零件多源图像特征提取和识别的研究

提出了基于小波变换的零件多源图像融合和提取零件图像特征的方法。首先,应用小波变换对多源图像进行多尺度分解,利用小波分解系数融合零件多源图像。然后,对融合图像进行多尺度边缘检测,被检测的图像分成若干个子区域并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。最后,应用神经网络和网络技术,进行远程零件多源图像识别。实验结果表明,文中提出的方法是有效的。     

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.     

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。     

零件图像特征提取和识别的研究

提出了基于小波变换提取零件图像特征和用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,由神经网络实现识别。3种子区域的不同数量样本的实验结果证明了提出的方法是有效的。     

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.     

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。     

基于证据理论的零件图像识别

从零件图像的小波分解系数和图像相对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和多尺度边缘检测,获取零件图像的小波分解系数和相对边缘像素系数。然后,将它们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,所提出的方法是有效的。