基于多特征判别的密封圈缺陷检测

针对小直径任意形状密封圈的缺陷自动检测,提出一种基于图像处理的多特征检测识别方法。对密封圈图像进行二值化、滤波、轮廓提取与跟踪等预处理,获取密封圈边界内外轮廓线;通过定义轮廓曲线段偏移概率矩阵,计算了偏移二阶矩、熵以及最小外接矩形宽长比,构建了特征向量;采用基于均值向量和标准差向量的分级筛选,判断缺陷是否存在及其位置,并对检测到的缺陷点按欧氏距离进行合并。实验仿真结果表明,该方法能够检测出不同形状密封圈中毛边、缺损等缺陷,多特征的组合使用使整体检测率达到91.6%,给密封圈的质量检测提供了一种良好的思路。     

基于改进马尔科夫特征的图像拼接检测研究

针对传统马尔科夫特征拼接检测准确率不高的问题,提出了一种有效的马尔科夫特征提取方法。与传统马尔科夫特征的计算过程不同,只计算水平和垂直两个方向的转移概率矩阵,选择四个转移概率矩阵中对应位置求和后的值作为最终特征。求和操作不仅降低了特征维度,而且使真实图像与拼接图像之间的概率分布区分更加明显。所提出的算法的特征维度与数据集无关。该方法在哥伦比亚彩色拼接检测图库、CASIA V1. 0和CASIA V2. 0数据集上测试的准确率分别为94. 38%、99. 19%、96. 02%。     

群智能优化算法反演概率积分参数的性能比较与分析

目前,各种群智能优化算法涌现且各有特色、性能各异、普适性不强、在开采沉陷领域应用较少,更为重 要的是,众多学者面对该类算法,无法有效选择最优算法进行开采沉陷研究。 常见的群智能优化算法中狮群算法( Lion Swarm Optimization,LSO)、蝙蝠算法(Bat Algorithm,BA)、人工鱼群算法(Artificial Fish School Algorithm,AFSA)具有 不同的特征,且在概率积分参数反演中鲜有应用。 为此,将上述 3 种群智能优化算法引入概率积分参数反演中,并从 抗随机误差性能、抗粗差干扰性能、观测点缺失的抗干扰性能、参数波动性和全局搜索性能等几个角度对群智能优化 算法进行研究分析。 模拟试验及工程实例分析表明,上述 3 种群智能优化算法均满足应用精度要求。 LSO 算法在抗 随机误差干扰影响、观测点缺失的抗干扰能力方面以及参数结果总体波动性方面相对于 BA、AFSA 算法有一定优势; BA 算法在抗粗差干扰能力方面优于 LSO、AFSA 算法;在全局搜索性能方面,随着反演参数解空间范围扩大为原来的 2 倍后,用 AFSA 算法反演概率积分参数的精度优于 LSO、BA 算法。 通过详细比较分析,总结了上述 3 种算法在开采 沉陷中的性能表现,可为有效选择合适的群智能优化算法进行概率积分参数反演提供参考。     

检验THERP合理性及不足的实验研究——以汽车冷媒加注工序为例

为了检验人的失误概率预测技术（technique of human error rate prediction，THERP）的合理性及不足，以汽车内饰冷媒加注工序为例，采用E-prime实验的方法分析了冷媒加注工序的人因失误概率。通过比较发现，汽车冷媒加注工序的4个任务的人因失误概率的实验结果与THERP的理论计算结果基本一致，说明了THERP方法的合理性。并说明了THERP的不足在于计算人因失误时忽略了操作行为中的认知过程。