基于SIFT-SUSAN算法的零件图像特征提取研究

把SIFT-SUSAN算法应用在零件图像的特征提取上,检测图像的特征极值点。首先对采集的图像进行均值滤波和Laplace锐化预处理,以此增强图像的边缘响应;利用高斯卷积和高斯差分建立尺度空间域;再利用SIFT算法提取空间极值点,并引入SUSAN算子检测空间角点;计算两种特征点的位置,生成特征描述子,实现零件图像的匹配。通过对垫片、螺母和轴承盖零件分别采用SIFT算法和SIFT-SUSAN算法进行对比试验,实验表明:SIFT-SUSAN算法结合了图像区域和边缘角点特征,得到更多的匹配点,提高了图片匹配的正确率。     

基于对比度与最小凸包的显著性区域检测算法

显著性检测算法常通过计算像素或像素块之间的对比度来确定显著性,但是图像背景中经常会出现特殊区域与图像其他部分也有较大的对比度,导致基于对比度的显著性检测算法无法将这部分背景区域与主要目标区分开.提出一种基于对比度与最小凸包的显著性区域检测算法.以超像素作为基本计算单位,使用Wasserstein距离衡量超像素之间的差异,通过计算超像素间的全局与局部对比度得到对比度显著图;找出图像中特征点Harris角点的最小凸包,以最小凸包几何中心为中心点,根据每个超像素与中心点的距离计算中心显著图;最后将对比度显著图与中心显著图相结合得到最终的显著图,这种算法可以有效地将背景中具有高对比度的区域区分开.在Corel和MSRA图像数据库上进行仿真实验,结果表明该文所提算法对显著区域检测的查准率、查全率等仿真评价指标相对于传统算法都有明显的提升.     

基于Contourlet变换遥感图像增强

摘要：提出一种基于Contourlet变换的空间域增强和变换域增强相结合的遥感图像增强算法。首先对原图像进行拉普拉斯塔式变换（LP）得到原图像的细节图像并将它和原图像线性相加实现空间域增强;然后对空间域增强后的图像进行Contourlet变换得到不同尺度和不同方向上的变换系数,构造非线性增强函数对变换系数做增强处理实现变换域增强;最后对增强处理后的变换系数进行Contourlet反变换,实现最终的图像增强。试验结果表明：与应用于遥感图像传统增强算法相比,此算法可以得到更好的增强效果。     

基于Contourlet变换的遥感图像增强算法

提出了一种基于Contourlet变换的空间域和变换域增强相结合的遥感图像增强算法。首先对原图像进行拉普拉斯塔式变换（LP）得到原图像的细节图像,并将它和原图像线性相加实现空间域增强;然后对空间域增强后的图像进行Contourlet变换得到不同尺度和不同方向上的变换系数,构造非线性增强函数对变换系数做增强处理,实现变换域增强;最后对增强处理后的变换系数进行Contourlet反变换,实现最终的图像增强。实验结果显示：与其他增强算法相比,用本文算法增强后图像的均值可达到127,信息熵提高了10％以上,清晰度提高了7％以上,表明遥感图像得到了更好的增强效果。     

基于Harris角点的矩形检测

为了快速精确地对矩形进行识别和检测,开发了一套图像采集系统,并提出了基于改进的Harris角点检测法的快速矩形识别算法。首先,只针对多种角点中的L型角点进行快速检测,并通过亚像素级后处理提高角点的位置精度。然后,根据得到的高精度角点位置信息,任意组合角点并遴选相互平行且长度相等的直线段组,从而匹配出相互垂直且四个角点重合的平行直线段;将其作为矩形的四条边,进而循环识别出图像中所有的矩形元素。提出了伪矩形图形元素的甄别判据,以提高算法的精确度和可靠性。实验结果表明:分别用基于Harris角点和基于Hough变换的矩形检测算法处理同一图片时,前者的运算速度为后者的9.5倍;其图像识别精度能达到亚像素级,最大误差为0.4pixel。该算法满足工业应用中高实时性、高精度的要求,并且稳定性好,抗干扰能力强。     

基于角域平均和倒阶次谱分析的齿轮箱故障诊断

本文研究旋转机械非稳态信号的分析方法。对等时间间隔采样的齿轮箱振动信号,利用插值算法实现角域重采样。为了抑制与工频无关的噪声信号以提高信噪比,对重采样信号进行了角域平均。将倒频分析引入阶次分析中,以检测出功率谱中难以辨识的周期性。以上方法成功地识别了齿根裂纹故障,说明了对旋转机械非稳态信号进行角域平均和倒阶次谱分析的可行性和有效性。     

基于角域AR模型滤波的滚动轴承故障诊断

在齿轮噪源存在的变转速滚动轴承故障诊断过程中,因混合信号中转频分量相对较小,使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征,但这种算法不能确定故障位置,而且可能会出现误判。针对这一问题,提出了基于角域自回归(auto regressive,简称AR)模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速,根据估计转速信息对原混合信号进行等角度重采样,获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点,使用AR模型对其滤波,并且对滤波后信号进行包络阶比分析,完成故障判断。通过处理仿真信号和实验信号,验证了该方法不仅能有效地去除齿轮噪声,并且可以判断轴承故障位置。     

高密度电子电路频谱图的边缘检测算法

在利用电磁扫描技术检测高密度电路板的组装质量时,为了识别频谱图中的异常频率点,需要检测和提取频谱图中频谱曲线.而频谱图中频谱曲线的检测和提取效果直接影响异常频率点检测的准确度.本文致力于电路板频谱图的边缘检测方法的研究,提出了多窗口Canny自适应阈值边缘检测算法,即通过对频谱图进行窗口划分,在窗口内采用改进的梯度幅值的计算方法和自适应阈值Canny检测算法,实现了对频谱图的边缘检测.理论分析和实验结果表明,本文所提出的算法准确度高,可以得到较好的边缘检测结果,为识别频谱图中的异常频率点提供了更精准的频谱边缘图像.     

基于线调频小波路径追踪阶比能量解调的齿轮轮齿裂纹故障诊断

针对变速下齿轮裂纹故障信号微弱,难以提取这一特点,提出了基于线调频小波路径追踪的阶比能量解调算法,并将其应用于变速下的齿轮裂纹故障诊断。该方法先采用线调频小波路径追踪算法提取齿轮的啮合频率分量,由此得到转速信号;然后利用转速信号对原始信号进行等角度采样得到角域平稳信号;接着对角域平稳信号进行带通滤波和角域平均运算以消除干扰噪声的影响;最后使用能量算子解调求取瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值进行故障诊断。应用实例表明,该方法能有效地提取变速下的齿轮裂纹故障。     

基于Hough变换的焊缝位置检测技术

对Hough变换的应用技术进行了细致的分析,归纳出了图像域参数与变换域参数的三种对应关系,减少了Hough变换运行时一些盲目的搜索和计算,提高了算法的运行效率。在累加器设计上,应用了三元组数据结构,压缩了累计器的数量。应用Prewitt边缘检测方法和中值滤波技术将图像转换为二值图像,使边缘部分得以增强,噪声得到抑制。在此基础上,提出了一种新的焊缝位置检测方法,该方法不仅能检测出焊缝的偏离距离,而且能检测出焊缝偏离的方向。仿真与实际运行结果表明该方法检测精度高,抗干扰能力强。     

理想数字滤波器的谐波小波逼近模型与设计方法

分析谐波小波的频域特征和滤波特性,研究理想数字滤波器的谐波小波逼近模型与实现方法。利用谐波小波在频域具有良好的紧支特性和盒形特性,建立理想数字滤波器的小波逼近模型。通过谐波小波变换,实现逼近滤波器的带宽和中心频率的可调。该逼近滤波器的幅频特性已逼近理想数字滤波器的幅频特性,且具有零相移特性,并通过傅里叶变换实现其快速算法。通过算例和工程应用实例验证,该方法能有效地滤除噪声信号,具有算法简捷、快速等特点,能对实测信号进行实时滤波。     

Bearing fault diagnosis based on amplitude and phase map of Hermitian wavelet transform

The rolling element bearing characteristic frequencies contain very little energy and are usually overwhelmed by noise and higher level of structural vibrations. The continuous wavelet transform enables one to look at the evolution in the time scale joint representation plane. This makes it very suitable for the detection of singularity generated by localized defects in a mechanical system. However, most applications of the continuous wavelet transform have widely focused on the use of the Morlet wavelet transform. The complex Hermitian wavelet is constructed based on the first and the second derivatives of the Gaussian function to detect signal singularities. The Fourier spectrum of Hermitian wavelet is real, which the Fourier spectrum has no complex phase and the Hermitian wavelet does not affect the phase of a signal in complex domain. This gives the desirable ability to detect the singularity characteristic of a signal precisely. In this study, the Hermitian wavelet amplitude and phase map are used in conjunction to detect and diagnose the bearing fault. The Hermitian wavelet amplitude and phase map are found to show distinctive signatures in the presence of bearing inner race or outer race damage. The simulative and experimental results show that the Hermitian wavelet amplitude and phase map can extract the transients from strong noise signals and can effectively diagnose bearing faults.     

小波变换对瞬态信号特征信息的精确提取

研究了瞬态信号小波变换的相位特性和小波特征。采用了小波脊线的分析方法,详细分析了瞬态信号的小波脊线与瞬态信号的瞬时特征和特征信息的对应关系,建立了瞬态信号特征信息的精确识别模型和特征参数的精确提取方法。通过工程应用实例的验证,该方法对瞬态信号(特别是信噪比较低的弱信号)特征信息具有相当高的定位精度(误差不大于1个采样点)和识别精度(不存在累积误差),其算法简单、准确,且有较快的收敛性,可实现实测瞬态信号特征信息的实时分析。     

二进离散小波能量谱及其对微弱信号的检测

提出了二进离散小波的能量谱的分析方法 ,给出了实用的计算公式 ,论述了其可行性。导出了二进离散小波的能量频谱与离散信号频谱之间的关系。应用该分析方法有效地检测出了时域微弱奇异信号和频域微弱特征信号。能量时谱使二进离散小波分析得到的时域奇异信号更加突出 ,能量频谱发现了 Fourier分析不能得到的某些能量集中的特征信号。实例验证了该分析方法的优良特性 ,为设备运行状态检测和故障预报提供了一种新的手段。     

应用Hopfield神经网络和小波域隐Markov树模型的图像复原

为了解决传统的Hopfield神经网络图像复原算法对噪声抑制和图像细节保护不能很好兼顾的问题,提出了一种基于改进的连续Hopfield神经网络和小波域隐Markov树(HMT)模型的复原算法。将小波域HMT模型作为图像小波系数统计关系的先验知识,并以正则化项的形式引入到神经网络模型中,最终利用Hopfield神经网络的能量收敛特性完成图像复原。同时,提出了一种高度并行的网络权值矩阵计算方法,通过对模板图像进行算子操作,分批求取网络权值,避免了大型矩阵的乘法运算。实验结果表明,无论是对真实图像还是人工生成图像,算法复原结果的视觉效果均有明显改善,提高信噪比(ISNR)较传统同类算法增加0.3dB以上,达到了同时抑制噪声和保护图像细节的目的。     

基于复小波域树结构化MRF模型的声纳图像分割

声纳图像受成像环境影响对比度低,特性信息较弱,且图像分辨率不高,用传统的分割方法效果较差,为此,构建了双树复小波域树结构化的MRF模型(TS-MRF),提出了基于此模型的声纳图像分割算法。双树复小波变换(DT-CWT)具有近似平移不变性和良好的方向选择性,其多分辨率分析能有效地提取声纳图像的弱特征信息,以便TS-MRF中节点参数的描述能准确地反映树结构的分布规律和图像统计特性;复小波域6个方向高频子带相互独立,尺度间父子节点标号具有一阶Markov性;尺度内构建TS-MRF模型,且每一节点标号依赖于父节点,采用Potts模型对节点标号势函数建模,相同标号的观测特征用高斯模型建模;最后,用多分辨率递归和每一分辨率分类层次树从顶层向底层的尺度内递归算法来求解最大后验概率,实现分类层次树标号,完成声纳图像分割。实验结果从视觉效果和定量分析两方面验证表明,本文算法能有效地抑制噪声,较好地提取声纳图像的弱特征信息,具有较高的分割精度和鲁棒性。     

液压泵故障的小波变换诊断方法

分析了小波变换的时 -频局部化特性及基于多分辨分析的信号小波分解重构算法 ,研究了信号局部奇异性在小波变换下的特性。根据故障信号和噪声的局部奇异性在小波变换下的模极大值在不同尺度上的传播特性不同的特点 ,并利用小波分解重构算法 ,对泵壳振动加速度信号进行了分解、去噪和重构。大大改善了监测信号的信噪比 ,对故障特征信号进行了时域定位 ,提取了故障特征频率。     

基于遗传算法的匹配追踪小波分析及其在非平稳故障信号中的应用

闰美观分析理论在信号检测、故障诊断领域已得广泛应用,尤其是在处理非平稳故障信号方面,小波分析更为有效,匹配追踪小波分析是专门处理高度不平稳信号的一种算法,但该算法每次计算需要不断地调整小波库中的各个参数来寻找最佳的匹配小波,增加了算法实现的难度,从而限制了该算法的应用,本文提出基于遗传算法的匹配追踪小波分析,把遗传算法良好的多参量全局寻优特性和匹配追踪的基本原理有机地结合起来,并采用了处理非平稳信号的有力工具Wigner谱。利用该方法分别对仿真信号和试验信号进行分析,结果表明本方法十分有效,而且对实测故障信号的分析诊断结果与实际十分吻合。     

Application of Hermitian wavelet to crack fault detection in gearbox

The continuous wavelet transform enables one to look at the evolution in the time scale joint representation plane. This advantage makes it very suitable for the detection of singularity generated by localized defects in the mechanical system. However, most of the applications of the continuous wavelet transform have widely focused on the use of Morlet wavelet transform. The complex Hermitian wavelet is constructed based on the first and the second derivatives of the Gaussian function to detect signal singularities. The Fourier spectrum of Hermitian wavelet is real; therefore, Hermitian wavelet does not affect the phase of a signal in the complex domain. This gives a desirable ability to extract the singularity characteristic of a signal precisely. In this study, Hermitian wavelet is used to diagnose the gear localized crack fault. The simulative and experimental results show that Hermitian wavelet can extract the transients from strong noise signals and can effectively diagnose the localized gear fault.     

APPLICATION OF WAVELET PACKET ANALYSIS IN DRILL WEAR MONITORING

In this work, an attempt has been made to develop a drill wear monitoring system which is independent to cutting conditions of the drilling process. A cost effective Hall-effect current sensor, which does not interfere with the process, has been used for acquiring motor current signature during drilling under different cutting conditions. An advanced signal processing technique, the wavelet packet transform has been used on the acquired current signature to extract features for indirect representation to the amount of drill wear. Experimental sensitivity analysis reveals that in comparison to time domain features, wavelet packet features are more sensitive to flank wear and less sensitive to the cutting conditions. A multilayer neural network model has then been developed to correlate the extracted wavelet packet features with drill flank wear. Experimental results show that the proposed drill wear monitoring system can successfully predict the flank wear with acceptable accuracy.