隨著工業(yè)4.0和中國制造2025的相繼提出,智能制造成為工業(yè)制造領域的發(fā)展方向。近年來,機器視覺技術、模式識別技術、以機器學習為代表的人工智能技術發(fā)展迅猛,并且被越來越多地應用到實際生產(chǎn)、制造中,發(fā)揮出了超越常規(guī)方法的優(yōu)良性能。為了提高汽車輪轂生產(chǎn)的自動化水平,取代人工識別輪轂型號的方式,本課題將機器視覺技術和模式識別技術應用于汽車輪轂型號識別中,對汽車輪轂型號識別方法進行了深入的研究。論文主要工作及結論如下:（1）為了獲取汽車輪轂圖像的感興趣區(qū)域,從而避免一些背景噪聲的影響并且減少后續(xù)算法處理的計算量,分別從圖像濾波、圖像閾值分割、二值形態(tài)學運算三個方面進行研究。對幾種常用濾波算法、閾值分割算法、二值形態(tài)學算法進行了理論探討和實驗分析,并通過對比確定了相應的處理算法和運行參數(shù);最后運用輪廓查找與擬合、矩形邊界逼近的方法獲取輪轂圖像的感興趣區(qū)域。（2）通過分析各型號輪轂的特點,明確了需要從形狀和紋理兩個角度綜合表達輪轂的特征。為了兼顧識別的準確性、魯棒性以及識別速率,選擇提取輪轂圖像的SURF特征以反映輪轂的形狀信息,提取輪轂圖像的LBP特征以反映輪轂的紋理信息;針對SURF特征和LB... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

德國YXLONMU231系統(tǒng)

基于SURF-LBP特征集成的汽車輪轂型號識別系統(tǒng)研究8灰度值來代替該像素點的灰度值。給定圖像yxf),(中的某個像素點nm),(，取其鄰域N，設N中含有M個像素點，計算這M個像素點的平均灰度值，并以此代替像素點nm),(的灰度值。因此，經(jīng)濾波后，該像素點對應的輸出為：NyxyxfMyxg),(),(1),(（2.1）最后，利用系數(shù)模板與滑窗的方式即可對整張圖像進行濾波操作。圖2.1為輪轂庫中Q19型輪轂的某張樣本圖像；圖2.2為Q19型輪轂圖像需要分割出的ROI。圖2.1Q19型號輪轂圖像Fig.2.1Q19typehubimage圖2.2Q19型號輪轂圖像ROIFig.2.2Q19typehubimageROI均值濾波系數(shù)模板的大小需要根據(jù)源圖特點和處理需求進行調(diào)試后確定，常用的模板大小有33、55和77等。用這三種不同大小的模板對輪轂圖像進行均值濾波，結果如圖2.3所示。

基于SURF-LBP特征集成的汽車輪轂型號識別系統(tǒng)研究8灰度值來代替該像素點的灰度值。給定圖像yxf),(中的某個像素點nm),(，取其鄰域N，設N中含有M個像素點，計算這M個像素點的平均灰度值，并以此代替像素點nm),(的灰度值。因此，經(jīng)濾波后，該像素點對應的輸出為：NyxyxfMyxg),(),(1),(（2.1）最后，利用系數(shù)模板與滑窗的方式即可對整張圖像進行濾波操作。圖2.1為輪轂庫中Q19型輪轂的某張樣本圖像；圖2.2為Q19型輪轂圖像需要分割出的ROI。圖2.1Q19型號輪轂圖像Fig.2.1Q19typehubimage圖2.2Q19型號輪轂圖像ROIFig.2.2Q19typehubimageROI均值濾波系數(shù)模板的大小需要根據(jù)源圖特點和處理需求進行調(diào)試后確定，常用的模板大小有33、55和77等。用這三種不同大小的模板對輪轂圖像進行均值濾波，結果如圖2.3所示。


本文編號：3001132