基于自组织特征映射神经网络的零件图像的识别

提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法,首先,对零件图像进行小波多尺度边缘检测,提取零件图像的边缘轮廓;然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由自组织特征映射神经网络实现识别.实验结果表明该方法是有效的.     

基于MATLAB GUI的零件图像识别

零件图像识别有多种方法,其关键是零件图像的特征提取,为此提出了基于图像边缘检测提取零件图像特征和用径向基神经网络实现识别的方法。首先对零件图像进行边缘检测．提取零件图像的边缘轮廓;然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由径向基神经网络实现识别;最后由GUI完成零件图像的识别,实验结果证明是有效的。     

基于自组织特征映射神经网络的零件图像的识别

提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法，首先，对零件图像进行小波多尺度边缘检测，提取零件图像的边缘轮廓；然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量，各子区域中的相对边缘像素系数作为零件的特征，将这些特征作为神经网络的输入样本，由自组织特征映射神经网络实现识别。实验结果表明该方法是有效的。     

基于MATLAB GUI的零件图像识别

零件图像识别有多种方法,其关键是零件图像的特征提取,为此提出了基于图像边缘检测提取零件图像特征和用径向基神经网络实现识别的方法.首先对零件图像进行边缘检测,提取零件图像的边缘轮廓;然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由径向基神经网络实现识别;最后由GUI完成零件图像的识别,实验结果证明是有效的.     

采用数学形态学的零件跟踪与LabVIEW的识别研究

提出基于数学形态学的运动零件图像序列跟踪和用相对边缘像素系数作为运动零件图像特征的识别方法.首先,对运动零件图像序列进行数学形态学的膨胀、腐蚀和区域填充处理,提取运动零件图像序列的质心运动轨迹,完成运动零件的跟踪.然后,对跟踪的零件图像进行小波多尺度边缘检测,将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由神经网络实现识别.给出基于LabVIEW环境的实验结果,结果表明,提出的方法是有效的.     

基于IMAQ的零件图像特征提取和识别

提出了基于IMAQ的提取零件图像特征的方法,该方法是使用边缘检测算子对零件图像进行边缘检测,然后把检测的图像分成若干个区域并统计各区域的边缘像素量,各区域中的相对边缘像素系数作为特征,利用神经网络实现识别。文中给出特征样本的实验结果,结果表明文中提出的方法能够有效地识别零件。     

基于小波神经网络的零件图像特征提取和识别

提出了基于小波提取零件图像特征的方法,该方法是应用小波变换对零件图像进行多尺度边缘检测,将被检测的边缘图像分成若干个子区域,分别统计其中的边缘像素量,各区域中的相对边缘像素系数作为零件图像特征,利用神经网络实现识别.文中给出样本的实验结果,结果表明文中提出的方法是有效的.     

浅析零件图像的特征提取和识别方法

提出了基于零件图像相对像素系数和神经网络的零件特征提取和识别方法。首先对零件图像进行边缘检测,然后将处理的图像分成若干个子区域并分别统计各子区域的白色像素相对量,该相对量称为相对像素系数,是零件图像的特征,将这些特征作为神经网络的输入样本,由径向基神经网络实现识别。利用C#软件设计了零件图像的虚拟识别仪,实验表明该方法是有效的。     

基于小波神经网络和证据理论的零件图像识别的研究

从零件图像的小波分解系数和相对图像边缘像素系数作为零件特征的方法出发,提出了基本概率分配构造和多源零件图像特征识别的方法。首先,对多源零件图像分别进行小波分解,获取零件图像的小波分解系数。对零件图像进行小波多尺度边缘检测,将被检测的零件边缘轮廓图像分成若干个区域并分别统计各区域的相对边缘像素系数。然后,多源零件图像的小波分解系数和零件边缘轮廓图像的相时像素系数作为零件图像的特征并作为神经网络的输入,获取多源零件图像识别的基本概率分配。最后,依据证据理论的合成规则得到零件的识别结果。实验结果表明,基本概率分配构造和多源零件图像特征识别的方法是有效的。     

基于小波神经网络和证据理论的零件图像识别的研究

从零件图像的小波分解系数和相对图像边缘像素系数作为零件特征的方法出发,提出了基本概率分配构造和多源零件图像特征识别的方法.首先,对多源零件图像分别进行小波分解,荻取零件图像的小波分解系数.对零件图像进行小波多尺度边缘检测,将被检测的零件边缘轮廓图像分成若干个区域并分别统计各区域的相对边缘像素系数.然后,多源零件图像的小波分解系数和零件边缘轮廓图像的相对像素系数作为零件图像的特征并作为神经网络的输入,获取多源零件图像识别的基本概率分配.最后,依据证据理论的合成规则得到零件的识别结果.实验结果表明,基本概率分配构造和多源零件图像特征识别的方法是有效的.     

Small sample parts recognition and localization from unfocused images in precision assembly systems using relative entropy

Recognition and localization of mechanical parts using machine vision is a common approach in precision assembly systems. However, positional inaccuracy in assembly systems often produces unfocused images. Hence, existing methods of part recognition and localization are vulnerable to failure. In this paper, we present a part recognition and localization method, based on relative entropy, which can be applied to small samples. First, a template image is generated based on the contour of the parts and divided into several regions. The intensity distribution of the regions was sampled to generate template features. Then, the captured image is segmented using the Gaussian mixture model and the expectation maximum algorithm to extract the target part in the image. Part features are also generated by sampling the target part image using the template features. Furthermore, an optimization model is established in which the objective function is the sum of the relative entropy between the image features, the template features, and the region matching error correction term. By solving the optimization model, the location of the part can be obtained. The proposed method is compared with the edge and invariant feature-based methods through experiments. The results show that the proposed method has higher robustness and is suitable for the recognition and localization of parts with unfocused images. By using this method, the flexibility and reliability of precision assembly systems can be improved.     

基于边界矩的机械零件图像轮廓特征提取技术

为实现机械零件的有效分类,针对零件具有比较明显的轮廓特征的特点,提出了基于边界矩的零件图像轮廓特征提取方法.首先采用轮廓提取算法,提取零件二值图像的轮廓,在进行水平倾斜校正后,以零件的质心为中心,将轮廓图像划分为若干个扇形子区域.利用改进的边界矩计算方法,分别计算出各子区域的边界矩,从而得出零件轮廓图像边界矩的分布特性.最后,采用K均值聚类算法对提取的零件轮廓特征进行分类,实验结果证明了该方法的有效性.     

基于序列局部图像的尺寸高精度测量方法

为实现大尺寸机械零件的高精度视觉测量,研究基于序列局部图像的视觉测量方法。首先分析机械零件图像边缘的过渡分布特征,提出边缘像素补偿法,消除实际边缘不能精确定位对测量精度的影响。然后以直线边缘距离测量为原型,提出基于序列局部图像尺寸特征的测量方法：对零件进行微小区域成像,生成在空间上连续的序列局部图像;应用相关系数法和双线性插值法获得相邻序列图像的亚像素级尺寸特征线,从而得到各局部图像的尺寸特征;对这些尺寸进行求和与补偿,得到零件的总体尺寸。实验表明,对常规尺寸零件的单幅图像运用边缘像素补偿法,相对测量误差在0.008%以内;对大尺寸零件应用序列图像测量法,相对测量误差在0.01%以内,具有误差积累小的优点,可用于机械零件的精密自动化测量。     

旋转机械参数图形多尺度多结构元边缘检测

以旋转机械振动信号参数图形为研究对象,在600 MW模化汽轮机转子试验台上完成了转子正常、转子不对中和轴承松动故障的实验研究,得到了相应的振动参数三维图形。对不同故障的振动参数三维图形进行了二维灰度转化及图形预处理;依据多尺度滤波增强处理方法滤除了参数图形的噪声,增强了有用信息;利用多结构元边缘检测算子对参数图形进行了边缘检测。结果表明：多尺度多结构元边缘检测方法抗噪能力强,能够在滤除旋转机械振动信号参数图形中噪声的同时,有效地提取图形的边缘特征,适用于环境噪声较为复杂的旋转机械状态监测。     

基于小波神经网络和证据理论的零件图像识别

提出基本概率分配构造和多源零件图像特征识别的方法。首先,获取零件图像的小波分解系数和零件图像的相对边缘像素系数。然后,以零件图像的小波分解系数和零件图像的相对边缘像素系数作为零件图像的特征,并作为神经网络的输入,得到多源零件图像识别的基本概率分配。最后,依据证据理论的合成规则得到零件的识别结果。实验结果表明,文中提出的方法是有效的。     

大尺寸机械零件的机器视觉高精度测量方法

为实现大尺寸机械零件的高精度视觉测量,研究了基于序列局部图像尺寸特征的测量方法,提出了基于纹理特征的序列局部图像校准技术以解决测量过程中相面旋转引起的局部图像尺寸方向变动问题;提出了图像边缘补偿测量技术以消除实际边缘不能精确定位而对测量精度的影响;论述了基于序列局部图像尺寸特征测量方法的算法实现过程。实验表明,对大尺寸零件应用序列图像测量法进行测量,其相对测量误差在0.012%以内,基本满足机械零件二维尺寸精密自动化测量要求。     

大尺寸机械零件的机器视觉高精度测量方法

为实现大尺寸机械零件的高精度视觉测量,研究了基于序列局部图像尺寸特征的测量方法,提出了基于纹理特征的序列局部图像校准技术以解决测量过程中相面旋转引起的局部图像尺寸方向变动问题;提出了图像边缘补偿测量技术以消除实际边缘不能精确定位而对测量精度的影响;论述了基于序列局部图像尺寸特征测量方法的算法实现过程。实验表明,对大尺寸零件应用序列图像测量法进行测量,其相对测量误差在0.012%以内,基本满足机械零件二维尺寸精密自动化测量要求。