基于機(jī)器視覺的通信裝備故障識別研究.pdf

1、機(jī)器視覺以其檢測精度高、非接觸及快速穩(wěn)定等優(yōu)點(diǎn)，在對象的識別和檢測上有著及其重要的作用。基于機(jī)器視覺的通信設(shè)備故障檢測系統(tǒng)，能夠?qū)崟r(shí)地對設(shè)備進(jìn)行檢測，大幅度減少了對人力資源的消耗，并且減少了故障定位時(shí)間。
　　本文分析了機(jī)器視覺的國內(nèi)外研究現(xiàn)狀，通過將圖像處理算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，對大型通信設(shè)備的故障檢測進(jìn)行研究，包括對通信設(shè)備工具板進(jìn)行分割和分類、網(wǎng)口故障的識別和ISV3板對偶接口故障的識別。
　　為了解決大型通信設(shè)備的工

2、具板識別問題，研究了將SIFT特征和SVM相結(jié)合的分類方法。采用SIFT算法和Kmeans算法分別進(jìn)行樣本圖片的特征提取和feature集的聚類分析，以歐式距離最小為準(zhǔn)則，得到輸入數(shù)據(jù)。通過分析SVM檢測精度與核函數(shù)類型、γ值、懲罰因子c之間的關(guān)系，選擇性能最好的SVM分類器對目標(biāo)圖像進(jìn)行檢測，準(zhǔn)確率可以達(dá)到92％以上。
　　通過將灰度直方圖統(tǒng)計(jì)和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的檢測算法，來識別網(wǎng)口的插拔狀態(tài)。采用SIFT算法和最近鄰法進(jìn)行特

3、征點(diǎn)提取和特征匹配，利用RANSAC算法得到的最佳變換矩陣對圖像進(jìn)行矯正。對網(wǎng)口樣本進(jìn)行灰度直方圖統(tǒng)計(jì)，作為輸入數(shù)據(jù)。分析隱含層節(jié)點(diǎn)數(shù)、迭代次數(shù)對BP神經(jīng)網(wǎng)絡(luò)檢測精度的影響，選擇性能最佳的網(wǎng)絡(luò)結(jié)構(gòu)，對待檢網(wǎng)口進(jìn)行識別，準(zhǔn)確率達(dá)到96％。
　　采用字符識別的方法，判斷網(wǎng)線類型是否與網(wǎng)口類型匹配。對圖像進(jìn)行灰度化和二值化，根據(jù)二值圖像上像素點(diǎn)的分布特征，通過尋找邊界點(diǎn)來分割字符。歸一化字符圖像的大小，將其分割為5行4列，依次統(tǒng)計(jì)這20

4、個(gè)小格中灰度值為255的像素點(diǎn)數(shù)量，串聯(lián)起來就得到一個(gè)字符的特征向量。訓(xùn)練LVQ神經(jīng)網(wǎng)絡(luò)并檢測設(shè)備圖，標(biāo)記出網(wǎng)口類型和網(wǎng)線類型不一致的位置，準(zhǔn)確率達(dá)到95％。
　　基于RGB顏色模型的檢測方法，能夠有效識別ISV3板對偶接口的故障。采用HOG算法提取正副樣本圖片的特征，作為輸入數(shù)據(jù)。通過訓(xùn)練SVM分類器來提取檢測圖像中的ISV3板。利用RGB顏色信息提取4個(gè)有效接口區(qū)域，并通過圖像處理基本方法對其進(jìn)行定位和顏色識別，判斷接口是否連