基于形状的工业零件分类技术研究与实践

摘要

本文介绍了神经网络和数字图像处理的相关技术，对工业零件分类方法进行了深入研究。采用神经网络模式识别方法，设计了一套基于形状的工业零件分类系统，并利用VisualC++和MATLAB编程实现。采用图像传感器摄取原始信息，避免了与对象的直接接触和人工检查，所以更符合工业生产在线检查的要求。而且在编制软件时根据工业零件的形状设计简化的步骤，达到高效快速的目的。进行了对圆形和方形零件分类识别系统的研究和设计，针对的对象是工业零件的强度图像，采用人机交互方式来对零件进行识别。 在系统软件设计部分中，对所选零件进行模式识别，包括图像预处理、特征提取和分类器设计三个阶段，在图像预处理阶段，主要做的工作有：图像增强、图像平滑和边缘提取等。 分类器设计采用了有导师学习方式的BP神经网络，并针对BP算法的局限性，给出一种优化的BP算法，隐层神经元的个数采用经过大量实验总结出的经验公式来确定，激活函数采用了一种新的误差平方和函数，大大降低了异常值误差带来的影响。 选取16个零件作为训练样本集，22个零件作为输入样本集。采用改进的BP神经网络分类器后，工业零件的识别时间相对于传统的神经网络可缩短2.8秒，且识别正确率可达到86.4％以上。零件缺陷检测子系统检测的正确率可达到91％以上。实验结果表明，若将该系统应用于工业生产线上，可有效地提高生产率和保证产品的质量。

目录

文摘

英文文摘

独创性声明及学位论文版权使用授权书

第一章绪论

1.1形状识别概述

1.2神经网络技术发展概况

1.3本文的主要工作和意义

1.3.1本文的主要工作

1.3.2本文工作的主要意义

第二章神经网络概述

2.1神经网络的特点

2.2神经网络的构成

2.3神经网络的类型

2.3.1神经元变换函数的类型

2.3.2神经网络结构的类型

2.3.3学习方法的类型

2.4神经网络的应用

第三章数字图像处理与分析概述

3.1图像增强

3.2图像平滑

3.2.1空间域中的图像平均

3.2.2中值滤波

3.3图像分割

3.3.1图像阈值分割

3.3.2边缘提取

3.4特征提取与选择

3.4.1特征提取

3.4.2特征选择

第四章工业零件形状分类方法研究

4.1统计决策法

4.2结构模式识别

4.3模糊模式识别

4.4神经网络模式识别

4.4.1神经网络分类器与传统模式分类器的比较

4.4.2BP网络的工作原理

4.5支持向量机

第五章基于形状的零件分类系统设计

5.1硬件设计

5.1.1计算机

5.1.2图像采集卡

5.1.3CCD摄像机

5.1.4照明室

5.2软件设计

5.2.1总体设计

5.2.2缺陷检测设计

5.2.3BP网络设计

第六章系统的实现与实验结果分析

6.1系统软件的设计

6.2实验方法

6.3零件的选取

6.4图像处理

6.5特征向量提取

6.6BP网络分类器的实现

6.7结果分析

第七章总结

7.1小结

7.2下一步工作

参考文献

致谢