基于残差神经网络的转子焊点图像检测方法

针对微型电机转子焊点检测费时费力且准确率低的问题,提出一种基于残差神经网络的转子焊点检测方法。首先运用网络预训练的方法加速网络训练,提高模型准确率;然后在网络中引入批量归一化,避免出现梯度消失;最后对图像进行数据增强,减少过拟合现象。实验表明,与K最近邻(KNN)等经典算法相比,该算法在测试集上的准确率达到91.5%,与工人检测的速度相比提高了3.5倍,具有很好的识别效果。     

改进的RANSAC圆检测算法

为解决传统随机抽样一致性(random sampling consistency,RANSAC)圆检测算法中无目的抽样耗时较长,检测结果准确性和稳定性较差等问题,提出一种改进的RANSAC算法.该算法先滤去较短的图形边缘,仅留下较长的边缘进行抽样.当第一次取到候选圆时,该算法还借助候选圆进一步排除无效点,大大减少了所需抽样次数.然后,用最小二乘法对这些候选圆参数进一步优化、筛选,提高了最终结果的稳定性和准确性.实验表明,该算法速度快、准确性好,完全能满足实际检测的需要.