小波与BP神经网络在零件识别应用中的研究.pdf

第 l3卷 第5期 哈 尔 滨 理 工 大 学 学 报 V01．13 No．5 2(~J8年 10月 J0URNALHARBIN UNIV．S(：I．＆ TECH． Oct．，2008 ： ==：=：========：=========== 小波与BP神经网络在零件识别应用中的研究 何春香， 刘 泊 (哈尔滨理工大学 测控技术与通信工程学院，黑龙江 哈尔滨 150040) 摘 要：针对 目前在线零件识别系统在速度和精确度上存在的缺陷，采用小波多尺度边缘检测 技术，结合BP神经网络的识别系统，提出了一种新的基于小波和BP神经网络的零件识别技术。实 验结果表明，该方法不仅提高了识别准确率，还使 目标识别具有更好的抗噪能力． 关键词：小波变换；多尺度 ；边缘检测；神经网络 中图分类号：TP391．4 文献标识码 ：A 文章编号：1007—2683(2008)05—0050—04 ResearchonPartsRecognitionApplicationUsingWavelet andBP NeuraINetwork HE Chun-xmng， HI／Bo (SchoolofMeasure—controlTechnologyandCommunicationEngineering，HarbinUniversityofScienceandTechnology，Harbin150040，China) Abstract：Accordingtothedisadvantageofspeedandprecisioninpansrecognitionsystem，thispaperputfor— wardallew partsrecognitiontechnologybasedonwaveletandBP neuralnetwork，whichadoptswaveletmuhiseale edgedetectiontechnoloyg ，combinedwithrecognitionsystem basedonBPneuralnetworks．Theexperimentalresults prm，ethatthismethodcannotonlyimproveveracitybutalsoantinoiseability． Keywords：Wavelettransform；muhiscale；edgedetection；neuralnetwork 于其地方法而言，图像经小波分析后其特征更加明 1 引 言 显，因此，从由小波分析的数据中提取人工神经网络 的训练样本能更好地反应图像特征，从而更能保证 在现代工业 自动化生产 中，越来越多地需要进 神经网络对图像识别的正确性 引． 行图像识别．国内外不少研究单位和企业非常重视 识别系统研究，目前识别的方法有很多种，文[1]研 2 图像的预处理和特征提取 究了基于数字 图像轮廓特征的机械零件识别；文 [2]研究了基于高阶神经网络的机械零件形状识 识别系统主要包括图像信息获取 、图像预处理、 别．以上方法虽然已经取得了一些成果，但是在准确 特征提取、分类识别四大部分，系统基本原理如图l 率和速度上还不能达到很好的平衡，其抗噪能力也 所示． 较差．针对这些问题，本文提出了基于小波和神经网 为 了，使网络能正确地识别图像．需要提取图像 络相结合的识别方法．该方法先利用小波分析对图 的特征量，建立数学模型，使每一种模型对应一个个 像进行预处理，然后用神经网络进行分类识别．相对