为解决目前卷烟厂生产线对烟包缺支检测精度和速度要求高的问题,提出一种基于支持向量机(SVM)的烟包缺支在线检测方法。首先通过工业CCD摄像头采集烟包图像,并进行预处理;其次提取采集图像的灰度特征和纹理特征,根据相应指标构建特征空间;最后建立基于多项式和高斯核函数的SVM分类方法对烟包进行缺支检测。实验结果证明,所设计的方法有效,高斯核函数精度稍高,缺支检测准确率最高可达99.8%,检测算法平均消耗时间仅为120 ms,满足烟包缺支在线检测的精度和实时性要求。

针对传统太阳能光伏面板缺陷检测方法存在检测效率低以及准确率低的问题,提出一种融合纹理特征和颜色特征的太阳能光伏面板缺陷深度学习检测模型,使用深度置信网络模型对缺陷样本进行学习、训练,引入图像纹理特征及颜色特征改进缺陷识别过程,并采用最大似然法和自适应时刻估计法对深度置信网络的参数进行优化。实验结果表明,用所提算法进行太阳能光伏面板缺陷检测的识别准确率高达99.42%,比傅里叶重构技术提高了3.15%,有效提高了面板缺陷检测的准确率,为太阳能光伏面板缺陷检测提供了新的方法。

基于机器视觉的表面粗糙度测量方法主要通过图像特征信息与粗糙度的关联指标建立预测模型,但是样本量不足往往难以训练出有效的模型,导致测量准确率较低。针对以上问题,提出一种小样本磨削表面粗糙度测量方法。建立图像采集系统,采集不同粗糙度等级磨削表面图像作为原始样本;通过虚拟样本生成算法扩充样本量,采用灰度共生矩阵提取样本纹理特征;最后,通过神经网络建立预测模型。试验结果表明:样本量扩充后,表面粗糙度测量的准确率从80.4%提升到97.2%,证明了此方法的可行性,为小样本磨削表面粗糙度在机检测提供理论基础。

在粮食仓储过程中，通过温湿度传感器、图像传感器采集到的温湿度、图像的实时数据，经过信息处理算法的变换和特征提取，得到具有不同特征信息的虚拟多传感器数据，采用D-S证据理论对数据进行信息融合，对粮食在仓储过程中的霉变、虫害等粮情进行动态预测分析，当发现有不良变化时，该系统能够及时发出预警信息，以保证粮食的储藏安全。

针对切削加工中刀具磨损会对加工精度产生不良影响的问题，基于磨损程度不同的刀具切削工件时将产生不同的表面纹理，采用灰度行程长度法对工件表面图像的纹理特征进行了分析。试验结果表明，以长行程加重参数作为评价刀具磨损程度的特征参数可以取得较好的效果，并且其物理意义明确。

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。

针对传统表面粗糙度测量仪系统的可靠性不高，模拟信号的误差较大且不便于处理，测量不准确等问题，提出了一种基于机器视觉的表面粗糙度检测的新方法：首先利用CCD进行采样，提取金属工件的表面图片，通过OpenCV软件处理编程计算，对图片进行数字化预处理（灰度化，降噪，滤波等），提取图片中的纹理特征，最终计算得出表面粗糙度数值，并且与传统的触针法检验结果做对比，证明方法的可行性，比其他的测量表面粗糙度的方法更加高效，准确。