轮毂的识别是轮毂自动化生产线自动分拣的重要前提。为了克服轮毂生产结束后手动搬运和分拣的弊端,提出了一种基于梯度方向直方图特征和非线性支持向量机的轮毂识别方法。首先分别提取轮毂自动化生产线上三种不同照明条件下的轮毂图片,将轮毂图片转化为灰度图像;再对其进行缩放裁剪至检测窗口大小,完成正负样本的制作;最后提取正负样本的HOG特征集合并用libsvm工具箱对其进行训练,训练后得出的分类模型对三种不同照明条件的轮毂图片分别进行识别,结果表明,该方法可以有效地克服光照条件对识别效果的干扰。

提出了一种基于SURF特征与神经网络相结合的方法,实现了对多种型号轮毂的识别。首先,将所有采集的样本图像分成训练集、验证集和测试集;然后,将所有样本图像缩放至合理大小并进行转灰操作;提取所有样本图像的SURF特征并导入到搭建好的神经网络中进行训练、验证和测试,通过神经网络强大的学习能力,从对大量特征数据的学习过程中获得一个最佳的识别模型。该方法可以以最少的样本图像获得一个能准确识别轮毂型号的识别模型。另外,该方法鲁棒性好、抗干扰能力强,能满足自动化生产线实时性的要求。

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测。首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试。实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求。另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化。