本发明涉及图像识别,具体涉及一种用于机械零部件的图像识别方法。
背景技术:
机械零部件的识别对于入门的学生而言具有重要意义,也为未来实现无人教学提供重要的技术支持,同时,需要满足教学场景下即能有效识别,又有一定精确度的需求。
技术实现要素:
本发明所要解决的技术问题是机械零部件识别问题,目的在于提供用于机械零部件的图像识别方法,解决上述问题。
用于机械零部件的图像识别方法,包括以下步骤:
分解域变换,使图像信息进入不同的尺度;
在空间域梯度算子进行边缘检测;
在变换域利用小波边缘检测;
提取空间域和变换域的特征;
利用人工神经网络进行模式识别。
进一步地,所述分解域变换采用小波多尺度分解域变换。
进一步地,所述梯度算子采用高斯拉普拉斯算子。
进一步地,所述小波边缘检测结果采用链表进行记录。
进一步地,所述特征提取采用统计特征或变换矩阵。
进一步地,所述人工神经网络采用bp神经网络。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明用于机械零部件的图像识别方法,能够有效提取机械零部件的外部边缘;
2、本发明用于机械零部件的图像识别方法,能够依据空间域和变换域双重检测,提高检测精度;
3、本发明用于机械零部件的图像识别方法,利用人工神经网络的黑箱结构,能够有效降低数学推导难度。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
本发明用于机械零部件的图像识别方法,包括以下步骤:分解域变换,使图像信息进入不同的尺度;在空间域梯度算子进行边缘检测;在变换域利用小波边缘检测;提取空间域和变换域的特征;利用人工神经网络进行模式识别。
所述分解域变换采用小波多尺度分解域变换。所述梯度算子采用高斯拉普拉斯算子。所述小波边缘检测结果采用链表进行记录。所述特征提取采用统计特征或变换矩阵。所述人工神经网络采用bp神经网络。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。