基于图像化特征的雷达信号个体识别与工作模式识别方法

为解决传统复杂雷达信号特征参数提取困难而无法有效进行个体识别和工作模式识别的问题,提出一种基于图像化特征的雷达信号个体识别与工作模式识别方法．首先,利用变换域特征提取将雷达时域信号映射到图像域;然后,通过协同训练来对雷达信号进行个体识别;最后,在个体识别的基础之上,采用图像化特征重构方法和图像分类技术完成对工作模式的识别．实验结果表明,13类个体识别中,利用ResNet和BiLSTM网络协同训练的识别准确率能到82%以上;4类工作模式识别中,利用ResNet网络的识别准确率能到95%以上．     

一种基于谱估计的被动声呐目标识别方法

为解决被动声呐目标的特征提取与识别问题，通过对被动声呐目标噪声频谱特性的深入分析，给出了一种基于Welch谱估计的目标特征提取方法．对提取出来的特征采用动态规划的方法进行特征选择，得到用于识别的特征向量．对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取和特征选择．采用BP神经网络和最近邻法对噪声样本进行了分类识别实验，结果证实了所提方法的可行性和有效性．研究结果可以用于被动声呐目标识别．     

基于二次样条小波变换极大模的织物疵点检测方法

提出了一种基于二次样条小波变换极大模的织物疵点检测方法:首先由二次样条小波对织物图像进行分解,利用分解后的纬向和经向2个子图像建立正常织物图像和待检测织物图像的极大模边缘图像,并求得它们的差分图像;然后由差分图像提取特征参数检测织物疵点以及识别疵点的位置.实验表明:这种方法具有检测准确率高,稳定性好等优点.     

基于Gabor滤波器组与BP神经网络的帘子布疵点检测研究与实现

采用Gabor滤波器组对帘子布疵点图像纹理进行滤波,对滤波后的模值图像使用最大熵阈值分割,提取疵点轮廓的长、宽、长宽比、面积等特征值。将上述特征值归一化后分为两类：一类作为训练样本输入BP神经网络,对网络进行训练学习,网络计算结果收敛后结束训练;另一类作为测试样本对训练好的网络进行疵点识别。实验证明,该方法可以快速地检测疵点,利用训练的BP神经网络实现疵点分类,识别率达94%。     

基于小波变换和径向基神经网络的签名识别

主要研究利用小波变换和径向基神经网络进行签名图像的分类识别.它包括不同签名图像和相似签名图像的分类识别.所提出的方法包括小波域的图像特征提取和利用径向基神经网络的模式分类.采用小波的多分辨分析方法对签名图像进行时频分析特别有效.熵和能量相关特征的概念用于小波域.径向基神经网络具有快速的收敛速度和分类能力.实验仿真证实了...     

基于DCT域加权最大类间边缘准则的模式识别

本文提出一种加权最大类间边缘准则(WPMMC)特征提取算法,它是最大类间边缘准则(MMC)的一般形式;同时证明了这种新的特征提取方法在DCT域的提取结果与空间域足相同的.对于JPEG格式的压缩域图像,WPM-Mc直接在DCT域应用,可以省去计算IDCT的过程.最后,在人脸识别系统中检验这种基于DCT和WPMMC的特征提取方法.实验结果表明WPMMC方法比PEA、IDA和MMC方法提取的特征更为有效;保留部分DCT系数的识别结果略高于保留全部DCT系数和在空间域应用WPMMC方法的识别结果.     

小波分析用于织物疵点检测的图像增强研究

对采用小波分析去除噪声来进行疵点图像的增强以用于织物疵点自动检测进行了探索。借助MATLAB小波分析工具箱,研究了小波分析在对疵点图像进行去噪等图像增强方面的实际应用,并对全局阈值降噪和分层阈值降噪两种方法做了比较。实验结果表明,小波变换可以较容易地分离出噪声或其他不需要的信息;小波分析用于疵点识别的图像增强,能有效地消除噪声,去除织物纹理的影响,分层阈值法在此应用上更优于全局阈值法。     

基于Nios Ⅱ的纤维自动识别系统设计

研究基于Mtera的Nios Ⅱ Cyclone嵌入式系统开发板的硬件系统设计和纤维图像识别技术，开发了一种基于NiosⅡ的纤维自动识别系统．文中在介绍其总体构成的基础上，说明了系统硬件设计方法以及纤维图像的边缘检测、纤维图像的分割和特征提取及识别等软件设计方法．该系统适用于羊绒纤维的检测．     

视觉技术在轮胎帘布质量自动检测系统中的应用

将视觉技术应用于轮胎帘布的疵点检测,通过预处理和二值化提高了以灰度共生矩阵法提取图像特征值的计算速度和准确率,并结合欧式距离特征匹配法实现了对待测图像的疵点判别。     

基于灰度剖面直方统计的帘子布疵点识别研究

提出了运用帘子布图像的直线纹理特征,由概率统计生成灰度剖面直方统计图,有效地提取了帘子布图像的特征波形.波形特征参数对比能准确定位帘子布纹理结构的异常位置,正确识别帘子布疵点.该方法用于帘子布的缺陷检测,具有识别能力强、实时性好等优点,可以用于检测有规则纹理结构的物体表面及物体.     

织物表面疵点检测算法综述

介绍了机器视觉系统及应用于坯布疵点检测的现状,全面总结了最新国内外对于疵点检测的各种算法及其优缺点,提出生产实际中检测算法的评判标准．     

计算机视觉布料瑕疵检测方法综述

长久以来,布料的瑕疵检测工作一直由质检员完成,瑕疵判别过程受主观因素影响大,存在检测效率低、成本高等问题。随着计算机视觉技术的发展,基于视觉技术的布料瑕疵检测系统逐渐成为取代人工质检的重要解决方案。针对基于视觉技术的布料瑕疵检测,从行业发展情况、通用检测标准、系统整体结构、检测算法的关键技术等方面进行了综述,介绍了目前市面上已经存在的基于视觉技术的布料瑕疵检测产品,分析了目前常用的瑕疵检测标准与检测系统的基本结构,梳理并对比了近年来图像处理与深度学习技术在布料瑕疵检测领域的研究现状。最后,总结了各方面尚待解决的关键问题,并探讨了未来可能的发展方向。     

一种提取局部区域共同向量的瑕疵分类算法

针对同类布匹瑕疵外形和纹理差异性大,异类布匹瑕疵又存在一定的相似性,造成难以分类的问题,提出了选择瑕疵局部区域特征作为特征空间,采用共同向量方法提取布匹瑕疵特征与分类算法.局部区域特征是指瑕疵局部区域灰度直方图特征和瑕疵几何特征.首先通过最优化多通道二维Gabor小波检测出瑕疵区域,然后选择瑕疵局部区域灰度直方图统计特征、瑕疵长宽比特征和方向特征;再采用共同向量方法提取瑕疵共同向量特征;最后采用最小距离方法进行分类.该方法具有小样本学习能力、计算量小、识别率高等特点.     

小波分析在织物起毛起球客观评级中的应用

本文将小波分析方法应用于织物起毛起球图像分析,建立了基于二维离散小波变换的织物起球图像分析模型,提出了优化分析小波及相应的分析尺度的步骤,并利用Haar小波的方波形状与机织物的织纹结构具有相似性的原理,采用Haar小波对机织物起毛起球进行了分析,给出了织物起毛起球客观评定方法。     

基于数控机床的齿轮超声自动检测技术

为了解决小汽车变速箱齿轮种类多,尺寸小,外形复杂,手动无法进行内部缺陷超声检测的问题,研究开发了基于数控机床的齿轮超声自动检测技术.该技术采用了多入射面复合检测方法,即从齿顶面、内孔面及齿侧面3个轮廓面沿多个方向对齿轮进行检测,以检测出齿轮内部不同类型、形状以及大小的缺陷.检测系统由企业现有的数控机床作为机械扫描及控制子系统,只开发了超声检测和信号处理及自动判读子系统,大大降低了成本.     

基于二维稀疏表示和范数优化的织物疵点分类研究

针对一维压缩采样丢失图像的结构信息,并带来识别精度损失的问题,提出了二维压缩采样的方法.利用一组稀疏基对疵点原始数据进行感知得到稀疏化数据,将织物疵点数据用二维稀疏表示,再利用范数优化的方法实现压缩数据的准确重建,根据稀疏基的不同得到织物疵点的不同分类.该方法解决了采集数据的泛滥和传感器的浪费,降低了计算的复杂度,有利于织物疵点的分类研究,进而为机器视觉识别织物疵点打下理论基础.     

基于局部熵的织物疵点检测

在局部熵的基础上提出了一种织物疵点的检测与识别方法.在进行检测时,将织物图像分成大小相同的局部窗口,选取局部熵最小的窗口为待研究的区域,分割出疵点图像并用数学形态学中的开运算滤掉噪声,最后提取形态特征参数,识别疵点类型.研究表明此方法能避免对整幅图像进行复杂运算,具有识别正确率高,抗噪声能力强等优点.     

Yarn-dyed shirt piece defect detection based on an unsupervised reconstruction model of the U-shaped denoising convolutional auto-encoder

Due to the scarcity of defective yarn-dyed fabric samples in the textile industry,the imbalance of defect types and the high cost to manually design defect features gained the poor generalization,and the supervised model solves the problem of yarn-dyed fabric defect detection with difficulty.Therefore,an unsupervised reconstruction model is proposed based on the denoising U-shaped convolutional auto-encoder,and a residual analysis method ispresented to inspect yarn-dyed shirt piece defects.First,normal samples are collected for a specific fabric in the training phase.Second,an unsupervised reconstruction model is trained based on the denoising U-shaped deep convolutional auto-encoder,which is employed to reconstruct new test samples.Finally,calculating the residual map between the original image and correspondingly reconstructed image is used to inspect and locate areas of fabric defects.Experimental results show that the proposed method can inspect and locate many types of yarn-dyed fabric defects without any defective fabric samples.     

一种基于纹理方向性分析的织物疵点检测方法

根据织物图像纹理自身特点,从图像纹理的方向性入手,提出了基于纹理方向性分析的织物疵点检测方法.通过对不同方向性织物疵点图像检测实验,证明本文提出方法对具有方向性的斜纹类织物疵点检测具有较好的有效性和可靠性.     

工业CT的高铁齿轮箱体材料缺陷识别

高铁齿轮箱是高速列车的重要部件,为保障高铁的安全、稳定运行,需要对高铁齿轮箱箱体出厂及检修时的铸件内部缺陷进行检验,并对箱体内部缺陷实现自动、准确的分类和识别.基于此利用三维工业CT技术,设计实验获取到高铁齿轮箱体材料的4种内部缺陷的三维体数据,根据齿轮箱体内部缺陷的物理背景知识,对三维体数据进行特征提取,设计Adaboost_BTSVM多分类算法,实现基于三维工业CT的箱体材料内部缺陷的自动分类识别,并使重点关注的收缩类缺陷的分类准确率达到85%以上、裂纹类缺陷的分类准确率达到100%,为实现高铁齿轮箱箱体材料的缺陷自动识别提供技术保障.