面向微装配的零件识别定位方法研究

针对平板类微小零件装配问题,在搭建了微小型零件装配系统实验平台的基础上,开发了微装配控制系统,并对装配流程进行了分析研究。根据平板类微小型零件的特点,在微装配识别定位模块,对零件识别定位方法进行了研究,开发了基于形状模板的匹配算法。该模块首先将模板图像与目标图像进行高斯滤波,得到平滑图像,并对平滑图像二值化以及对模板二值图像进行去噪;其次,通过Sobel滤波器计算边缘点的方向向量,定义相似性度量;最后,通过图像金字塔加快匹配速度,并利用最小二乘法达到亚像素级定位精度。实验分析表明,此方法识别率高、匹配速度快、定位精度高,能够较好的满足实际要求。     

虹膜识别技术中的图像处理

介绍了最新研制的虹膜识别系统的采集装置和识别算法,通过设计对比了两种系统的虹膜识别体系的采集装置和识别算法。一套是基于CMOS图像传感器的成像系统,另一套是经过改进的基于数码相机的成像系统。改进后的系统硬件部分操作简单,采集到的图像更加清晰,可用于识别的虹膜细节部分更完整。改进后所使用的算法相对也更简洁。     

工业用指针式仪表智能识别系统的设计与开发

系统设计使用PHP、 Python进行开发,采用B/S架构,应用ThinkPHP、 Flask、 Vue框架开发Web服务器,使用MySQL和Redis作为数据库存储数据。系统通过Web服务器与算法服务器配合,利用视频流对仪表进行识别,产生告警信息,可定时读数,并通过平台进行展示,以此替代了目前繁重且高成本的人工抄表,实现了智能化工作与管理。     

基于图像处理技术的标志字符识别检测系统

针对目前出厂产品表面标志字符识别检测工作量大、易出错、易混淆等问题,设计了一种基于图像处理技术的标志字符识别检测系统。这一系统通过由Visual Studio与OpenCV开发的标志字符识别算法,对获取的不同类型标志字符图像进行阈值分割、二值化处理,经过数学形态学处理提取不同类型标志字符的特征信息,进而结合标志字符特征定位识别算法,对标志字符进行快速定位与识别。这一系统具有良好的稳定性和准确性,适合应用推广。     

一种基于神经网络的自动跟随行李箱设计

设计了一种基于神经网络识别的自动跟随行李箱,以树莓派4B作为主控板,在主控板配置TensorflowLite使用环境,并搭载摄像头模块、HC05蓝牙模块和ISD1420语音模块等,通过摄像头获取图像后使用YOLOV3-tiny算法识别人物并使用IOUTracker跟踪算法进行目标跟踪.实验结果表明,该智能行李箱在实际环境能有效的识别使用者并且进行跟踪.     

基于视觉的车位线识别算法

提出了一种自动泊车系统中采用视觉方法通过识别车位线来确定泊车位的算法。采用金字塔分层搜索策略,首先,在灰度直方图上应用K均值聚类法对图像进行二值化,提取车位线骨架,采用Hough变换检测骨架,并利用基于密度的无参数聚类方法对骨架线聚类,在金字塔高层图像上确定车位角点候选点;然后,在金字塔最底层图像上选择感兴趣区域,采用改进的基于距离变换的骨架提取算法提取骨架,使用遗传算法对车位角点骨架进行精确匹配,根据实际车位角点的分布特征确定目标车位;最后,在室外不同环境下采集多张车位图片进行算法的有效性和快速性验证实验。实验结果表明,采用基于视觉的车位线识别算法进行车位检测能较大地提高检测的效率和识别正确率。     

一种基于紫外荧光图像的人民币面额识别算法

通过调研国内外纸币面额识别技术的研究现状,设计了一种基于紫外荧光图像的人民币面额识别算法,该算法利用在紫外光照射下人民币正面的荧光面额区域作为识别特征,经过简单的图像预处理(包括倾斜校正、图像二值化、滤波和形态学处理等)操作,综合运用几何结构分析和模板匹配的方法实现对六种人民币面额的识别,识别率达到99%以上,平均识别时间在0.04s以内。该算法识别效果好并且满足一定的实时性,经过改善可以运用到自动售货机、点钞机、清分机、ATM机等实际系统中。     

开放式环境非接触低分辨率采集下的掌纹识别

提出一种开放式环境下、非接触采集下的掌纹识别算法.采用一种低分辨率的普通摄像头进行掌纹图像采集,人手只需自然张开、中指竖直向上放在摄像头前一定范围内.首先建立肤色模型将人手从复杂背景中提取出来;然后提出一种简单有效的关键点定位算法找到指根点,并以此建立坐标系提取掌纹ROI;接着提出一种基于统计的纹理基元算法进行掌纹特征提取,该算法不用对掌纹ROI进行归一化,计算速度较快并且对光照具有一定的鲁棒性;最后利用余弦相似度进行特征匹配实现掌纹识别.在自建的小型掌纹图像库上进行了相应的识别实验,实验结果表明所提出的算法能够在动态环境下达到理想的识别效果.所开发的实验系统能够快速实现掌纹图像采集与识别,适合在线实时系统应用.     

一套基于智能识别技术的离线自动计量系统的研究与应用

本研究提供了一套基于智能识别技术的离线自动计量系统.此系统主要通过高度集成化的扫描设备自动级别钢板喷号面标内容,将图像识别信息传递给计量系统,实现钢板计量单号的自动匹配.同时设计计量系统的钢板号信息纠错功能,保证扫码获得的信息与计量系统上申报的信息无差别匹配.实现计量数据的精准化,通过红外光栅严格定位过跨车的有效称重段.同时系统增加数据稳定功能的判断,对称重仪表采集的有效数据进行精准的分析,通过合理的算法获得最优值.实现计量信息不落地,计量数据和智能识别的图片同时存入数据库,并上传至生产系统,形成随时可查、可用的电子档案.建立视频监控系统,增加云台摄像头,辅助当班人员计量过程中查看现场情况,同时可对计量全过程进行溯源.     

基于Shi-Tomasi的太赫兹人体图像边缘物体识别

为了提高太赫兹安检系统对人体图像边缘物体识别的准确率,提出了一种基于ShiTomasi算子的角点特征识别算法。首先对原始图像进行预处理,经二值化、腐蚀膨胀、边缘平滑后消除人体轮廓中孤立的噪声和边缘刺峰;然后将Shi-Tomasi算子筛选后的人体轮廓强角点与垂直方向阈值范围内的相邻角点连线,并根据连线两侧遍历像素变化点,最后通过比对背景侧数值实现人体边缘物体的识别。实验结果表明,该算法识别速度快,对人体边缘物体的识别率高于98%,能够应用于太赫兹人体图像边缘物体的识别。     

基于OCR的数字仪表自动识别在工业现场中的应用

在工业生产中经常需要进行配方控制,在很多现场环境下,各种原料均由工人使用电子称计重进行,因而难以实现精准地投料量自动控制。本文采用了基于光学字符识别(Optical Character Recognition,OCR)的图像采集数字仪表数据后,使用图像处理算法来模拟出光斑、阴影、畸变与其他不利于识别与检测的因素以达到数据增广的目的,再用加入了上述不利因素数据集进行训练,过程中利用EAST全卷积神经网络进行文字检测,再使用CNN-LSTM-CTC进行文字识别。经现场测试,该模型有较好的准确率,对小数点也比较敏感,取得了良好的整体识别效果,成功应用于现场生产环境中。     

基于图像分割和证据理论的零件图像识别

提出了一种零件图像识别的方法,即对零件图像进行二值化处理,分割成若干个区域并统计各区域的相对像素系数,作为神经网络的训练样本和测试样本。神经网络的输出作为D—S证据推理的基本概率分配,依据证据理论的合成规则可提高零件的识别结果。     

基于深度学习的电力企业智能招聘系统的设计与实现

电力企业智能招聘系统对电力企业招贤纳才,提高电力企业市场竞争力具有至关重要的作用。本文将卷积神经网络作用于智能招聘系统原始图像,采用K均值聚类算法对图像进行识别,同时对招聘系统的用户管理模块、信息检索模块、求职管理模块以及安全验证模块进行了设计与实现。将深度学习的经典算法卷积神经网络应用于智能招聘系统中使得智能招聘系统的安全性、智能性得到了很大程度的提升,对智能招聘系统的设计具有一定的实用价值。     

Classification of esophagitis grade by neural network and texture analysis

Esophagitis is divided into four grades according to the progress degree of disease by the LA classification method. This research was carried out on image processing with endoscope images for quantifying the four grades under the LA Classification. In a previous paper, which presented our work, the algorithm for detecting abnormal parts from one image was developed. This paper was conducted to classify esophagitis grade of one image itself. Whole 30 images were used in an experiment and included normal images and abnormal images with four grades. GLCM (gray level co-occurrence matrices) factors were extracted. The distributions of the texture image histogram were analyzed from each image for texture images. The algorithm to determine esophagitis grade used BPN (Back propagation network) that was composed of the texture histogram distribution for input data. It learned 20 images and verified with 10 images to diagnose under the LA classification system. Recognition ratio of learning result was 93.0% and verification result 77.0%. With features of the neural network, the success rate could be improved with this result by learning the data which were errors. Consequently, the recognition success rate appeared at 96% by total re-learned 30 images in addition to 10 images. This paper was recommended for publication in revised form by Associate Editor Dae-Eun Kim     

基于改进智能用电优化算法的家庭智能用电管理系统

为了提升家庭智能用电管理系统的计算效能,使用时序分析算法,将远程抄表实时费控电能表采集的1s步长的电流、电压数据序列,整理成5列录波图,并利用线性重投影算法形成可供神经网络识别的时序序列,使用加权卷积多列神经网络进行挖掘,将用户每1s步长的用电量信息分解成空调、插座、照明等负荷用电量信息,最终形成家庭智能用电管理系统的数据分解展示功能。经过与针对上述负荷单独安装电能表的实测数据进行对比,发现该改进智能用电优化算法得到的用电量分解结果,与实测结果的误差率均为5.8~6.0%之间。     

基于工况识别与多元非线性回归优化的能量管理策略

为给混合动力汽车智能管理策略提供基础,开展了基于学习向量化(LVQ)神经网络的工况模式识别算法研究。选取4种典型微观道路类型工况和3类标准循环工况,提取11个参数为训练特征数据,建立了LVQ神经网络工况模式识别算法;在此基础上,以某款混联式动力系统为例,结合多元非线性回归分析制定相应控制策略;最后,基于Simulink仿真平台建立LVQ神经网络工况模式识别及整车仿真模型,分别采用中国城市典型循环工况以及构建UDDS+NYCC+UDDS的标准行驶工况进行道路工况识别验证。结果表明,所建立的LVQ神经网络工况识别算法可以准确识别工况模式并能有效提高能量管理策略的控制效果。     

基于卷积神经网络的设备安装位置智能识别方法

该文针对IT系统集成机柜建立了一套基于卷积神经网络的柜内设备智能识别系统。设计基于图像处理和深度学习的识别算法以实现机柜内设备安装位置的检测识别。建立设备图像数据集对YOLO模型进行训练,得到合适的加权系数,使模型损失函数值最小;将训练好的模型对实际环境中的机柜进行检测并与其他经典方法进行对比。实验结果显示,该系统检测的准确率和实时性都优于其他算法,准确率最高达到93.9%。对于建立基于机器视觉的设备识别和控制系统有重要意义,可以在一定程度是上取代人工识别和操作。     

基于电学测量的智能手势识别方法研究

随着计算机的广泛应用和可穿戴电子设备的发展,将人机交互和可穿戴设备相结合逐渐成为研究热点,其中手势识别技术在人机交互领域扮演着重要的角色。主要提出基于电学测量的智能手势识别方法,利用传感器设备采集手腕边界电压数据,同时利用深度神经网络将采集到的电压数据进行分类,最终实现手势识别的目的。实验验证了通过电学测量数据对手势分类的可行性,将深度神经网络加入到手势识别系统中后,手势正确识别率达到90%以上,从而证明了系统具有较好的便携性、稳定性和实时性,为智能手势识别系统的设计提供了新思路。     

一种实用视觉识别的仪表自动检定系统

介绍一种基于图像处理和神经网络识别技术的温控仪表自动检定系统。在系统中，计算机对被测仪表发出模拟热电偶测量信号，并获取被测仪表示显示值的视图，经过数字图像预处理后，采用神经网络感知器算法予以识别，得到仪表显示数。将被测仪表显示数与计算机内的测量值比较，其误差曲线即可确定该被测仪表的精度。     

基于BP神经网络的电缆沟监控模式识别方法

为了减少电缆沟盲目施工与偷盗等因素造成的损失和影响，引入一种智能的线路监控技术。该技术基于分布式光纤传感技术，利用BP神经网络对光纤传感器的四种常见的扰动信号进行模式识别。通过将光纤传感器得到的时域扰动信号用特定的程序处理后转换成图像，再经特定的图像处理流程后形成模式识别的样本。利用这些样本训练BP神经网络，并将训练好的模型应用到实际的电缆沟安全监控系统中进行测试。测试结果表明，电缆沟的总体识别成功率为98.16%，该识别方法还可以应用于光纤周界安防系统等领域。