模式识别与智能系统学科简介

模式识别与智能系统学科简介（精选8篇）

篇1：模式识别与智能系统学科简介

模式识别与智能系统学科简介

专业介绍

模式识别与智能系统专业是一个新兴的交叉学科，是自动控制、模式识别、人工智能、模糊逻辑、仿生学和计算机科学等技术融合的产物。这一学科在上世纪八十年代以来受到控制科学与工程学界的极大重视，被称为面向二十一世纪的控制科学。本学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科分支。本学科的研究方向包括：图像处理与模式识别、微智能执行器与自主系统、运载器综合健康管理、UCAV协同任务规划、生物特征识别技术。

业务培养要求

本学位点主要培养具有人工智能和模式识别理论、微智能执行器及智能控制系统等专业知识、能够熟练应用相关知识解决实际系统问题能力的高级专门人才。硕士研究生需掌握坚实的基础理论和系统的专业知识，掌握科学研究的基本方法和技能，具有独立分析和解决问题的能力，具有一定的创新能力。具备查阅文献资料，了解学科现状和动向，归纳总结的能力。具备独立进行实验方案设计、实验数据处理以及对实验结果概括处理的能力。具备一定的科技文献写作能力，能够完成学术论文以及学位论文的写作。熟练地阅读本学科领域内的外文资料，具备较好的外文论文写作能力。具备一定的教学实践（课程辅导、辅导实验）、科研实践（指导课程设计或毕业论文等）、参加工程项目的实践或社会实践能力。在人工智能和模式识别、智能微系统及飞行控制系统等领域内，掌握坚实的理论基础和系统深入的学科知识，具有良好的科研和实际应用能力，具有较强的从事高校教学、科研或独立担负专门技术工作的能力。

主干课程

模式识别、智能控制、数字图像处理、数字信号处理、神经网络与人工智能、系统建模与仿真、飞行控制技术、系统辨识与自适应控制、故障诊断技术等。

篇2：模式识别与智能系统学科简介

模式识别与智能系统简况

模式识别与智能系统是二十世纪八十年代发展起来的新型交叉学科，该学科包含自动控制、模式识别、人工智能、模糊逻辑、仿生学和计算机科学等多种学科。该学科以信息处理与模式识别的理论技术为核心，探索对各种信息进行处理、分类、理解，并在此基础上构造出具有某些智能特性的系统或装置的方法、途径与实现。该学科在经济建设和国防建设具有广泛的实际背景，二十多年来，已引起了国内外有关学者的极大重视，被称其为面向二十一世纪的控制科学。

本学科点开始于我校省级重点学科计算机应用学科，从该学科人工智能方向发展而来。最早的团队可以追溯到二十世纪八十年初，从承担航空基金立体仓库机器人开始。经过近三十年的发展，该学科逐步形成了稳定的研究方向，于2003年从计算机应用学科独立出来，成为独立的学科，2005年获得“模式识别与智能系统”硕士学位授予权。主要研究方向包括：神经网络与模式识别、图象处理与模式识别、智能机器人与人工智能和智能检测与智能控制等。当前正在筹建“自主武器技术平台研究中心”，这是目前我省唯一一所高等院校首次建立的平台研究中心，中心下设6个实验室分别为飞行器仿真与模拟技术实验室、智能机器人与目标探测技术实验室、综合健康管理技术实验室、任务设备检测技术实验室、武器应用环境仿真实验室和导弹实验室，其中，导弹实验室近2-3年内投资200万多万元，购置了3枚导弹等，实验室已初具规模。本学科主要关注与武器平台自主运行有关的技术，即主要关注：自主控制、环境感知、导航制导、保障与健康管理、电源、部分任务的关键技术研究和工程验证研究，逐步发展对平台总体设计、搭载任务武器等技术研究和工程验证。本学科具有一定师资力量基础，现拥有双聘院士1人，博士生导师5人（外校兼职，本学科点没有博士授予权），硕士生导师9人，教授12人，副教授16名，其中，具有博士学位的教师有20名。目前本学科点已培养硕士研究生10多名，学科梯队结构合理，整体实力强。

篇3：模式识别与智能系统学科简介

关键词：模式识别,智能系统,树状模型

1 提出并建立树状模型

1.1 智能模型基态

首先, 通过与瀑布模型相仿的做法, 将个别数据结构通过一定方法合成一类模式能够识别的智能模型基态。其数据结构主要有以下几部分, 包括某一领域内的一类最基本模型单元, 也包括知识结构单元, 其所形成的知识数据库就好比广义树状模型的初等原型。基于模式识别或人工智能模型是由数据结构为主要构成, 且算法精炼简洁这些特性, 故以上任何一类系统有关的算法模式都可通过原型加以达成。通过个别最基本的模型单位生成的基础领域模型库或知识系统, 可以类似看作整个树状模型的基础化, 这对日后的工业型发展起着极为重要的铺垫作用。

1.2 与模块式程序设计相仿, 模型库或知识库一样能通过一定的手段模块化

可将其视为由众多模型单位或知识单位构成, 将领域模型单位以及知识单位合理有序得放进上述两类库内中。这一做法对整体模型的设计有着很大的帮助效果, 其功能与普通软件的实现思路和设计逻辑相似, 均通过将模型单元化的方式分析, 并极大程度提高了流水线生产的效率。

通过用诸如螺旋模型等形式, 向模型库或知识库中导入基本单位。螺旋每旋转一次之前, 都有必要通过细致的分析进行合适的计划开展, 并对宏观需求加以分析。然后开展领域模型以及领域知识的概念认知, 对各个领域的结构和内容按块进行区分和了解, 这之中各个结点单元便是所谓的各领域单元。方便简洁的结构使其能够很快的看出已经实现的部分结构单位和小部分仍在建设结构单位。针对仍未成功的小部分领域可以加以分析、设计和测试, 并设立部门各自分工, 各个部门最终通过流水线的形式井然有序地将基础结构单元放入库内, 长此以往, 最终得以完成该系统的各类软件版本的开发。

对于模式识别系统而言, 其基本单元便是领域的模型单位, 例如在进行语音识别时, 其本质就是一类波形;有关指纹识别主要由以下三个步骤组成:

(1) 加强与权威声音的合作与探讨, 并查阅相关书籍和文献, 以获得各个模型单位的准确参数。

(2) 将收集到的参数资料进行整理和汇总, 汇入并制成一张总表, 并对数据进行分析和处理。

(3) 将数据输入计算机进行相关的模拟, 观察是否能得到正确的识别成果。

就人工智能而言, 基本单元也可以按逻辑分为三大步骤, 类似于模式识别系统。此外, 当向库内装放基本单位时, 通过使用直接交互操作旧有的模式识别或人工智能系统的可视化生成方式, 能够较大的帮助系统在识别以及其他功能上得到更好的直观性体现。

2 树状结构的模型以及知识库的确立

模式识别以及人工智能系统, 将分类树丛的每个根点位 (孤立点位) 所对应的模型或知识单位逐个视作被识别对象, 通过新型模型单位以及知识单位对已识别的点位一一进行识别处理。树状模型的确立可分为以下两步:

(1) 若在部分根点位对应的模型或知识单位内, 具备认识出新模型单元知识单位的能力, 那么:

(1) 若l大于等于2时, 可将点位视为此类根点位的父点位。并产生一组更复杂的分类树, 然后将此类新模型单位放进模型单位组内, 学习完成。

(2) 若l等1时, 可以利用此根点位对应的模型或知识单位, 并将新模型单元加以分析和识别。若在各类单元的识别过程中, 具备认知这个根结点相应的模型或知识单位的能力, 就证实该点位和此类根点位相同, 不须学习, 学习终端;否则, 运用与 (1) 相似的手段进入新点位, 学习完成。

(2) 若无法将某一点位所对应的模型单位以及知识单位中, 认知出新模型单位或知识单位, 则有必要将新加入的模型单位或知识单位变为待建立的对象, 逐个通过每个根点位所对应的模型知识单位加以识别处理。

(1) 若不存在成功识别的点位, 那么新点位只能视作一类独立点位, 学习完成。

(2) 若存在两个及以上的根点位识别完成, 由于不存在任何点位可以同时从属于两类区分开的事物, 故学生发生错误终端。

(3) 若有任何一个根点位D识别完成, 那么新点位变为D的后代点位

所以, 有必将对D的所有子点位运用和每个点位相似的处理方式, 总结为有以下六大类情况。

(1) 新点位变为D的子点位, 新点位变成D最初某一类子点位的父点位, 与树状模型方法一中的第 (1) 步骤相似。

(2) 新点位和D的某一子点位相同, 与树状模型方法一中的第 (2) 步骤相似。

(3) 新点位变为D的子点位, 新点位变成某一子点位的父点位, 与树状模型方法一中的第 (2) 步骤相似。

(4) 新点位变为D的又一子点位, 与树状模型方法二中的第 (1) 步骤相似。

(5) 新点位学习失败, 与树状模型方法二中的第 (2) 步骤相似。

(6) 新点位变为D的某一子点位D的子代, 与树状模型方法二中的第 (3) 步骤相似, 逐个用递归形式加以分析。若新点位变为改子点位的子代, 则立即继承新点位, 建立过程到此为止。

3 模型建立的前提

为了保证整个系统的工业化运作, 系统对整体的模式认知能力以及系统提出了较高的普遍性指标。对模式认知而言, 模型单位的储存方法主要以分类储存为主, 并通过分类的手段进行识别和匹配。针对指纹识别, 将该识别方式运用到某张天然指纹图像的识别中去, 观察是否能在其中对某类模型结构加以识别。整个识别方式主要指纹图像为识别基础, 将模型库加以分析和整合, 并将上述结构单位用该模型单位以及天然指纹图像的各个位置加以匹配。

4 结语

文章提出和建立了树状结构模型, 模型单位以及知识单位都呈模块状, 维护简单且可靠度高, 生产运作模式也大都实现了流水化生产。此类生产形式适用于模型单位作为基础结构单位的模式认知和识别模型, 或以知识单元为基本组成单元的人工智能系统。这类模式识别和人工智能系统具有很大的普遍性。

参考文献

[1]张天序.模式识别与智能系统研究展望和对策[J].自动化学报, 2002 (12) .

[2]张佳.模式识别与智能系统专业实验室建设设想[J].中国电力教育;2013 (03) .

篇4：智能监控系统中的图像识别与分析

关键词：智能监控系统；图像分割技术；图像识别

中图分类号：TP391.41 文献标识码：A文章编号：1007-9599 (2011) 15-0000-01

The Image Recognition and Analysis of Intelligent Monitoring System

Yi Junxiao

(Beijing University of Technology,Beijing100022,China)

Abstract:At present,along with the computer communication technology and network technology fast development,the image processing technology in the field of science and technology is getting more and more important position.Image recognition belong to intelligent monitoring equipment the most important technology,this paper in this part of the intelligent monitoring system based on intelligent monitoring system image recognition.The key:technology of intelligent image monitoring system image recognition and classification for analysis.

Keywords:Intelligent monitoring system;Image segmentation;Image recognition

一、智能监控系统概述

智能监控系统采用先进的数字图像压缩编解码技术、数字图像传输技术等图像处理技术，以及模式识别、计算机视觉技术，通过将智能视频分析模块增加至监控系统中，借助计算机强大的数据处理能力自动识别不同物体，在分析抽取视频源中关键有用信息的同时，过滤视频画面无用的或干扰信息。整个系统组网灵活，可以突破地域的限制，并以最快和最佳的方式发出警报或触发其它动作，进行遥远范围大规模的实时图像监控和报警处理。

二、智能监控系统图像识别的关键技术

（一）图像分割技术。图像分割是由图像处理迈向图像分析的关键步骤，其实质是正确地划分属性区域，在分离日标和背景的基础上，为计算机视觉的后续处理提供依据。分割技术依据区域的一致性和几何邻近度，可以分为三种类型，即基于像素和其邻域局部特性进行分割的局部技术；以全局信息作为图像分割依据的全局技术；以及分裂、合并和区域增长技术。图像分割方法主要包括阈值法、边缘检测法以及区域跟踪法。阈值分割法较为常用，常用的算法有最小误差阈值法、最大类别方差法及最佳直方图熵法等。由于传统的图像分割算法有着对噪声敏感、计算量大等方面的缺陷。基于尤其是基于模糊技术的人工智能原理图像分割算法开始引起人们的关注。在图像分割过程中所涉及到的模糊技术主要包括模糊阐值技术、模糊聚类技术以及模糊边缘检测技术等。

（二）图像颜色分割原理。图像颜色分割是将分割具相同或相近颜色特征色块的图像处理方法，主要包括：（1）像素分类：像素通过颜色的阈值进行分类，像素采用RGB、YUV、HIS等描述方式。（2）像素连接：将图像进行游程编码处理，即将图像编码成以run格式为单元的编码处理。游程编码处理是run格式指的是一行像素之内相邻且具有相同逻辑值的像素集合。作为色块合并的基础，像素连接通过分类后的像素信息实现。（3）色块合并：按一定规律合并所得到的游程，即将游程按照parent归类至一个树结构下的过程。每一个游程在带有效信息的基础上配有指向游程parent的指针。（4）区域融合：为了避免处理过程被判断为两个分离开来的区域，需要引入区域融合方法，使相邻近的部分合并成为一个整体。由于面积和边框同为区域统计量，因此可以进行同一种密度测量方法的使用。倘若某几个部分的区域像素密度大于某个阐值，即可将这些区域合并成成为一个区域整体。在色块合并中，即使区域存在被一根线分割的情况，但这部分的密度倘若仍旧大于阐值，应当将它们看作一个整体区域进行区域融合。

三、智能图像监控系统的图像识别与分类

（一）图象识别技术。图像识别以研究图像的分类与描述为主要内容，对图像用预先存储的对象物的参照图案进行匹配，并输出文字识别和脸部图像识别等符号信息，或者输出物体位置或姿态等数值信息。图像识别涉及的领域较为广泛，包括机械加工中零部件的识别、分类；农作物、森林、湖泊和军事设施的遥感辨别；气象数据、气象卫星照片的准确观测；身份证识别等方面。

图像识别方法可归纳为统计方法和结构识别方法两大类。一个图像识别系统可分为四个主要部分：（1）图像信息的获取：将图片等信息经系统输入设备进行数字化处理，再输入计算机以备后续处理。（2）图像加工和预处理：将原始图像转化为适合计算机进行特征提取的形式，包括图像变换、增强、恢复等，目的是去除干扰、噪声及差异。（3）图像特征提取：将调查而得的数据材料进行加工、整理、分析、归纳等处理，以提取出可以反映事物本质的特征。（4）判断或分类：根据所提取的特征参数，通过采用某种分类判别函数和判別规则分类和辨识图像信息，最终得到图像识别结果。（二）图像识别的几何特征描述。图像识别特征具有多种形式的描述，效果取决于图像识别的具体状况。在多数情况下，只需图像的局部特征即可识别图像，这些特征诸如图像的灰度级空间分布特征，图像颜色和波段，图像随时间变化的形态，图像形状、轮廓、面积和空间点位置等。而图像识别的几何特征描述包括周长、面积定义和算法（面积和周长较为容易计算），占空比、圆形度，形状的投影描述以及特殊的形状描述子（多数情况下，可以用来简洁地描述物体图像形状）等方面的内容。（三）图像识别分类器设计。在图像识别中，分类器的基本任务是通过图像分类特征、分类运算法则的应用，对图像进行分类。图像识别分类器必须提取和选择特征，以便对被识别的图像数据进行大规模的压缩，有利于最终的图像识别。分类器设计的主要步骤为分类识别特征的确立。此为关键步骤，特征若提取得不恰当，就无法精确分类，甚至无法进行分类，良好的特征应具有可区别性、可靠性、独立性以及数量少四个方面的特征。

特征提取和选择应当坚持尽可能减少整个识别系统的处理时间和错误识别概率的原则。当这两个原则无法兼得时，则应做出相应平衡的选择，或者提高整个系统速度，以适应实时需要；或者缩小错误识别的概率，以提高识别精度。图像识别系统的复杂度将随着特征个数的增加而迅速增长，特别是用来训练分类器和测试结果的样本数量，将随着特征数量的增加呈现指数关系增长。特征选取的方式将因不同的模式而异，并与识别的目的和方法等有着直接的联系。

参考文献：

[1]苏彦华.visualC++数字图像识别技术典型案例[M].北京:人民邮电出版社,2004

[2]盛国芳,焦李成.基于遗传算法的最佳熵阁值的图像分割[J].计算机工程与应用,2003,12

篇5：模式识别与智能系统学科简介

我是清华大学自动化系的硕士研究生，在这介绍一下参加我专业研究生入学考试的准备和复习情况，希望能对各位有志报考清华大学的同学有所帮助。

一、招生情况

模式识别与智能系统专业下设三个研究方向，即信号处理理论和应用，模式识别、人工智能的理论和应用，智能控制的理论和应用，拥有国家重点实验室智能技术与系统实验室智能信息处理分室。重点科研方向有地震信号处理、模糊神经网络、智能控制、ATM交通管制、网络信息处理、图象压缩、指纹识别、小波信号处理、信息检索与知识工程等。自动化系每年对外招收研究生约十多名，每个方向都会扩大招生，就98年而言，虽然简章上是招收9人，实际大大超出，其中一部分是自筹。而模式识别专业当年原则招收人数是2人，实际录取了4人，录取比例在15：1到20：1之间。因此，这也是个十分热门的专业，但在此要告戒各位考生，不要因为招收人数少就先在心理上产生了畏惧，天道酬勤，只要有了付出就不会没有回报。

由于自动化系每年招生工作准备及早，在本系没有录取的学生一般都可以联系到比较好的系或专业，还可以转到别的重点大学。当然我当年在报考的时候并不知道，但我相信只要想做，没有办不到的事。对自己要有信心才是在考研中胜利的关键。

二、教材准备

正确的教材有助于指导你的复习。清华大学在教改以前设置5年制本科教学，因此在专业课程方面的要求是比较高的。而且由于大多数考卷都属于保密，对外校尤其是外地的考生是一种无形的压力。但就自动化近几年的考研情况而言，并没有对考生过高的要求，绝大多数的考试内容都会在指定参考教材范围内，在难度方面也是中等要求。也就是说，只要你对教材的基本知识有一定的把握就能在考试中顺利发挥。

下面就是需要准备的课程教材：

1．电路原理。《电路》(上、下册)，邱关源，高教版（高等教育出版社）；《电路原理》(上下册)，江泽佳，高教出版社

2．数字信号出理(信号与系统)。《信号与系统》郑君里；《数字信号处理》奥本海姆

以上教材在各地书店均可买到，而实际上就电路原理而言，也不一定要强求，各版本都不会有太大差别，重要是有利于自己尽快熟悉相关内容。

三、考题与复习

清华大学自动化系近几年在题型上都没有太大变化，但总的趋势是越来越简单，考的范围基本上很稳定，往届考题以及其他重点高校的考题都会有很大参考价值。下面我就自己的一点经历以供大家借鉴。

电路原理考卷一般是六道小题（5分/道）和三至四（10到25分）道大题，除第一道题是根据电路方程作电路图以外，全部是计算题。从出题范围来看，可以说是覆盖了这门课程的所有基本内容，几乎是教材中具有普遍意义的章节。由于电路原理试卷多年来就是保密的，很难在一无所知的情况下对各章节做评价。除了指定教材外，还有一本很有用的书，《电路典型题解》（向国菊, 孙鲁扬, 孙勤编著清华大学出版社, 1995 第 2 版）汇集了各大高校94年以前的考题，但其中只收录了清华在89年以前的部分试题。这本书重要作用在于，它清楚体现了这门课程各部分的要求层次，对考试题型也有重要提示作用。

在这本书中我找出了清华89年几乎是一整套的试题，还发现了一些比较重要的信息。例如电路网络图论、分布参数电路及非线性动态电路几乎不在考试范围内。98年考了一道三相互感电路的小题，几乎是书中一道浙江大学考题的翻版。而后面几道出在三相电路（电机功率）和二端口网络（含2道小题）的大题均可找到类似的题目。

其他高校的试卷同样很有参考价值，例如华中理工大学、上海交通大学等的专业考试卷就曾与清华的考题有过惊人的雷同，甚至出现过外校第一年考过的题在第二年以更简单的形式出现的情况。试卷不公开对每个考生都是公平的，但你要学会如何从其他渠道获取更多的信息，从而争取到更有效的复习。

四、面试与录取

自动化系的录取分数线一般在355到365之间，接到成绩单如果考分在这个范围内，并不说明一定能录取，只是有一次面试的机会而已。这时不妨考虑一下可能去的系或专业，有备无患。清华招生向来严格，一般按分数从高到低择优录取，同时可能兼顾数学或英语成绩。面试人数通常多于实际录取人数，98年实际录取几乎是计划录取人数的两倍，但通知面试人数则更多。面试通知和面试一般在四月初，相对全校各系要早一些，对考生来说也是很有利，可以做第二次选择。通常的情况是，没有在自动化录取的考生仍可能校内消化，或推荐到北航、北科大等学校。

面试很简单，通常的问题是个人简介、填报原因或打算等，所以不必过于紧张。但应该认真准备，以免出现特别情况。

（清华自动化研究生崔雁鸿）

西安建筑科技大学，信息与控制工程学院，任庆昌教授的科研方向就是建筑智能化。目前在博士生导师、陕西自动化学会副理事长、智能建筑协会分会长--任教授的带领下，成立了西安建筑科技大学智能建筑研究所。并带领其博士生硕士生成功组建了西建大变风量空调实验平台。承接国家自然科学基金项目1个，中省共建项目一个。培养了众多优秀的硕士生和博士生。

篇6：模式识别与智能系统学科简介

一：复试笔试：

（1）复习电路的时候，只复习了大题，只复习了戴维南、诺顿定理，一阶动态电路分析，耦合电感分析和正弦稳态电路。结果考了个二端口网络分析和一些小题（考察了不少小知识点，直接跪了）。

（2）C语言在复习的时候，复习了很久关于数组，结构体方面的问题，结果最后一题又考了指针初始化:dizzy:

（3）微机考得比较细，复习比较不到位。

二：复试面试：

我们这个面试小组是模式16个人和检测4个人一起cloud computing)（1）进去叫我读一段英文，然后让我翻译，其中有一个关键的单词cloud computing，我翻译成云技术，老师一个劲的摇头，还问我连现在这么流行的技术都不知道。后来我面试完后查了一下，应该翻译成云计算。

（2）读完英语问了我的本科学校，我应该被鄙视了。

（3）问了几个问题，先问我学过哪些专业课，我说我学过数电、微机原理，然后老师说，这个不算专业课，只算基础课，我又回答说学过FPGA，EDA，数字信号处理。我们这个面试小组的老师比较擅长自控、模电这些，我害怕被问这些问题，故意避开自控和模电。

（4）问我的三个问题：

①模电的问题：放大电路有哪三种组态（共射级、共基级，共集电极），接着又问我共基级电路与另外两种电路的区别

②数字信号处理的问题：DTFT与DFT的区别

篇7：模式识别与智能信息处理

“模式识别与智能信息处理”是当今发展最快的热点领域，本领域以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统的性能。模式识别与智能处理是现代服务业信息支撑技术之一，是一个理论与实际紧密结合、具有广泛应用价值的重要领域。

一、计算机视觉与图像识别

以信息处理与模式识别的理论、方法和技术为核心，以数学方法和计算机为主要工具，探索对图像、图形（人脸、指纹、虹膜、静脉、步态、车牌等）的信息进行处理、分类、理解，并在此基础上构造具有智能特性的系统。

二、语音合成、识别和理解

研究非特定人大词汇量连续语音识别，语言模型与口语理解，说话人识别，口音识别，语音合成系统，对话系统，人机语音交互技术，音频信号处理、识别，以及语音应用系统开发。

三、计算机控制系统

以计算机为主要工具，以人脑仿真研究为基础，将人工智能技术、数据挖掘技术、嵌入式技术、人工神经网络理论等智能化方法用于信息系统、自动化系统和，以实现智能化信息处理和智能化控制。

篇8：模式识别与智能系统学科简介

目前, 海尔、美的等几家国内冰箱生产厂家普遍采用人工检测能效标识, 混产模式下, 长期工作, 极易引起视觉疲劳, 检测结果主观性强、效率低, 漏检、错检现象随之攀升, 由此导致产品质量没问题、只因能效标识错误引起冰箱被召回的问题。鉴于此, 设计基于机器视觉的冰箱能效标识智能检测与识别系统。

1 系统方案设计

电冰箱能效标识的信息内容包括产品的生产者、规格型号、能源效率等级、24h耗电量、各间室容积、依据的国家标准号, 需要进行严格的在线检测。在线检测的主要内容:检测能效标识标注的型号、能效等级是否与下线的冰箱相符。人工检测, 主要是依据经验, 看冰箱外形, 凭经验推出其型号, 然后看能效标识是否与其相符。

基于机器视觉技术检测能效标识, 需要找出能自动对比的参照物, 冰箱背部的条码包含了冰箱的所有信息。冰箱能效标识和冰箱条码信息是一一对应的, 冰箱条码能效标识粘贴在冰箱门体右上角, 不同型号冰箱, 高度、宽度不同, 能效标识的粘贴位置也不同, 但冰箱条码的位置是固定, 条码粘贴在冰箱后侧靠右下位置。根据工业现场实际, 冰箱能效标识智能检测与识别系统方案设计如图1所示, 主要由伺服驱动机械装置、PLC控制系统、机器视觉和PC机四部分组成。

伺服驱动机械装置, 驱动能效标识检测相机至冰箱门体右上角能效标识前方适当位置, 采集能效标识图像。PLC控制系统, 与PC机通信, 控制伺服系统协调动作。机器视觉, 采用基于美国Cognex公司的Visionpro的视觉系统, 采集条码图像、能效标识图像, 对其进行处理, 提取有效信息, 通过PC机传输给PLC。PLC控制相机、机械装置的协调动作, 实现能效标识的自动跟踪、自动采集、处理和检测。PC机上安装VB.NET, 用于开发操作界面, 并实现视觉系统、PLC系统的集成、控制和数据交互。

2 机械装置设计

为了使能效标识检测相机能根据不同的冰箱型号, 智能跟踪能效标识、采集能效标识图像, 需根据工厂实际, 对能效标识检测系统进行非标机械装置设计。

根据某工厂的状况, 设计机械装置如图2所示。该装置由底座、X轴伺服驱动机构、Y轴伺服驱动机构、能效标识检测相机及支架、冰箱输送线和条码检测相机及支架组成。因驱动力和承载的载荷不大, 主体采用铝型材结构, 无需加工。Y轴底座、底座、相机座采用A3钢, 表面需要铣平。

整个装置的动作过程:

(1) 冰箱在输送线线体上传动, 冰箱移动到条码检测相机位置, 条码相机采集条码图像, 传送给PC机。

(2) PC机对条码图像进行处理, 提取冰箱型号信息, 计算出冰箱条码位置信息, 传输给PLC。

(3) PLC控制X轴和Y轴伺服电机, 通过X轴和Y轴传送机构驱动能效标识相机移动到能效标识最佳拍摄位置, 等待能效标识移动到位。

(4) 冰箱到位, 采集能效标识, 并将图像传输给PC机, 经PC机处理、计算, 判断能效标识是否有问题, 并统计相关信息。如有问题, 系统报警, 并通过PLC控制冰箱生产线相应配套机械装置将问题冰箱推放到相应位置;正确, 则放行。

(5) 完成一台冰箱检验后, 重复前面过程。

条码相机安装在冰箱输送线体侧面, 因条码位置基本确定, 所以条码相机固定安装。如条码位置不太确定, 条码固定装置需要另行设计。

3 视觉系统设计

从结构组成来分, 机器视觉系统一般分为PC式和嵌入式系统两类。嵌入式视觉系统, 也称智能相机, 具有易学、易用、开发周期短等特点, 但成本高, 价格比采用PC机视觉系统高出2倍。而基于PC的视觉系统价格低、灵活性高, 能实现较为复杂的系统功能。综合考虑成本、性能、开发周期等因素, 冰箱能效标识检测与识别系统采用基于PC的视觉系统。

3.1 视觉系统软硬件选择

为降低成本、缩短开发周期, 并提高系统的稳定性、鲁棒性, 视觉系统配置如表1所示。硬件选择德国Basler公司产品, 软件选用美国Cognex公司的Visionpro软件。该软件是一套基于PC架构的视觉系统软件开发包, 包含了用于识别、检测、定位、通信、图像处理和图像分析等任务的工具库, 功能强大, 应用于各种复杂的机器视觉。Visionpro是基于.Net架构的, 可用C#、VB.Net等语言进行二次开发。PC机选择Windows XP以上操作系统, 并安装VB.Net开发平台, 用于交互式工作界面的开发设计。

3.2 图像处理程序设计

根据系统需求, 视觉系统的主要目的是提取条码信息和能效标识信息, 因此图像处理程序设计主要包括条码读取程序、能效标识识别程序。程序设计思路如下。

3.2.1 硬件连接, 图像获取

能效标识和条码采集相机采用千兆网卡接口, 将两台相机接通电源, 通过千兆网线与PC机连接, 并打开Vision Pro软件包中IP地址设置工具Cognex Gig E Vision Configuration Tool设置相应IP地址, 确保相机与PC机通信正确。

打开Vision Pro软件中Cogjob, 利用软件中的Image Source可视化工具即可获取相应图像, 通过相机选择、初始化取相等即可从相机读取图像。

3.2.2 条码读取

条码识别不采用条码读取器, 而是采用相机, 因为Vision Pro条码识别工具强大, 算法是基于图像的, 对不太清楚或缺少部分条码信息的条码均可识别。条码读取Vision Pro程序如图3所示。

3.2.3 能效标识OCR识别

能效标识检测的关键是看标识中承载的规格型号信息是否与条码读取结果相匹配, 因此对能效标识的检测需要提取能效标识图像中的规格型号信息, 这就需要用到OCR字符识别技术。利用Vision Pro中的OCRMax Tool工具, 即可实现能效标识相关信息的提取。但因能效标识图像是动态采集的, 每次采集到图像的一致性难以保证, 为了有提取能效标识中的字符信息, 需要按照图4所示思路、并使用相关工具编写Vision Pro应用程序, 实现对能效标识进行图像采集、模式匹配与定位、图像固定、字符识别和提取。

利用PMAlign Tool工具对能效标识中的目标物体进行识别模式匹配与定位。该工具基于Pat Max算法, 采用模板定位技术, 先训练模板, 再根据模板对采集图像进行模板匹配。根据能效标识的特点, 可模板选择为“中国能效标识”和“生产者名称、规格型号”图像, 使用两次PMAlign Tool工具, 进行匹配和定位, 如图5所示。

PMAlign Tool输出结果为姿态、X轴、Y轴和旋转角度信息, 将这些结果链接到Fixture Tool工具, 通过该工具进行图像固定, 再将图像输出结果链接到字符识别工具OCRMax Tool的像源输入端。然后, 利用OCRMax Tool工具进行字体训练、字符分割、文字提取, 创建字符库, 再对图像进行OCR识别处理, 提取标识中关键文字信息。冰箱型号、生产者名称识别的Vision Pro程序如图6所示。

4 控制系统设计

采用基于PC的视觉系统, 相机采集的是数字图像, 结果不能直接传输给PLC。为了使图2所示装置根据条码读取结果实时动作, 能效标识检测与识别控制系统采用以PC机为上位机、PLC为下位机的控制系统。

PC机安装Windows XP以上操作系统、VB.NET开发平台和Vision Pro图像处理软件。利用VB.NET开发人机操作界面。一方面对Vision Pro进行二次开发, 将Vision Pro程序嵌入其中, 实现相关数据的交换;另一方面, 基于自由口通信协议编写程序, 实现与PLC的实时通信, 将视觉系统运算结果通过串口传输给PLC, PLC控制相机、机械装置和冰箱输送线体协调动作, 完成冰箱能效标识的智能跟踪、检测和识别。

采用VB.NET编写PLC上位机监控程序, 关键是进行串口通信设置, 可通过MSCOMM控件进行, 主要参数设置代码为:

下位机选用西门子公司S7-200 PLC CPU224XPSi DC/DC/DC和相应扩展模块。其与上位机的通信, 需编写自由口通信模式的初始化程序, 通过对字节SMB30写入通信控制字来设置波特率、奇偶校验、停止位和数据位。

PLC输入端主要接启动、停止、急停和冰箱到位信号, 输出端主要接两台相机的触发信号、以及X轴和Y轴伺服驱动器的使能、启动信号。

PLC程序设计采用模块化设计思想, 包括主程序和若干个子程序。子程序主要包括上位机通信初始化程序、X轴伺服驱动程序、Y轴伺服驱动程序、能效标识X轴位置程序和Y轴位置程序、X轴速度程序、Y轴速度、手动程序及相应中断程序等。

摘要：针对冰箱能效标识人工检测的不足, 基于机器视觉技术, 设计一种冰箱能效标识智能检测与识别系统。主要介绍系统整体设计, 以及机械装置、视觉系统和控制系统设计。

关键词：冰箱能效标识,机器视觉,智能检测与识别

参考文献

[1]曹宁, 王若虹.中国能效标识制度实施概况[J].制冷与空调, 2009, (02)

[2]焦圣喜, 韩立强, 等.一种智能图像检测方法[J].制造业自动化, 2006, (12)

[3]甘英俊, 胡天翔, 等.基于机器视觉的汽车牌照识别[J].机械制造与自动化, 2009, (02)

[4]韩庆瑶, 张志远, 等.基于VisionPro的数字图像识别与定位[J].电子世界, 2013, (08)

[5]余中正, 武玉等.基于自由口模式的S7-200 PLC与上位机的通信[J].微型机与应用, 2011, (13)