一种新的轮胎激光散斑检测缺陷识别方法

在轮胎缺陷识别系统中,提出将轮胎ESPI缺陷图像灰度纹理特征和一种改进的Hu不变矩特征的组合作为特征因子,结合支持向量机的方法应用于轮胎ESPI缺陷图像的分类识别。理论分析和仿真实验表明使用Hu不变矩以及Hu不变矩和灰度纹理特征结合分类效果较好,总体识别率达到了96.7%。     

基于深度融合策略的转子轴心轨迹识别研究

针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型（deep convolutional auto?encoder fault diagnosis model,简称DCAE?FDM）。首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE?FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试。试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5%,比次优模型高出约6个百分点。     

基于HMM和仿射不变矩三维模型归类与检索算法

针对Hu不变矩对仿射形变图像描述的不足,为提高三维模型的检索精度,提出一种基于Hu不变矩和仿射不变矩特征性融合的隐马尔科夫模型相似性归类与检索算法。首先使用Sobol算子对机械零件三维模型进行轮廓边缘的提取,得到二维的正等测轴测图,然后对该图进行组合不变矩的特征提取,并进行特征值的编码,最后构造五类机械零件三维模型的样本集,通过添加比例因子的多观测值b-W(baum-Welch)算法进行机械零件三维模型的训练与识别,仿真实验表明本文所提算法具有较高的识别率。     

工件装配基准端的形状识别研究

为了有效识别工件的装配基准端,根据工件两端不同的形状特征,提出了一种基于改进的Hu不变矩和LM-BP神经网络的工件装配基准端识别方法。该方法针对Hu不变矩在离散图像缩放运算上存在较大误差的问题,采用改进的Hu不变矩提取工件两端的形状特征值;用提取的特征值训练LM(Levenberg-Marquardt)算法优化的BP神经网络(即LM-BP神经网络),实现工件两端的形状识别,判断装配基准端。实验结果表明,改进的Hu不变矩能保证特征值在图像缩放情况下的不变性,改进的Hu不变矩与LM-BP神经网络结合的识别算法对工件两端形状具有很好的识别能力。     

基于水平集和支持向量机的图像声呐目标识别

为了能实现水下遇险目标的精确定位,首先要对声呐所获取的图像进行目标识别。利用水平集法获得水下声呐图像中目标轮廓后,提取目标轮廓的7个不变矩作为特征矢量,并将获取的不变矩特征输入到已经训练好的支持向量机中进行识别,从而得到识别结果。所使用的识别方法综合了基于水平集提取轮廓的长处,不变矩的位移、尺度、旋转不变性的特点和支持向量机在小样本、非线性模式识别中的独特优势。实验结果表明:该方法对高分辨率图像声呐具有较高的识别率和较低的误判率,对原始声呐图像的目标识别率高达99%,对加入方差为0.09的高斯噪声的声呐图像的目标识别率可以达到97%。     

一种FFT的Hu矩的番茄形状特征提取

目前基于机器视觉的番茄形状检测算子检测到的形状特征单一,相关的深入研究较少,为进一步探索合适的形状特征参数及检测算子,将Hu矩作为特征参数并利用支持向量机实现了番茄的形状检测分类,准确度较高。首先设计采用Laplacian算子与Sobel算子进行算法融合对采集到的番茄图像进行自适应增强处理;然后采用最小错误率贝叶斯决策算子对平番茄图像进行图像分割得到番茄目标二值化图像。然后对得到二值化后的番茄图像进行归一化处理,使得归一化后的图像具有平移、旋转、尺度缩放不变性的Hu参数,通过提取目标番茄的7个Hu矩特征值参数,最后将这些特征值输入支持向量机中,完成番茄无损分级检测。试验采用VS2010验证算法,对正常果形、轻度畸变果形、重度畸变果形共计1000个样本进行了训练测试,结果表明经过改进增强图像以及改进Hu矩算子对番茄正常果形的分级精度达到93.3%,符合实际番茄检测精度的要求。     

PNN与BP神经网络在钢板表面缺陷分类中的应用研究

针对钢板表面缺陷图像信噪比低、特征复杂多变而导致现有的钢板表面缺陷模式识别与分类方法存在的实时性差、精度低、适应性差等问题,研究了基于人工神经网络的分类器,以实现对钢板表面缺陷进行实时有效的分类识别。根据钢板表面划痕、麻点、夹杂、锈蚀、辊印5类缺陷的特点,从缺陷图像信号中提取了几何特征、灰度特征和Hu矩特征,选取了能够比较全面表征缺陷特征信息的13维特征向量作为神经网络的输入数据,为缺陷识别和分类提供了依据。分别构造了概率神经网络PNN和BP神经网络分类器,对钢板的表面缺陷进行了分类测试,并对测试结果进行了对比分析。实验结果表明,PNN和BP神经网络的识别率分别为87%和81%。PNN在识别准确率、训练速度、追加样本的能力等几方面的综合性能优于BP神经网络。     

滚动轴承保持架缺陷的图像处理及模式识别方法研究

轻系列滚动轴承保持架由于兜孔直径小、两半保持架之间钉孔距离相对较大等因素导致在铆压过程中易出现变形,造成铆压歪斜缺陷。为此,本文提出了基于图像纹理特征的模式识别方法用于保持架歪斜缺陷的准确识别。首先,改进了轴承图像归一化展开算法,实现了轴承图像展开起点的自动优化选择以避免误分割保持架、铆钉和滚动体;其次,设计了轴承图像保持架区域定位分割算法,准确分离出7个保持架区域;最后,分别提取保持架区域的Hu矩和旋转不变均匀局部二值模式(LBPrPiu,2R)作为纹理特征,并结合PCA降维方法构建轴承保持架缺陷识别的SVM分类模型。结果表明,基于Hu矩和LBPrPiu2,R的SVM模型的正确识别率分别为85%和100%。因此,轴承LBPrPiu2,R特征结合SVM模型对轴承保持架歪斜缺陷具有较好的识别效果。该方法有望为滚动球轴承保持架铆压工艺缺陷的自动识别提供参考。     

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。     

面向虚拟雕刻的手势识别研究

研究了基于视觉的静态手势识别技术,选取Hu不变矩作为手势识别的主要特征,采用了模板匹配法进行7种手势的识别,并与现有的虚拟雕刻技术结合,设计一个以手势变换来控制虚拟油泥的系统,满足用户从不同角度观看虚拟油泥的需求,以获得更加真实的感受.实验结果表明,在光照条件良好且背景单一的情况下,该方法具有很高识别率,并且有着很好的实用性.