基于改进ORB-FLANN算法的工件图像识别方法

针对传统图像识别算法匹配正确率低、运行时间较长等问题,文中提出了基于改进ORB-FLANN(Oriented FAST and Rotated BRIEF-Fast Library for Approximate Nearest Neighbors)的工件图像识别方法。对ORB算法特征描述、图像特征匹配算法进行修改,解决传统图像识别算法在图像存在尺度和旋转变换情况下存在的弊端并降低误匹配率。该方法对ORB算法检测到的特征点采用SURF(Speeded Up Robust Features)算法添加方向信息并完成特征描述,得到旋转尺度不变性的特征点,结合FLANN算法并引入双向匹配策略进行特征点粗匹配,最后利用渐进采样一致算法进一步剔除误匹配点对完成精匹配。实验结果表明,与其他方法相比,改进算法在处理尺度、旋转等变换图像时,匹配正确率分别提高了2.6%~18.8%和29.5%~43.9%,运行时长均在4 s以内,提高了对工件图像的识别效率和精准性。

基于LBP和SVM的工件图像特征识别研究

针对工业现场诸如粉尘、光照、遮挡、摄像机抖动等复杂环境下工件目标的识别问题,提出一种基于局部二值模式(local binary pattern,LBP)和支持向量机(support vector machine,SVM)的组合模型,对工件图像进行特征提取与类别判定。运用基本LBP模式、LBP等价模式以及LBP旋转不变模式,并结合多种去噪方法对工件图片进行特征提取,得出LBP特征直方图。根据这些特征直方图,利用分类模型对工件进行分类识别。实验结果表明:基于均值滤波去噪的LBP基本特征算子较好地满足了工件图像的特征提取要求,为后续的工件图片分类提供了保障,使得图片识别准确率达96%,识别效果较佳。

基于颜色分离与特征统计分析的工件图像表面异物检测算法

为了解决当前工件图像表面异物形态特征不确定且分布随机性,导致检出能力不足或者严误判过高的问题,分别从颜色分离和特征统计分析的角度出发,提出了基于颜色分离与特征统计分析的工件表面异物检测算法。首先,根据棕色与蓝色色彩差异,进行图像对数变换和线性变换,推导出颜色分离方程,达到分离出棕色异物目标的目的。然后,基于统计学分析原理,计算出目标颜色特征,筛除杂质干扰,进一步精确检测异物目标。最后,基于软件开发环境Visual Stadio实现算法,并系统集成。实验测试结果显示,与当前普通异物检测技术相比,该算法拥有更高的准确性与稳定性。

基于KPCANet的工件图像特征提取研究

为了获得较高的分类准确率,从机器视觉在工业上的应用出发,利用一种简单的基于深度学习的图像特征提取框架KPCANet提取静止状态下的工件图像特征并进行分类。实验结果表明,与Bo W模型和PCANet框架相比,该算法能达到更高的工件分类准确率。

基于图像的二步法工件快速识别

提出了一种用于工件快速计算机视觉识别的方法.该识别方法基于工件的图像,充分利用工件的形状特征,将易于计算和使用的工件面积作为第一步识别的特征,并对不能识别的工件进行分类;然后采用BP网络,使用较少的编码值进行工件的第二步识别.实验表明,该方法可以较好地用于柔性自动化生产系统中,适于多品种、小批量和单件的制造模式.

图像增强在机械工件表面处理中的应用

为了滤除噪声影响,增强工件表面图像的细节特征,提出了运用MATLAB对工件表面缺陷进行图像处理的方法.首先运用中值滤波方法对工件表面图像中高斯和椒盐噪声干扰处理,然后对工件表面图像灰度变换增强处理,最后对机械工件图像进行锐化增强处理.结果表明:通过MATLAB图像处理技术使工件表面图像在主观视觉和客观标准评价上均取得良好效果,为后续工件质量检测提供了基础.

基于生成对抗网络的模糊工件角度检测

为提升复杂的工业生产环境中模糊工件图像的角度检测精度,对工件图像进行有效的去模糊操作,提出基于生成对抗网络的去模糊方法,该方法通过生成网络与判别网络间的对抗性训练,最小化去模糊图像与清晰图像间的距离。为避免直线错检、断线等问题,基于直线检测算法提出改进的直线检测算法。通过对比实验与数据分析发现,所提方法比多尺度卷积神经网络去模糊方法提升了约13%的检测精度。

基于自适应平方变换的工件去噪方法

针对噪声影响工件图像分割、跟踪等问题,给出一种基于自适应平方变换方法.首先将噪声图像中提取的噪声图像块减去块均值,固定稀疏水平,学习平方变换,更新稀疏水平,作为下一次学习平方变换的稀疏水平,然后更新迭代学习平方变换和稀疏水平,最后一次迭代的去噪块的均值估计作为去噪图像.实验结果表明,给出的方法能较好地滤除噪声.与核奇值分解(K-SVD,kernal singular value decompostion)算法相比,该算法去噪后图像的峰值信噪比(PSNR,peak signal to noise ratio)约是K-SVD算法的2倍,去噪速度是K-SVD的3.9倍.

基于联合稀疏变换学习的工件去噪方法研究

针对视觉测量中给光好坏会直接影响工件检测精度和效率的问题,提出了一种基于联合稀疏变换学习对不同光源下工件图像去噪的方法。该方法首先从噪声图像中提取噪声图像块,通过稀疏编码和稀疏变换更新交替运算对噪声图像块进行内部聚类变换学习;然后计算每个噪声图像块中聚类信号的稀疏水平,并选择最小稀疏水平作为该去噪块的稀疏水平;最后对去噪块进行聚类并用最后一次迭代去噪块的均值估计去噪图像。实验结果表明,提出的方法对不同光源下工件图像的去噪效果和计算速度均优于其他算法,具有较好的去噪性能。

基于软件工程与叠层深度学习的工件文本识别算法

目的解决当前图像特征训练不充分,系统软件不规范,导致文本识别不准确的问题。方法分别从系统软件开发和识别算法验证的角度出发,提出基于软件工程与叠层深度学习的工件文本识别算法。首先,根据系统功能需求,进行软件模块化分析,设计出集算法计算、硬件控制、逻辑通信和数据存储于一体的系统架构。然后,基于自适应阈值分割与图像校正,对工件文本图像进行预处理,得到准确的包含文本目标的二值图像区域。最后,利用叠层DAE构成L层深度网络,计算权值矩阵,达到对文本图像轮廓特征深度训练学习的目的。结果利用所提算法获得了复杂干扰条件下的文本识别结果。结论实验测试结果显示:与当前文本识别技术相比,本文算法拥有更高的准确性与现场实用性。

最大类间方差耦合分水岭分割的目标定位算法

为了解决当前复杂目标受噪声干扰严重、背景多变且工件型号切换频繁,导致目标分割不准确,影响目标定位与装配的准确度。本文分别从系统软硬件架构和分割算法整合的角度出发,提出了基于最大类间方差与分水岭标记的复杂目标分割与定位算法。首先,搭建网络摄像头、多轴伺服电机和视觉软件系统之间的系统架构,达到可用于现场实际作业要求的目的。然后,根据图像目标与背景的最大类间方差特性,计算最佳分割阈值,达到对工件目标粗分割的目的。最后,构建分水岭分割线特性,提取分割线,优化区域标记准确度,达到对工件精分割,剔除噪声干扰的目的。实验测试结果显示:与当前分割算法相比,本文算法拥有更高的分割准确度与作业稳定性。

基于水平集演化与遗传优化的缺陷检测算法

为了解决当前工件缺陷微弱、图像坐标多变，导致缺陷检出率不高的问题，分别从系统软硬件架构和图像处理算法分析的角度出发，提出了基于水平集轮廓线收敛与遗传算法的工件缺陷检测算法。首先。搭建线阵采集模组、工件流水线和视觉缺陷检测软件之间的逻辑架构，达到可用于制造现场的系统要求。然后，根据水平集能量场对目标边缘的探测敏感度，设定初始轮廓线，以优化轮廓线收敛方程，完成缺陷目标边缘的定位。最后，进行遗传算法分析，优化分割阈值精度，达到对缺陷轮廓的精分割。实验测试结果显示：与当前缺陷检测算法相比。基于水平集演化与遗传优化的检测算法拥有更高的检出能力。

基于神经网络的轿车轮毂RE/CAM集成技术研究

用综合法做图像预处理。用SOFM网络提取图像特征,其提取能力优于BP网络。对新型二层BP网络增添了动量项,增强了用该网络进行图像压缩的效果。提出了RBF-BP新型网络,它继承了RBF和BP两网络的优势且消除了劣势,对图像实施数据修补的质量和效率显著提高。用M atlab和VC++开发出图像RE/CAM集成系统,能依据图像信息快速自动生成NC代码和刀具轨迹,并可依据零件图像进行尺寸、形状检测和表面缺陷识别。