[發明專利]用于輪廓識別的高精度識別方法

在審

• 申請號: 201810272517.4
• 申請日: 2018-03-29
• 公開（公告）號: CN110321762A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 袁士林
• 申請（專利權）人: 袁士林
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/48;G06K9/52;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了用于輪廓識別的高精度識別方法，涉及圖像識別方法，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BP神經網絡進行模式識別，在識別以前，先選取至少100個的樣本進行訓練，獲得變換向量，再對現場輪廓進行識別。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零部件輪廓；能夠依據空間域和變換域雙重檢測，提高檢測精度；利用BP神經網絡的黑箱結構，使系統具備一定的容錯性。

技術領域

本發明涉及一種圖像識別方法，具體涉及用于輪廓識別的高精度識別方法。

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，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輪廓識別的快速與高精度之間的矛盾問題，目的在于提供用于輪廓識別的高精度識別方法，解決上述問題。

用于輪廓識別的高精度識別方法，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BP神經網絡進行模式識別，在識別以前，先選取至少100個的樣本進行訓練，獲得變換向量，再對現場輪廓進行識別。

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。

本發明與現有技術相比，具有如下的優點和有益效果：

1、本發明用于輪廓識別的高精度識別方法，能夠有效提取零部件輪廓；

2、本發明用于輪廓識別的高精度識別方法，能夠依據空間域和變換域雙重檢測，提高檢測精度；

3、本發明用于輪廓識別的高精度識別方法，利用BP神經網絡的黑箱結構，使系統具備一定的容錯性。

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

本發明用于輪廓識別的高精度識別方法，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BP神經網絡進行模式識別，在識別以前，先選取至少100個的樣本進行訓練，獲得變換向量，再對現場輪廓進行識別。

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。

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。