一种用于零件图像分析的数据降维方法
随着柔性制造技术、计算机辅助技术和信息技术的发展，机械制造业将进入全盘自动化的时代，零件自动识别和分拣成为重要环节，计算机图像处理技术应运而生。同时随着人们获取信息和数据的手段越来越多样化，获取到的高维数据大大降低了图像处理的速度，所以数据降维方法的研究迫在眉睫。本文介绍了一种用于零件图像分析的数据降维方法。该方法通过边缘检测提取零件图像轮廓,得到零件特征数据，再对这些特征数据进行主成分分析（PCA）降维，然后运用支持向量机判别零件的类别进而实现零件识别。通过对高维数据降维，提高了零件的识别效率。关键词 机械零件识别，图像处理，轮廓特征提取，数据降维目 录
1 引言 1
1.1 课题研究背景及意义 1
1.2 基于数字图像处理的形状识别技术 1
1.3 数据降维技术 2
2 机械零件识别算法及步骤 3
2.1 数字图像的采集 3
2.2 零件图像获取与处理 6
2.3 图像轮廓特征提取 10
3 数据降维方法 14
3.1 数据降维方法综述 14
3.2 PCA在MATLAB中的应用 15
4 LIBSVM的用法 16
4.1 支持向量机 16
4.2 LIBSVM简介 17
4.3 LIBSVM使用的数据格式 18
4.4 LIBSVM使用方法 18
4.5 利用LIBSVM进行数据分类 19
5 实验 20
5.1 实验过程 20
5.2 导入数据 20
5.3 数据降维及训练识别 21
结 论 27
致 谢 28
参 考 文 献 29
1 引言
随着计算机辅助技术和柔性制造技术的飞速发展，机械制造业已经向全面自动化方向发展。零件识别分类也逐渐向高速化、自动化方向发展，迫切需要由原来的人工的分类识别转换成计算机控制的自动识别，实现由繁琐迟钝向精确高效化发展。计算机技术的快速发展和大量图像视频处理系统的出现，使得零件自动识别得以实现。机械零件的识别是通 *好棒文|www.hbsrm.com +Q: ￥3^5`1^9`1^6^0`7^2$
谢 28
参 考 文 献 29
1 引言
随着计算机辅助技术和柔性制造技术的飞速发展，机械制造业已经向全面自动化方向发展。零件识别分类也逐渐向高速化、自动化方向发展，迫切需要由原来的人工的分类识别转换成计算机控制的自动识别，实现由繁琐迟钝向精确高效化发展。计算机技术的快速发展和大量图像视频处理系统的出现，使得零件自动识别得以实现。机械零件的识别是通过对图像轮廓特征的提取，得到零件轮廓特征的数据库，在零件复杂、轮廓特征多时，往往得到高维的数据，高维的数据会导致运算时间加长，导致识别效率变低，同时影响零件识别的准确性。本文提出了一种基于零件图像分析的数据降维方法，首先利用边缘检测提取零件特征的高维数据，然后将高维空间的数据转换到低维空间，再通过支持向量机（SVM）测试零件识别的精度，有效提高了零件的识别效率。
1.1 课题研究背景及意义
计算机科学与信息技术经过半个多世纪的发展，给人类社会带来了巨大的影响和改变。随着计算机技术的发展，数据采集技术、存储技术和数据库管理技术也得以发展，人们获取和收集数据的能力正在提高，数据信息正以指数级增长。丰富的数据信息在带来便利的同时也带来了许多问题，如信息冗余和数据过剩等，如果缺乏有效的分析和处理手段，就不能发现数据隐含的信息和规则。
在零件识别过程中，需要先对零件的轮廓特征提取，获得高维的特征数据库。在对零件识别时，处理高维数据计算时间长、误差大、效率低。为了简化数据，提高计算效率，提升计算精度，提出了数据降维技术。数据降维技术即将高维空间的数据结婚通过非线性降维表示为低维空间的特征表示向量，从而将高维的图像识别问题转换为低维空间的特征向量识别问题，降低计算的复杂程度，提高识别精度。
1.2 基于数字图像处理的形状识别技术
1.2.1 数字图像处理技术及发展
数字图像处理又称为计算机图像处理[1]，是通过计算机对图像进行去除噪声、增强、复原、分割和特征提取等处理的方法和技术，是利用计算机将图像信息转化为数字信号以便于后续处理的技术。
数字图像处理技术诞生于计算机取得一定程度发展的20世纪50年代，主要被用于处理图形和图像信息，将低质量图像处理以获得高质量的图像。20世纪60年代中 期，数字图像处理被应用于航空航天领域，对探测器发回的月球照片进行灰度变换、去噪等处理，成功绘制了月球表面地图。20世纪70年代，数字图像处理技术被应用于医药行业，成功应用于无损伤探测技术。发展至今，数字图像处理技术得到广泛重视，现在已广泛应用于航空航天、生物医学工程、工业检测、机器人视觉、军事制导、文化艺术、通信传真等各个领域，并在应用过程中被不断发展完善。但图像处理本身是一个比较难的研究领域，仍然有许多问题有待解决，有待于进一步探索。
对图像处理主要有三个目的：提高图像的视感质量、提取图像的特征信息和图像数据的变换压缩编码。
1.2.2 形状识别技术
形状是物体的最直观的特征，也是进行识别分类的重要信息。在传统的人工分类中，人眼虽然具有很高的辨识率能够通过物体的边界识别零件，但具有繁重冗杂、效率低、易疲劳等缺点，因此通过计算机对零件进行识别分拣越显重要，对提高识别分类的速度和准确率很有帮助。
识别技术主要用于对零件进行形状分析和归类。在对零件进行形状分析和识别前，首先对零件的形状特征进行提取，已获得零件形状特征的数据库。形状识别的主要流程是：形状提取、形状特征提取、分类识别。
形状提取有两种：一是灰度变换，二是图像平滑。两者分别针对像素点和局部区域。灰度变换有利于将图像演变为均匀灰度分布的图像，而图像平滑可以消除噪声，退化窄带。
常用的形状特征提取主要有两种：基于区域特征的特征提取和基于轮廓特征的特征提取。两者不同在于前者针对整个区域，而后者针对形状的边界轮廓。基于区域特征的提取方法是先在每个分割的区域找一个种子像素作为生长的起始点，再将种子像素周围邻域中与种子像素相同或相似性质的像素合并到种子像素所在的区域中，形成区域特征提取；边缘检测的原理[2]是由于在图像边缘处其灰度变化较大，该处微分计算值较高，可将这些微分值作为相应点的边缘强度，微分值大于阈值的点即为边沿点。
分类识别即在特征空间内对被识别对象进行类别区分和识别。
1.3 数据降维技术
1.3.1 数据降维技术的定义和分类
数据降维，又称为维数约简，就是降低数据的维数。数据降维的目的就是从维数大规模大又复杂的大数据中挖掘出有意义的内容以指导生产实践。
数据降维方法有不同的分类标准，根据数据的特性可以划分为线性降维和非线性降维，根据是否考虑和利用数据的监督信息可以划分为无监督降维、有监督降维和半监督降维，根据保持数据的结构可以划分为全局保持降维、局部保持降维和全局与局部
1 引言 1
1.1 课题研究背景及意义 1
1.2 基于数字图像处理的形状识别技术 1
1.3 数据降维技术 2
2 机械零件识别算法及步骤 3
2.1 数字图像的采集 3
2.2 零件图像获取与处理 6
2.3 图像轮廓特征提取 10
3 数据降维方法 14
3.1 数据降维方法综述 14
3.2 PCA在MATLAB中的应用 15
4 LIBSVM的用法 16
4.1 支持向量机 16
4.2 LIBSVM简介 17
4.3 LIBSVM使用的数据格式 18
4.4 LIBSVM使用方法 18
4.5 利用LIBSVM进行数据分类 19
5 实验 20
5.1 实验过程 20
5.2 导入数据 20
5.3 数据降维及训练识别 21
结 论 27
致 谢 28
参 考 文 献 29
1 引言
随着计算机辅助技术和柔性制造技术的飞速发展，机械制造业已经向全面自动化方向发展。零件识别分类也逐渐向高速化、自动化方向发展，迫切需要由原来的人工的分类识别转换成计算机控制的自动识别，实现由繁琐迟钝向精确高效化发展。计算机技术的快速发展和大量图像视频处理系统的出现，使得零件自动识别得以实现。机械零件的识别是通 *好棒文|www.hbsrm.com +Q: ￥3^5`1^9`1^6^0`7^2$
谢 28
参 考 文 献 29
1 引言
随着计算机辅助技术和柔性制造技术的飞速发展，机械制造业已经向全面自动化方向发展。零件识别分类也逐渐向高速化、自动化方向发展，迫切需要由原来的人工的分类识别转换成计算机控制的自动识别，实现由繁琐迟钝向精确高效化发展。计算机技术的快速发展和大量图像视频处理系统的出现，使得零件自动识别得以实现。机械零件的识别是通过对图像轮廓特征的提取，得到零件轮廓特征的数据库，在零件复杂、轮廓特征多时，往往得到高维的数据，高维的数据会导致运算时间加长，导致识别效率变低，同时影响零件识别的准确性。本文提出了一种基于零件图像分析的数据降维方法，首先利用边缘检测提取零件特征的高维数据，然后将高维空间的数据转换到低维空间，再通过支持向量机（SVM）测试零件识别的精度，有效提高了零件的识别效率。
1.1 课题研究背景及意义
计算机科学与信息技术经过半个多世纪的发展，给人类社会带来了巨大的影响和改变。随着计算机技术的发展，数据采集技术、存储技术和数据库管理技术也得以发展，人们获取和收集数据的能力正在提高，数据信息正以指数级增长。丰富的数据信息在带来便利的同时也带来了许多问题，如信息冗余和数据过剩等，如果缺乏有效的分析和处理手段，就不能发现数据隐含的信息和规则。
在零件识别过程中，需要先对零件的轮廓特征提取，获得高维的特征数据库。在对零件识别时，处理高维数据计算时间长、误差大、效率低。为了简化数据，提高计算效率，提升计算精度，提出了数据降维技术。数据降维技术即将高维空间的数据结婚通过非线性降维表示为低维空间的特征表示向量，从而将高维的图像识别问题转换为低维空间的特征向量识别问题，降低计算的复杂程度，提高识别精度。
1.2 基于数字图像处理的形状识别技术
1.2.1 数字图像处理技术及发展
数字图像处理又称为计算机图像处理[1]，是通过计算机对图像进行去除噪声、增强、复原、分割和特征提取等处理的方法和技术，是利用计算机将图像信息转化为数字信号以便于后续处理的技术。
数字图像处理技术诞生于计算机取得一定程度发展的20世纪50年代，主要被用于处理图形和图像信息，将低质量图像处理以获得高质量的图像。20世纪60年代中 期，数字图像处理被应用于航空航天领域，对探测器发回的月球照片进行灰度变换、去噪等处理，成功绘制了月球表面地图。20世纪70年代，数字图像处理技术被应用于医药行业，成功应用于无损伤探测技术。发展至今，数字图像处理技术得到广泛重视，现在已广泛应用于航空航天、生物医学工程、工业检测、机器人视觉、军事制导、文化艺术、通信传真等各个领域，并在应用过程中被不断发展完善。但图像处理本身是一个比较难的研究领域，仍然有许多问题有待解决，有待于进一步探索。
对图像处理主要有三个目的：提高图像的视感质量、提取图像的特征信息和图像数据的变换压缩编码。
1.2.2 形状识别技术
形状是物体的最直观的特征，也是进行识别分类的重要信息。在传统的人工分类中，人眼虽然具有很高的辨识率能够通过物体的边界识别零件，但具有繁重冗杂、效率低、易疲劳等缺点，因此通过计算机对零件进行识别分拣越显重要，对提高识别分类的速度和准确率很有帮助。
识别技术主要用于对零件进行形状分析和归类。在对零件进行形状分析和识别前，首先对零件的形状特征进行提取，已获得零件形状特征的数据库。形状识别的主要流程是：形状提取、形状特征提取、分类识别。
形状提取有两种：一是灰度变换，二是图像平滑。两者分别针对像素点和局部区域。灰度变换有利于将图像演变为均匀灰度分布的图像，而图像平滑可以消除噪声，退化窄带。
常用的形状特征提取主要有两种：基于区域特征的特征提取和基于轮廓特征的特征提取。两者不同在于前者针对整个区域，而后者针对形状的边界轮廓。基于区域特征的提取方法是先在每个分割的区域找一个种子像素作为生长的起始点，再将种子像素周围邻域中与种子像素相同或相似性质的像素合并到种子像素所在的区域中，形成区域特征提取；边缘检测的原理[2]是由于在图像边缘处其灰度变化较大，该处微分计算值较高，可将这些微分值作为相应点的边缘强度，微分值大于阈值的点即为边沿点。
分类识别即在特征空间内对被识别对象进行类别区分和识别。
1.3 数据降维技术
1.3.1 数据降维技术的定义和分类
数据降维，又称为维数约简，就是降低数据的维数。数据降维的目的就是从维数大规模大又复杂的大数据中挖掘出有意义的内容以指导生产实践。
数据降维方法有不同的分类标准，根据数据的特性可以划分为线性降维和非线性降维，根据是否考虑和利用数据的监督信息可以划分为无监督降维、有监督降维和半监督降维，根据保持数据的结构可以划分为全局保持降维、局部保持降维和全局与局部
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/jdgc/1614.html
