基于ART2神经网络的汽车车架纵梁模式识别

在研究了汽车车架纵梁图像后,针对汽车车架纵梁上孔的分布特征,提出了多元纵梁图像特征提取的方法.首先,通过小波变换提取图像小波分解系数用作纵梁图像的特征,然后把纵梁图像分成16个子矩阵(4×4)提取纵梁图像的边缘像素数,并作为神经网络的输入,得到纵梁模式识别的基本概率分配,最后根据D-S证据理论的合成规则得到识别结果.试验结果表明,该方法是有效的.     

在线检测系统中的图像快速拼接技术

针对汽车车架纵梁在线检测系统中序列图像的自动拼接问题,提出了一种稳健、快速、精确的自动拼接算法.利用基于特征的算法提取特征区域,并在待匹配模板中确定候选模块,考察序列图像间的运动特点,将搜索限制在一个小范围内,利用基于像素的方法在此范围内确定候选模块中的真实匹配块.此方法在满足图像拼接精度的前提下,大幅度提高了拼接速度.     

基于自组织特征映射神经网络的零件图像的识别

提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法,首先,对零件图像进行小波多尺度边缘检测,提取零件图像的边缘轮廓;然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由自组织特征映射神经网络实现识别.实验结果表明该方法是有效的.     

基于小波神经网络的炉膛火焰识别和诊断

提出一种利用火焰图像处理和小波神经网络技术进行炉膛火焰燃烧的快速、准确识别和诊断方法;通过火焰图像处理系统获取燃烧图像,提取用于燃烧诊断的火焰图像特征参数;构造用于燃烧诊断的小波神经网络,采用最小二乘算法进行小波神经元函数的选择;将提取的火焰图像特征参数作为小波神经网络的输入,通过训练和测试,进行火焰燃烧状态的预测.基于小波神经网络的图像处理和燃烧诊断方法具有准确、快速优点.     

基于小波神经网络的零件图像特征提取和识别

提出了基于小波提取零件图像特征的方法,该方法是应用小波变换对零件图像进行多尺度边缘检测,将被检测的边缘图像分成若干个子区域,分别统计其中的边缘像素量,各区域中的相对边缘像素系数作为零件图像特征,利用神经网络实现识别.文中给出样本的实验结果,结果表明文中提出的方法是有效的.     

面向汽车车架纵梁检测的序列图像快速拼接算法

根据汽车车架纵梁检测的实际要求，构建了实时视觉检测的系统装置。提出了一种改进的基于频域的FFT 拼接算法，用于拼接汽车车架纵梁的序列图像。该算法首先在相邻图像的重叠区域选取一块较大的区域，构成一幅新的图像，然后求出两幅图像的互功率谱，经傅立叶反变换后得到一个二维脉冲信号。通过求该脉冲信号的最大值来获得图像的配准参数。然后，提出了一种新的基于Canny算子的加权图像平滑算法用于图像的融合。该算法对于图像的光照变化和噪声等因素具有一定的适应性，而且拼接速度较快，适用于大量有特征序列图像的快速拼接。     

特种汽车车架制作工艺的分析与改进

特种汽车车架的质量主要由纵梁与横梁的装配精度来保证,某特种汽车车架纵梁与横梁结构复杂,采用现有工艺流程需要装配后配钻,生产效率低。为了保证质量和提高生产效率,对特种汽车车架制作工艺进行分析和改进,提出横梁工装定位和横梁钻孔工艺改进两项措施。工艺改进后,横梁与纵梁不再进行配钻,不仅保证了特种汽车车架的制作精度,而且提高了生产效率。     

基于小波神经网络的电路故障诊断方法

本文根据小波神经网络故障诊断的基本思想,提出了一种基于“小波系数特征故障”的小波预处理神经网络模拟电路故障诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了BP神经网络的训练速度.能迅速有效地进行故障检测和定位。     

滚动轴承表面损伤故障智能诊断新方法

本文针对目前基于小波变换的滚动轴承故障诊断研究中普遍存在小波变换参数选取和故障特征计算无法自动完成的问题,提出了一种基于小波包变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取.最后,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型,利用实际的滚动轴承实验数据进行了验证,结果表明了本文方法的有效性.     

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。