S变换兼具了小波变换和快速傅里叶变换各自的优势,具有良好的时频聚集性。灰度共生矩阵能够通过研究灰度的空间相关特性来描述图像纹理。归一化信息熵能够定量的度量信号分布的复杂程度。经S变换取其模后得到S时频谱图,通过灰度共生矩阵对滚动轴承全寿命周期内不同状态进行特征提取并对其进行复杂度度量,提出了一种S-GLCM熵特征指标来反映滚动轴承的退化过程。通过对滚动轴承内圈、轴承外圈、轴承滚动体三种故障分别进行3种不同损伤程度数学模型仿真数据分析,提取各自S-GLCM指标进行对比,验证了该方法的可行性。通过对滚动轴承加速疲劳寿命周期内的数据进行分析,与工程中常用的时域指标有效值进行对比,结果表明了该方法的有效性。

为了高效地检测镀镍矩形铜线圈的表面粗糙度,通过由工业相机、显微镜头、点光源等设备构成的硬件系统获取线圈表面图像,采用基于灰度共生矩阵的视觉检测方式,根据图像处理技术提取8个基于灰度共生矩阵的纹理特征参数,结合实际粗糙度值建立实验数据库,分析了特征参数与实际粗糙度值的变化规律;针对BP神经网络容易使权值与阈值陷入局部最优解,导致检测结果不准确等问题,采用SA算法优化了BP神经网络的初始权值与阈值,构建了SA-BP神经网络检测模型;根据训练结果,训练MSE由BP模型的0.000139降到0.000023,迭代次数降低22,说明SA-BP模型拥有更快的收敛速度与更优的网络模型;根据检测结果,检测最大误差幅度由BP模型的0.21μm降到了0.13μm,相对误差均值由5.41%降到3.45%,说明SA-BP模型具有更高的检测稳定性与准确性。

为了探索基于振动谱图像模式识别的智能故障检测方法，以滚动轴承为对象，提出了用SPWVD分布来表征振动信号时频分布特性，利用SPWVD图像的GLCM及其特征统计量来提取故障特征。改进了人工免疫网络分类算法，通过人工免疫网络分类方法对故障样本特征统计量进行学习，形成记忆抗体集，进而对检验抗原进行故障分类识别，在故障特征信号干扰严重的情况下，取得了较BP神经网络好的检测准确率，验证了人工免疫网络良好的适应性。随着智能故障检测技术发展，基于图像模式识别的故障检测方法必将得到推广和应用，验证其在轴承故障监测中的可行性。

目前拆回电表版本的信息录入方法仍采用人工目测输入与数据库对比验证,面临效率低下、准确率难以保证的问题。利用实拍电表图像,提出一种在高杂糅环境背景下电表新旧版本精确分类的方法。先获取版本识别ROI区域,并提取灰度游程矩阵(GLRLM)特征,再对数据进行归一化处理与主成分分析(PCA),最后采用线性核函数的支持向量机(SVM)作为最佳模型进行分类实验。同时,采用不同的纹理特征提取算法结合不同分类模型对该方法性能进行评价。实验结果表明:基于GLRLM-SVM的分类方法优于其他模型,速度最快且准确率高达98.95%,满足拆回电表年检数量与精度要求。

采用灰度共生矩阵为基础的纹理特征计算方法，对钢球表面图像进行特征参数提取，应用基于BP神经网络的图像特征模式识别方法，实现了对钢球表面不同种类缺陷的准确识别，实验结果表明，该方法能够对钢球表面缺陷进行有效地分类识别。

纹理在自然图像中普遍存在的,纹理分析一直是计算机视觉领域中的一个重要研究方向。在企业中铝型材表面喷涂质量的检测都是通过人眼检测的。从计算机视觉的角度出发,提出基于纹理分析的铝型材表面喷涂质量检测方法。首先采用了灰度共生矩阵和Gabor滤波分别进行提取纹理特征,然后通过纹理特征分析区别出大砂和细砂产品,从而达到质量检测的效果,最后将灰度共生矩阵、Gabor和神经网络的分类精度进行对比,发现基于Gabor滤波的纹理分析方法对铝型材喷涂表面图像分类效果明显。

利用汽车液压制动系统设计了一套用于检测液压制动管路中气液两相流的实验系统,提出了一种基于图像的灰度共生矩阵与系统聚类分析的气液两相流流型识别方法。该方法使用高速摄像机采集液压制动管路中的气液两相流流型图像,然后利用数字图像处理技术提取流型图像的灰度共生矩阵纹理特征参数,并将这些特征参数作为系统聚类分析的数据,进行系统聚类分析,最终实现流型的识别分类。实验结果表明,选用合适的样品间距和类间距的系统聚类分析模型,能够快速准确地对汽车液压制动系统管路中的4种典型流型进行识别分类,总体识别率达95.625%。该方法为液压制动管路中气液两相流流型参数的研究提供了一种新途径。