堆叠工件识别的决策融合与特征融合方法

本文主要探讨了"基于特征融合的堆叠工件分类识别研究"这一主题，由杨继东、胡啟旭、王飞龙和孙兆琦四位作者在重庆大学机械工程学院完成。研究针对的是实际工业生产中常见的堆叠工件识别问题，这在自动化装配线和物料处理系统中具有重要意义，因为准确的工件分类能提高生产效率和产品质量。 作者们提出了一个创新的决策融合方法，利用支持向量机（SVM）作为核心分类器。在这个方案中，他们首先分别提取了工件的局部二值模式（Local Binary Patterns, LBP）特征和方向梯度直方图（Histogram of Oriented Gradients, HOG）特征。LBP捕捉图像纹理信息，而HOG则关注物体的形状和边缘，这两种特征都能有效反映工件的结构和形态特征。 在实验设计中，作者们对比了使用单一LBP特征分类器和HOG特征分类器的效果，选择分类性能更为出色的分类器进行融合。通过这种方法，他们期望能够提高整体的识别准确率，减少误识别的可能性。融合后的特征分类器相较于各自独立的，能够在复杂和多变的工件环境中表现出更好的鲁棒性和准确性。 为了验证方法的有效性，作者们进行了详细的实验，并对LBP特征分类器、HOG特征分类器以及融合后的特征分类器在实际样本上的识别性能进行了对比分析。实验结果显示，融合策略显著提升了工件的识别精度，证实了本文算法在堆叠工件识别任务中的优越性。 此外，该研究还得到了国家自然科学基金项目的资助（项目编号51375507），显示出研究的学术价值和实际应用前景。研究团队由杨继东副教授领导，他主要研究方向集中在机电一体化、智能制造及装备领域，其联系方式为yjd311910@cqu.edu.cn。 总结起来，这篇论文的核心贡献在于提出了一种有效的工件分类方法，结合了特征融合和机器学习技术，为解决堆叠工件识别问题提供了一个实用的解决方案，有望在工业生产环境中得到广泛应用。