结合改进Hough变换的在线工件直线特征提取研究

为提高轴类零件在线非接触检测的可靠性和实时性,通过对现有图像处理算法的分析,在对现有方法应用的同时,虽其中的部分算法进行了改进,提出了一种基于改进Canny算子与改进Hough变换相结合的直线特征提取算法。通过对获得的零件轴图像预处理,增强图像信息;用改进的算法对图像进行边缘直线的特征提取。通过实验表明,改进的算法自适应能力较强,能够有效抑制噪声,并可以快速准确地提取零件轴的边缘信息,能够满足工件在线检测的要求。     

结合深度学习的智能看护机器人目标检测研究

针对智能看护机器人在实际生活中对目标的检测速度慢和精度低的问题,提出了一种采用轻量型卷积神经网络模型对目标进行检测的算法.首先利用MobileNets基础网络对采集到的图像信息进行特征提取,然后利用多尺度特征图检测不同尺度的目标,同时引入抑制类别样本不均衡的焦点损失函数使模型更加侧重于对困难样本的训练.实验结果表明,改进后的网络模型计算量大幅减少,检测速度提高了7倍,对不同光照条件和复杂的背景环境具有鲁棒性,能够满足对目标的检测要求.     

一种在线提取金属工件形状特征的方法

为提高金属工件在线检测的精度和速度,提出了一种提取金属工件形状特征的方法。首先,提出一种基于除法运算和颜色模型转换相结合的方法来实现高光消除;其次,运用免疫遗传算法完成工件形状特征的提取。实验结果表明:该算法能够有效抑制噪声,并可以快速准确地提取金属工件的形状特征,满足工件在线实时检测的要求。