随着人们生活水平的提高,科技的发展,促进了中国汽车行业的崛起,故而传统的汽车轮毂生产模式已经跟不上当今的市场发展速度。轮毂生产车间因场地限制,通常一条轮毂传送线上,同时运输多种型号的轮毂。传统汽车轮毂生产车间都是以人工对轮毂进行分类分拣,人工操作效率低,且工作时间长以后容易导致视觉疲劳、注意力不集中导致分拣错误。为解决这一问题,近年来关于机器代替人工,实现轮毂分拣的自动化技术得到发展和运用。为提高轮毂识别与分类技术的识别准确率,对轮毂识别与分类算法做进一步的研究。为提高轮毂识别算法性能,将粒子群算法进行改进后,分别用于优化BP神经网络和卷积神经网络,进而构建两种轮毂识别与分类算法。主要研究工作和成果如下:(1)为更好的实现轮毂识别与分类,对常见的噪声类型以及噪声来源进行分析后,结合经典的滤波技术,实现轮毂图像预处理操作。首先,将灰度化图像进行滤波处理,选择采用中值滤波技术,在保护关注的轮毂特征信息的同时,达到去噪的目的;其次,使用遗传算法实现动态阈值进行图像分割;之后,对图像使用形态学处理方式进一步去噪;最后,采用Canny边缘检测算法将图像边缘信息提取出来。进行图像预处理的目的是为了更好的实现轮毂特征提取,提高特征数据准确性。(2)图像预处理后关键的技术是特征提取,根据轮毂特征信息研究并提取了6个特征作为后期模式识别中依赖的数据,分别是轮毂外轮廓大圆、中心小圆、大孔洞宽度、轮辐个数、小孔洞个数、大孔洞下沿到圆心的距离。结合改进的Hough算法和统计学原理对各个特征的提取方法进行研究,并使用Matlab语言编程验证了上述轮毂特征提取方法的有效性。(3)在轮毂特征提取的基础上,提出了基于改进粒子群算法优化BP神经网络的轮毂识别与分类算法。BP神经网络容错性较好,但网络训练时不易收敛,故提出使用粒子群对BP神经网络进行优化。首先,针对标准粒子群具有过早成熟等缺点,通过对粒子群的惯性权重进行更改,引入遗传因子、速度限制等算法,实现了粒子群的改进。其次,使用改进的粒子群优化BP神经网络,提高网络训练的收敛速度和精度,并将算法用于实现轮毂的识别与分类;之后,将改进的粒子群和他人改进的粒子群算法做对比实验,验证了算法的有效性;最后,将算法实现平台化,设计一款比较实用的轮毂识别与分类操作软件。(4)为了避免指定轮毂特征提取信息不全面,可能会导致BP神经网络对类型相似的轮毂识别率不理想的问题,提出了基于优化卷积神经网络的轮毂识别与分类算法。使用改进的粒子群算法和最大值-中值池化方法,对卷积神经网络的权值等参数进行优化。针对改进的粒子群算法和池化方法,分别同他人提出的相关算法进行实验对比,验证算法的有效性。