论文部分内容阅读
焊缝识别主要使用了包括BP,ART神经网络,傅立叶变换,余弦变换,图像模板匹配等方法。本文论述了焊缝识别的一般方法和脉冲耦合神经网络(PCNN)的工作原理及工作方式;论述了图像模板匹配的主要方法,包括遗传算法、SSDA算法等;论述了CMAC网络在机械手控制中的应用问题,焊缝识别和机械手控制是智能焊接最重要的两部分。
传统PCNN算法在图像处理的应用中存在着循环次数不确定,图像处理结果需要人工干预,无法自动判研,算法在运行过程中丢失图像信息等弊端。在前人研究的基础上,本文提出了利用PCNN进行图像分割的新方法。不同于传统PCNN,新的PCNN图像分割方法采用PCNN的点火频率二值矩阵作为图像最终分割结果,蕴涵了更多原图像的信息;提出了利用图像熵的变化量作为判断PCNN是否收敛的判敛准则,这种判敛准则完全自动判断程序是否终止,无需任何人工干预。新的算法解决了PCNN循环次数无法确定,分割质量差等问题。结果表明,改进后的算法无论是分割质量还是分割速度都优于现有的PCNN。
遗传算法在很多领域都取得了成功的应用,但算法存在局部最优和早熟现象,文中对遗传算法进行了研究,提出了新的改进遗传算法,能够以很大的概率快速的找到全局最优值。所提出的新的遗传算法能很好的识别小焊缝。
序贯相似性检测方法(SSDA)算法的关键是阈值的选择问题,新提出的阈值递减SSDA算法较现有的SSDA算法在速度上有很大改进,而且具有很强的抗干扰能力。
CMAC网络在机械手的控制中,取得了很多应用。针对平面二自由度机械手的控制,基于信度指派CMAC网络,利用误差、参考值和实际值作为CMAC的输入,提出了新的CMCM+PD控制器结构。这种方法无需机械手的数学模型,即可实现机械手的高精度控制,误差小于0.05﹪。