基于图像处理的挤出胎面尺寸控制应用

›› 2015, Vol. 28 ›› Issue (7): 140-.

基于图像处理的挤出胎面尺寸控制应用

唐勋俊

(桂林电子科技大学电子工程与自动化学院,广西桂林 541004)

出版日期:2015-07-15 发布日期:2015-07-13
作者简介:唐勋俊(1988—),男,硕士研究生。研究方向:工业智能控制。E-mail:504704056@qq.com
基金资助:
桂林电子科技大学研究生教育创新计划基金资助项目(GDYCSZ201482)

Applications of Extrusion Tread Size Control Based on Image Processing

TANG Xunjun

(School of Electronic Engineering and Automation,Guilin University of Electronic Technology,Guilin 541004,China)

Online:2015-07-15 Published:2015-07-13

摘要/Abstract

摘要：

由于目前轮胎胎面挤出机控制系统多以挤出压力反馈控制为主,无法直接反映挤出胎面尺寸,致使一定量挤出胎面尺寸不合格。针对一情况,提出了一种基于图像处理的模糊神经控制方法,利用边缘改进阈值算法分割挤出胎面图像,提取出尺寸数据,数据经由模糊神经网络分析,决策出适宜的挤出机螺杆转速,并反馈给挤出机,仿真实验表明,根据挤出胎面尺寸,模糊神经能较好地进行螺杆转速控制。该控制方法能有效提取挤出胎面尺寸数据,并具有较好的控制效果。

关键词: 挤出胎面, 图像处理, 边缘加强阈值, 模糊神经网络

Abstract:

The tire tread extrusion machine control system is mostly based on extrusion pressure,and the controlling effect cannot directly reflect the extrusion tread size and make it disqualification sometime.In view of this,this paper presents a fuzzy neural network control method based on image processing,using the edge strengthening threshold algorithm to strengthen extrusion tread image and extract the tread data by feedback control based on the fuzzy neural network analysis.The simulation results show that the method has good control over the screw rotation speed,and effectively extracts extrusion tread size data.

Key words: extruded tread;image processing;edge strengthening threshold;fuzzy neural network

中图分类号:

TP391.41

唐勋俊. 基于图像处理的挤出胎面尺寸控制应用[J]. , 2015, 28(7): 140-.

TANG Xunjun. Applications of Extrusion Tread Size Control Based on Image Processing[J]. , 2015, 28(7): 140-.

[1]	宗圣康,程建鹏,张西良. 基于光斑位置的起重机轨道高度差自动检测方法[J]. 电子科技, 2022, 35(1): 21-28.
[2]	宋章明,贺慧勇,黄跃俊. 扁平漆包线表面缺陷在线检测研究[J]. 电子科技, 2021, 34(5): 72-78.
[3]	闫超,孙占全,田恩刚,赵杨洋,范小燕. 基于深度学习的医学图像分割技术研究进展[J]. 电子科技, 2021, 34(2): 7-11.
[4]	陈文佑,章伟,史晓帆,宋芳. 一种改进ORB特征匹配的半稠密三维重建ORB-SLAM算法[J]. 电子科技, 2021, 34(12): 62-67.
[5]	史伟忠,曹卫卫,范彦铭,董佳筠,陈纾,肖昊. 基于FPGA的深空图像实时边缘检测算法与实现[J]. 电子科技, 2020, 33(5): 45-49.
[6]	章天昊,李郝林. 一种基于高斯拟合法的激光光束中心提取方法[J]. 电子科技, 2020, 33(5): 72-76.
[7]	秦兴,高晓琪,陈滨. 基于压缩卷积神经网络的图像超分辨率算法[J]. 电子科技, 2020, 33(5): 1-8.
[8]	谢智烜,姚红兵,范宁,陈枫. 面向多目标透镜的连通域标记检测算法[J]. 电子科技, 2020, 33(4): 50-54.
[9]	詹雁,张娟. 一种结构感知损失的域适应深度估计方法[J]. 电子科技, 2020, 33(12): 12-16.
[10]	杨云辉. 基于单目视觉的工件定位技术研究[J]. 电子科技, 2019, 32(12): 72-75.
[11]	康秀娟, 施展. 基于图形处理的人体内异物定位测量系统设计[J]. , 2018, 31(1): 71-.
[12]	章佳佳，杨振超，周律. 基于Matlab图像处理的果核分拣系统[J]. , 2017, 30(9): 50-.
[13]	李志森，陈晓荣. 基于Halcon的银行卡卡号识别[J]. , 2017, 30(9): 56-.
[14]	杨振超，章佳佳，周律，吴飞. 基于LabVIEW的马铃薯分拣技术[J]. , 2017, 30(9): 72-.
[15]	那彦，廖萌萌. 基于傅里叶梅林变换的SURF算法[J]. , 2016, 29(7): 55-.