嵌入式人手姿态肌电模式在线识别方法

为了实现多自由度假手的肌电控制,需要嵌入式地实现先进模式识别方法.分别采用K近邻法及支持向量机分类方法,在样本充足以及相对匮乏的情况下,对实验中采集肌电信号的阈值特征集和稳态特征集进行了模式识别操作.实验结果表明,支持向量机的方法要明显优于近邻法,采用阈值数据作为训练样本要比稳态数据实时识别效果好.给出了一种在DSP内基于支持向量机进行10种人手姿态肌电模式的在线识别方法,识别率在95%以上,决策频率约为30Hz.     

陶瓷水阀片表面缺陷图像检测方法研究

针对人工陶瓷水阀片缺陷检测效率低、劳动强度大、容易漏检的问题,提出一种基于支持向量机的陶瓷水阀片表面缺陷图像检测方法。先对陶瓷水阀片进行预处理,然后针对缺边和划痕两种缺陷分别提取陶瓷水阀片样本的Hu不变矩和Gobar纹理特征,最后输入训练好的支持向量机模型进行分类识别。搭建了陶瓷水阀片的缺陷检测实验装置并进行了可行性和对比性实验。结果表明本文构建的系统对缺边和划痕缺陷识别率高,同时对第二类型陶瓷水阀片样本的检测具有较好的适用性。     

支持向量机的红外目标自动检测与识别

针对红外图像提出一种基于支持向量机的目标检测和识别算法，首先运用数学形态学方法对背景进行滤波，突出候选目标；选取适当的阈值和边缘检测算子对候选目标进行图像二值分割和边缘提取；最后以候选目标的边界不变矩作为特征，用支持向量机方法进行目标的识别，确定目标的位置．实验表明，该方法能够有效地实现对红外目标的检测和识别，并具有较高的抗噪声和抗复杂背景的能力。     

一种改进的FSVM语音情感识别算法

针对语音特征参数对某类情感具有不确定性的问题,提出一种基于典型相关性分析的改进模糊支持向量机算法,应用于语音情感识别.采用典型相关性分析方法对特征向量进行降维,得到样本的约简向量集,在此约简向量集上建立模糊支持向量机模型判定情感类型.仿真实验结果表明,该方法相比于传统支持向量机法和模糊支持向量‘机法具有较高的识别准确率.     

基于图像处理的油封缺陷检测方法研究

针对员工对油封缺陷进行肉眼检测时存在检测效率低、易遗漏、成本高等不足,提出一种基于图像处理的油封缺陷在线检测方法.通过图像的采集系统采集油封图像,先对油封图像进行预处理,包括灰度处理、中值滤波,然后通过Otsu阈值分割和链码法提取油封边缘轮廓特征,采用最小二乘法拟合油封唇口圆形轮廓来确定样件是否存在缺陷,根据检测结果将有缺陷的样件筛选出来.实验结果表明,该检测系统能够在线完成产品缺陷检测,该方法具有检测成本低、可靠性高、实时性好、容易在线实施等优点.     

基于机器视觉和支持向量机的带式输送机矸石检测方法

针对现有带式输送机矸石检测中存在可靠性、准确性和实时性差的问题,提出了一种基于机器视觉和支持向量机的带式输送机矸石检测方法。该方法利用摄像机采集带式输送机运输的物料（煤和矸石）图像,采用中值滤波、拉普拉斯锐化、Otsu算法图像分割以及Canny算子边缘检测对物料图像进行预处理,提高图像质量;采用直方图算法提取煤和矸石图像的特征参数;采用支持向量机算法实现对煤和矸石的分类与识别;采用质心法确定矸石在图像中的位置。结果表明：该方法在线检测带式输送机运输物料中的矸石的识别率能够达到91.8%,矸石检测准确率高;单张处理图像的时间在40 ms左右,能够很好地实现实时检测;矸石定位准确率高,为后续机械手臂的抓取提供保证,解决了带式输送机矸石检测中存在可靠性、准确性和实时性差的问题。     

基于子带谱熵法和PSO-GA-SVM的汽车鸣笛识别

针对鸣笛抓拍系统会产生误判的问题,提出了一种基于子带谱熵法和支持向量机的汽车鸣笛识别算法. 首先,使用子带谱熵法对声音样本进行初判,将子带谱熵高于阈值的样本直接判定为非鸣笛样本. 然后,对初判为鸣笛的样本中的疑似鸣笛部分进行分割,并提取Mel频率倒谱系数作为声音的特征. 最后,使用支持向量机对分割结果进行进一步分类,并使用粒子群算法与遗传算法的融合来优化支持向量机的参数. 仿真结果表明,该算法具有较好的鲁棒性. 在对实际采集样本的鸣笛识别中,该算法也取得了较高的准确率.     

一种基于SVM的刹车蹄块片摩擦块表面裂纹检测法

针对刹车片外观裂纹检测需求,通过构建刹车蹄块片图像采集系统,提出了一种基于支持向量机SVM的刹车蹄块片摩擦块表面裂纹检测法.该方法首先利用灰度图像的梯度模值信息,投影提取摩擦块所在区域; 然后以局部窗口子图像为单位,计算灰度共生矩阵并提取相关特征量; 最后采用分类样本对支持向量机分类模型进行训练,对摩擦块表面裂纹缺陷和正常区域进行分类预测.实验表明:该方法能较好地实现摩擦块表面裂纹缺陷和正常区域的分类,对表面裂纹缺陷存在与否的判定准确率可达98.33%.     

基于概率支持向量机原理的超声缺陷识别模型研究

为了提高大型零件超声波探伤过程中的缺陷辨识能力,提出一种基于概率支持向量机原理,结合经验模式分解和DS证据理论,采用多探头检测的一种超声缺陷识别模型。首先,对每个探头检测的含有缺陷的信号运用经验模式分解法提取信号特征;其次,利用支持向量机来进行缺陷识别,并采用最大后验概率策略来处理传统支持向量机的输出,得到每个探头检测到的缺陷的概率支持度;最后,采用 DS证据理论得出最终的缺陷类型。结果表明,该模型克服了传统的支持向量机在处理多类问题时其硬判决输出限制后续数据处理的缺陷,同时避免了主观判断,提高了识别精度和准确率。与神经网络结合DS证据理论模型和单探头多级二类支持向量机模型进行了对比分析,论证了本模型的优越性。     

管道漏磁检测缺陷识别技术

针对神经网络法对管道缺陷进行识别存在所需样本数据量大、容易陷入局部极值、泛化能力没有保证等问题,提出一种新的机器学习方法,即支持向量机法.介绍了支持向量机的分析原理,以碗状缺陷为例,采用ANSYS有限元分析软件对40组不同尺寸的缺陷进行仿真,将得到的40组漏磁数据和10组实测数据作为学习样本,另外10组新数据作为验证数据,以MATLAB软件为平台进行了识别实验.实验结果表明,识别误差均在5％以下,且泛化能力强,识别方法简单,在有限样本情况下比神经网络法更具优势.     

四类运动想象脑电信号特征提取与分类算法

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题,对多通道四类运动想象脑电信号进行研究.通过对4种运动想象及休息状态脑电信号进行功率谱分析,合理确定预处理滤波器的最佳滤波频段,然后使用PW-CSP,Hilbert变换及归一化处理的方法,对四类运动想象脑电信号进行特征提取,分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程,算法复杂度明显比采用多个SVM组合的多类分类算法要低,为实现算法的在线应用打下基础.仿真结果表明,该算法分类正确率高,时间开销小,并且可以通过调节阈值,在正确率与算法复杂度之间获得平衡.     

基于特征与形貌重构的轴件表面缺陷检测方法

针对轴件表面缺陷机器视觉检测方法中的水渍残留误检率高和人工复检效率低问题,提出一种基于特征与形貌重构的轴件表面缺陷检测方法. 对轴件工业高速线扫描图像进行预处理,基于改进的阀值迭代算法完成图像分割,通过去除背景、噪点和干扰提取缺陷图像. 建立基于曲线簇包络轮廓的轴件表面缺陷特征模型,结合分割图像各连通域的面积、面积占比、粗短度训练逻辑回归分类器,对凹坑、裂纹和麻点等轴件表面典型缺陷进行识别,并结合图像深度信息进行缺陷形貌重构,消除水渍等伪缺陷,提高轴件表面缺陷检测鲁棒性. 实验结果表明,所提出的轴件表面缺陷检测方法有效,具有较高的缺陷识别率和鲁棒性能,平均识别时间为3.69 s,缺陷轴加权识别率为98.86%,可以对3类典型缺陷和水渍进行准确识别.     

基于ViBe的端到端铝带表面缺陷检测识别方法

针对铝带表面缺陷高精度检测要求以及传统算法识别率不佳的问题,提出端到端的表面缺陷检测与识别方法.从铝带表面初始图像序列中快速计算出平均图像,视为无缺陷背景图像,用于初始化ViBe算法的背景模型.采用ViBe算法从当前图像中分割出缺陷区域,对缺陷区域二值图像进行中值滤波和形态学运算,以去除噪声点和修补边缘,实现缺陷区域的准确提取.利用当前图像实时更新ViBe背景模型,以增加对光照变化的适应能力.提取缺陷外接矩形区域图像,归一化后输入到训练好的卷积神经网络中进行识别分类,得到分类结果.实验结果表明,提出方法的缺陷检出率为93.02%,缺陷识别率为99.86%,具有较好的应用价值.     

非接触式带钢表面缺陷检测纹理方向特征分析

带钢表面缺陷图像纹理方向特征分析是否合理,关乎缺陷图像识别的正确率。针对带钢表面缺陷, 提炼描述缺陷图像的纹理特征量,给出检测距离和检测方向角的关系以及缺陷图像纹理特征提取的基本方法。通过带钢表面无噪声和有噪声的裂纹缺陷图像实例分析,提出纹理方向的特征量取最小值,与纹理方向垂直的特征量取最大值;检测距离根据具体情况选取,不易过大或过小;夹杂噪声的缺陷图像分析时阈值取较小值。     

基于非下采样Shearlet变换的磁瓦表面缺陷检测

针对磁瓦表面缺陷对比度低、图像受不均匀背景和磨削纹理干扰大等问题,提出了一种基于非下采样Shearlet变换（non-subsampled shearlet transform,NSST）的磁瓦表面缺陷检测方法。首先,对磁瓦图像进行多尺度多方向NSST分解,得到一个低频子带图像和多个频率和方向变化的高频子带图像。然后,根据缺陷在高低频域表现出的不同特征进行针对性的处理,在低频子带中分别计算行均值线图像和列均值线图像,将列均值线图像沿行均值线图像扩展,构造基于均值的自适应阈值面对低频子带进行滤波,以去除不均匀背景;同时,利用同一分解尺度下各高频子带系数中微弱缺陷信号的方差较大,显著缺陷信号的能量较大,而噪声和背景干扰信号的方差和能量均较小的差异,构造基于Shearlet高频分解系数方差和能量的综合高频缺陷识别算子,滤除高频子带中的噪声和背景干扰。最后,对修正后的分解系数进行逆NSST重构,得到背景均匀,磨削纹理和噪声干扰得到充分抑制的高对比度图像,采用自适应阈值分割方法,提取出缺陷区域。实验结果表明,该方法的假阳性率、假阴性率和检测准确率分别达到8.8%,5.0%和93.1%,算法在MATLAB仿真平台中平均运行时间为0.629 s;相较于现有的磁瓦表面缺陷检测算法,该方法能够有效地去除不均匀背景、磨削纹理和噪声干扰,检测结果更加准确,鲁棒性更强。     

几种图像消噪处理算法在织物疵点检测中的应用

利用图像处理技术对织物疵点检测的过程中不可避免受到各种噪声源的干扰.采用sym 4小波默认阈值、coif 2小波软阈值和bior.3.7小波软阈值消噪算法对织物疵点图像进行消噪处理,并比较了原始含噪图像增亮处理前后的消噪效果.研究表明:coif 2小波软阈值消噪算法适合对织物小疵点图像进行消噪处理,原始图像经过增加亮度后处理效果更佳.     

基于EMD和SVM的抑郁症静息态脑电信号分类研究

以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition, EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine, SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。 通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。 相较于传统的小波变换提取的特征值,分类准确率有明显的提高。     

基于GWO-SVM的下肢假肢穿戴者骑行相位识别

针对下肢假肢穿戴者骑行相位识别的问题,提出基于灰狼算法优化的支持向量机(GWO-SVM)分类模型. 建立下肢多源信息系统,采集膝关节、踝关节的加速度信号以及膝关节角度信号. 应用奇异值分解,对采集到的信号进行降噪处理. 在对信号进行降噪处理之后,为了避免单一信号不确定的影响,从数据冗余角度,选取各信号的特征点,开展归一化处理,组成多维特征向量,作为SVM分类模型的输入. 为了能够进一步提高分类精度,加强全局优化能力,利用GWO算法对核参数进行优化. 通过与PSO-SVM分类模型、GA-SVM分类模型对比表明,基于GWO优化的SVM分类模型对骑行相位的识别率为94%,高于其他方法优化的SVM分类模型.     

基于视频处理的行人检测系统

该系统选取OpenCV作为主要开发工具,通过提取图像序列中行人运动信息、形状特征、HOG特征,实现了对智能监控系统中的行人进行自动检测的功能。同时,通过对提取的高维度HOG特征进行降维处理,得到一个低维度SVM分类器,使得在不影响行人检测精度的前提下,进一步提高了系统的实时性。     

自适应阈值的小波变换在纸病去噪中的应用

以图像噪声会影响下一步图像处理、分析及识别为启示,分析了常用的数字滤波算法优缺点,提出一种自适应阈值小波变换去噪方法．该方法根据含噪信号特性和信噪比,自适应地选择小波变换的最优分解层数和最佳软阂值,达到最优的降噪效果．仿真结果表明,这种算法在高斯噪声和椒盐噪声滤波能有效地滤除噪声,同时还能较好地保护图像细节,使图像达到更好的视觉效果．