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。     

采棉机器人中棉花成熟度的识别

为了提高采棉机器人中成熟棉桃的正确识别率,提出了基于Hu不变矩提取棉桃的形状特征,采用支持向量机分类器构造棉桃分类系统的方法。针对棉桃预处理图像提取Hu矩,将特征送入BP神经网络进行学习,用训练得到的模型对测试样本进行测试。实验结果表明:该方法能快速识别成熟棉桃,且具有较高的识别率。因此对采棉机器人的实现具有重要意义。     

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PSO-BP与组合矩的水电机组轴心轨迹识别

引入了一种由Hu矩和仿射矩构成的组合不变矩作为水电机组轴心轨迹的反向传播(back propagation,简称BP)自识别神经网络的输入特征向量,在粒子群优化算法(particle swarm optimization,简称PSO)的基础上,融入粒子位置越界处理和全局最优位置未更新计数器,利用改进的粒子群算法求解BP网络连接权值,水电机组轴心轨迹的BP识别速度和精度得以显著提升,采用优化思想对初步识别结果进行量化分析,提取定量的轴心轨迹形状特征参数,可为水电机组故障定位提供指南。仿真实验和应用实例表明,组合不变矩的识别方法优于Hu矩或仿射矩方法,构建的PSO-BP具备较高的收敛速度和识别精度,所提出的轴心轨迹识别方法成功应用到了水电机组动不平衡故障诊断案例。     

遗传算法与神经网络在语音识别中的应用

为克服隐马尔可夫模型(HMM)在语音识别应用中的缺点和局限性,在语音识别中引入神经网络.采用前馈多层神经网络,用遗传算法和BP算法结合的方式对网络进行训练,克服了传统BP算法收敛速度慢、易陷入局部最小等缺陷.仿真实验结果表明,该模型有效地提高了语音的识别率,并缩短了识别时间,实现了效率与时间的双赢,为算法的实用性奠定了基础.     

基于BP神经网络的细胞显微光谱自动分类

光谱正被应用到流式细胞分析技术领域,为了实现自动、快速识别不同类型的细胞或粒子,本文提出一种对细胞显微光谱进行自动识别的BP神经网络方法。该方法在PCA降维,获得样本特征向量的基础上,建立一个三层的BP神经网络,设置各层节点数,训练次数和目标误差,根据训练结果预测个细胞显微光谱的类别;从预测的结果看基于PCA和BP神经网络的方法对细胞光谱的预测识别率达到了100%。这将为流式细胞的自动分类提供合适的算法。     

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。     

无参考的特征点复杂度激光干扰图像评估

由于目标识别和检测效果取决于目标提取的准确性,本文结合主动成像与目标识别技术搭建了激光主动成像系统实验平台,研究了激光干扰对获取图像质量以及特征点提取效果的影响。提出了一种无参考的特征点复杂度图像评估算法。该算法在目标区域位置计算图像的特征点、纹理、梯度和对比度复杂度,然后综合4个因子得到归一化的评估结果。利用激光主动成像系统对设定目标进行了照明成像实验,同时采集了不同干扰功率和光斑位置的干扰图像。使用本文提出的特征点复杂度算法对标准数据库及实验获得的激光干扰图像进行了评估。实验结果表明:提出的评估算法能够客观地反映图像质量的变化情况,可对不同程度的激光干扰图像给出合理的评估结果,其评价结果更符合主观视觉感受,并且能够指导激光主动成像识别系统的防护与应用。     

基于神经网络的分阶车牌字符识别算法研究

为了提高复杂环境下车牌字符的识别率和识别速度,提出了一种基于BP神经网络和卷积神经网络(CNN)的分阶车牌字符识别算法。该算法第一阶段采用BP神经网络对车牌中的汉字、非相似字符进行识别;并在第二阶段用改进的CNN对车牌中的相似字符进行识别。最后通过实验横向、纵向对比,验证了该神经网络算法的有效性。实验结果表明,相对于传统的BP神经网络算法,明显提高了车牌字符的识别率,同时减少了车牌的识别时间。     

基于LabVIEW与BP神经网络的零件识别系统

文中介绍了利用LabVIEW编程语言和BP神经网络设计的零件识别系统。通过LabVIEW软件进行零件图像的采集和处理,然后提取Hu不变矩作为零件形状特征,利用MATLAB神经网络工具箱设计神经网络程序并进行训练,通过训练好的神经网络识别零件的类别。通过实例验证,所设计的系统具有良好的识别效果,能够满足实际应用的要求。     

基于小波神经网络的木质材料缺陷模式识别

利用小波和神经网络对木质材料中密度纤维板的不同缺陷进行智能模式识别,研究采用Daubechies小波包对振动信号进行3层分解,计算信号在各频段所占的能量率,并以此作为样本对拓扑结构不同的BP神经网络进行训练,然后利用训练好的网络对缺陷的种类进行分类识别。结果表明,性质相近的两种贫胶缺陷应作为一类缺陷模式进行识别,单隐层和双隐层的BP网络对没有缺陷、鼓泡缺陷和贫胶缺陷3种模式的识别都很理想,但双隐层BP网络的推广性能较好,网络输出的波动性小。对中密度纤维板没有缺陷、鼓泡缺陷和贫胶缺陷智能识别的最佳网络是双层BP网络,网络第1隐层节点和第2隐层节点分别为20和6,对中密度纤维板缺陷模式识别的准确率为90％。     

基于DRGAN和支持向量机的合成孔径雷达图像目标识别

为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。     

炭素制品缺陷X射线自动检测关键技术的研究

以炭素制品X射线检测图像为对象,对其关键技术进行了研究。设计了目标边界提取算法和基于小波变换的图像增强算法等预处理方法。采用数学形态学和迭代阈值分割相结合的方法进行缺陷提取,取得了良好的效果。制定了一套用于特征描述的参数,设计了基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行了模式分类。实验结果表明,本文提出的方法比较有效,可以用于实际缺陷的自动提取与识别。     

基于人工神经网络的机械工具的识别方法

提出一种快速的、鲁棒性的人工神经网络目标识别方法。针对工业环境中常用机械工具的识别，通过正规化目标图像和正交复值的Ｚｅｒｎｉｋｅ矩变换提取目标的平稳我、比例及旋转不变性特征，应用具有２个隐层的ＢＰ网络学习与识别这些特征敌意一。对４类具有一个自由度的机械工具进行识别实验，表明该方法优于最近分类决策规则，对噪声及循环矢量变化具有鲁棒性，并达到９５％的识别率。     

Human activity recognition based on feature selection in smart home using back-propagation algorithm

In this paper, Back-propagation(BP) algorithm has been used to train the feed forward neural network for human activity recognition in smart home environments, and inter-class distance method for feature selection of observed motion sensor events is discussed and tested. And then, the human activity recognition performances of neural network using BP algorithm have been evaluated and compared with other probabilistic algorithms: Naïve Bayes(NB) classifier and Hidden Markov Model(HMM). The results show that different feature datasets yield different activity recognition accuracy. The selection of unsuitable feature datasets increases the computational complexity and degrades the activity recognition accuracy. Furthermore, neural network using BP algorithm has relatively better human activity recognition performances than NB classifier and HMM.     

An adaptive CEEMD-ANN algorithm and its application in pneumatic conveying flow pattern identification

The accurate measurement of dust concentration using electrostatic sensor is serious affected by two-phase flow patterns in practice. In this paper, the electrostatic sensor signals of flow in a pneumatic conveying pipeline were collected, and the electrostatic fluctuation signals of three typical flow patterns of gas–solid two-phase flow in the horizontal pipe were obtained. By combining complementary ensemble empirical mode decomposition (CEEMD) and a back propagation (BP) neural network, an algorithm for flow pattern identification is proposed. This algorithm can adaptively determine the number of layers of the intrinsic mode function (IMF) decomposition and the number of input vectors for the neural network, ensuring the minimum size vector is used. The selected IMF energy feature as the input of the BP neural network can effectively ensure that an accurate flow pattern discrimination rate is obtained. The experimental results show that the algorithm proposed in the paper can guarantee the recognition rate of the flow pattern to reach more than 99%, yet through adaptive adjustment ensure that the size of trained BP neural network input is as small as possible, and the guaranteed algorithm calculation is kept at a minimum.     

基于BP网络的尾焦收集机器人运动学逆解算法分析

利用改进的BP神经网络算法对尾焦收集机器人运动学逆解进行探讨,建立了尾焦收集机器人的运动学逆解的BP网络模型,进行了10输入、4输出和1个隐含层的BP网络训练,并用训练好的网络来求解运动学逆问题,取得了较好的效果,为机器人运动学逆问题算法提供了新的思路.     

基于视频流的车牌识别研究及系统设计

该文深入研究从视频流中提取运动车辆进行车牌识别的问题,提出了一种车牌识别算法,根据该算法开发了基于MFC的视频流车牌识别可视化系统。算法采用三帧差分与背景消减相结合的方法提取含有运动车辆的关键帧,对关键帧进行灰度化,采用Sobel算子进行边缘检测,融合形态学处理对关键帧进行去噪,从而实现车牌的定位,用投影法结合字符特征对车牌字符进行精确分割,采用BP神经网络算法提取字符特征,输出字符识别结果,由此完成车牌字符识别。通过对50组不同的车辆视频进行检测识别,识别率(包含汉字)达到96%以上。     

炭素制品缺陷的X射线自动检测技术研究

针对炭素制品X光图像的特点,对其缺陷的提取与识别技术进行了研究,给出了目标边界提取算法和基于小波变换的图像增强算法,实现了图像的背景去除及增强处理。在此基础上,为排除噪声干扰的影响,采用数学形态学和迭代阈值分割相结合的方法从背景去除后的图像中提取出缺陷区域,取得了良好的效果。对缺陷特征选择及识别方法进行了研究,设计了基于遗传策略的特征选择和基于BP神经网络的缺陷识别算法,计算表明:缺陷正确识别率可达95%以上。采用上述技术开发完成了一套炭素制品缺陷X射线自动检测系统。