基于SFAM網(wǎng)絡的機械零件形狀識別研究.pdf

1、隨著科學技術的發(fā)展，生產(chǎn)方式發(fā)生了深刻的變化，對生產(chǎn)自動化的科技含量提出了新的要求，傳統(tǒng)的生產(chǎn)自動化模式面臨極大挑戰(zhàn)，研究適應自動化生產(chǎn)領域中的裝配機器人識別技術已成為當前重要的課題之一。本文針對自動化生產(chǎn)線上裝配機器人對機械零件的形狀快速、精確地識別問題進行研究，敘述了模式識別和形狀識別國內(nèi)外的研究現(xiàn)狀，對形狀識別的軟、硬件系統(tǒng)進行了研究，對攝取的機械零件圖像進行處理，提取了零件圖像輪廓。提出了一些新的理論與方法，并通過試驗進行驗證，

2、取得以下成果： (1)證明了圖像的Zemike矩和Fourier-Mellin矩具有平移、旋轉(zhuǎn)、縮放不變性，通過比較Zemike矩和Fourier-Mellin矩的優(yōu)缺點，采用Fouriei-Mellin矩提取零件圖像的特征。 (2)對ART神經(jīng)網(wǎng)絡進行了詳細論述，通過對模糊ARTMAP網(wǎng)絡結構和算法進行簡化，提出了SFAM神經(jīng)網(wǎng)絡，分類測試發(fā)現(xiàn)同一模式不同的向量順序，SFAM網(wǎng)絡分類結果不同。為避免分類失誤，構造了多個

3、SFAM網(wǎng)絡的組合分類器。 (3)針對經(jīng)典Bayes決策理論限制條件嚴格，提出了擴展的Bayes決策法，使得Bayes決策理論更接近實際情況。通過試驗驗證了對多個SFAM網(wǎng)絡分類器分類的結果采用擴展的Bayes表決法，克服了單個SFAM網(wǎng)絡分類器對輸入樣本順序敏感的缺點，提高了分類精度。 (4)試驗結果表明，機械零件形狀識別的精度與SFAM網(wǎng)絡的數(shù)量有關，隨著SFAM網(wǎng)絡分類器數(shù)量的增加，分類精度呈直線上升，當SFAM網(wǎng)