基于機(jī)器視覺(jué)的通信裝備故障識(shí)別研究.pdf

1、機(jī)器視覺(jué)以其檢測(cè)精度高、非接觸及快速穩(wěn)定等優(yōu)點(diǎn)，在對(duì)象的識(shí)別和檢測(cè)上有著及其重要的作用?；跈C(jī)器視覺(jué)的通信設(shè)備故障檢測(cè)系統(tǒng)，能夠?qū)崟r(shí)地對(duì)設(shè)備進(jìn)行檢測(cè)，大幅度減少了對(duì)人力資源的消耗，并且減少了故障定位時(shí)間。
　　本文分析了機(jī)器視覺(jué)的國(guó)內(nèi)外研究現(xiàn)狀，通過(guò)將圖像處理算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，對(duì)大型通信設(shè)備的故障檢測(cè)進(jìn)行研究，包括對(duì)通信設(shè)備工具板進(jìn)行分割和分類、網(wǎng)口故障的識(shí)別和ISV3板對(duì)偶接口故障的識(shí)別。
　　為了解決大型通信設(shè)備的工

2、具板識(shí)別問(wèn)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(jìn)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(zhǔn)則，得到輸入數(shù)據(jù)。通過(guò)分析SVM檢測(cè)精度與核函數(shù)類型、γ值、懲罰因子c之間的關(guān)系，選擇性能最好的SVM分類器對(duì)目標(biāo)圖像進(jìn)行檢測(cè)，準(zhǔn)確率可以達(dá)到92％以上。
　　通過(guò)將灰度直方圖統(tǒng)計(jì)和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的檢測(cè)算法，來(lái)識(shí)別網(wǎng)口的插拔狀態(tài)。采用SIFT算法和最近鄰法進(jìn)行特

3、征點(diǎn)提取和特征匹配，利用RANSAC算法得到的最佳變換矩陣對(duì)圖像進(jìn)行矯正。對(duì)網(wǎng)口樣本進(jìn)行灰度直方圖統(tǒng)計(jì)，作為輸入數(shù)據(jù)。分析隱含層節(jié)點(diǎn)數(shù)、迭代次數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)檢測(cè)精度的影響，選擇性能最佳的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)待檢網(wǎng)口進(jìn)行識(shí)別，準(zhǔn)確率達(dá)到96％。
　　采用字符識(shí)別的方法，判斷網(wǎng)線類型是否與網(wǎng)口類型匹配。對(duì)圖像進(jìn)行灰度化和二值化，根據(jù)二值圖像上像素點(diǎn)的分布特征，通過(guò)尋找邊界點(diǎn)來(lái)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(jì)這20

4、個(gè)小格中灰度值為255的像素點(diǎn)數(shù)量，串聯(lián)起來(lái)就得到一個(gè)字符的特征向量。訓(xùn)練LVQ神經(jīng)網(wǎng)絡(luò)并檢測(cè)設(shè)備圖，標(biāo)記出網(wǎng)口類型和網(wǎng)線類型不一致的位置，準(zhǔn)確率達(dá)到95％。
　　基于RGB顏色模型的檢測(cè)方法，能夠有效識(shí)別ISV3板對(duì)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(guò)訓(xùn)練SVM分類器來(lái)提取檢測(cè)圖像中的ISV3板。利用RGB顏色信息提取4個(gè)有效接口區(qū)域，并通過(guò)圖像處理基本方法對(duì)其進(jìn)行定位和顏色識(shí)別，判斷接口是否連