《【2017年整理】几何图元脉冲耦合神经网络粒子群形态识别、Hough变换LED检测》由会员分享，可在线阅读，更多相关《【2017年整理】几何图元脉冲耦合神经网络粒子群形态识别、Hough变换LED检测（4页珍藏版）》请在金锄头文库上搜索。
1、 几何图元论文：几何图元分析处理若干问题的研究【中文摘要】计算机视觉图像中所涉及的目标对象大多数可分解为由多个可解析的函数式来表达的几何基元,如点、直线段、圆、矩形等。通过这些几何基元组合的几何图元可以用来描述目标对象,尤其是在工业过程的计算机视觉检测、控制系统中。目标对象形态的几何学特性十分有助于提高视觉系统应用算法的精度、效率。本文主要针对几何图元分析与处理过程中三个关键技术点:图像分割、图元形态识别和图元形位参数检测进行分析。在一些经典算法的基础上,引入脉冲耦合神经网络、粒子群算法等智能信息处理技术,构建了自动图像分割算法、几何图元形态识别算法及形位参数检测算法。并分别将上述算法应用于
2、LED 芯片检测系统中 LED 芯片形位参数检测和伺服运动控制系统的标定。相关的研究工作和主要内容如下:(1)基于脉冲耦合神经网络的自动图像分割算法脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)是模拟小型哺乳动物视觉神经细胞活动而得到的一种新型神经网络。利用 PCNN 神经元的脉冲耦合特性,图像分割按照像素点的灰度相似性及空间分布的相似性来进行,分割过程完全依赖于图像的自然属性,有利保存图像的细节。针对 PCNN 参数众多和结.【英文摘要】Most objects involving Computer Vision and Image Process
3、ing can be decomposed into several geometric primitives, which can be expressed by analytical functions, such as points, line segments, circles, rectangles, etc. Particularly in the computer vision inspection system and control system, the geometric elements, which composed by geometric primitives,
4、are used to describe objects. The geometrical properties of the objects are very helpful to improve the accuracy and efficiency of computer vision algorithm.【关键词】几何图元 脉冲耦合神经网络 粒子群 形态识别、Hough 变换 LED 检测【英文关键词】geometric primitive pulse coupled neural networks particle swarm optimization shape recogniti
5、on hough transform LED die inspection【索购全文】联系 Q1：138113721 Q2：139938848【目录】几何图元分析处理若干问题的研究 摘要 5-7 Abstract 7-9 第一章 绪论 13-18 1.1 引言 13-14 1.2 几何图元分析处理概述 14-16 1.2.1 基本流程 14-15 1.2.2 若干研究问题 15-16 1.3 课题来源 16 1.4 论文主要工作和内容安排 16-18 第二章 基于脉冲耦合神经网络的图像分割 18-33 2.1 经典图像分割技术及准则 18-21 2.1.1 经典图像分割技术 18-19 2.1
6、.2 分割质量评价准则 19-21 2.2 基于 PCNN 的图像分割算法设计 21-25 2.2.1 PCNN 模型选取 21-23 2.2.2 分割过程分析 23-24 2.2.3 算法设计 24-25 2.3 粒子群优化 PCNN 模型参数算法 25-27 2.3.1 粒子群算法机理 25-26 2.3.2 粒子群算法改进 26 2.3.3 适应度函数设计 26-27 2.3.4 优化算法设计 27 2.4 实验结果 27-32 本章小结 32-33 第三章 图元形态识别 33-42 3.1 图元特征描述方法 33-37 3.1.1 基本特征描述子 33-35 3.1.2 基于变换的特征
7、 35-37 3.2 不变矩形状识别 37-39 3.2.1 规则矩定义 37-38 3.2.2 Hu 不变矩 38 3.2.3 轮廓矩 38-39 3.3 实验分析 39-41 本章小结 41-42 第四章 基于 Hough 变换的图元检测 42-62 4.1 Hough 变换选取 42-45 4.1.1 典型 Hough 变换方法比较 43-44 4.1.2 RHT 算法关键点 44-45 4.2 引入最小二乘法 45-47 4.2.1 直线拟合 45-46 4.2.2 圆拟合 46-47 4.3 基于 RHT-LSM 的图元检测算法 47-53 4.3.1 算法思想 47-49 4.3.
8、2 直线检测算法 49 4.3.3 矩形检测算法 49-50 4.3.4 圆检测算法 50-52 4.3.5 多目标检测 52-53 4.4 实验分析 53-61 4.4.1 仿真图实验 53-56 4.4.2 残缺检测实验 56-58 4.4.3 多目标检测实验 58-60 4.4.4 抗噪实验 60-61 本章小结 61-62 第五章 LED 芯片视觉检测系统应用实验 62-76 5.1 实验装置概述 62-64 5.1.1 视觉检测系统组成 62-63 5.1.2视觉检测工作流程 63-64 5.2 LED 视觉检测实验 64-70 5.2.1 电极形态识别 64-69 5.2.2 参数计算 69-70 5.3 运动系统标定实验 70-75 5.3.1 标定实验方案 71-72 5.3.2 标定实施步骤 72-75 5.3.3 实验结果 75 本章小结 75-76 第六章 总结与展望 76-78 致谢 78-79 参考文献 79-82 附录一 82-83 详细摘要 83-86
