文献综述（或调研报告）：
轮毅形状识别，作为车轮生产过程中的重要环节之一，在过去一直依靠生产线上人工识别，工人的劳动程度大，很容易产生视觉疲劳，再加之轮毅生产线速度快等各方面的原因，导致经常发生错误识别，识别效率较低，不能满足当今批量规模生产这一需求。因而，急需一种能够准确、高效的自动识别方法来提高生产效率。本文基于这一现状基础，进行轮毅形状自动识别系统研究，通过图像采集、特征提取等对混流轮毅生产线上的轮毅形状进行自动识别、分类和计数。这种机器视觉识别系统有其显著的优点即提高了生产率，降低了成本，提升产品质量以及保证了产品的安全性，使生产线自动化程度大幅度提升。
机器视觉技术是一门高新技术，它利用计算机对所需检测的对象的图像获得信息，对获得的信息进行理解并且处理(图像去噪、图像分割、图像二值形态学处理等等)，以便用于控制、测量与检测。取而代之以往落后的人工手动识别，进而提高在线识别的效率以及工业的自动化水平。机器视觉技术最大的特点是速度快、信息量大、功能多。本文对计算机轮毅形状识别算法进行了整体的研究，具有图像处理、特征提取、形状识别与分类计数等所需的基本功能，克服了以往人工识别的弊端，能够满足当今高速的自动化生产线识别与分类的实际需要。如果将其投入到轮毅实际生产线中去，能够更好的保证产品的生产质量，明显地提高产业的生产效率，将具有显著的现实意义。
采集图像时，由于光线变化、飞屑粉尘、设备振动等原因，图像中不可避免地存在一些噪声，但影响成像效果的主要是背景和光照。所以应尽量采用与轮毅颜色对比度大的背景和稳定的环形光源，以消除背景干扰和光照不均匀带来的影响。另外光源的亮度和轮毅位置一定要稳定，且轮毅要尽量在视野中央。图像保存为.BMP格式，大小为1024 x 768 0轮毅图像采集系统主要由计算机控制系统、数码照相系统(包括CCD相机、环形光源、焦距自动调节装置、距离传感器等)、支架、定位装置、操作面板等组成。
在提取特征之前，首先要对所采得的图像进行一些预处理，其中包括将彩色图像转化成8位灰度图像、滤除噪声等步骤。最重要的就是进行图像的灰度直方图分析，因为这一步骤不但能将轮毅和背景分离，是进一步提取特征的基础，而且能提取出有效的特征。有如下几种去噪的方法：
邻域平均法为在空间域上对图像处理的方法。它的基本思想为用一些像素灰度的平均值来替代像素原有的灰度值。例如图像是由很多灰度恒定的小块组成的，而且在相邻的像素之间有很强的关联性，均值为0的噪声统计独立地叠加在图像上，所以将像素邻域内的各像素灰度值的平均值来替代原来的灰度值，从而实现图像的去噪[1]。
小波包变换是小波变换的进一步发展，能够提供比小波变换更佳的分辨率。且小波包分解相对应小波分解来说，分解的方法更为精细，小波包分解不但分解图像的低频部分，而且分解图像的高频部分。基于小波函数对图像的分解之上，小波包对图像作多分辨率分解才得以发展，经过垂直和水平滤波，原始图像因小波变换分为四个子带:，垂直和水平向上的高频子带，垂直和水平方向上的低频子带。通过继续对图像的高频子带和低频子带的分解能得到图像的小波包分解树结构。用傅里叶变换来对信号的进行频带划分为线性等间隔。虽然多分辨率可以对信号有效的时频进行分解，但由于二进制变化的尺度，因此在低频频段它的时间分辨率较差、在高频频段它的频率分辨率较差，指数等间隔划分信号的频带。而小波包分析不但能够对于信号提供更加精确的分析方法，它多层次划分频带，进一步分解对多分辨率分析没有细分的高频部分，而且根据信号的特征，进行自适应地选择相应的频带，从而使它与信一号的频谱相匹配，进而提高了时频分辨率，所以说小波包具有着更广阔的应用价值[2]。
中值滤波是一种非线性信号处理方法，它不但对滤除图像扫描噪声和脉冲的干扰有效，而且还克服线性滤波给图像的边缘带来的模糊，可以做到既去除噪声又能保护图像的边缘，从而获得满意的去噪效果[3]。
在对轮毂图像进行去噪处理后，还要通过图像分割分离轮毂和背景。
图像分割是数字图像处理中的一种十分重要而且常用的一种处理技术。在对图像进行研究或应用时，通常人们的兴趣点仅仅是在图像中某些特定的、具有独特性质的部分，也就是被成为目标或者前景的这些特定的部分，其余的部分则是称作背景[4][5]。独特的性质为颜色和纹理、轮廓曲线、像素的灰度值等。为了达到分析识别图像的目标，必须将它们从图像之中分离提取出来，以便进一步对图像进行利用和对目标进行测量。图像分割的实质为将图像分成各个具有特性的区域并且提取出某些特定目标的过程[4][5]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
