基于BP-神经网络零件装配图像检测研究

应用BP-神经网络为识别算法将零件表面纹理系数作为神经网络训练元素,提出零件装配检测的方法。首先对运用图像的灰度信息和灰度梯度信息进行边缘检测,提取目标分析区域。在目标区域内获取零件表面纹理特征及其系数,以特征系数为样本,进行特征神经网络训练。使用训练完成的神经网络对零件的装配环节进行识别判断。     

基于卷积神经网络的工件表面粗糙度等级识别

为解决零件表面粗糙度等级识别困难的问题。构建一套显微镜CCD图像采集系统,获取了不同表面加工类型和不同粗糙度值的零件表面图像。设计用于粗糙度等级识别的深度卷积神经网络,采用已知粗糙度等级的图像及其对应的粗糙度标签对网络进行训练。通过车削、平铣、立铣、平磨、磨外圆、研磨6种表面加工工艺来验证该方法。并且研究了不同放大倍数和不同光照强度对于识别结果的影响,确定了每种加工方式适宜的放大倍数和光照强度。实验证明所提出的粗糙度测量模型能以较高的准确率识别出零件表面粗糙度等级。     

基于无人机低空摄像的嫩茶叶特征信息的研究

随着近年计算机技术、图像处理和模式识别等技术的不断发展,利用图像特征对于茶叶特征信息进行检测变得可行。本文采用无人机低空摄影的方式捕捉茶叶图像,实现多高程段拍摄。针对嫩茶叶的特征信息,采用基于形状体征和颜色的图像处理方法,实现嫩茶叶的计算机识别和检测。通过利用自适应阈值分割法提取嫩茶叶的图像进行分割、采用自适应中值滤波方法对图像进行滤波降噪、采用改进的Canny算法和匹配算法实现嫩茶叶关键信息的提取,可以有效地识别嫩茶叶。     

基于YOLO v5和多源数据集的水稻主要害虫识别方法

针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法YOLO v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数。依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67%和98.30%,F1值达到94.87%,二化螟识别的精确率和召回率分别达到93.39%和98.48%,F1值达到95.87%。不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性。基于YOLO v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于...     

基于PCA模式识别算法的收割机自主路径规划设计

为了更准确地对高分辨率可见光农田路标导航图像进行目标识别,将基于主成分分析(PCA 2 Principal Component Analysis)和模板匹配的方法引入到了联合收割机控制系统中,提升了收割机自主图像识别水平和路径规划能力。在识别过程中,采用PCA算法对分割图像进行特征提取和主成分分析,并将图像主轴旋转成水平方向和训练样本库进行匹配,最后识别出导航路标,并自动生成预设的路径。为了验证方案的可行性,将PCA模式识别算法嵌入到了收割机的控制系统中,在开阔平坦的农田里进行了实验测试,结果表明:采用PCA模式识别算法可以成功地识别农田里的导航路标,其识别准确率和效率都较高,且可以自动生成规划路径,对于现代收割机自动化作业能力的提升具有重要的意义。     

基于改进SSD卷积神经网络的苹果定位与分级方法

为实现苹果果径与果形快速准确自动化分级,提出了基于改进型SSD卷积神经网络的苹果定位与分级算法。深度图像与两通道图像融合提高苹果分级效率,即对从顶部获取的苹果RGB图像进行通道分离,并提取分离通道中影响苹果识别精度最大的两个通道与基于ZED双目立体相机从苹果顶部获取的苹果部分深度图像进行融合,在融合图像中计算苹果的纵径相关信息,实现了基于顶部融合图像的多个苹果果形分级和信息输出;使用深度可分离卷积模块替换原SSD网络主干特征提取网络中部分标准卷积,实现了网络的轻量化。经过训练的算法在验证集下的识别召回率、精确率、mAP和F1值分别为93.68%、94.89%、98.37%和94.25%。通过对比分析了4种输入层识别精确率的差异,实验结果表明输入层的图像通道组合为DGB时对苹果的识别与分级mAP最高。在使用相同输入层的情况下,比较原SSD、Faster R-CNN与YOLO v5算法在不同果实数目下对苹果的实际识别定位与分级效果,并以mAP为评估值,实验结果表明改进型SSD在密集苹果的mAP与原SSD相当,比Faster R-CNN高1.33个百分点,比YOLO v5高14.23个百分点...     

SAR遥感图像中农田区域识别与检测方法研究

为实现对SAR遥感图像中农田种植区域的精确识别与检测,利用特征提取、多种分类器、图像融合、相关判决等方法,实现对SAR遥感图像中农田种植区域的精确识别与检测。通过分析合成雷达孔径背景,介绍合成孔径雷达图像农田种植区域的特征提取及识别检测方法,结合PCA融合方式证明SAR图像能有效实现对农田区域的精确识别与检测。最后提出一种基于多分类器集成学习的SAR图像农田区域识别与检测方法,试验验证了该方法的有效性。     

改进RetinaNet的刺梨果实图像识别

为实现加工车间刺梨果实的快速识别,提出一种基于改进的RetinaNet刺梨果实图像的识别方法。基于RetinaNet的模型,对RetinaNet框架中Focal loss的bias进行改进,使其能根据不同的情况控制bias的取值,再运用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层,对卷积神经网络结构进行优化。通过改进RetinaNet目标检测算法对7426幅刺梨果实图像进行检测识别,并与原始RetinaNet目标检测算法对比。试验结果表明:改进的RetinaNet网络模型识别方法对6类刺梨果实的识别率分别为99.47%、91.42%、96.92%、90.92%、96.89%和93.53%,平均识别率为94.86%;相对于原始RetinaNet目标检测算法,改进算法的识别准确率提高4.21%,单个刺梨果实检测时间由60.99 ms缩减到57.91 ms,检测时间缩短5.05%。本文改进算法对加工车间刺梨果实的识别具有较高的正确率和实用性。     

基于计算机视觉的水稻杂株识别

针对水稻的杂株识别,设计了一种基于计算机视觉的水稻杂株识别系统。系统主要由图像获取系统、特征提取系统和模式识别方法系统组成,可利用颜色特征识别图像中的杂株,并对图像进行阈值分割获取二值图像,提取形状特征和纹理特征,通过DS融合理论程序实现水稻杂株的识别。试验结果表明:系统可以准确识别水稻杂株类型,准确率达到了92%以上,能够满足农业人员对水稻杂株识别系统的要求。     

基于粗糙集和模糊聚类的复杂曲面零件可制造性评价

针对复杂曲面零件的可制造性,建立了复杂曲面零件可制造性评价指标和模型,在设计初期能够对曲面的可加工性进行预测,提高曲面加工质量和效率。将影响复杂曲面零件可制造性的因素分为几何构型复杂度和加工技术复杂度。首先针对曲面几何构型复杂度,基于模糊聚类算法,按照复杂曲面曲率分布特征和斜率分布特征对曲面进行聚类分析,建立曲面簇群体模式;然后综合考虑加工技术复杂度中的各属性,运用粗糙集理论的数据离散和指标约减算法计算各属性权重,形成曲面评价知识库;最后利用模糊模式识别和曲面相似度的计算方法预测设计曲面零件的可制造性。实例分析表明,该方法能够较准确地对曲面可制造性进行评价。     

基于机器视觉的干制红枣大小分级方法研究

为了实现干制红枣的大小自动分级,介绍了应用机器视觉的干制红枣自动分级方法,利用CCD摄像机获取红枣的样本图像,应用MATLAB软件编程实现了样本图像的灰度化、二值化、图像分割、图像滤波、图像形态学处理、边缘检测和特征量提取等处理,参照干制红枣分级标准完成了红枣自动分级。通过实验数据回归分析得出红枣实测纵径、果质量与识别值当量值之间的数学检测模型,其决定系数分别达0.995 5和0.948 1。实验表明,采用句法模式识别对数据进行红枣大小分级,分级准确率达85%。     

基于视觉算法的割草机器人作业系统优化

以割草机器人作业系统为研究对象，通过对割草机器人作业过程进行分析，利用高清摄像头进行目标区域草地图像采集，采用视觉算法进行草地图像转换，获取草地图像的颜色和边界特征集合，实现草地识别和草地形状识别，并根据结果进行割草作业自动化控制。试验表明：基于视觉算法建立的割草机器人作业控制系统，草地面积识别误差不大于1.5%,草地图像像素识别误差不大于3%,系统在进行草地状态识别时具有较高的可靠性。     

基于Laws与Gabor滤波的田间西兰花花球识别技术

正确识别西兰花田间位置是实现西兰花自动化采收的基础,西兰花花球颜色与植株的叶片、茎秆相似,仅通过颜色特征无法对西兰花进行识别,本文以成熟期的田间西兰花为研究对象,提出了一种基于纹理特征与颜色特征的西兰花识别算法。首先通过预处理以及Laws滤波对图像进行边界纹理强化,再通过Gabor滤波对图像进行纹理特征向量提取,并对提取后的纹理特征向量进行z-score标准化,随后对标准化后的纹理特征向量进行K-means聚类与开运算,获取花球潜在存在区域。同时对RGB图像进行HSV转换,通过对图像的H分量进行阈值分割达到滤除地面像素的效果。最终对纹理特征识别与颜色特征识别的结果进行融合,实现对田间西兰花的识别。算法通过结合纹理与颜色特征,对田间西兰花进行了识别,解决了西兰花的花球与茎叶等背景颜色相近难以识别的问题。本文共使用792幅图像进行试验,试验结果表明,本方法可以准确地对西兰花田间图像进行识别,其精确率为96.96%,召回率为94.41%,F1值为95.67%。通过对3组不同拍摄环境的数据集进行算法识别,3组数据集的F1值始终保持在94%以上,具有良好的拍摄环境适应性,为农业机器人进行西兰花自...     

基于 PCA 和 SVM 的植物叶片分类方法研究

为了提高植物叶片识别与分类的正确率,提出了一种基于 PCA 和 SVM 的植物叶片识别方法,在对叶片图像进行分割、边缘检测后,提取10个具有旋转、比例、平移不变性的无量纲叶片特征参数,对叶片特征参数进行主成分分析,将前3个主成分作为支持向量机的输入建立模式识别模型。实验结果表明,本算法女贞、木瓜、五角枫、三角枫等4种植物叶片的识别正确率达97．22％,优于直接用特征参数作为模型输入的识别正确率,且算法具有良好的实时性。     

植物叶片特征提取及识别

随着计算机技术的飞速发展,对植物的分类研究已经突破了单纯从植物细胞及化学遗传成分的角度去鉴定植物种类的方法,可以综合应用图像处理技术和模式识别技术,辅以图像获取设备实现对植物的快速识别。为此,精心选取了植物叶片图像的典型形状特征,构成了叶片识别的特征向量,然后用概率神经网络（PNN）作为分类器,对样本进行训练。实验结果证明,针对少量常见的植物叶片图像,PNN与BP神经网络相比有更好的识别效率。     

基于深度学习的水果图像识别系统

随着模式识别领域不断的发展,图像识别作为该领域中的典型应用,受到了众多学者的关注,尤其是在图像快速识别方面。对此,该文将从深度学习的概述入手,选择卷积神经网络算法应用于水果图像识别中。通过对卷积神经网络算法的网络结构以及卷积神经网络训练过程的详细分析,采用卷积神经网络架构设计、分类器设计建构了基于卷积神经网络的水果图像识别系统。并将识别结果与传统水果图像识别结果进行对比验证,为水果图像识别领域提供参考。      

基于MATLAB的微内孔图像处理技术的研究

基于MATLAB的数字图像处理技术,对针阀体微内孔的图像进行处理。本文重点阐述了采用特定算法解决实际应用环境下的图像问题,比如图像数字化、图像增强、采用傅里叶变换分析图像等技术,进而获取图像特征,为微内孔加工质量判定提供依据。     

基于模式识别的大蒜瓣尖识别研究

针对现有大蒜播种机采用纯机械方式无法解决大蒜直立播种的问题,提出了用模式识别技术解决的方法。首先对图像进行二值化、边缘跟踪,然后根据大蒜的形态特征,提出以曲率为特征量,根据SUSAN角点检测算法的原理识别出瓣尖的位置。试验结果表明:此算法完全可以检测出瓣尖的位置,为解决大蒜直立播种问题奠定了基础。     

基于模式识别的农田目标定位线检测

根据农田图像的特点,采用K-means模式识别算法,实现农作物与背景的分离.通过对二值图像进行水平扫描.检测定位区域和定位点,利用定位点的坐标信息确定聚类判别函数,实现农田目标定位线的检测.多幅农田图像实验表明,定位线能够正确提取出来.该算法处理640×480像素的彩色图像蒂要0,12 s,在自动导航系统中是一种有效、快速的图像处理算法.     

基于分形维数的表面粗糙度实时监测

零件的表面粗糙度是影响零件加工质量的因素之一,目前企业通常采用抽检形式结合轮廓仪等设备对零件进行表面粗糙度测量.此类离线检测方法在大部分企业的质量管理模式中较常见,但存在漏洞,由于是抽样检测,因此可能存在部分有质量缺陷的零件未被检测到,导致废品率的产生,增加了成本.基于分形维数理论,研究了一种在零件加工时对表面粗糙度进...