基于群體智能的機(jī)器視覺(jué)的關(guān)鍵技術(shù)研究.pdf

1、機(jī)器視覺(jué)建立在諸多先進(jìn)成像器件和成像技術(shù)之上,廣泛應(yīng)用于醫(yī)療、天文、國(guó)防工業(yè)及科學(xué)研究等領(lǐng)域。典型機(jī)器視覺(jué)系統(tǒng)分為圖像采集、圖像處理和運(yùn)動(dòng)控制三部分,涉及信息科學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)、物理學(xué)以及生物學(xué)等學(xué)科的知識(shí)。群體智能(SwarmIntelligence,SI)優(yōu)化算法是近年來(lái)興起的一種模擬生物的群體行為的演化計(jì)算方法,以粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法為典型代表,它通過(guò)模擬鳥(niǎo)群之間的集

2、體協(xié)作行為來(lái)進(jìn)行問(wèn)題求解。具有量子行為的粒子群優(yōu)化(Quantum.behaved ParticleSwarm Optimization,QPSO)算法是在深入研究PSO算法的基礎(chǔ)上提出,由于只涉及初等運(yùn)算,具有尋優(yōu)過(guò)程更簡(jiǎn)單、控制參數(shù)更少、收斂速度更快等特點(diǎn),將其改進(jìn)算法應(yīng)用于機(jī)器視覺(jué)領(lǐng)域,可以有效提高系統(tǒng)的適應(yīng)性。
　　 圖像處理與分析是機(jī)器視覺(jué)的核心部分,本文將群體智能優(yōu)化算法引入機(jī)器視覺(jué)的主要圖像處理過(guò)程,提出了基于改進(jìn)

3、的QPSO算法的圖像增強(qiáng)、圖像復(fù)原、圖像分割和目標(biāo)識(shí)別等算法,運(yùn)用算法的并行搜索特性顯著提高了算法的收斂速度。最后將基于群體智能的圖像處理算法應(yīng)用到提出的機(jī)器視覺(jué)高速異纖在線檢測(cè)系統(tǒng)中,提高了異纖檢測(cè)的準(zhǔn)確率和系統(tǒng)穩(wěn)定性。論文具體內(nèi)容如下:
　　 (1)圖像增強(qiáng)和圖像復(fù)原用于解決機(jī)器視覺(jué)系統(tǒng)的采集圖像退化問(wèn)題。針對(duì)普通圖像增強(qiáng)算法僅適用于特定降質(zhì)圖像的缺點(diǎn),首先對(duì)QPSO算法進(jìn)行自適應(yīng)性改進(jìn),然后將改進(jìn)算法應(yīng)用于圖像增強(qiáng)。標(biāo)準(zhǔn)測(cè)

4、試函數(shù)的仿真結(jié)果表明提出的QPSO改進(jìn)算法具有更好的收斂性,與其他基于群體智能的圖像增強(qiáng)算法的對(duì)比實(shí)驗(yàn)表明,提出的圖像增強(qiáng)方法具有更好的增強(qiáng)效果和通用性。針對(duì)非線性圖像復(fù)原算法計(jì)算量大的缺陷,提出了一種基于上述改進(jìn)算法的Lucy-Richardson圖像復(fù)原算法,對(duì)比實(shí)驗(yàn)結(jié)果顯示,提出的圖像復(fù)原算法有效地降低了圖像復(fù)原的時(shí)間復(fù)雜度。
　　 (2)圖像分割是機(jī)器視覺(jué)系統(tǒng)對(duì)圖像進(jìn)行分析和識(shí)別的前提。針對(duì)最小誤差閾值法的圖像分割方法無(wú)

5、法利用圖像空間信息的缺點(diǎn),將最小誤差閾值法從一維直方圖推廣到二維直方圖進(jìn)行圖像分割。首先對(duì)QPSO算法進(jìn)行多群體與多階段改進(jìn),然后將改進(jìn)算法應(yīng)用于二維最小誤差閾值法的尋優(yōu)過(guò)程,用得到的一對(duì)閾值進(jìn)行圖像分割。標(biāo)準(zhǔn)測(cè)試函數(shù)的仿真結(jié)果表明改進(jìn)的QPSO算法具有更好的收斂性。最后將提出的圖像分割算法與其他基于群體智能的圖像分割算法進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果表明提出的圖像分割方法具有更好的圖像分割效果和穩(wěn)定性。
　　 (3)圖像分類和目標(biāo)識(shí)別是機(jī)

6、器視覺(jué)系統(tǒng)的最終目的之一。針對(duì)目前基于支持向量機(jī)(Support Vector Machine,SVM)的圖像分類算法的樣本訓(xùn)練時(shí)間復(fù)雜度高的缺點(diǎn),本文提出了基于群體智能的SVM分類器樣本訓(xùn)練方法,并應(yīng)用于目標(biāo)識(shí)別。首先將二次規(guī)劃(Quadratic Programming,QP)問(wèn)題分解為若干子問(wèn)題,然后用群體智能優(yōu)化算法進(jìn)行QP子問(wèn)題的優(yōu)化,通過(guò)核主成分分析(Kernel Principal Component Analysis,K

7、PCA)方法將得到的特征向量輸入到支持向量機(jī)構(gòu)造分類器,最后對(duì)測(cè)試樣本圖像樣本進(jìn)行分類識(shí)別。大量實(shí)驗(yàn)表明,基于群體智能和支持向量機(jī)的目標(biāo)識(shí)別方法縮短了樣本訓(xùn)練時(shí)間,是一種有效的目標(biāo)識(shí)別方法。
　　 (4)設(shè)計(jì)了一種機(jī)器視覺(jué)高速異纖在線檢測(cè)系統(tǒng)。為了突破圖像處理速度這一主要瓶頸,采用FPGA和DSP構(gòu)建高速圖像采集處理卡進(jìn)行快速異纖檢測(cè),并引入群體智能異纖識(shí)別算法,實(shí)驗(yàn)證明了算法在異纖檢測(cè)中的有效性,提高了棉花異纖檢測(cè)的準(zhǔn)確率,具