基于圖像不變矩和SVM的機(jī)械零件分類識(shí)別.pdf

1、機(jī)械零件分類識(shí)別是機(jī)器視覺在機(jī)械工業(yè)領(lǐng)域的一個(gè)重要的應(yīng)用,它對(duì)機(jī)械制造過(guò)程中的零件裝配、分揀、檢測(cè)等環(huán)節(jié)實(shí)現(xiàn)自動(dòng)化有著非常積極的意義。在工業(yè)現(xiàn)場(chǎng),經(jīng)常會(huì)因?yàn)榕臄z位置、角度和距離的變化而導(dǎo)致零件圖像發(fā)生幾何變形如尺度縮放、旋轉(zhuǎn)、平移和仿射變形等,造成零件特征描述困難,針對(duì)這一問(wèn)題,本文提取零件圖像的不變矩作為其分類識(shí)別的特征,提取的不變矩特征能在圖像發(fā)生縮放、旋轉(zhuǎn)、平移和仿射變形的情況下保持不變。同時(shí),考慮到傳統(tǒng)分類識(shí)別方法學(xué)習(xí)效率低、容

2、易出現(xiàn)“過(guò)學(xué)習(xí)”現(xiàn)象等問(wèn)題,本文采用一種新的機(jī)器學(xué)習(xí)方法支持向量機(jī)(簡(jiǎn)稱SVM)來(lái)實(shí)現(xiàn)機(jī)械零件的分類識(shí)別。本文所做主要工作如下:
　　(1)針對(duì)機(jī)械零件圖像模糊、含有噪聲和特征信息不突出等問(wèn)題,采用直方圖均衡化、中值濾波和圖像二值化等圖像預(yù)處理方法對(duì)其進(jìn)行預(yù)處理,通過(guò)預(yù)處理,有效消除了零件圖像中存在的干擾信息,極大地改善了圖像的質(zhì)量。
　　(2)為了使零件圖像的特征在具有旋轉(zhuǎn)、平移、縮放不變性的同時(shí)具有仿射不變性,提取機(jī)械零

3、件圖像的HU不變矩和仿射不變矩的組合矩作為其分類識(shí)別的特征,有效解決了因圖像變形而導(dǎo)致的特征不穩(wěn)定的問(wèn)題。并通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了零件圖像的HU不變矩和仿射不變矩的不變性和不變矩方法的可行性。
　　(3)為了得到更高的分類準(zhǔn)確率,利用遺傳算法、網(wǎng)格搜索法、粒子群優(yōu)化算法對(duì)支持向量機(jī) RBF核函數(shù)的核參數(shù)和懲罰因子兩個(gè)參數(shù)進(jìn)行參數(shù)優(yōu)化,得到優(yōu)化后的參數(shù)組合。為了實(shí)現(xiàn)SVM的多分類功能,通過(guò)有向無(wú)環(huán)圖算法構(gòu)建了機(jī)械零件的支持向量機(jī)多類分類