇绿岩套及深海沟沉积, 是新特提斯洋的遗迹。
冈瓦纳大陆于白垩纪开始解体, 印度洋扩张并驱动印度大陆向北漂移。新生代开始, 至始新世末, 新特提斯洋消减于欧亚大陆之下, 最后导致印度大陆与欧亚大陆的碰撞, 欧亚大陆最后形成。每次洋壳的消减都伴以大陆增生, 显示萌特提斯-古特提斯-新特提斯的演化。
滨西太平洋构造域是一个巨型构造域, 自印支运动后, 由于联合成一体的欧亚超级大陆板块与库拉—太平洋超级大洋板块间发生了强烈的相互作用, 从而形成了极为壮观的滨西太平洋构造域。其影响深入板内, 并使大陆受到了大面积、大规模地改造。但它的作用都叠加在古亚洲、华北地台、古华夏和部分东昆仑—秦祁构造域之上。
结束语
综观整个地质历史发展演化阶段, 都出现相应的成矿作用, 在不同的地质历史演化阶段和不同的构造单元内出现的成矿特征。
摘要：我国的地质构造不同时期构造运动所形成的次级构造单元之间, 出现有规律性的演化关系。为了反映这些构造类型的时间演化、空间展布和对区域成矿作用的影响, 将我国划分成五大构造域。
关键词：中国,地质,构造,基本轮廓
参考文献
[1]江西省地质局.初论与斑岩有关的“多位一体铜矿床的成因模式”[J].地质学报, 51卷, 第1期.
纯色光影有关轮廓的艺术遐想 篇8
黑与白的怀旧色彩带我们重温这疯狂盛行于上世纪二、三十年代的舞种。飞扬的发丝、舞动的流苏和夸张的表情,都为这只牛仔舞增加了一份活力与俏皮。而舞者腿部的运动轨迹更让人领略到国际大师们的脚下动作之快。
光影线条的清晰勾勒和纯色调的影像是否勾了起你对胶片时代千丝万缕的恋旧情怀? 手捧单反,我们在五颜六色中疯狂痴迷于高科技设备的参数设置,而体育舞蹈本身最大的魅力却是不受相机的限制。舞者们激昂的肢体语言激发摄影师无限的构图灵感,为我们创造出无限艺术遐想空间。对光影和角度的执着追随才是摄影师们的创作本能。
数字图像轮廓特征提取过程研究 篇9
数字图像处理泛指从图像获取到图像信息输出的全过程, 包括对已有图像信息的处理, 它具有精度高、成本低、速度快及灵活性好等特点, 使得其在诸多领域得到了广泛的应用。作为数字图像处理的常用技术, 图像增强、图像分割、边缘检测等已经发展的较为成熟【1】, 并经常被结合起来用以处理图像。
轮廓特征提取作为数字图像处理中的一个重要方面, 更是许多有关图像研究的重要中间环节, 目前已有很多相关工作完成【2】。提取出图像中物体的大致轮廓等特征可以用来模式识别【3】、物体判断、数学特征值 (如分形维数【4】) 等的计算。
本文对图像轮廓提取过程及应用到的关键技术进行了研究, 给出照片中河流轮廓提取实例。
2 图像轮廓特征提取的流程分析
对于给定的原始图像, 为了提取出轮廓特征, 需要消除图像中的无用噪声, 同时考虑增强消噪后可能变模糊的图像中对提取有利的特定信息, 在此基础上把图像分割成有意义的区域, 再使用特定算子勾勒出图像的轮廓。下图为图像轮廓特征提取的流程示意:
本文对已有的数字图像, 采用目前常用的空间域和频率域的平滑算法 (如理想低通滤波器) 滤波去噪增强, 然后选择适当的阈值分割法 (如OTSU算法) 分割得到二值化黑白图, 再采用适当的边缘检测算子 (如log算子) 提取图像的轮廓特征, 并对所用技术进行描述。
2.1 图像增强
图像经过增强处理后效果会得到改善, 它的某些特定信息将得到增强。在增强过程中, 不分析图像降质的原因, 处理后的图像不一定逼近原始图像, 即可以是一个失真的过程, 且不能增加原图像得信息。其目的是要增强视觉效果, 针对给定图像的应用场合, 有目的地强调图像的整体或局部特性, 扩大图像中不同物体特征之间的差别, 强调某些感兴趣的特征, 抑制不感兴趣的特征, 满足某些特殊分析的需要。将原来不清晰的图像变得清晰或改善图像质量、丰富信息量, 加强图像判读和识别效果。
根据图像增强处理过程所在的空间不同, 可分成基于频率域的方法和基于空间域的方法。前者是一种间接增强的算法, 把图像看成一种二维信号, 经傅里叶变换将图像从空间域变换到频率域, 然后在频率域对频谱进行操作和处理, 再将其反变换到空间域, 从而得到增强后的图像;后者直接在图像所在的二维空间进行处理, 即直接对每一个像素的灰度值进行处理。基于空域的算法分为点运算算法和邻域去噪算法:点运算算法即灰度级校正、灰度变换和直方图修正等, 目的或使图像成像均匀, 或扩大图像动态范围, 扩展对比度;邻域增强算法分为图像平滑和锐化两种:平滑一般用于消除图像噪声, 但是也容易引起边缘的模糊, 常用算法有均值滤波、中值滤波。锐化的目的在于突出物体的边缘轮廓, 便于目标识别, 常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。
2.1.1 理想低通滤波增强
一般图像的能量主要集中在其低频部分, 噪声和系统中所要提取的边缘信息主要集中在其高频部分, 图像增强的目的是去掉高频干扰又同时保持边缘信息。可以采用低通滤波的方法去除高频干扰来平滑图像。低通滤波是频域滤波增强的一种, 是在变换域空间对图像进行滤波。如上所述, 一般通过某种变换 (如傅里叶变换、小波变换) 将图像从空间域变换到频率域, 然后在频率域对频谱进行操作处理, 再将其反变换到空间域, 从而得到增强后的图像。图像从空间域变换到频率域后, 其低频分量对应了图像中灰度值变化比较缓慢的区域。
以傅里叶变换为例, 频域滤波的主要步骤为:
(1) 对原始图像f (x, y) 进行傅里叶变换得到F (u, v) :假设图想以undefined存储, 则离散傅里叶变换undefined可由如下公式得到
undefinedundefined
(2) 将F (u, v) 与传递函数H (u, v) 进行卷积运算得到G (u, v) :
undefined
(3) 将G (u, v) 进行傅里叶逆变换得到增强图像g (x, y) :
undefinedundefined
故频域滤波的核心在于如何确定传递函数H (u, v) , 一个二维的理想低通滤波器的传递函数如下:
undefined
式中, D0是一个非负整数;D是从点 (u, v) 到频率平面原点的距离, 即:
undefined
理想低通滤波器的含义是指小于D0的频率, 即以D0为半径的圆内所有频率分量可以完全无损地通过, 而圆外的频率, 即大于D0的频率分量则完全被除掉。
2.1.2 Roberts算子锐化
图像滤波平滑往往使图像中的边界、轮廓变的模糊, 为了减少这类不利效果的影响, 这就需要利用图像鋭化技术, 使滤波增强后图像的边缘、轮廓线以及图像的细节变的清晰。经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算, 因此可以对其进行逆运算 (如微分运算) 就可以使图像变的清晰。
Roberts算子又称为梯度交叉算子, 是一种利用局部差分算子寻找边缘的算子。梯度幅值计算近似方法如图2:
(i, j) 为当前像素的位置, f (i, j) 为该点的灰度值, 由如下锐化公式得到表示增强后的图像 (i, j) 位置处灰度值g (i, j) :
undefined
2.2 图像分割与OTSU法
图像分割的目的是把图像空间分成一些有意义的区域, 可以逐个像素为基础去研究图像分割, 也可以利用在规定邻域中的某些图像信息去分割。图像分割比较正式的定义如下:
令集合R代表整个图像区域, 对R的图像分割可以看作是将R分成N个满足以下条件的非空子集R1, R2, …, RN:
(1) undefined;
(2) 对i=1, 2, …, N, P (Ri) =TRUE;
(3) 对∀i, j, i≠j, 有Ri∩Rj=φ;
(4) 对∀i, j, i≠j, P (Ri∪Rj) =FALSE;
(5) 对i=1, 2, …, N, Ri是连通的区域。
对于此定义需要补充的是, 实际的图像处理和分析都是面向某种特定应用的, 所以条件中的各种关系也是需要和实际要求结合而设定的。图像分隔的依据可以建立在图像像素间的“相似性”和“非连续性”两个基本概念之上。像素的“相似性”是指图像中在某个区域内像素具有某种相似的特性, 如像素灰度相等或相近, 像素排列所形成的纹理相同或相近。“不连续性”是指像素灰度的不连续, 形成调变的阶跃, 或是指像素排列形成的纹理结构的突变。故相似性分割就是将具有同一灰度级或相同组织结构的像素聚集在一起, 形成图像的不同区域;非连续性分割就是首先检测局部不连续性, 然后将它们连接在一起形成边界, 这些边界将图像分成不同的区域。图像分割方法又可以分为结构分割方法和非结构分割方法两大类。结构分割方法是根据图像的局部区域像素的特征来实现图像分割, 如阈值分割、区域生长、边缘检测、纹理分析等, 这些方法是假定事先知道这些区域的特性, 或者在处理过程中能够求得这些特性, 从而能够寻找各种形态或研究各像素群。非结构分割法包括统计模式识别、神经网格方法或其他利用景物的先验知识实现的方法等。
图像的黑白二值图像转化是指通过设定某个临界阈值, 大于该临界值时为白, 存储时用1表示, 小于该临界值时为黑, 存储时用0表示, 这样就可以将任意的彩色或者灰度图像转换成黑白二值图像。根据峰值个数以及处理过程的不同, 可以用不同的方法完成灰度图像转换为黑白二值图像的过程, 对于灰度峰值的多少, 可以设定多个不同的临界值。
常用的黑白二值化处理方法有:
1) 单阈值法。对于具有单灰度峰值的图像, 将灰度最大峰值作为临界值F, 并将图像点阵点上的颜色值小于等于某临界值F的像素undefined转换为黑色;大于F的像素值转换为白色。
2) 双阈值法。对于具有两个灰度峰值的图像, 将这两个最大峰值设定为两个不同的临界值F1和F2。当某个像素undefined的像素值介于F1和F2之间时设为白色, 其他情况设为黑色。
大津法 (又称OTSU法或最大类间方差法) 于1979年提出, 它是在灰度直方图基础上用最小二乘法原理推导出来的, 具有统计意义上的最佳分割阈值。Otsu法算法简单, 对光线等具有很强的自适应能力, 在灰度图像目标和背景的自动分割上具有广泛的应用。具体算法如下:
对图像A, 记t为前景与背景的分割阈值, 前景点数占图像比例为w0, 平均灰度为u0;背景点数占图像比例为w1, 平均灰度为u1。
图像的总平均灰度为:
u=w0×u0+w1×u1
从最小灰度值到最大灰度值遍历t, 当t使得值
g=w0× (u0-u) 2+w1× (u1-u) 2
最大时t即为分割的最佳阈值。
对大津法可作如下理解:g实际上就是类间方差值, 阈值t分割出的前景和背景两部分构成了整幅图像, 而前景取值u0, 概率为 w0, 背景取值u1, 概率为w1, 总均值为u, 根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量, 方差值越大, 说明构成图像的两部分差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小, 因此使类间方差最大的分割意味着错分概率最小。
2.3 边缘检测
图像的边缘是图像的最基本特征, 集中了图像大部分的信息, 图像边缘的确定与提取对于整个图像场景的识别与理解是非常重要的。物体的边缘是以图像局部特征不连续的形式出现的, 也就是指图像局部亮度变化最显著的部分, 例如灰度值的突变、颜色的突变、纹理结构的突变等, 同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特征, 通常沿边缘的走向灰度变化平缓, 垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点, 常见的边缘可分维阶跃型、房顶型和凸缘型。
当使用一阶倒数的边缘检测算子时, 如果所求的一阶导数高于某一阈值, 则确定该点为边缘点, 这样做会导致检测的边缘点太多。一种更好的方法就是求梯度局部最大值对应的点, 并认定它们是边缘点。通过去除一阶导数中的非局部最大值, 可以检测出更精确的边缘。一阶导数的局部最大值对应着二阶导数的零交叉点, 通过找图像强度的二阶导数的零交叉点就能确定精确的边缘点。通常将Gaussian滤波器和Laplacian边缘检测结合在一起, 形成LOG算法。即先用高斯函数对图像进行平滑, 然后再用拉普拉斯算子进行运算, 得到Laplacian-Gauss算法, 它使用一个墨西哥草帽函数形式:
undefined
这种方法在边缘检测时仅考虑那些具有局部梯度最大值的点为边缘点, 这一点可以用拉普拉斯算子将边缘点转换成零交叉点, 然后通过零交叉点的检测来实现边缘检测。所谓的零交叉点就是:如果一个像素出的值小于一θ0, 而此像素连通的各个像素都是大于θ0 (θ0为一个正数) , 那么这个像素就是零交叉点。
与其他边缘检测算子一样, LOG算子也是先对边缘做出假设, 然后再这个假设下寻找边缘像素。但Log算子对边缘的假设条件最少, 因此它的应用范围更广。另外, 其他边缘检测算子检测得到的边缘时不连续的, 不规则的, 还需要连接这些边缘, 而LOG算子的结果没有这个缺点, 对于Log 算子边缘检测的结果可以通过高斯函数标准偏差σ来进行调整。
3 基于MATLAB环境的实验分析
在MATLAB环境下定义函数并编写代码, 对一副照片上的河流轮廓进行提取, 过程如图:
图二是原始彩色照片灰度转化后的图像, 经过低通滤波去噪后得到图三所示图像, 去除了图像的高频噪声, 但略显模糊。对其进行Robert算子锐化调整后可以得到图四所示的增强图像, 图像特征明显变得清晰。大津法 (OTSU) 阈值分割后得到的图五可以看出特征区域和非关注区域的明显对比, 然后由log算子边缘检测提取河流的轮廓, 由图二和图六比较可见提取的效果较为理想。
4 结束语
本文首先介绍了数字图像轮廓特征提取的一般过程, 给出了流程图, 然后详细讨论了数字图像处理的中间环节技术, 并给出了这些技术的部分具体算法, 最后在MATLAB环境下编写代码, 从一副照片中提取出了河流的轮廓, 实验分析结果较为理想。数字图像处理技术应用于图像轮廓的提取, 能够简化一些实验研究工作, 缩短时间提高效率, 如提取的河流可以用于识别和地图绘制, 提取岩石断面轮廓可以用于分形维数计算等等。为了满足不同的需求, 研究者可以对提取过程中用到的技术加以改进或提出新的算法, 如采用不同的边缘检测模型和技术[5], 以达到自己研究所需要的特征和精度。
参考文献
[1]龚声蓉, 刘纯平, 王强等.数字图像处理与分析.北京:清华大学出版社, 2006, 1-84, 168-234
[2]邹柏贤, 林京壤.图像轮廓提取方法研究.北京:计算机工程与应用, 2008, 161-165
[3]魏冬冬, 聂铁铸等.人脸特征提取与识别技术研究.计算机与现代化, 2007, 3:69-76
[4]彭瑞东, 谢和平, 鞠杨.二位数字图像分形维数的计算方法.中国矿业大学学报.2004, 33 (1) :19-24