[發明專利]一種用于實驗室環境下的圖像識別方法

在審

• 申請號: 201810271443.2
• 申請日: 2018-03-29
• 公開（公告）號: CN110335226A
• 公開（公告）日: 2019-10-15
• 發明（設計）人: 袁士林
• 申請（專利權）人: 袁士林
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種用于實驗室環境下的圖像識別方法，涉及圖像識別，包括以下步驟：分解域變換，將圖像利用小波進行多尺度分解域變換；在空間域梯度算子進行邊緣檢測；在變換域利用小波邊緣檢測；提取空間域和變換域的特征；利用人工神經網絡進行模式識別。所述梯度算子采用高斯拉普拉斯算子。本發明能夠有效提取機械零部件的外部邊緣；能夠依據空間域和變換域雙重檢測，提高檢測精度。

技術領域

本發明涉及一種圖像識別，具體涉及一種用于實驗室環境下的圖像識別方法。

背景技術

機械零部件的識別對于入門的學生而言具有重要意義，在實驗室中需要在教師無法兼顧所有學生的同時，使學生獲得即時反饋，也為未來實現無人教學提供重要的技術支持，同時，需要滿足教學場景下即能有效識別，又有一定精確度的需求。

發明內容

本發明所要解決的技術問題是機械零部件識別問題，目的在于提供一種用于實驗室環境下的圖像識別方法，解決上述問題。

一種用于實驗室環境下的圖像識別方法，包括以下步驟：

分解域變換，將圖像利用小波進行多尺度分解域變換；

在空間域梯度算子進行邊緣檢測；

在變換域利用小波邊緣檢測；

提取空間域和變換域的特征；

利用人工神經網絡進行模式識別。

進一步地，所述梯度算子采用高斯拉普拉斯算子。

進一步地，所述小波邊緣檢測結果采用鏈表進行記錄。

進一步地，所述特征提取采用統計特征或變換矩陣。

進一步地，所述人工神經網絡采用BP神經網絡。

本發明與現有技術相比，具有如下的優點和有益效果：

1、本發明一種用于實驗室環境下的圖像識別方法，能夠有效提取機械零部件的外部邊緣；

2、本發明一種用于實驗室環境下的圖像識別方法，能夠依據空間域和變換域雙重檢測，提高檢測精度。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明白，下面結合實施例，對本發明作進一步的詳細說明，本發明的示意性實施方式及其說明僅用于解釋本發明，并不作為對本發明的限定。

實施例

本發明一種用于實驗室環境下的圖像識別方法，包括以下步驟：分解域變換，將圖像利用小波進行多尺度分解域變換；在空間域梯度算子進行邊緣檢測；在變換域利用小波邊緣檢測；提取空間域和變換域的特征；利用人工神經網絡進行模式識別。

所述梯度算子采用高斯拉普拉斯算子。所述小波邊緣檢測結果采用鏈表進行記錄。所述特征提取采用統計特征或變換矩陣。所述人工神經網絡采用BP神經網絡。

以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，并不用于限定本發明的保護范圍，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。