基于图像边缘特征的零件分类与定位算法

本论文提出了一种基于图像边缘特征的零件分类与定位算法。算法首先对图像腐蚀膨胀等预处理,然后通过边缘检测得零件的完整边缘轮廓,然后对零件边缘轮廓图像使用方向梯度直方图(HOG)构造训练数据,并采用支持向量机(SVM)在训练数据上训练分类识别模型,最后进行检测。根据检测结果获得图像中零件的种类和位置信息,然后使用棋盘格标定的方法来确定深度。标定时,取标定板上的两个点来计算深度,根据已知的深度,获取实际抓取点的两个图像坐标系的x,y值,计算世界坐标系坐标。此系统能解决零件分类、定位问题,能广泛运用于生产线引导工业机器人进行零件抓取。     

圆盘类件端面凹槽、凸台对称度检测专用千分尺

我厂是生产起重运输机械的专业厂。产品驱动部分的电机与减速机之间有一部分是用圆盘类零件凹槽与凸台间为配合连接。圆盘件端面凹槽、凸台的对称度误差直接影响驱动装置的传动平稳性与寿命。为此 ,我们自制了一种圆盘类零件凹槽与凸台对称度检测专用千分尺。如图所示圆盘类零件端面凹槽与凸台对称度检测专用千分尺 ,是利用外径千分尺除尺架以外的部分 ,再加上一专用尺架组成。使用方法 :测量时 ,将专用千分尺尺架上的工作面靠在零件凸台或凹槽一侧面上 ,旋转千分尺微分筒 ,使千分尺活动测杆的工作面与圆盘类零件的外圆柱面相接触。在千分尺…     

基于边缘与非边缘分开处理的印刷品缺陷检测

针对印刷品缺陷检测问题,通过对经典缺陷识别算法的研究,提出了一种边缘点与非边缘点分开处理的印刷品检测缺陷识别算法。算法以统计过程原理为出发点,根据边缘点和非边缘点不同的像素特征,对非边缘点采用统计阈值法处理,对边缘点采用邻域平均值与梯度值相结合的算法处理。该算法经过实验证明,能够有效地剔除伪疵点,提取出真正的缺陷。     

基于图像的血型卡灌装质量在线检测系统

目的测量灌装后血型卡的固液高度,同时检测所灌液体中是否存在气泡。方法将摄像机捕获的血型卡图像经旋转矫正、初步裁剪、定位分割后,得到6个独立的微柱管,利用Sobel水平边缘检测方法分别提取出固液混合相和液相的水平边缘位置,进而计算相应高度,同时提出基于SVM的气泡检测方法,提取气泡的HOG特征,选择RBF核函数来训练检测模型,并建立分类模型,通过交叉验证的方法获得模型最佳参数。结果与手工测量结果进行对比,固液混合相高度误差不超过±0.1 mm,液相高度测量误差不超过±0.2 mm,气泡检测正确率高于97%,在效率上可满足实时检测的需要,高度测量和气泡检测的时间总和小于1.5 s,满足实时性要求。结论所设计的检测系统可以有效解决血型卡灌装质量的在线检测问题。     

涡轴发动机起动信号的奇异值分解研究

针对涡轴发动机动力涡轮转子起动过程中的振动信号,采用奇异值分解方法实现非平稳振动信号的去噪和奇异值重构,从中提取起动信号的振动特性。发现某涡轴发动机凸台1和凸台2的振动主频为154 Hz,为涡轴发动机2阶临界转速的2/3倍频,凸台3的振动主频为160 Hz。这些振动特征可为发动机振动排故和动平衡提供参考信息。     

基于特征融合和交叉核SVM的快速行人检测方法

行人检测是目标识别领域的一大难点。现阶段用于行人检测的特征维数都比较高,为克服高维特征对实时性的影响,本文运用主元分析(PCA)对特征进行降维,加快检测速度。单一特征的信息有限,本文运用基于线性鉴别分析(LDA)的线性权重融合原则对一些底层特征(颜色、梯度、直方图)和多层次导向边缘能量特征进行特征融合使特征具有多源信息。且上述特征可采用积分图技术进行快速计算,所以行人检测系统的鲁棒性和实时性得到加强。在目标识别领域直方图交叉核支持向量机(HIKSVM)具有分类快,且准确率高的优点,采用其进行分类,系统实时性更进一步提升。实验表明本文方法检测速度和检测率优于经典的HOG+SVM算法。     

基于多特征融合的行人检测

研究了3种不同类型的特征算子:梯度直方图(HOG),基于Gabor变换的局部二值特征直方图(LGBPHS)和基于剪切波变换的直方图(HSC)在基于图像的行人检测中的应用.提出了基于多特征融合的检测算子,对单一特征进行L1范式规格化之后,将3个特征融合为一个高维的拥有大量信息的新特征,之后引入偏最小二乘法(PLS)进行特征降维,得到最终的人体特征.利用线性SVM作为分类器,在INRIA人体库上进行了实验,结果表明,融合后的特征极大的提高了检测率,在FPPW=10-5时,检测率达到了95.6％.     

基于机器视觉的瓷砖裂纹检测

目的线上包装时准确地对带有花纹且背景灰度和裂纹灰度相近的瓷砖表面缺陷进行检测。方法设计合理的检测机构,选择合适的软硬件,设计各模块的组成;针对裂纹的轮廓难以通过各种算子提取的问题,在自适应形态学预处理后,通过小波变换与形态学融合的差影法提取裂纹边缘、花纹及部分背景信息,筛除掉难以处理的花纹与背景区域。结果成功得到了缺陷轮廓及对应参数,经对比漏检率为0.02,过检率为0.05。结论该系统准确率较高,能够满足要求。     

基于ECT的航空复合材料缺陷检测研究

针对航空复合材料制件在生产和服役过程中产生的缺陷损伤,提出了一种基于电容敏感原理的同面多电极阵列传感器无损检测方法。基于电容边缘效应,设计了一套同面电极阵列的胶粘缺陷检测系统,模拟航空复合材料缺陷的真实分布。电容层析成像(ECT)系统以单电极激励方式工作,根据缺陷材料介电特性变化引起的电容测量值的变化,采用共轭梯度成像算法复现缺陷位置和形状。实验结果表明,所述方法能够准确地判断出胶粘缺陷的位置和大小,能够对2mm厚度碳纤维复合材料内侧的8mm胶粘结构缺陷进行可视化检测,ECT检测系统重建图像质量较高、边缘伪影较少,为航空复合材料缺陷检测提供了一种新的研究方向。     

基于机器视觉的光纤端面几何参数测量研究

研究了一种基于机器视觉的光纤几何参数测量方法。该方法运用数字图像处理算法,首先,读取光纤端面图片,采用Deriche边缘检测算法进行图像分割;然后,利用去伪边缘算法完成对有效边缘的提取及合并;最后,进行曲线拟合,完成对光纤端面几何参数的测量。实验结果表明：该方法操作简便,算法复杂度低,光纤端面边缘拟合精确度较高,数据检测速度快,可以精确高效地检测出光纤端面几何参数的数据,对涂覆层直径的重复测量精度可达0.021μm,涂覆层圆度重复测量精度可达0.043%。     

基于Sobel算法的塑料袋边缘位置标定

目的 对现有塑料袋装容器的外边缘轮廓进行精确定位,保证透明包装容器的外边缘轮廓在日常生产中可应用.方法 机器视觉塑料袋装容器检测系统依据图像信息收集、识别算法、sobel算法、位置标定、SVM结果对比等部分,确定透明包装边缘标定核心算法要点,在传统频域变换的基础上,进行sobel算法改进算法分析,有效提高对塑料袋装容器的外边缘轮廓识别率,明确该类包装的检测要点.以实际的液体透明医用包装袋为例,论证该类包装外边缘的特征提取方法,并且强化该包装边缘的视觉特征,最后进行SVM结果对照实验.结果 对照结果表明,该视觉方式可以实现对机器视觉的塑料袋装容器标定,精准率可以达到94％,对于机械手10％的边缘标定精确度是可以适用的.结论 基于该sobel算法以及优化措施,确定了机器视觉塑料袋装容器标定方式,满足了塑料袋装容器生产的有效定位要求.     

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SVM的高通量dPCR基因芯片荧光图像分类研究

目的 为了实现高通量dPCR基因芯片荧光图像的亮点分类与计数,提出一种基于支持向量机（SVM）的荧光图像分类与计数方法。方法 首先对荧光图像进行去噪、对比度增强等图像预处理,对预处理后荧光图像进行亮点区域提取标注,去除背景与暗点的冗余信息,利用方向梯度直方图（Histogram of Oriented Gradient, HOG）提取鉴别特征,计算合并所有样本的亮点特征得到HOG特征向量,根据已得到的HOG特征向量创建一个线性SVM分类器,利用训练好的SVM分类器对荧光图像亮点进行分类与计数。结果 对比传统算法,文中算法具有较高的分类识别精度,平均准确率高达98%以上,可以很好地实现荧光图像亮点分类与计数。结论 在有限的小样本标注数据下,文中算法具有良好的分类性能,能够有效识别荧光图像中的亮点,对其他荧光图像分类研究也具有一定参考价值。     

一种基于差影法及SVM的在线纸病检测分类方法

目的 解决目前纸病分类算法存在的实时性差、难以适应生产线在线检测要求等问题。方法 提出一种基于差影法和支持向量机的在线纸病检测分类方法。首先使用差影法来判断纸张是否含有纸病;对含有纸病的纸张进行打标机打标,同时存储图像,提取纸病区域外接矩形的特征向量;最后使用支持向量机对纸病进行分类。结果 将该方法与已有的BP神经网络以及朴素贝叶斯方法进行对比可知,分类正确率高于目前已有的分类方法,对于4种纸病的分类正确率均在90%以上,而且实时性好,更加适合于在线检测。结论 该方法可以有效地对纸病进行分类,满足生产线实时检测分类的要求。     

Vibration data-driven machine learning architecture for structural health monitoring of steel frame structures

A vibration data-based machine learning architecture is designed for structural health monitoring (SHM) of a steel plane frame structure. This architecture uses a Bag-of-Features algorithm that extracts the speeded-up robust features (SURF) from the time-frequency scalogram images of the registered vibration data. The discriminative image features are then quantised to a visual vocabulary using K-means clustering. Finally, a support vector machine (SVM) is trained to distinguish the undamaged and multiple damage cases of the frame structure based on the discriminative features. The potential of the machine learning architecture is tested for an unseen dataset that was not used in training as well as with some datasets from entirely new damages close to existing (i.e., trained) damage classes. The results are then compared with those obtained using three other combinations of features and learning algorithms—(i) histogram of oriented gradients (HOG) feature with SVM, (ii) SURF feature with k-nearest neighbours (KNN) and (iii) HOG feature with KNN. In order to examine the robustness of the approach, the study is further extended by considering environmental variabilities along with the localisation and quantification of damage. The experimental results show that the machine learning architecture can effectively classify the undamaged and different joint damage classes with high testing accuracy that indicates its SHM potential for such frame structures.     

Crack Shape Reconstruction in Eddy Current Testing Using Machine Learning Systems for Regression

Nondestructive testing techniques for the diagnosis of defects in solid materials can follow three steps, i.e., detection, location, and characterization. The solutions currently on the market allow for good detection and location of defects, but their characterization in terms of the exact determination of defect shape and dimensions is still an open question. This paper proposes a method for the reliable estimation of crack shape and dimensions in conductive materials using a suitable nondestructive instrument based on the eddy current principle and machine learning system postprocessing. After the design and tuning stages, a performance comparison between the two machine learning systems [artificial neural network (ANN) and support vector machine (SVM)] was carried out. An experimental validation carried out on a number of specimens with different known cracks confirmed the suitability of the proposed approach for defect characterization.      

粉状炸药自动包装工艺的改进研究

目的 针对印刷品表面缺陷检测中计算实时性差、缺陷类型识别率不高等问题,提出一种改进灰度共生矩阵(GLCM)的印刷品表面缺陷检测方法。方法 首先对主流的缺陷检测流程进行优化设计,通过对图像进行预处理和差分操作,判断待测印刷品表面是否存在形状缺陷;然后针对传统灰度共生矩阵的特征提取维度高、信息易丢失、旋转不变性差等问题,设计一种综合考虑效率和实时性的缺陷区域特征参数提取算法;最后结合得到的特征参量,通过基于支持向量机的分类器完成不同形状缺陷的分类识别。结果 实验结果表明,文中所设计的改进算法所提取的特征参量更能精确表征缺陷区域的特征,同时,特征参数的提取时间和缺陷分类识别率等指标均比传统检测方法更有优势。结论 在保证计算实时性的前提下,文中所设计的检测方法能有效完成印刷品表面缺陷区域的纹理特征识别能力,具有较高的分类识别率。