基于機器視覺的通信裝備故障識別研究.pdf

1、機器視覺以其檢測精度高、非接觸及快速穩(wěn)定等優(yōu)點，在對象的識別和檢測上有著及其重要的作用。基于機器視覺的通信設備故障檢測系統(tǒng)，能夠?qū)崟r地對設備進行檢測，大幅度減少了對人力資源的消耗，并且減少了故障定位時間。
　　本文分析了機器視覺的國內(nèi)外研究現(xiàn)狀，通過將圖像處理算法和神經(jīng)網(wǎng)絡相結(jié)合，對大型通信設備的故障檢測進行研究，包括對通信設備工具板進行分割和分類、網(wǎng)口故障的識別和ISV3板對偶接口故障的識別。
　　為了解決大型通信設備的工

2、具板識別問題，研究了將SIFT特征和SVM相結(jié)合的分類方法。采用SIFT算法和Kmeans算法分別進行樣本圖片的特征提取和feature集的聚類分析，以歐式距離最小為準則，得到輸入數(shù)據(jù)。通過分析SVM檢測精度與核函數(shù)類型、γ值、懲罰因子c之間的關系，選擇性能最好的SVM分類器對目標圖像進行檢測，準確率可以達到92％以上。
　　通過將灰度直方圖統(tǒng)計和BP神經(jīng)網(wǎng)絡相結(jié)合的檢測算法，來識別網(wǎng)口的插拔狀態(tài)。采用SIFT算法和最近鄰法進行特

3、征點提取和特征匹配，利用RANSAC算法得到的最佳變換矩陣對圖像進行矯正。對網(wǎng)口樣本進行灰度直方圖統(tǒng)計，作為輸入數(shù)據(jù)。分析隱含層節(jié)點數(shù)、迭代次數(shù)對BP神經(jīng)網(wǎng)絡檢測精度的影響，選擇性能最佳的網(wǎng)絡結(jié)構，對待檢網(wǎng)口進行識別，準確率達到96％。
　　采用字符識別的方法，判斷網(wǎng)線類型是否與網(wǎng)口類型匹配。對圖像進行灰度化和二值化，根據(jù)二值圖像上像素點的分布特征，通過尋找邊界點來分割字符。歸一化字符圖像的大小，將其分割為5行4列，依次統(tǒng)計這20

4、個小格中灰度值為255的像素點數(shù)量，串聯(lián)起來就得到一個字符的特征向量。訓練LVQ神經(jīng)網(wǎng)絡并檢測設備圖，標記出網(wǎng)口類型和網(wǎng)線類型不一致的位置，準確率達到95％。
　　基于RGB顏色模型的檢測方法，能夠有效識別ISV3板對偶接口的故障。采用HOG算法提取正副樣本圖片的特征，作為輸入數(shù)據(jù)。通過訓練SVM分類器來提取檢測圖像中的ISV3板。利用RGB顏色信息提取4個有效接口區(qū)域，并通過圖像處理基本方法對其進行定位和顏色識別，判斷接口是否連