基于D-S证据理论和集成神经网络的磨粒识别

针对磨粒的识别问题，利用数字磨粒图像分析方法，结合D-S证据理论和BP神经网络，建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法。首先对磨粒图像进行处理，并利用统计分析方法和傅立叶分析方法对处理好的磨粒图片进行分析得到磨粒特征；然后基于统计分析方法和傅立叶分析方法建立对应的两个BP分类子神经网络，利用典型的磨粒样本对BP子神经网络进行训练，得到初步的诊断结果；最后用D-S法对子神经网络诊断结果进行融合，得到最终的诊断结果。算例分析结果表明，基于D-S证据法和集成神经网络的磨粒融合诊断方法比单个诊断方法具有更高的准确性。     

基于神经网络算法的故障检测技术

针对复杂的机电产品内部构件状态检测这一工程难题,本文介绍了一种自动在线检测系统.该系统采用X射线对产品成像,运用数字图像处理技术对射线图像进行预处理,由神经网络算法进行故障诊断.故障识别模型采用了改进的BP神经网络算法,以正常装配状态时的多幅图像经预处理后作为学习样本训练BP神经网络.检测时一般只需拍摄两幅不同方位的图像,经预处理后输入神经网络与样本图像进行比较判断,即可识别出关键元器件的状态.该系统将数字射线成像技术和图像处理技术相结合,并在故障识别算法中采用了神经网络算法,提高了产品故障的检测速度和可靠性,在工业无损检测领域具有一定的实用性.     

高压输电线路除冰机器人障碍物识别方法研究

障碍物检测识别是高压输电线路自主除冰机器人的关键技术之一.针对220 kV输电线路特殊的机器人工作环境,提出一种基于视觉的障碍物识别方法.首先对拍摄的障碍物图像进行中值滤波、膨胀腐蚀等预处理,经OTSU阈值优化计算后,用小波模极大值算法提取图像边缘.然后计算障碍物边缘图像的联合不变矩特征,再把矩特征输入小波神经网络进行障碍物图像的分类识别.并选取防震锤、悬垂线夹、耐张线夹三类障碍物做识别试验,还把小波神经网络与普通BP神经网络识别性能进行了比较,实验表明:以联合不变矩作为障碍物识别特征具有良好的可靠性和稳定性;小波神经网络识别分类的性能良好,比普通BP神经网络具有更快的收敛速度和更高的识别精度.     

通过不变矩和BP神经网络进行挖掘机铲斗位置识别

针对远程实时识别挖掘机图像这一问题,研究了基于不变矩及BP神经网络的识别分类方法。首先,获取挖掘机铲斗的原始图像,然后对其进行处理得到二值化图像。以提取出的七个不变矩特征作为样本,输入三层BP神经网络。通过训练,对不同位置的铲斗图像进行识别分类,判断出挖掘机的工作状态。实验表明:该方法识别率较高,提取到的铲斗目标信息及姿态图像信息,对后续的视觉伺服控制研究有一定帮助。     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于神经网络和高阶统计量的滚动轴承故障分类

提出一种基于高阶统计量特征和BP神经网络相结合的滚动轴承故障分类方法。以滚动轴承的高阶统计量(双谱、三阶累积量)以及一些常见的无量纲指标作为轴承故障特征输入,以BP神经网络作为分类器,成功地对滚动轴承4种不同的故障进行了分类。对比RBF神经网络,尽管BP神经网络的训练速度不快,但分类效果良好。研究表明,高阶统计量和BP神经网络相结合的滚动轴承分类方法是有效的。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

面向手写数字图像的压缩感知快速分类

为了减少神经网络模型对手写数字数据集的训练计算耗时和最佳训练次数,同时保证手写数字图像的分类准确率,引入了压缩感知技术,提出了基于压缩感知和单隐层前馈网络(Compressive Sensing and Single Hidden Layer Feedforward Network,CS-SHLNet)的手写数字图像快速分类算法。首先,利用高斯随机矩阵对具有稀疏性的手写数字图像进行线性观测,将高维图像信号投影到低维空间得到观测值;其次,通过误差反向传播(Error BackPropagation,BP)算法不断调整单隐层前馈网络权值建立适应于观测值的神经网络模型,将观测值嵌入神经网络中对图像进行特征提取;最后,采用单隐层前馈网络模型对手写数字进行图像分类,以训练计算耗时、最佳训练次数和分类准确率等指标对模型进行定量评估。实验结果表明:相比较单隐层神经网络和深度学习对MNIST手写数字数据集的高维图像信号图像分类,先通过CS技术利用观测数M=235的高斯随机矩阵线性观测得到图像的观测值,再利用单隐层前馈网络对观测值进行图像分类,网络模型的训练计算耗时缩短为13.05 s,最佳训练次数缩短为3次,分类准确率保持97.5%。该算法中的压缩感知线性观测可以有效减少神经网络模型对手写数字数据集的训练计算耗时和最佳训练次数,而且可以保证分类准确率。     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

改进的BP神经网络在数字图像识别中的应用

以改进的BP神经网络为基础设计数字图像识别系统.先将训练样本图像二值化处理后提取特征向量,并将其输入神经网络进行训练;然后将测试样本的特征向量输入经过训练的神经网络,测试神经网络的识别率.测试结果表明,改进的BP神经网络在训练的收敛速度上明显优于原始的BP神经网络,且有很高的识别率.     

基于二维Gabor变换和粒子群优化BP网络的人脸表情识别

研究了使用二维Gabor小波变换和DCT离散余弦变换实现人脸特征提取并使用BP神经网络进行表情分类识别的方法。首先,将人脸图像经过归一化预处理,然后经过二维Gabor变换生成不同尺度和方向下的特征向量,为了降低其维数,使用DCT离散余弦变换对其进行压缩,提取最终的表情特征向量。为了提高BP神经网络对表情的分类精度和减少训练时间,使用改进的粒子群算法PSO来优化BP神经网络的各权值和阀值。仿真结果表明:使用Gabor小波变换并经DCT进行压缩后得到的特征向量,在经过粒子群优化的BP神经网络进行训练后,能有效地实现对其进行分类,具有较其他方法较高的识别率。     

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。     

基于BP神经网络的非结构化道路识别

基于BP神经网络,针对非结构化道路的彩色图片,利用熵、对比度等纹理特征值作为BP神经网络的输入层,设隐层有12个节点,输出层有1个节点,进行网络训练。完成网络训练之后,可以得到网络的阀值,然后将图片中的每一个20×20小块的纹理特征值输入BP神经网络的输入层,经过运算判断小块是否为道路部分,直至完成整个图片的判别。     

基于神经网络的数字识别

人工神经网络是信息科学、脑科学、神经心理学等诸多学科近年来共同关注的研究热点.由于神经网络具有良好的抽象分类特性,使其成为解决图像识别相关问题的有效工具.在简述图像识别过程的基础上,重点讨论利用BP神经网络对图像进行识别,用MATLAB完成对神经网络的训练和测试,获得比较满意的结果.     

用于焊缝位置识别的视觉模型设计与试验

理论与试验研究用于焊缝位置识别的视觉模型,该模型主要由弹性梯度下降训练法BP神经网络组成.在焊接工艺条件下,使用视觉传感器获取焊接区熔池图像,并选取特定区域进行中值滤波与图像灰度变换处理以增强被测对象的特征.在此基础上,计算和处理熔池特性参量(熔池图像质心差值、质心位移、质心移动速度)以及相对应的焊缝与电弧之间的偏差值,将其输入所设计的神经网络进行网络权值参数训练和推理学习,从而建立基于BP神经网络、具有一定认知和环境适应能力的焊缝位置识别视觉模型.对该模型进行通用性检验,试验结果表明该模型通过熔池特性参量可以较精确地识别焊缝位置.     

基于视觉的铁路货车滚动轴承表面缺陷分类研究

用CCD代替人眼对轴承表面缺陷进行图像采集,采用卷积滤波与开、闭运算相结合的图像处理方法,有效去除了缺陷周围边缘点的干扰。在提取传统特征基础上增加了压缩度、线度、距离极值比、NMI特征和不变矩等特征量,增强了缺陷分类的依据;对BP神经网络的输入矩阵和归一化方法的改进,提高了神经网络的记忆能力及识别速度;通过试验对缺陷分类系统识别结果进行检测,确定了该系统的可靠性。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

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。     

基于双谱的滚动轴承非线性耦合特征提取与故障分类

通过双谱提取滚动轴承故障信息,对其非线性耦合现象进行分析,讨论了不同速度和载荷下双谱幅值图和峰值图的识别效果,提出一种双谱和BP神经网络相结合的故障分类方法.以滚动轴承的双谱能量分布作为滚动轴承故障特征输入,以BP神经网络作为分类器,成功地对滚动轴承4种不同的故障进行了分类.研究表明:速度对双谱的影响要大于载荷.结合双谱和神经网络对滚动轴承不同故障类型进行分类方法有效.