基于Faster R-CNN的诱导维修自动交互设计

随着增强现实技术在机械领域的发展，已经有越来越多的例子证明了AR在工业维修方面提高操作效率的优越性。为了提高诱导维修操作过程的效率，针对传统的增强现实维修系统不能对维修状态进行感知和判断的问题，提出了一种基于快速区域卷积神经网络（Faster R-CNN）的进程识别自动交互方法。该方法基于Faster R-CNN建立零件识别的深度神经网络模型并利用反向传播进一步微调，通过对零件的识别输出零件的类型和编号，反馈给系统触发相应的操作步骤，无需用户进行另外的交互操作。实验结果表明，基于深度神经网络的维修零件识别率可达95%，平均识别速度为每帧300 ms，满足AR诱导维修系统的精度和交互性要求。     

曲波变换用于磨粒图像不变矩的提取

曲波变换(curvelet)具有各向异性和良好的曲线奇异性表达能力。为了克服Hu不变矩和不变小波矩在表达铁谱磨粒形貌信息方面的不足,将曲波变换引入磨粒特征提取过程,并与Hu不变矩结合,提出一种基于曲波变换的磨粒图像不变矩提取方法。首先利用曲波变换将图像进行分解与重构,得到不同尺度的子图像;然后提取各子图像的Hu不变矩,获得图像的曲波不变矩;最后将该方法应用于典型磨粒识别,总识别率达到83.33%。实验结果表明,与Hu不变矩和不变小波矩相比,磨粒图像的曲波不变矩能更好地表达磨粒的形貌特征。     

基于ICA降维的车牌汉字识别研究

针对目前复杂环境下车牌汉字图像识别率较低,识别时间较长等问题,提出了一种基于伪Zernike矩和独立主成分分析(ICA)的改进概率神经网络(PNN)车牌汉字识别方法.该方法是将车牌汉字图像的伪Zernike矩通过独立主成分分析降维,再将降维后的特征输入所提出的一种基于代表点的改进概率神经网络中进行训练和识别,从而有效地实现车牌汉字的识别.将该方法应用于复杂环境下的车牌汉字图像识别实验,实验结果表明,该方法能有效地降低特征维数,减少识别时间,并能显著地提高车牌汉字的识别率.     

改进的不变矩和PNN相结合的多品种产品识别算法

针对生产线中产品形状之间的相似性以及不可避免地存在一定几何失真、边缘模糊等问题,提出一种改进的不变矩和概率神经网络(PNN)相结合的多品种产品识别算法。首先通过图像的预处理提取出产品的边缘特征信息。然后利用改进的不变矩来描述产品的边缘特征,新的不变矩被证明不但具有图像的平移、旋转和比例不变性,而且消除了失真比例系数在离散状态下对不变矩的影响。PNN分类器通过对不同形态、比例的标准件进行训练,判断产品的种类,对产品标准件的识别准确率达到100%,对产品实物的识别准确率达到98. 61%,证明改进的不变矩和PNN相结合的算法对多品种产品识别有较好的鲁棒性和可靠性。实验结果表明,该识别算法是一种有效的处理生产线中多品种产品识别的方法,具有一定价值。     

基于PNN网络和Freeman链码的抽油机井工况诊断

利用概率神经网络(PNN)对抽油机井工况进行诊断,建立了抽油机井工况诊断的概率神经网络模型;对示功图提取特征值的质量好坏直接影响识别效率和可靠性,提出了用Freeman链码对等效的电流示功图提取特征参数,进行预处理,建立抽油机典型工况的链码特征样本库;将Freeman链码作为特征向量,利用MATLAB对网络进行训练;结果表明,Freeman链码能够有效地识别各种典型工况示功图,并且该概率神经网络学习速度快、诊断准确率高,可用于抽油机井工况的实时监测和诊断.     

基于概率神经网络的中医脉象识别方法研究

中医脉象客观化研究的关键在于对各种脉象进行客观检测和正确识别。在长期对中医脉象进行临床检测、采集和分析的基础上,针对中医脉象模糊性强、种类繁多、特征复杂的特点,以及传统识别方法和BP神经网络识别方法的不足,提出了一种基于概率神经网络（Probabilistic Neural Network,简称PNN）的中医脉象识别方法;运用所建立的PNN脉象识别模型对中医常见的12种脉象进行了识别和检验,识别正确率平均达93％（而传统模糊聚类方法的为75％,BP神经网络方法的为87.1％）。最后对PNN方法和BP神经网络方法的识别性能做了对比实验,发现在强噪声干扰下PNN方法对脉象的识别正确率远高于BP神经网络方法。     

基于聚类分析和集成神经网络的序列图像多目标识别算法

针对现有的集成神经网络的训练子集选择时没有考虑样本空间的分布情况,使得构造的训练子集具有很大的随机性和主观性,集成的差异性不能有效保证的缺点,提出了一种新的基于Hu七阶矩、RPCL聚类分析和集成神经网络的序列图像多目标识别算法.该方法首先在训练视频中连续提取序列图像中的目标--人、人群、汽车,利用Hu七阶矩提取轮廓信息.为了防止Hu七阶矩对小目标和非刚体目标的描述能力弱的缺点,再提取图像的面积信息.其次对所提取的8维数据采用基于对手惩罚策略的竞争学习算法(RPCL)进行聚类分析,得到待分样本的分布.再次采用提出的单个神经网络生成算法得到单个神经网络.最后采用相对多数方法对神经网络进行集成.采用基于boosting,bagging方法的集成神经网络和该算法进行比较,结果表明该方法的分类精度要高于传统方法,是一种有效的目标识别算法.     

一种基于深度图像的静态手势神经网络识别方法

静态手势识别是以手势驱动的人机交互系统的核心技术。针对静态手势识别问题,提出了一种基于深度图像进行静态手势识别的方法。为了消除静态手势识别过程中的平移、旋转和缩放不变性,提取手势轮廓的Hu不变矩,并以Hu不变矩作为特征构建静态手势深度感知神经网络模型,以此实现对静态手势进行分类识别。在VisualStudio的开发环境下实现了对该方法的验证,取得了良好的效果,并与传统的模板匹配法与基于卷积神经网络的深度学习方法作比较,静态手势识别准确率总体可达95%,识别效率高,能满足实时性要求。     

基于图像不变矩和神经网络的零件位姿自动识别

零件位置的自动识别是智能三坐标测量机检测系统中极为关键的技术.根据零件可能的放置方式形成零件的多幅虚拟图像,利用CCD摄像机采集零件的实际图像.将图像不变矩理论应用于图像匹配技术中,以虚拟图像的矩不变量及其对应模式进行BP神经网络的训练,将训练好的网络作为分类器,根据实际采集图像的矩不变量进行零件姿态的识别;由采集图像的不变矩计算零件在像平面内的位置和方向,并经坐标转换得到零件在机器坐标系中的位置和方向.实验结果表明本文零件位置自动识别方法是智能且高效的.     

基于小波矩的高压输电线路除冰机器人障碍智能视觉识别方法

针对220 kV 单分裂线路的结构特点,提出了一种基于小波矩的障碍物智能视觉识别方法．该方法采用 Ostu 算法二值化图像,采用小波模极大值算法提取图像边缘．通过提取障碍物边缘图像的小波矩,来得到一组局部 最优的小波矩特征值,并在此基础上用小波神经网络进行障碍物的识别与分类．实验结果表明：所提出的方法能有 效地识别高压输电线上的防震锤、悬垂线夹、耐张线夹等障碍物,并具有比普通3 层BP 神经网络方法更高的精度 和更快的收敛速度．     

一种飞机图像目标多特征信息融合识别方法

提出了一种基于概率神经网络(Probabilistic neural networks, PNN)和DSmT推理 (Dezert-Smarandache theory)的飞机图像目标多特征融合识别算法. 针对提取的多个图像特征量,利用数据融合的思想对来自图像目标各个特征量提供的信息进行融合处理.首先,对图像进行二值化预处理,并提取Hu矩、归一化转动惯量、 仿射不变矩、轮廓离散化参数和奇异值特征5个特征量;其次, 针对DSmT理论中信度赋值构造困难的问题,利用PNN网络,构造目标识别率矩阵,通过目标识别率矩阵对证据源进行信度赋值;然后,用DSmT组合规则在决策级层进行融合,从而完成对飞机目标的识别;最后,在目标图像小畸变情形下, 将本文提出的图像多特征信息融合方法和单一特征方法进行了对比测试实验,结果表明本文方法在同等条件下正确识别率得到了很大提高,同时达到实时性要求,而且具有有效拒判能力和目标图像尺寸不敏感性. 即使在大畸变情况下,识别率也能达到89.3%.     

A modified probabilistic neural network for partial volume segmentation in brain MR image.

A modified probabilistic neural network (PNN) for brain tissue segmentation with magnetic resonance imaging (MRI) is proposed. In this approach, covariance matrices are used to replace the singular smoothing factor in the PNN's kernel function, and weighting factors are added in the pattern of summation layer. This weighted probabilistic neural network (WPNN) classifier can account for partial volume effects, which exist commonly in MRI, not only in the final result stage, but also in the modeling process. It adopts the self-organizing map (SOM) neural network to overly segment the input MR image, and yield reference vectors necessary for probabilistic density function (pdf) estimation. A supervised "soft" labeling mechanism based on Bayesian rule is developed, so that weighting factors can be generated along with corresponding SOM reference vectors. Tissue classification results from various algorithms are compared, and the effectiveness and robustness of the proposed approach are demonstrated.     

A robust approach of watermarking in contourlet domain based on probabilistic neural network

Multimedia Tools and Applications - A novel algorithm of image watermarking in contourlet transform(CT) has been proposed based on probabilistic neural network(PNN) in this paper. In the proposed...     

Adaptive image interpolation using probabilistic neural network

This paper proposes an image interpolation model based on probabilistic neural network (PNN). The method adjusts automatically the smoothing parameters for varied smooth/edge image region, and takes into consideration both smoothness (flat region) and sharpness (edge region) characteristics at the same model. A single neuron, combined with PSO training, is used for sharpness/smoothness adaptation. Finally, we report the performance of these newly proposed methods in other image interpolation method.     

基于径向基概率神经网络的工程图纸图形符号识别

基于径向基概率神经网络，提出一种扫描工程图纸图像分割后的图形符号识别方法，针对已分割的扫描工程图纸图形符号图像，首先进行二值化处理，然后对二值图形符号图像进行Hu不变矩特征提取，再使用一种新型的径向基概率神经网络进行分类，从而实现图像识别．为加快径向基概率神经网络的收敛速度，采用递归最小二乘算法进行训练．实验结果表明，径向基概率神经网络在识别性能与速度等方面非常适合于工程图纸的图形符号识别。     

基于RSPNN的制粉系统故障诊断

针对发电厂制粉系统故障与征兆对应关系复杂及过程信息的不确定性及传统BP神经网络故障诊断的缺点,提出了基于粗糙集概率神经网络(RSPNN)的制粉系统故障诊断方法,以改善传统BP神经网络初始值敏感、易使学习过程陷入局部极小值以及样本数据过大时训练速度慢等问题。首先采用自组织映射神经网络(SOMNN)对连续样本数据进行离散化;再利用基于区分矩阵的HORAFA算法对离散化样本数据进行RS属性约简,并将约简结果作为概率神经网络(PNN)的输入;最后利用PNN作为诊断决策分类器,输出故障模式,并进行了仿真研究。仿真结果表明,该方法不仅优化神经网络的拓扑结构,降低神经网络的训练时间,而且能准确、快速地诊断制粉系统故障类型,同时对发电厂制粉系统及其相关设备的在线故障诊断问题有一定启发性。     

基于神经网络的变压器故障诊断方法研究

针对概率神经网络(PNN)模型强大的非线性分类能力,PNN能够很好地对变压器故障进行分类;文章通过对PNN神经网络的结构和原理的分析,应用PNN概率神经网络方法对变压器故障进行诊断;通过实例仿真表明,PNN网络的训练时间比BP网络少,比之预测准确度也要高,而且还具有高度的泛化能力,这使得PNN网络可以有效地运用到变压器故障诊断中,具有一定的可操作性。     

High performance iris recognition based on 1-D circular feature extraction and PSO–PNN classifier

In this paper, a novel iris feature extraction technique with intelligent classifier is proposed for high performance iris recognition. We use one dimensional circular profile to represent iris features. The reduced and significant features afterward are extracted by Sobel operator and 1-D wavelet transform. So as to improve the accuracy, this paper combines probabilistic neural network (PNN) and particle swarm optimization (PSO) for an optimized PNN classifier model. A comparative experiment of existing methods for iris recognition is evaluated on CASIA iris image databases. The experimental results reveal the proposed algorithm provides superior performance in iris recognition.