基于多角点结合的机箱标准件图像特征提取方法

机箱装配具有部位多、标准件类型复杂特点,采用机器视觉进行机箱装配质量检测,提取具有较强表示能力图像特征是关键,该文提出基于多角点结合的机箱标准件图像特征提取方法。首先,分析机箱3大类标准件图像特性及角点特征,指出角点特征较好地覆盖机箱标准件特性;然后,分析Harris、Shi-Tomasi、Fast方法角点特征提取机理与判定条件,并结合3种方法提出多角点结合的机箱标准件图像特征提取方法。结果表明:该方法能将背景中错误角点特征识别为伪角点特征,机箱标准件显著特征识别为真角点特征,较好地解决受干扰影响错误提取角点特征问题。     

面向机箱标准件装配质量局部特征的智能检测技术

标准件装配质量包含零件类型、位置偏差、姿态偏差等多个指标,还具有部位多、类型复杂的特点,该文提出基于装配局部特征的检测模板结合机器视觉的产品装配质量智能检测方案。首先,分析鉴别产品质量需从类型、位置、角度方面进行检测,还须结合装配公差要求,研究标准件局部特征检测方法;其次,通过标准件局部特征检测对装配部件进行快速准确定位、利用数学模型进行鉴别,结合SURF算法确定主方向及特征点,实现标准件装配质量的快速智能检测;最后,构建机箱标准件装配质量检测装置,对多个不同型号ADLINK嵌入式机箱进行试验。结果表明:与全局检测相比,使用标准件装配质量的局部特征智能检测技术,检测时间可缩短86.31%,实现零漏检,识别正确率达100%。     

面向标准件装配质量的PI-SURF检测区域划分技术

标准件装配具有部位多、类型复杂、结构各异等特点,可基于产品特性指导机器视觉进行产品装配质量检测。该文基于部分装配产品的位置不变性(PI),提出面向标准件装配质量的PI-SURF检测区域划分技术。首先,分析产品装配中各标准件间位置关系基本稳定的特点,以平面尺寸链描述两个标准件的位置关系,提出基于PI的装配检测区域划分方法;其次,提出基于PI-SURF的标准件装配质量检测区域划分技术,通过提取基准部位的SURF区域特征与特征主方向,使得检测区域具有对产品整体平移、旋转的抗干扰能力;最后,构建标准件装配质量检测装置,以联想ThinkCentre G3机箱进行试验。结果表明:与全局检测相比,使用PI-SURF检测区域划分技术后,检测时间缩短83.4%,实现零漏检,提高装配质量检测装置结果可靠性。     

基于支持向量机的相位敏感光时域反射仪研究

为了解决实际环境中振动事件易误报的问题,在基于相位敏感光时域反射仪的分布式光纤振动传感系统中,引入了一种融合小波能量谱和支持向量机(SVM)的模式识别方法。首先,利用小波能量谱分析方法,设定最优分解层为5层,并从原始信号中提取出特征向量;然后利用支持向量机的“一对一法”多分类策略对振动事件进行识别分类。考虑到实际环境因素的影响,对沿光纤行走、敲击光纤以及沿光纤慢跑3种模式的振动进行了检测试验;最后,采用准确率、精确率、召回率和F值来综合评价支持向量机分类器的性能。实验结果表明:该模式识别方法实现了84.9%的振动事件分类准确率。     

基于模糊c均值聚类算法的控制图模式识别

控制图模式识别能够区分制造过程中的一般因素与异常因素,提高制造过程中的产品质量,减少成本,提高效益。利用蒙特卡洛方法产生样本;采用一维离散小波变换处理原始数据;利用模糊c均值聚类算法进行控制图模式识别。识别准确率99.43%,其标准差为0.002 8。这表明基于该方法的控制图模式识别准确率高,稳定性好,较现有的控制图模式识别方法具有简易、高效等特点。     

机箱质量工艺改进之管窥

电脑机箱的兼容性和可装配性,一方面要求电脑机箱要因兼容主流型号的电脑主板,而在工艺上作出相应改进;另一方面机箱必须具有良好的尺寸精度,方可保证电脑系统装配可靠和运行正常.介绍了电脑机箱尺寸超差控制的工艺改进,基于内定位的电脑机箱冲压件设计可以确保中压件质量,并且是工序合理安排的重要保证.     

基于支持向量机的印品缺陷分类方法

目的研究印品图像的各类形状缺陷,建立基于支持向量机(Support vector machine,SVM)的印品形状缺陷分类模型。方法对印品进行符合人眼视觉特性的缺陷识别,并对提取缺陷进行特征分析。将特征数据导入支持向量机进行训练学习,SVM分类器对缺陷图像进行测试。结果分类器对点缺陷和面缺陷的识别率为100%,对线缺陷的分类准确率达93.94%。结论基于SVM的缺陷分类方法能较好地满足印品质量检测的需求。     

基于经验小波变换的耦合电路故障识别方法

由于传统的耦合电路故障识别方法准确率较低，易导致电路瘫痪，本文提出基于经验小波变换的耦合电路识别方法。通过非接触测试方式采集耦合电路故障信号；采用小波包分析法对采集的故障信号进行去噪处理；基于经验小波变换有效提取故障特征；利用PSPICE的灵敏度分析法获取故障特征的权重；根据故障特征的权重采用SVM故障分类器进行耦合电路的故障分类，实现耦合电路故障识别。选取某经典耦合电路进行仿真实验，实验结果表明：单故障识别准确率高达98.5%、双故障识别准确率高达97.9%，说明本文所提方法具有较高故障识别准确率。     

基于自适应粒子群算法和支持向量机的控制图模式识别

针对目前多品种、复杂化的生产趋势,提出了一种基于自适应变异的粒子群算法（AMPSO）和支持向量机（SVM）的控制图失效模式识别的方法。利用SVM小样本学习能力,设计一对一的SVM多分类器进行控制图模式识别,并利用AMPSO算法优化SVM核函数的参数。通过对10种控制图模式(6种基本模式和4种混合模式)的20维特征仿真数据对该方法进行检验,并通过与BP、SVM、PSO SVM识别方法的对比分析。仿真试验表明该方法有效提高了控制图模式的识别精度,达到9814%,而BP仅有75%,为控制图在线实时识别提供了一种可行的途径。      

基于不平衡数据与集成学习算法的信用评价模型

目前,机器学习方法被广泛应用于信贷领域,对借款人进行信用评价。在机器学习评价过程中,存在信用数据不平衡和对少数类（逾期类）识别率低等问题,可采用特定抽样技术和集成学习方法解决相关问题。该文运用EasyEnsemble方法解决信用数据集不平衡问题,再通过非对称误差成本的核SVM、逻辑斯蒂回归、带有距离加权的k-NN算法以及C5.0算法的决策树的Bagging集成得到组合模型,有效弥补了单一分类器对少数类识别的缺陷,综合提高模型准确率、召回率以及AUC等指标。