基于LM-BP神经网络的起重机制动器故障识别系统研究

研究了液压盘式制动器的故障种类,使用基于LM算法改进的BP神经网络作为系统框架,利用制动器故障状态数据进行网络训练,最后通过训练好的网络识别待测样本故障原因,结果与实际情况相符,表明使用LM-BP神经网络进行制动器故障识别快速、有效。     

利用BP神经网络识别图像基点

论述了运用BP神经网络对图像进行识别.介绍了BP神经网络的算法设计、隐层节点的选取等问题.结果表明,BP神经网络有很强的自适应性,对大量样本识别后,能将图像中需要的基点有效地识别出来,且达到较高的准确率.     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于BP神经网络的手写数字识别系统

针对多数机构面临的大规模报表数据录入问题,提出了一种基于BP神经网络的手写数字识别系统。对输入图像进行图像预处理、图像分割和特征提取,随后将提取的特征信息输入到已经训练好的BP神经网络进行分类识别。训练数据包含140幅大小归一的数字图片,其中100幅作为训练集,40幅作为验证集,并以10幅带有若干手写体数字的图片作为测试集进行识别分析。经Matlab仿真实验结果表明,该分类器具有较短的收敛时间和较为理想的识别精度,在实际工作中具有良好的应用价值。     

高压输电线路除冰机器人障碍物识别方法研究

障碍物检测识别是高压输电线路自主除冰机器人的关键技术之一.针对220 kV输电线路特殊的机器人工作环境,提出一种基于视觉的障碍物识别方法.首先对拍摄的障碍物图像进行中值滤波、膨胀腐蚀等预处理,经OTSU阈值优化计算后,用小波模极大值算法提取图像边缘.然后计算障碍物边缘图像的联合不变矩特征,再把矩特征输入小波神经网络进行障碍物图像的分类识别.并选取防震锤、悬垂线夹、耐张线夹三类障碍物做识别试验,还把小波神经网络与普通BP神经网络识别性能进行了比较,实验表明:以联合不变矩作为障碍物识别特征具有良好的可靠性和稳定性;小波神经网络识别分类的性能良好,比普通BP神经网络具有更快的收敛速度和更高的识别精度.     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

基于PSO改进BP神经网络算法的金属表面缺陷分类

为了实现金属工件表面缺陷在线检测,利用CCD传感器和图像处理技术,对金属工件表面孔洞、划伤和壳状凸起等缺陷进行特征提取与分类。采用自适应阈值分割法对预处理图像进行缺陷特征分割,运用BP神经网络建立对样本的缺陷特征向量和缺陷分类结果的网络预测模型,为了提高网络模型的精确度,采用PSO算法改进BP神经网络的权值和阈值,通过实验样本验证和对比BP和PSO-BP模型的准确率和平均误差,试验结果表明基于PSO-BP算法的金属表面缺陷分类准确率达到85%以上,获得了更优的分类效果。     

基于BP神经网络的翻车机液压系统故障诊断

为了快速诊断出翻车机液压系统故障产生的位置以及故障原因,提出了一种基于BP神经网络算法的翻车机液压系统故障诊断方法,在此基础上提出了大型液压系统故障诊断分块建模的原则。利用某公司C型转子式翻车机故障数据样本建立了整体、分块故障诊断BP神经网络模型,对比实验数据分析表明,采用分块建模原则建立的BP神经网络故障诊断模型对翻车机液压系统故障具有较高识别精度,对提高翻车机液压系统状态监测与故障诊断能力有较大实用价值和工程意义。     

基于双隐含层BP算法的激光主动成像识别系统

在传统激光主动成像系统的基础上,结合目标识别技术搭建了一个激光主动成像识别系统实验平台,用于研究激光主动成像后的目标识别。介绍了实验平台的工作原理,基于Hu矩特征的双隐含层BP神经网络算法以及实验处理流程和实验结果。特征量由7个不变Hu矩构成,通过240张原始目标样本库对由136个权值系数构成的双隐含层BP神经网络算法进行了训练。利用训练好的双隐含层BP算法对黑夜条件下远处的运动目标--43式冲锋模具枪进行了实验研究,成功获得了清晰的红外激光主动成像效果。实验显示对450 m处2 740帧和550 m处2 420帧激光主动成像图像的统计识别率达到了68.87%和72.11%,其中旋转变换下的统计识别率可达80.05%和84%,好于仿射变换的识别效果。     

基于图像处理技术的微光瞄准镜故障检验

结合OpenCV与VC技术,提出了一种基于图像处理技术的微光瞄准镜故障检验的方法.首先通过采集微光瞄准镜图像得到30幅图像,把30幅图像求平均后得到一帧标准图像.经过中值滤波处理,然后用采集到的有故障的图像与标准图像相减,判断出所采集的图像与标准图像是否存在差异点,从而判断出是否存在故障,该种方法就是图像减影法.经过实验得到了减影后有故障的图像,证实了该算法的可用性.该算法简单实用,可以较好地识别出微光瞄准镜上如亮点、黑斑等的故障.相比于大多数减影法,不但很好地结合了OpenCV技术,更在识别精度上有了很大的提高和灵活性.     

基于视频图像的工业仪表高速自动识别

针对工业现场高速变化的灯板仪表全自动检测的问题,提出了一种基于图像识别的检测方法。本方法采用高速工业相机获取仪表视频图像,并采用数字图像处理技术,对单帧图像用OSTU算法进行二值化分割,运用邻域平均法进行平滑处理,通过闭运算以完成去噪,运用Hough变换以实现对灯的逐一定位,并用灰度检测法对灯状态进行判读,最后保存视频。研究结果表明,该算法可靠有效,系统能够高速准确地应对仪表位置的变化,为进一步的一般化视频检测奠定了基础。     

基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别

针对货车运行故障动态图像中车辆挡键、集尘器和安全链锁紧螺栓的故障检测,提出一种基于稀疏编码空间金字塔匹配和遗传算法优化的支持向量机相结合的通用故障自动识别算法。首先在不同尺度空间对样本图像进行划分,对每个部分提取尺度不变特征变换特征,利用随机抽取样本的SIFT特征通过迭代学习生成字典并进行稀疏编码;其次利用主成分分析定义编码后的特征对故障识别准确率的贡献值,并据此对编码特征进行降维;然后利用编码降维后的特征结合遗传算法对线性SVM分类器进行训练;最后用训练好的分类器模型对挡键、集尘器和安全链锁紧螺栓的故障进行识别。实验结果表明,本文提出的算法能较好的应用于3种不同类型的故障识别,识别率分别为97.25%、99.00%和97.50%,同时对噪声和光照变化具有一定的鲁棒性,能满足车辆故障的实际检测需求。     

基于ICEEMDAN-GRNN神经网络的往复泵故障诊断方法研究

往复泵作为石油石化行业重要的输送设备,通过振动监测手段来保证系统的安全稳定运行具有重要的现实意义。如何对往复泵的非平稳和非线性信号提取特征并进行准确识别是诊断中的关键问题。针对往复泵故障特征的提取,提出了一种利用ICEEMDAN-GRNN神经网络相结合的诊断方法。首先利用ICEEMDAN对采集的原始信号进行分解得到若干个IMF分量,然后计算IMF分量的奇异谱熵并构造特征向量,再将特征向量输入到GRNN神经网络进行训练和模式识别。研究表明:该方法可以有效提取往复泵的故障特征并进行准确的模式识别。     

Classification of esophagitis grade by neural network and texture analysis

Esophagitis is divided into four grades according to the progress degree of disease by the LA classification method. This research was carried out on image processing with endoscope images for quantifying the four grades under the LA Classification. In a previous paper, which presented our work, the algorithm for detecting abnormal parts from one image was developed. This paper was conducted to classify esophagitis grade of one image itself. Whole 30 images were used in an experiment and included normal images and abnormal images with four grades. GLCM (gray level co-occurrence matrices) factors were extracted. The distributions of the texture image histogram were analyzed from each image for texture images. The algorithm to determine esophagitis grade used BPN (Back propagation network) that was composed of the texture histogram distribution for input data. It learned 20 images and verified with 10 images to diagnose under the LA classification system. Recognition ratio of learning result was 93.0% and verification result 77.0%. With features of the neural network, the success rate could be improved with this result by learning the data which were errors. Consequently, the recognition success rate appeared at 96% by total re-learned 30 images in addition to 10 images. This paper was recommended for publication in revised form by Associate Editor Dae-Eun Kim     

基于卷积神经网络的时频图像识别研究

变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络（convolutional neural network,CNN）的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。     

Water meter pointer reading recognition method based on target-key point detection

With the rapid development of video image technology and fifth-generation mobile network technology, the automatic verification of mechanical water meters has become an increasingly important topic in smart cities. Although much research has been done on this subject, the efficiency and accuracy of existing water meter pointer reading technology can still be improved. This paper proposes a new water meter pointer reading recognition method based on target-key point detection. Our method consists of a target detection module and a key point detection module. The target detection module uses a modified YOLOv4-Tiny network to detect and classify the areas where the dials and pointers are located in water meter images with distinct characteristics. The key point detection module is used to detect the key point of the pointer image. In this module, the structure of the RFB-Net network is improved to introduce multiple layers of low-level feature information, therefore, it can make full use of the information between multi-scale feature layers for key point detection. In addition to, aiming at the problem of dial rotation, a method of establishing a right-angle coordinate system based on key point is proposed to realize pointer reading. The whole method proposed in this paper is compared to the Hough transform feature matching algorithm and traditional machine learning algorithms through experiments which test the detection and recognition of the water meter dial, pointer and key points. The experiment results show that the missed detection rate of the model in this paper is 1.88% and 1.07% for the dial region and the pointer region, respectively. And the accuracy rate reaches 98.68%, the average processing time per image is 0.37 s. This implies that the water meter inspection task is completed quickly and accurately with strong robustness. Thanks to the lightweight algorithm of our approach, the model can also be fully automated and easily deployed on mobile devices.     

基于机器视觉的芯片编号识别算法

针对芯片检测过程中芯片编号形状小、人眼无法识别的现状,开发了一套芯片编号识别系统。系统以机器视觉技术为基础,配备高分辨率Basler相机、高倍率镜头以及高性能点光源,能实现高分辨率图像采集;利用Hough直线检测对图像进行水平旋转,利用图像轮廓查找算法对兴趣区域进行提取分割,利用帧差法对兴趣区域与标准库进行比较,找到最匹配的图像,其标签为识别结果。实验结果表明,运用系统的图像处理算法可以代替人眼通过高倍放大镜识别,改进了芯片检测工艺,大大提高了芯片检测的效率。     

基于嵌入式的剑麻绳图像采集与检测系统

针对生产前期剑麻绳毛刺生成过多影响设备安全性和可靠性，因少部分粗细不均造成的整捆麻绳机械强度降低的问题，以数字信号处理和图像识别技术为基础，采用ARM+DSP嵌入式微处理器，结合PLC控制和图像检测技术，设计基于嵌入式的剑麻绳图像采集与检测系统，完成系统硬件和软件的设计。系统测试中，摄像头驱动加载流畅、图像采集稳定，通过图像处理算法快速实现麻绳直径实时显示，采用SQLite 嵌入式数据库完成剑麻绳生产过程中直径参数的实时监测和存储。系统可为自动化控制提供可靠的参数支持，为实现整个剑麻绳生产工艺的自动化和信息化提供可靠保证。