基于粗糙集和支持向量机的火炮内膛疵病识别方法

火炮内膛疵病智能识别是火炮内膛窥测的最终目标,它涉及到内膛疵病的特征提取和疵病识别两方面。首先建立了包括疵病形状、纹理与颜色特征的火炮内膛疵病特征体系;并采用模糊粗糙集理论分析了各疵病特征对疵病识别的敏感性,由此优化了疵病特征体系,降低了疵病特征维数;建立了最小二乘支持向量机小样本、非线性数据特征的多疵病分类器,提高了疵病识别效率和质量。

基于图像纹理特征的炮膛疵病检测方法

为实现炮膛疵病的自动识别,提出提取炮膛疵病图像的纹理特征的方法。对若干类炮膛疵病特点进行分析,引用灰度共生三角阵的概念和灰度共生矩阵的熵、能量、对比度、相关度4个特征参量,提取图像的纹理特征。实验结果表明,该方法是有效的,能缩短计算时间,并充分反映图像的灰度空间信息。

炮膛疵病图像的去噪研究

针对疵病图像的去噪问题,应用Curvelet变换对图像进行分解,得出噪声分布的特点;分析了软、硬阈值和连续阈值量化方法的优缺点。在此基础上,提出了疵病图像去噪的方法:对图像做Curvelet变换,得到一系列系数,将最高层系数置零,其他层系数进行连续阈值量化。实验结果表明,与其他方法相比,本文方法不仅可以有效去除图像中的噪声,而且图像的细节得到了很好的保护,说明了该方法的优越性。

火炮身管内膛疵病检测现状与展望

简要回顾了火炮身管内膛疵病的光学检测方法及其局限性，详细介绍了目前重点研究的光电窥膛检测方法，分析了取得的成果和存在的问题。对火炮身管内膛疵病检测的发展方向进行了预测与展望，指出基于机器视觉的研究是一个新的方向。探讨了今后的研究思路，提出首要的任务是在软件方面实现“采集一识别一判定”的自动运行，为此需要重点研究疵病检测的机器视觉图像信息、图像的纹理特征分析技术、疵病评定体系等3方面的内容。

火炮身管静态参数测量系统设计

针对目前火炮身管静态参数测量中存在的问题,发明了轴向运动精度达万分之五和周向运动精度达0.1°的口径自适应机械公共平台,设计了双MCU控制的硬件公共平台和模块化的软件公共平台,结合可实现疵病全参数测量的疵病检测模块可使疵病长度和深度的测量精度达0.1mm;与利用高精度光栅副设计的内径测量模块结合可使内径参数测量精度达0.0002mm;与其他测量模块结合即可完成其他各种参数的高精度测量。与其他同类系统比较,该测量系统结构紧凑轻便,使用操作方便,具有测量精度高,定位准确,可扩展性好,可靠性高,可维护性好,适合火炮全寿命过程检测应用的特点。

基于遗传算法与支持向量机的火炮内膛疵病分类方法研究

支持向量机能够较好解决小样本、非线性数据特征的多分类问题,适用于火炮内膛疵病的分类,但其性能依赖于其参数的选取;对基本遗传算法进行改进,使用自适应的交叉算子和变异算子,并应用于支持向量机参数优化;通过对火炮内膛疵病分类精度的对比研究,改进的遗传算法确定支持向量机优化参数的方法取得了良好的效果,验证了该方法对疵病分类的有效性。

基于功率-幅值谱的炮膛疵病图像识别

在基于机器视觉的炮膛疵病检测中,针对计算机不能以"目标分割-特征提取-特征分析-判定"的经典思路实现疵病图像识别的难题,采用二次谱分析方法从图像全局性特点中挖掘疵病的信息。定义图像二次谱为"图像功率谱的对数幅值谱",提取其亮线长宽比以及谱图能量均值、能量方差和能量矩4个参量来分析炮膛图像中是否存在疵病。通过实验验证了参量的有效性。

基于灰度共生三角阵的炮膛图像分析

为解决炮膛疵病图像粗分类时缺少聚类和分类特征的问题，引入了灰度共生三角阵（Grey Level Co-occurrence Triangular Matrix，GLCTM）的方法。通过对炮膛样本图像GLCTM特征参量的计算与分析，确定了GLCTM的参数；根据特征参量的相关性分析结果，选择了其中7个作为炮膛图像的特征参量。样本图像的实验结果表明，炮膛图像的GLCTM特征参量取值与图像灰度的直观特点之间存在对应关系。