论文部分内容阅读
图像一般采用CCD或CMOS照相机摄取检测并转化为数字信号,再采用先进的计算机硬件与软件技术对图像数字信号进行处理,从而得到所需要的各种目标图像特征值,并由此实现零件识别或缺陷检测等多种功能。然后再根据其结果显示图像、输出数据,由反馈信息引导执行机构完成位置调整、好坏筛选等自动化流程。
课题研究中,在设计的试验平台上,通过数码相机对零件进行图像采集,由设计的图像处理程序对图像采用各种算法进行分析处理,形成实验中感兴趣的重要图像。由于图像滤波与分割方法是图像处理、模式识别等领域内的关键问题,所以对图像处理技术中的滤波方法和图像分割方法进行详细的研究,并以灰度、彩色两类图像为研究对象,比较了图像分割的不同方法。在图像识别中,常被选用的特征有图像幅度特征、图像统计特征、图像几何特征、图像变换系数特性等。其中面积、周长、形状参数、惯性距等是本课题选取的特征,压缩这些特征作为输入样本训练神经网络。对于训练好的神经网络输入特征可分类图像,从而达到识别的目的。
本文简要介绍了图像识别原理和几种模式识别常用的方法,由于神经网络技术具有很强的自适应性、学习性和容错性,利用神经网络的以上特点,将其应用于图像识别中,实现了对图像的识别。在各种神经网络的模型中,模式识别应用最多也是最成功的当数多层前馈网络,其中又以采用BP学习算法的多层感知器(BP网络)为代表。本文重点讨论了BP算法的优缺点,针对BP算法存在的缺点,介绍了几种改进的BP算法。提出了BP网络分类器的设计方法、样本的选择及组织方法。
课题主要使用Matlab编程实现,简化了编程的复杂程度,缩短了开发时间,得到了较满意的效果。系统集成了图像处理和分析的常用算法,包括图像的几何操作,图像的增强操作,图像的边缘检测算法、图像区域分割、图像的形状参数提取等;根据实验具体情况,设计出含有一个隐含层的BP网络,并适当的改进了BP算法,大大的加快了网络的学习速度,在此基础上实现了实验环境下零件形状识别功能。