工件装配基准端的形状识别研究

为了有效识别工件的装配基准端,根据工件两端不同的形状特征,提出了一种基于改进的Hu不变矩和LM-BP神经网络的工件装配基准端识别方法。该方法针对Hu不变矩在离散图像缩放运算上存在较大误差的问题,采用改进的Hu不变矩提取工件两端的形状特征值;用提取的特征值训练LM(Levenberg-Marquardt)算法优化的BP神经网络(即LM-BP神经网络),实现工件两端的形状识别,判断装配基准端。实验结果表明,改进的Hu不变矩能保证特征值在图像缩放情况下的不变性,改进的Hu不变矩与LM-BP神经网络结合的识别算法对工件两端形状具有很好的识别能力。     

基于HMM和仿射不变矩三维模型归类与检索算法

针对Hu不变矩对仿射形变图像描述的不足,为提高三维模型的检索精度,提出一种基于Hu不变矩和仿射不变矩特征性融合的隐马尔科夫模型相似性归类与检索算法。首先使用Sobol算子对机械零件三维模型进行轮廓边缘的提取,得到二维的正等测轴测图,然后对该图进行组合不变矩的特征提取,并进行特征值的编码,最后构造五类机械零件三维模型的样本集,通过添加比例因子的多观测值b-W(baum-Welch)算法进行机械零件三维模型的训练与识别,仿真实验表明本文所提算法具有较高的识别率。     

基于分层模糊支持向量机的油液磨粒自动识别

提出基于模糊支持向量机的机械设备在用油液磨粒自动识别方法。首先利用K-均值聚类算法对磨粒图像进行分割,提取磨粒的形状尺寸特征参数、边缘细节特征参数、表面纹理特征参数作为其量化表征,分别选择最能反映待识别磨粒特征的参数作为各个二分类器的输入向量;然后结合二叉树法和一对多法间接构造磨粒的分层多类别分类器模型,在训练过程中同时利用粒子群算法优化分类器的参数,建立一种参数自适应的模糊支持向量机分层多类别分类模型。将该模型应用到旋挖钻机在用油液的磨损颗粒识别中,识别率最高达90%。该模型结构简单、分类精度好,在磨粒识别领域较大的工程应用价值。     

采棉机器人中棉花成熟度的识别

为了提高采棉机器人中成熟棉桃的正确识别率,提出了基于Hu不变矩提取棉桃的形状特征,采用支持向量机分类器构造棉桃分类系统的方法。针对棉桃预处理图像提取Hu矩,将特征送入BP神经网络进行学习,用训练得到的模型对测试样本进行测试。实验结果表明:该方法能快速识别成熟棉桃,且具有较高的识别率。因此对采棉机器人的实现具有重要意义。     

基于深度支持向量机的曲轴智能识别方法

针对拓扑形状结构相似、仅在局部细节上有差别的曲轴识别问题,提出一种基于特征融合的深度支持向量机(DSVM)识别方法,该方法将深度神经网络与多个支持向量机(SVM)相结合构成一种网络模型,通过最大限度地利用支持向量结构风险最小化原理提取深层特征,以建立特征和目标值之间的复杂非线性映射关系,保证模型的泛化能力.该模型包含数据的输入层、隐藏层和输出层,为获得较好的曲轴图像局部细节边缘检测效果,从滤波、梯度计算、自动获取高低阈值等方面对传统Canny边缘检测算法进行改进,进而提取边缘的Hu矩、傅里叶描述子和尺寸特征,通过串行融合和特征筛选方法对提取到的3类特征进行优化组合并做归一化处理,作为DS-VM模型的输入向量用于训练最浅层的SVM;高层的特征由低层的支持向量映射产生,实现逐层的训练学习,通过反向传播算法对网络进行更新,由判别函数输出网络的分类识别结果.通过设计曲轴图像采集方案,建立了5类曲轴样本数据集,并验证了模型的性能.实验结果表明,该模型识别精度可达99.6％,相较于单一的SVM和AlexNet分别提高了6.6％ 和3.1％,识别时间为93 ms,符合再制造废旧零件修复或改造柔性生产线中对曲轴识别的要求.     

基于PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

基于支持向量机的磨粒铁谱识别系统

提出了一个基于支持向量机的磨粒模式识别系统。该系统先对磨粒的铁谱分析图像进行预处理,然后提取特征参数,最后利用支持向量机对磨粒所属的类型进行分类。     

一种新的轮胎激光散斑检测缺陷识别方法

在轮胎缺陷识别系统中,提出将轮胎ESPI缺陷图像灰度纹理特征和一种改进的Hu不变矩特征的组合作为特征因子,结合支持向量机的方法应用于轮胎ESPI缺陷图像的分类识别。理论分析和仿真实验表明使用Hu不变矩以及Hu不变矩和灰度纹理特征结合分类效果较好,总体识别率达到了96.7%。     

基于支持向量机的焊缝缺陷类型识别研究

针对焊缝的线形和圆形两种主要缺陷,提出了一种基于支持向量机的焊缝缺陷种类识别算法。首先,对焊缝X射线图像运用模糊C均值聚类、区域填充、均值滤波、边缘检测、大津阈值及谷发现图像预处理算法,获取焊缝缺陷的位置,然后通过逆表面阈值算法将缺陷从焊缝中分割出来;利用基于分段分形纹理分析算法提取焊缝缺陷的特征值;最后将特征值输入到基于支持向量机的焊缝缺陷分类器中,识别出焊缝缺陷种类。试验结果表明,通过对150张焊缝X射线图像进行训练,对80张焊缝X射线图像进行测试,平均正确识别焊缝缺陷种类的准确率达97.5%,满足工业要求。     

基于改进形态学梯度和Zernike矩的亚像素边缘检测方法

为满足电荷耦合器件(CCD)图像测量系统的快速、高精度测量要求,提出了一种基于改进形态学梯度和Zernike矩算法的图像亚像素边缘检测新方法.基于CCD图像灰度和空间结构信息特点,该算法先利用改进的数学形态学梯度算子进行边缘点的粗定位,在像素级上确定边缘点的坐标和梯度方向;然后再根据构造的边缘点向量和参考阈值,用Zernike矩算法对边缘点进行亚像素的重新定位,实现图像的亚像素边缘检测.仿真图像和实际图像的边缘定位实验结果表明,与Zernike矩、LOG-Zernike矩及Sobel-Zernike矩算法相比,该方法具有更好的定位精度与抗噪性,且检测速度更快.