基于机器学习的PCB孔位信息在线光学检测

为了实现PCB的孔位信息在线检测,依据机器学习理论中机械学习法模型,抽象出整个图像检测过程中的要素,建立了对应的自动光学检测的学习模型。针对工件定位时初始位置的微小错位可能导致的自动检测意外中止,开发了三类专门的图像检测算法,减少了自动检测出错几率。在BolandC++环境下,开发设计了相关学习类,并按照设计的检测学习过程流程和检测执行过程流程,开发了对应的检测软件,实现了PCB孔位信息的流水线自动化全检。该研究结果大幅度提高了PCB板检测效率,有助于改善其制造品质,对于PCB其他瑕疵检测具有参考意义。     

基于神经网络的PCB焊点检测方法

针对目前自动光学检测系统在进行焊点检测时容易出现缺陷误报和漏报,以及智能化程度不高的问题.提出了一种基于神经网络的检测方法.首先采用一种基于熵的多阈值自动图像分割方法来提取焊点;然后定义焊点图像的一系列特征,并通过实验对特征进行选择;最后建立用于焊点分类的BP神经网络.实验证明,基于神经网络的焊点图像检测方法具有较高的准确率.     

PCB检测中的自动光学检测系统的设计

本文介绍了用自动光学系统检测PCB板的设计方法.主要包括AOI系统的功能,自动光学检测系统的组成及工作原理,通过自动检测来确定PCB板的质量,从而避免传统人工方式的繁琐,具有智能化的特点.     

基于HALCON的PCB光学定位点的3种识别方法及比较

随着印刷电路板(PCB)的制造不断向着微型化方向发展,在其生产过程中,原有的人工检测形式逐渐被现代化的自动光学检测设备所代替。与此同时,在机器视觉代替人类视觉实现检测后,如何能快速识别并定位被检测PCB的光学定位点(Mark点)就成为整个检测过程中的一个重要问题,因为只有识别了光学定位点,才能进行后续的图像配准、匹配以及缺陷检测工作。HALCON作为一款功能强大的机器视觉软件,在工业图像处理方面有着不可替代的优势。笔者将HALCON软件应用到PCB的Mark点的识别过程中,创造出3种不同的定位算法,并对这3种算法的效率和应用范围进行了评价。     

基于人脸检测的教室信息智能采集系统

为实现对教室信息的提取、分析和识别,设计了一种基于Harr小波的教室数据智能采集系统。对采集的数字图像进行图像变换,通过教室格局对图像进行区域划分后再分割,通过标识状态建立训练数据集。对训练数据集的Harr小波提取子图像特征,建立数据向量。利用Adaboost分类算法对数据进行机器学习并抽取分类规则集。对各种教室信息进行识别后统计数据,通过网络传输给服务器。该系统实施便捷,可广泛用于各个教学系统。     

基于机器视觉的数控精密磨削加工在线检测系统

针对目前数控精密磨削检测效率低的问题,构建了基于机器视觉的数控精密磨削加工在线检测系统.通过工业CCD相机在线采集被加工工件图像,经去噪、复原等预处理后,提取工件图像的轮廓曲线数据,并实时与设计轮廓曲线进行比较,得到加工轮廓误差,在此基础上,引导工作台进行自动在线补偿,实现工件轮廓精密磨削.实验结果表明,采用该系统能够有效地提高精密磨削加工检测的精度和自动化程度.     

基于视觉的在线检测通信技术研究

随着通信技术的快速发展,在现代化技术手段的融入中,采取科学有效的方式,尤其是当前基于视觉的在线检测通信技术,是当前一种较为先进的处理技术,通过智能图像的传感器处理技术,融入在线检测的分析原理,能收到良好地效果。从智能图像传感器DVT的在线检测技术出发,从获取的检测结果、传输技术等方面进行深入说明,并对智能传感器以及外围设备之间的通信进行研究,同时,通过实例研究应用智能传感器对小工件的半径定位、测量以及各方面的运用,提高在线检测的整体水平。     

基于机器视觉产品尺寸在线检测的实践研究

利用机器视觉对大批量产品零件进行在线检测已成为一种控制产品零件质量的重要方法之一。文中基于L abV IEW软件和PLC控制,针对气动垫片零件,着重论述了机器视觉在线检测方法、工件尺寸检测原理和误差分析,设计了一套可进行产品在线100%检测的装置,实现了产品关键尺寸快速检测和等级分类。     

基于机器学习的特色词汇翻译在线生成方法研究

为了提高特色词汇翻译在线生成能力,提出基于机器学习的特色词汇翻译在线生成方法。构建特色词汇翻译的语义特征分析模型,采用语义相关性特征分析方法进行特色词汇翻译在线生成过程中的特征检测。建立特色词汇翻译在线生成的语义分解模型,提取特色词汇翻译在线特征量。利用融合性聚类分析方法进行特色词汇翻译在线生成过程中的自适应寻优控制,采用机器学习算法进行特色词汇翻译在线生成过程中的模糊控制和收敛性判断,实现特色词汇翻译在线生成过程优化。仿真结果表明,采用该方法进行特色词汇翻译在线生成控制的稳定性较好,翻译结果准确可靠。     

Automated visual inspection of surface defects based on compound moment invariants and support vector machine

The traditional inspection methods are mostly based on manual inspection which is very likely to make erroneous judgments due to personal subjectivity or eye fatigue,and can't satisfy the accuracy.To o...     

基于机器学习算法的输电线路工程投资预测

技术方案深度的不足导致依据定额概预算来确定输电线路工程投资的方法准确性低、工作量大,因此,研究基于机器学习的投资预测模型需求迫切。针对输电线路投资的高维数、非线性等特点,提出了基于极端梯度提升(extreme gradient boosting, XGBoost)算法的输电线路工程投资预测方法。通过采用实际输电线路工程数据对模型进行训练和测试,预测结果显示XGBoost模型在预测精度、结果偏差方面相较于神经网络和支持向量机(support vector machine, SVM)都具有较大的优势,能输出指标重要性排序,为决策者提供有效的投资额和控制指标参考,且模型的可靠性和可解释性较高。     

基于机器学习的边缘检测方法研究

传统的边缘检测方法具有一定的局限性,且自适应能力差,提出一种基于机器学习的边缘检测方法来解决上述问题.实验图像从伯克利图像数据库中选取,以Harr和梯度直方图(HoG)构成特征空间,将AdaBoost算法和决策树算法相结合进行分类器训练.实验结果表明,机器学习的边缘检测算法有更高的分类准确率.     

基于随钻数据的岩性识别机器学习算法研究进展

机器学习算法是岩性识别领域重点研究内容之一。与传统岩性识别方法相比,通过监测随钻参数变化进行岩性识别,具有高精度、多信息、集成化、智能化的优点。近年来,随着岩性识别技术不断发展,机器学习算法在岩性识别领域的研究和应用日益广泛。利用机器学习算法分析随钻数据,能够提高岩性识别结果的准确性,更高效地识别地层的岩性和构造。为了厘清岩性识别机器学习算法的发展现状,发掘其在岩性识别技术领域中的技术难题,综述了岩性识别机器学习算法的研究进展。首先,简要介绍了机器学习的概念与发展历程;其次,分类阐述能够用于岩性识别领域的机器学习算法;再次,总结了岩性识别领域各类常用机器学习算法的应用现状,比较了各类算法在岩性识别应用中的优缺点;最后,总结了岩性识别算法存在的问题和面临的挑战,并对其下一步发展方向提出了建议,使未来能更加准确高效地利用机器学习算法分析处理随钻数据,实现机器学习算法与岩性识别技术的深度结合。     

基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型

氧气转炉炼钢的控制目标是终点温度和碳含量,但由于不能对其进行在线连续测量,直接影响了出钢的质量.针对该问题,提出一种基于膜算法进化极限学习机(ELM)的抗干扰终点预报模型.利用进化膜算法的全局寻优能力调整ELM网络参数,不仅避免了ELM网络受异常点影响出现过拟合现象,还可以寻找最优复杂度的ELM模型.将找到的ELM模型应用到转炉炼钢领域并建立终点碳含量和温度的预报模型.在仿真实验中,分别使用含有高斯噪声的标准sin C函数和氧气转炉炼钢实际生产数据进行仿真,结果表明所提模型在含噪声的数据中具有较好的预报精度和鲁棒性.