随着工业4.0和中国制造2025的相继提出,智能制造成为工业制造领域的发展方向。近年来,机器视觉技术、模式识别技术、以机器学习为代表的人工智能技术发展迅猛,并且被越来越多地应用到实际生产、制造中,发挥出了超越常规方法的优良性能。为了提高汽车轮毂生产的自动化水平,取代人工识别轮毂型号的方式,本课题将机器视觉技术和模式识别技术应用于汽车轮毂型号识别中,对汽车轮毂型号识别方法进行了深入的研究。论文主要工作及结论如下:(1)为了获取汽车轮毂图像的感兴趣区域,从而避免一些背景噪声的影响并且减少后续算法处理的计算量,分别从图像滤波、图像阈值分割、二值形态学运算三个方面进行研究。对几种常用滤波算法、阈值分割算法、二值形态学算法进行了理论探讨和实验分析,并通过对比确定了相应的处理算法和运行参数;最后运用轮廓查找与拟合、矩形边界逼近的方法获取轮毂图像的感兴趣区域。(2)通过分析各型号轮毂的特点,明确了需要从形状和纹理两个角度综合表达轮毂的特征。为了兼顾识别的准确性、鲁棒性以及识别速率,选择提取轮毂图像的SURF特征以反映轮毂的形状信息,提取轮毂图像的LBP特征以反映轮毂的纹理信息;针对SURF特征和LBP特征,提出了利用特征袋算法直接构建基于SURF特征的特征袋,并通过图像单元划分和特征袋算法构建基于LBP特征的特征袋,再将两者串联集成的方法。最后根据提出的方法将两者集成为一个图像表示,为下一步分类模型的训练打下了基础。(3)对SVM分类算法和BP神经网络分类算法进行研究。针对传统SVM分类算法无法进行多类别分类的问题,采用纠错输出编码框架构建适用于多类别分类的ECOC多类SVM分类模型。为了验证SURF-LBP集成特征的有效性,选取了轮毂库中Q19、Q12、R97、O66四种型号的轮毂,并创建相应的样本图像集;再分别利用样本图像集的SURF特征和集成特征训练各自的ECOC多类SVM分类模型和BP神经网络分类模型。经过实验对比与分析,证明了集成特征的优良性能,并确定了基于集成特征的BP神经网络分类模型具有更高的分类准确性。(4)通过软、硬件系统的搭建,完成了汽车轮毂型号识别系统的设计与实现,并通过系统运行验证了本系统的有效性和先进性。综上所述,本课题在机器视觉技术的基础上,采用模式识别的方式对汽车轮毂型号识别方法进行了深入探讨,提出了识别准确率高、鲁棒性强、耗时少的识别算法,并以此建立了一套汽车轮毂型号识别系统,实现了轮毂型号的自动识别,提高了整个轮毂生产线的自动化、智能化水平。