基于机器视觉的通信装备故障识别研究-光学工程专业论文.docxVIP

基于机器视觉的通信装备故障识别研究-光学工程专业论文.docx

  1. 1、本文档共64页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
研究生优秀毕业论文 西南交通大学学位论文版权使用授权书 西南交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向 国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权 西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索,可以采用影 印、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1.保密口,在 年解密后适用本授权书; 2.不保密Z使用本授权书。 (请在以上方框内打“-4”) 学位论文作者签名:张人a- 指导老师签名: 、b7勿 日期:汐f岁.多.1 日期: 吼一|f ,j , 万方数据 西南交通大学硕士学位论文主要工作(贡献)声明本人在学位论文中所做的主要工作或贡献如下: 西南交通大学硕士学位论文主要工作(贡献)声明 本人在学位论文中所做的主要工作或贡献如下: 为了解决大型通信设备的部件识别问题,研究了将SIFT特征和SVM相结合的分 类方法。采用SIFT算法和Kmeans算法分别进行样本图片的特征提取和feature集的聚 类分析,以欧式距离最小为准则,得到输入数据。通过分析SVM检测精度与核函数类 型、y值、惩罚因子C之间的关系,选择性能最好的SVM分类器对目标图像进行检测。 通过将灰度直方图统计和BP神经网络相结合的检测算法,来识别网口的插拔状 态。采用SIFT算法和最近邻法进行特征点提取和特征匹配,利用RANSAC算法得到 的最佳变换矩阵对图像进行矫正。对网口样本进行灰度直方图统计,作为输入数据。分 析隐含层节点数、迭代次数对BP神经网络检测精度的影响,选择性能最佳的网络结 构,对待检网口进行识别。 采用字符识别的方法,判断网线类型是否与网口类型匹配。对图像进行灰度化和 二值化,根据二值图像上像素点的分布特征,通过寻找边界点来分割字符。归一化字符 图像的大小,将其分割为5行4列,依次统计这20个小格中灰度值为255的像素点数 量,串联起来就得到一个字符的特征向量。训练LVQ神经网络并检测设备图,标记出 网口类型和网线类型不一致的位置。 基于RGB颜色模型的检测方法,能够有效识别ISV3板对偶接口的故障。采用HOG 算法提取正副样本图片的特征,作为输入数据。通过训练SVM分类器来提取检测图像 中的ISV3板。利用RGB颜色信息提取4个有效接口区域,并通过图像处理基本方法 对其进行定位和颜色识别,判断接口是否连接正确。 本人郑重声明:所呈交的学位论文,是在导师指导下独立进行研究工作所得的成 果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰 写过的研究成果。对本文的研究做出贡献的个人和集体,均已在文中作了明确说明。本 人完全了解违反上述声明所引起的一切法律责任将由本人承担。 学位论文作者签名:礤呔 日期:油l箩.岁.19 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第1页 摘 要 机器视觉以其检测精度高、非接触及快速稳定等优点,在对象的识别和检测上有 着及其重要的作用。基于机器视觉的通信设备故障检测系统,能够实时地对设备进行 检测,大幅度减少了对人力资源的消耗,并且减少了故障定位时间。 本文分析了机器视觉的国内外研究现状,通过将图像处理算法和神经网络相结合, 对大型通信设备的故障检测进行研究,包括对通信设备工具板进行分割和分类、网13 故障的识别和ISV3板对偶接口故障的识别。 为了解决大型通信设备的工具板识别问题,研究了将SIFT特征和SVM相结合的 分类方法。采用SIFT算法和Kmeans算法分别进行样本图片的特征提取和feature集的 聚类分析,以欧式距离最小为准则,得到输入数据。通过分析SVM检测精度与核函数 类型、y值、惩罚因子C之间的关系,选择性能最好的SVM分类器对目标图像进行检 测,准确率可以达到92%以上。 通过将灰度直方图统计和BP神经网络相结合的检测算法,来识别网口的插拔状 态。采用SIFT算法和最近邻法进行特征点提取和特征匹配,利用RANSAC算法得到 的最佳变换矩阵对图像进行矫正。对网口样本进行灰度直方图统计,作为输入数据。分 析隐含层节点数、迭代次数对BP神经网络检测精度的影响,选择性能最佳的网络结 构,对待检网口进行识别,准确率达到96%。 采用字符识别的方法,判断网线类型是否与网口类型匹配。对图像进行灰度化和 二值化,根据二值图像上像素点的分布特征,通过寻找边界点来分割字符。归一化字符 图像的大小,将其分割为5行4列,依次统计这20个小格中灰度值为255的像素点数 量,串联起来就得到一个字符的特征向量。训练LVQ神经网络并检测设备图,标记出 网口类型和网线类型不一致的位置,准确率达到95%。 基于RGB颜色模型的检测方法,能够有效

您可能关注的文档

文档评论(0)

131****9843 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档