小波与BP神经网络在零件识别应用中的研究

论文摘要

机械零件自动检测是制造业中生产系统的一个重要环节,现代制造技术在各种批量生产以及在多品种的生产中,广泛地采用自动检测、产品识别来监控、保证产品质量,使得加工系统运行更可靠。它从一定程度上决定了实现企业制造自动化的进程,是制造业信息化的关键环节。因而,计算机视觉检测技术在机械制造企业的产品质量检测和加工过程检测中的广泛应用具有十分重要的意义。要实现机械零件的自动检测,首先要通过指定的测量或图像采集设备获得机械零件的图像,从而使机械零件数字化。然后对获得的零件图像进行识别,得出零件的种类。本文围绕图像(零件)识别这一个中心课题,对机器视觉识别系统的基本原理、目标图像原始数据的获取、预处理、不变性特征的提取方法以及BP神经网络识别技术等若干关键技术进行了大量试验分析和理论探讨。针对目前在线零件识别系统在速度和精度上的缺陷,本文对当前国内外与本项目有关的研究成果和现状进行了总结性的对比研究,给出了基于小波和BP神经网络的零件识别方法。该方法将小波变换理论与BP神经网络的思想相结合,并将其应用于零件的识别,最终完成了在线零件的识别。利用小波变换以及人工神经网络在信息处理方面的优势解决图像识别问题是本文研究的目的和重点。实验结果表明该方法不仅提高了识别的准确率还使目标的识别具有更好的抗噪能力。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 本研究课题的学术背景及意义
• 1.2 国内外与本项目有关的研究现状
• 1.3 小波分析和神经网络的结合
• 1.3.1 小波理论的发展背景及应用
• 1.3.2 人工神经网络在国内外研究现状
• 1.3.3 人工神经网络的特点及优点
• 1.4 本课题的来源和研究内容
• 第2章 图像处理与特征提取
• 2.1 数字图像处理概念
• 2.2 系统软件实现基础
• 2.2.1 设备无关位图（DIB）
• 2.2.2 BMP 文件格式简介
• 2.2.3 建立VC++图像处理的类库
• 2.3 小波变换与图像处理
• 2.3.1 小波分析的基本理论
• 2.3.2 利用小波变换消除图像噪声
• 2.3.3 边缘检测
• 2.4 图像的特征提取
• 2.4.1 特征与特征提取的基本概念
• 2.4.2 Hu 不变矩
• 2.5 本章小结
• 第3章 人工神经网络结构及算法的研究
• 3.1 基于神经网络分类的识别技术
• 3.2 人工神经网络基本原理
• 3.2.1 人工神经元的基本模型
• 3.2.2 人工神经网络的拓扑结构和分类
• 3.2.3 学习规则和学习方式
• 3.3 BP 神经网络模型
• 3.3.1 BP 神经网络的基本原理
• 3.3.2 BP 神经网络的算法流程
• 3.4 BP 算法缺陷分析和改进
• 3.4.1 BP 算法存在的主要缺陷
• 3.4.2 BP 算法存在缺陷的原因分析
• 3.4.3 BP 算法的改进方法
• 3.5 本章小结
• 第4章 利用改进BP 神经网络进行零件识别
• 4.1 模式识别系统组成
• 4.1.1 系统硬件构成
• 4.1.2 零件识别系统的软件流程
• 4.2 改进的BP 神经网络
• 4.2.1 本文所采用的BP 算法
• 4.2.2 改进BP 网络的建立
• 4.3 实验仿真与结果分析
• 4.3.1 网络训练部分
• 4.3.2 网络测试部分
• 4.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢