基于机器视觉的工件识别和定位文献综述
1.前言
1.1工业机器人的现状与发展趋势
机器人作为一种最典型的应用范围广、技术附加值高的数字控制装备，在现代先进生产制造业中发挥的作用越来越重要，机器人技术的发展将会对未来生产和社会发展起到强有力的推动作用。《2l 世纪日本创建机器人社会技术发展战略报告》指出，“机器人技术与信息技术一样，在强化产业竞争力方面是极为重要的战略高技术领域。培育未来机器人产业是支撑2l 世纪日本产业竞争力的产业战略之一，具有非常重要的意义。”
研发工业机器人的初衷是为了使工人能够从单调重复作业、危险恶劣环境作业中解脱出来，但近些年来，工厂和企业引进工业机器人的主要目的则更多地是为了提高生产效率和保证产品质量。因为机器人的使用寿命很长，大都在10 年以上，并且可以全天后不间断的保持连续、高效地工作状态，因此被广泛应用于各行各业，主要进行焊接、装配、搬运、加工、喷涂、码垛等复杂作业。伴随着工业机器人研究技术的成熟和现代制造业对自动生产的需要，工业机器人越来越被广泛的应用到现代化的生产中。
现在机器人的价格相比过去已经下降很多，并且以后还会继续下降，但目前全世界范围的劳动力成本都有所上涨，个别国家和地区劳动力成本又很高，这就给工业机器人的需求提供了广阔的市场空间，工业机器人销量的保持着较快速度的增长。工业机器人在生产中主要有机器人工作单元和机器人工作生产线这两种应用方式，并且在国外，机器人工作生产线已经成为工业机器人主要的应用方式。以机器人为核心的自动化生产线适应了现代制造业多品种、少批量的柔性生产发展方向，具有广阔的市场发展前景和强劲生命力，已开发出多种面向汽车、电气机械等行业的自动化成套装备和生产线产品。在发达国家，机器人自动化生产线已经应用到了各行各业，并且已经形成一个庞大的产业链。像日本的FANUC、MOTOMAN，瑞典的ABB、德国的KUKA、意大利的COMAU 等都是国际上知名的被广泛用于自动化生产线的工业机器人。这些产品代表着当今世界工业机器人的最高水平。
我国的工业机器人前期发展比较缓慢。当将被研发列入国家有关计划后，发展速度就明显加快。特别是在每次国家的五年规划和“863”计划的重点支持下，我国机器人技术的研究取得了重大发展。在机器人基础技术和关键技术方面都取得了巨大进展，科技成果已经在实际工作中得到转化。以沈阳新松机器人为代表的国内机器人自主品牌已迅速崛起并逐步缩小与国际品牌的技术差距。
机器人涉及到多学科的交叉融合，涉及到机械、电子、计算机、通讯、控制等多个方面。在现代制造业中，伴随着工业机器人应用范围的扩大和机器人技术的发展，机器人的自动化、智能化和网络化的程度也越来越高，所能实现的功能也越来越多，性能越来越好。机器人技术的内涵已变为“灵活应用机器人技术的、具有实在动作功能的智能化系统。”目前，工业机器人技术正在向智能机器和智能系统的方向发展，其发展趋势主要为：结构的模块化和可重构化；控制技术的开放化、PC 化和网络化；伺服驱动技术的数字化和分散化；多传感器融合技术的实用化；工作环境设计的优化和作业的柔性化以及系统的网络化和智能化等方面。
1.2机器视觉在工业机器人中的应用
工业机器人是FMS（柔性加工）加工单元的主要组成部分，它的灵活性和柔性使其成为自动化物流系统中必不可少的设备，主要用于物料、工件的装卸、分捡和贮运。目前在全世界有数以百万的各种类型的工业机器人应用在机械制造、零件加工和装配及运输等领域，
不过这些应用都是基于先精确的示教后运行，而且工作环境都是预先安排好的，所以机器人能成功地抓取物体。但是我们知道很多情况下特别是流水线的场合工件的位姿常常是不固定的，实际目标物体的位姿与理想目标物体位姿总是有偏差的，这种偏差哪怕很小就会导致机器人操作任务的失败。这种由于环境的变化而导致机器人不能很好地完成任务的情况极大地限制了机器人的实际应用范围。随着现代生产制造技术的进步，进一步提高生产线的柔性的要求也日益迫切，对工业机器人系统应用领域、灵活性和自主性要求也越来越高，而机器人具备一定自主性的前提是对自身环境有一定的了解，这迫使人们增加传感器来提高机器人对环境的感知能力，在这方面，视觉、接近觉、触觉和力觉具有重大的作用。其中机器人视觉被认为是机器人最重要的感觉能力，从智能机器人的研究实例中，也能清除地看到这一点。视觉是人类观察世界和认知世界的重要手段。据统计表明，人类从外部世界获得的信息约有80％的信息是通过视觉或视觉传感器而获取的，这既说明了视觉信息量大，也表明了人类对视觉信息有较高的利用率，同时也体现了人类视觉功能的重要性。机器人视觉是模拟人类视觉在机器人上的体现。采用视觉传感器比采用其他传感器来获取工作环境及工件信息还有以下几方面的优势：首先，机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，在提高生产的柔性和自动化程度方面有着重要的作用；其次，即使在丢失了绝大部分的信息后，其所提供的关于周围环境的信息仍然比激光雷达与超声波更多更准确；最后，视觉的采样周期比超声波和激光雷达短，这也意味着视觉系统的实时性要好，所以更适合工件的在线检测、识别、定位等。由于具有以上这些优点，基于视觉的智能机器人具有广阔的发展空间。因而使用视觉来提高机器人的智能水平，具有重要的现实意义和研究价值。
1.3国外基于视觉的工业机器人发展历史
机器人视觉技术是20 世纪80 年代发展起来的新兴技术，它的产生和发展是与机器视觉和机器人技术的发展密不可分的。近年来，机器人视觉技术已成为高技术领域一个重要的研究课题，它为可行走机器人、装配机器人、抓取机器人以及其他种类机器人解决视觉问题提供了技术基础。它将使传统的工业生产面貌发生巨大变化，对人类社会的生活和生产产生深远的影响。目前国内外都在竞相开展有关机器人视觉的基础理论、基本技术以及应用方面的研究工作。机器视觉是一个相当新且发展十分迅速的研究领域，并成为计算机科学的重要研究领域之一。机器视觉是在50 年代从统计模式识别开始的，当时的工作主要集中在二维图像的分析和识别上，如光学字符识别、工件表面、纤维图片和航空图片的分析和解释。60 年代，Roberts 通过计算机程序从数字图像中提取出诸如立方体、楔形体、棱柱体等多面体的三维结构，并对物体形状及物体的空间关系进行描述。Roberts的研究工作开创了以理解三维场景为目的的三维机器视觉的研究。Roberts 的创造性研究给人们以极大的启发，到了70 年代，已经出现了一些视觉应用系统。
1954年，美国的George C.Devol设计并制作了世界上第一台机器人实验装置。60年代机器人产品正式问世，机器人技术开始形成。1961年MIT的Lincoln实验室开始把一个配有接触传感器的遥控操纵器的从动部分与一台计算机连接起来，这样形成的机器人可以凭触觉感知物体的状态。随后，用电视摄像头作为输入，把计算机图像处理和物体识别技术也引入到机器人系统。至此，视觉技术正式引入机器人系统。
70年代中期，麻省理工学院（MIT）人工智能（AI）实验室正式开设“机器视觉”课，同时，MIT的AI实验室吸引了国际上许多知名学者参与机器视觉的理论、算法、系统设计的研究。David Marr教授应邀于1973年到该实验室领导一个以博士生为主体的研究小组。1977年提出了不同于“积木世界”分析方法的计算视觉理论，该理论在80年代成为机器视觉研究领域中的一个十分重要的理论框架，可以说对机器视觉的全球性研究热潮是从20世
纪80年代开始的，到了80年代中期，机器视觉获得了蓬勃发展，新概念、新方法、新理论不断涌现，比如，基于感知特征群的物体识别理论框架、主动视觉理论框架、视觉集成理论框架等。
由于国外对视觉技术的研究以及将其和机器人相结合都起步比较早，因此发展的较好，并且已经出现了一些商品化的计算机视觉系统。美国在这方面开展的较早，在20世纪70年代，美国GM公司试制了能识别传送带上机械零件的视觉检查系统。到了80年代，由于微处理器的普及，各行业对视觉系统都表现出了极大的兴趣。80年代初在国际市场上作为商品出售的一个通用机器人系统PUMA/VC-100，具有识别物体，确定物体位置坐标的能力，其所使用的视觉算法允许在材料加工或装配系统中对工件进行检测。视觉系统是通过示教训练得到的。以美国国家科学基金委员会为中心的实用视觉系统的研究飞速发展。在日本的国家产业政策中，也把大力发展实用视觉系统放在了首要地位，进入90年代以后，在电子、汽车、制药、食品等高效、劳动密集的生产线上，工业视觉系统已是不可缺少的一部分，起到了人眼所不能起的作用，有力地保证了产品质量。
斯坦福研究所早期研制的机器人（Shkey）是一种典型的“眼－车”系统，它的主要功能是在视野范围内识别对象，依靠积累的经验求解行动规划，以及运用逻辑推理的问答能力。它可以穿行房间，搜索、识别指定的对象，并进行“智能”的操作。通用汽车公司开发出可以在噪声环境下工作的机器人视觉系统。Adept 公司是全球知名的工业机器人制造公司，它在研制第一代机器人的时候就考虑了加入视觉系统，因此在二十几年的发展过程中，获得了丰富的经验和比较成熟的技术，使得其成为美国最大的工业机器人制造公司。经过多年的发展，美国的智能机器人研究已经走在了世界的前列。日本在借鉴其他国家研究智能机器人方面的经验之后，现在在这方面的研究已经走在了世界的前列。日立中央研究所研制的具有自主控制功能的智能机器人，可以用来完成按图装配产品的作业。德国Siemens 公司在工业图像处理方面拥有超过20 年的经验积累，SIMATIC VIDEOMAT 是第一个高性能的单色和彩色图像处理系统，并成为SIMATIC自动化系统中极重要的产品。而1999 年推出的SIMATIC VS710 是业内第一个智能化的、一体化的、带PROFIBUS 接口的、分布式的灰度级工业视觉系统，它将图像处理器、CCD、1/O 集成在一个小型机箱内，提供PROFIBUS 的联网方式（通讯速率达12Mbps）或集成的UO 和RS232 接口。OMS 视觉系统，是由原联邦德国制造生产的商业通用系统，它能够完成物体的识别及特征的检测等任务，操作模式可以是交互式的、主动的以及被动的三种，典型的应用是机械零件的分类、装配以及质量控制等。此外，加拿大、比利时等国，在图像采集、图像处理等方面都具有丰富的经验。
1.4国外机器人制造商生产的视觉工业机器人产品
伴随着科技的进步和生产技术的发展，基于机器视觉技术的工业机器人的研究越来越得到广泛的关注，并且已经出现一大批科技成果，并在实际生产中得到了很好的应用。
国外在对基于机器视觉的工业机器人的研究上已经做了很多工作，并且已经有很多突破性成果。日本学者S.Murakami 等研究的弧焊机器人焊缝跟踪控制系统，采用了视觉传感器并用神经网络进行图像处理以获得焊缝的形状数据，能有效地进行焊缝跟踪。
澳大利亚Western 大学研制的Australia’s Telerobot，它是一个带有摄像机的具有六个自由度的工业机器人，用户可以控制拍摄静态图像并对图像进行处理，生成空间位置，通过不断拍摄和更新图像得到空间位置后，通过对位置信息的处理实现了基于空间坐标系的积木块的摆设。欧宝、保时捷等知名品牌汽车的生产线，使用了12 台摄像机进行模式识别和3D 定位，可以对车身进行高精度的密封生产。瑞士SIG 公司研发的一种结合视觉系统，适用在高速输送机上取件的并联机器人XR22，可以通过2D 定位，迅速将输送机上随机的货物抓取，并在包装盒中按顺序序摆放整齐。图1.1 为2007 年日本机器人顶级荣誉获得者——
Fanuc 公司的超快双臂工业机器人系统。该系统装配有两个M-430iA 机器人手臂和可视跟踪功能的食品、药品操作系统，它的每只手臂每分钟可以精确的捡起120 件物品且可以每天24 小时不间断的工作。瑞典ABB 公司最新推出的“第二代”拾取机器人FlexPicker IRB360（图1.2 所示），拥有有效载荷更大、操作速度更快、占地面积更小等优势，在简单有效的2D 视觉的帮助下，可以以高达2 次/秒的速度快速捡取传送带上的物品。而芬兰RTS 公司研制的机器人视觉系统则成功地用于舰船螺旋桨推进器的生产过程中，通过机器视觉的监控，可按照CAD 模型对螺旋桨叶片进行精密的磨制。图1.3 所示的是工作在生产线上的码垛机器人和卸垛机器人，对环境的适应性很好，能够自主识别工作目标，进行任务操作。
图1.1 Fanuc 公司的超快双臂工业机器人系统
图1.2 ABB 公司展示的FlexPicker 工业机器人
图1.3 生产线上的码垛和卸垛工业机器人
1.5我国在基于机器视觉的工业机器人方面的研究状况
我国对计算机视觉的研究真正开始是在改革开放之后，并且在学术上迅速追赶国际水平，但作为工业视觉系统，必须有它的应用市场，才能得以发展。改革开放后，视觉系统检查往往被忽略，这是造成产品不稳定的因素之一。随着企业的深化改革，产品质量的竞争已关系到企业的生命，这就为工业视觉的应用创造了条件。在这种形势下，视觉的研究才逐渐得到人们的重视。
我国的很多高校也相继开展了基于视觉的智能机器人的研究，华中科技大学的彭刚等人提出一种基于视觉引导和超声测距的手眼机器人系统对运动目标的跟踪和抓取方法。北京航空航天大学孟偲等人提出一种基于手眼视觉的测量与定位方法，可以判断未知目标物体是否可抓持以及为进行抓持规划提供有效依据。在重复定位任务中，该方法可以利用目标物体的先验信息快速定位，从而避免频繁移动手臂。东南大学席文明等人介绍了一种通过视觉引导的机器人跟踪复杂焊接的应用。利用双摄像机拍摄的图像求得焊缝上的空间点，然后根据焊接要求的速度对空间点进行直线插补。华中理工大学刘延林研究了在零件设计信息指导下，利用CCD 摄像机获取的工件毛坯图像识别工件毛坯及其安装状态，但其实验系统识别精度不够高，实验方案在实际自动加工中也欠实用。华中科技大学王敏采用视觉与超声测量相结合的方法，将二维图像信息与超声波传感器获取的深度信息进行融合推断，对待装配工件进行自动识别与空间定位，但采用梯度算子直接提取工件边缘。汕头大学的彭惠青等人利用分块二值化处理对图像进行边缘检测时，可获得较高质量图像，但需进行遍历式搜索，因此在线实时性不好。清华大学毛德柱等人利用遗传算法进行匹配获取工件位姿，但未给出该匹配算法的实际效果。这些新的理论和算法都为视觉系统在柔性制造系统中的应用打下了很好的基础。
尽管对三维计算机视觉技术的研究己有几十年的历史，人们确实已获得很大的进步。也尽管机器视觉具有种种的优点，但迄今为止，能真正应用于实际的视觉系统还不多，过去几年来，计算机视觉系统是通过专门硬件、超级计算机及庞大的定制软件库来实现的，虽然成功实现了许多这样的计算机视觉系统，但它们无一例外都高度专门化并且成本昂贵。尤其在国内这种现象更为明显，究其原因，一方面由于其产品价格很昂贵；另一方面由于实际问题的复杂性以及相关学科的滞后，工件的定位、识别算法，视觉控制算法都有待进一步研究，
具体实现过程中仍存在视觉信息处理瓶颈、适用范围窄等实际问题。因此，研究机器视觉和机器人相结合的技术，无论从理论上看，还是从实际出发，都有其深入系统地研究的必要性。
2.工件图像预处理和边缘特征提取
视觉系统强调精度和速度，所以需要图像采集部分及时、准确地提供清晰的图像，只有这样，图像处理部分才能在比较短的时间内得出正确的结果。由此可知图像采集部分的性能会直接影响整个机器视觉系统的性能。
图像采集部分一般由光源、镜头、数字摄像机、图像采集卡和计算机构成。采集过程可简单描述为在光源提供照明的条件下，数字摄像机拍摄目标物体并将其转化为图像信号，最后通过图像采集卡传输给图像处理部分，如图2-1 所示。由于获取的图像是彩色图像，而后续的算法只需要灰度图像就能完成，因此要灰度化。通常的图像都会受到各种噪声的影响，因此还要去除噪声，经过前面的预处理之后，得到更好质量的图像。预处理之后就是对工件图像的边缘检测，提取工件的边缘特征。整个处理过程如图2.2所示。
图2-1 图像采集过程框图
图2-2 图像预处理和边缘特征提取过程框图
2.1图像获取
图像获取也就是图像的数字化过程，即将图像采集到计算机中的过程。主要涉及成像及模数转换（A/D Converter）技术。随着计算机与微电子特别是固体成像设备（光电耦合器件CCD）的快速发展，图像获取设备的成本已显著降低。
在自然的形式下，图像并不能直接由计算机分析。因为计算机只能处理数字而不是图片，所以一幅图像在用计算机进行处理前必须先转化为数字形式。图像转化为数字形式的方法是将物理图像经过采样划分为称作图像像素的小区域。最常见的划分方案是方形采样网格，图像被分割成由相邻像素组成的许多水平线。经过采样后的图像还不是数字图像，因为这些像素上的灰度值仍是一个连续量，必须进行量化。所谓量化就是将每个像素的亮暗程度用一个整数值来表示，即像素的灰度离散化。完成上述转化后，图像被表示为一个整数矩阵。每个像素具有两个属性：位置和灰度，此数字矩阵就作为计算机处理的对象。在采样和量化处理后，才能产生一张数字化的图像。
2.2图像的灰度化
由摄像机和采集卡获取的图像是彩色图像，而我们知道彩色图像色彩丰富，包含信息量大，图像处理速度较慢。考虑到算法没有使用彩色和识别系统的实时性要求，对彩色图像灰度化是必须的。灰度化就是使彩色的R、G、B 分量值相等的过程，因此灰度图像中每一个像素的R、G、B 分量的值是相等的，而彩色图像的每一个像素的R、G、B分量的值是不相等的，所以显示出红绿蓝等各种颜色，灰度图像则没有这种差异，有的只是亮度上的不同。
彩色图像中的各种颜色都是有R、G、B三种基色构成。在数字化的图像中，若R、G、B量化的程度越细，则图像的色彩越丰富，对图像的描述就越精确。R、G、B三路色彩都可称为灰度，即红色灰度、绿色灰度、蓝色灰度。
灰度化处理的方法主要有以下三种：
（1）最大值法：使灰度图像中的灰度值Gray等于原真彩图中的RGB值中最大的一个即Gray=max(R，G，B)，最大值法会形成亮度很高的灰度图像。另外，还有一种变形，不一定采用最大值，而是直接采用R、G、B中的任意一个，这种方法对于R、G、B三种色彩在图像中所占比例基本相同的情况下，对获得图像的信息量不会有很大影响。但是当图像的三基色比例相差较大时，此时从三路采集的灰度图像的信息量相差较大。因此，此方法用的较少。
（2）平均值法：使灰度图象中的Gray值等于原真彩图中的RGB值的平均值
即:Gray=(R+G+B)/3，平均值法会形成较柔和的灰度图像。
（3）加权值法：根据重要性或其他指标给RGB赋予不同的权值并把RGB的值加权即Gray=W R×R＋W G×G+ W B×B其中W R、W G、W B分别为R、G、B的不同权值。
由于人的视觉系统对彩色色度的感觉和亮度的敏感性是不同的，因此产生了不同的彩色空间表示。可以选择YIQ彩色空间，YIQ为美国电视系统NTSC彩色制式的表色系，其优势是灰度信息和彩色信息是分离的。其中Y表示亮度分量，描述灰度信息，I表示色调，Q 表示饱和度，I和Q分量表示彩色信息。YIQ色彩坐标系和RGB色彩坐标系之间的转换关系为：
=
?
?
?
?
?
?
?
312
.
523
.
-
211
.
322
.
-
274
.
-
596
.
114
.
587
.
299
.
?
?
?
?
?
?
?
?
B
G
R
用一个像素的R、G、B 计算出Y 的值，用亮度Y 来代表此像素的灰度信息，从而得到即将被处理的灰度级图像。
最简单的灰度图像是0-1 灰度图像，即：每一点的灰度值只有2 级，0、1 在视觉上就是黑和白，没有中间过渡颜色。
现在普遍应用的灰度图像量化级别是0-255，即：每一点的灰度值用一个BYTE 来表示。灰度化前后的图像如下图2.3所示。
语音识别技术综述
语音识别技术综述 电子信息工程2010级1班郭珊珊 【摘要】随着计算机处理能力的迅速提高，语音识别技术得到了飞速发展，该技术的发展和应用改变了人们的生产和生活方式，正逐步成为计算机处理技术中的关键技术。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。 【关键词】语音识别；语音识别原理；语音识别发展；产品 语音识别是以语音为研究对象，通过语音信号处理和模式识别让机器人自动识别和理解人类口述的语言。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的命令或文本的高新技术。 1 语音识别的原理 语音识别系统本质是一种模式识别系统，包括特征提取、模式匹配、参考模式库等三个基本单位元。未知语音经过话筒变换成电信号后加载识
别系统的输入端，首先经过预处理，再根据人的语音特点建立语音模型，对输入的语音信号进行分析，并抽取所需特征，在此基础上建立语音识别所需的模板。 计算机在识别过程中要根据语音识别的模型，将计算机中存放的语音模板与输入的语音信号的特征进行比较，根据一定的搜索和匹配策略，找出一系列最优的与输入语音匹配的模板。然后根据此模板的定义，通过查表可给出计算机的识别结果。这种最优的结果与特征的选择、语音模型的好坏、模板是否准确都有直接的关系。 2 语音识别系统的分类 语音识别系统可以根据对输入语音的限制加以分类。 2.1从说话者与识别系统的相关性考虑 可以将识别系统分为3类：(1)特定人语音识别系统：仅考虑对于专人的话音进行识别；(2)非特定人语音系统：识别的语音与人无关，通常要用大量不同人的语音数据库对识
别系统进行学习；(3)多人的识别系统：通常能识别一组人的语音，或者成为特定组语音识别系统，该系统仅要求对要识别的那组人的语音进行训练。 2.2从说话的方式考虑 也可以将识别系统分为3类：(1)孤立词语音识别系统：孤立词识别系统要求输入每个词后要停顿；(2)连接词语音识别系统：连接词输入系统要求对每个词都清楚发音，一些连音现象开始出现；(3)连续语音识别系统：连续语音输入是自然流利的连续语音输入，大量连音和变音会出现。 2.3从识别系统的词汇量大小考虑 也可以将识别系统分为3类：(1)小词汇量语音识别系统。通常包括几十个词的语音识别系统。(2)中等词汇量的语音识别系统。通常包括几百个词到上千个词的识别系统。(3)大词汇量语音识别系统。通常包括几千到几万个词的语音识别系统。随着计算机与数字信号处理器运算能力以及识别系统精度的提高，识别
机器视觉技术发展现状 人类认识外界信息的80%来自于视觉，而机器视觉就是用机器代替人眼来做 测量和判断，机器视觉的最终目标就是使计算机像人一样，通过视觉观察和理解 世界，具有自主适应环境的能力。作为一个新兴学科，同时也是一个交叉学科，取“信息”的人工智能系统，其特点是可提高生产的柔性和自动化程度。目前机器视觉技术已经在很多工业制造领域得到了应用，并逐渐进入我们的日常生活。 机器视觉是通过对相关的理论和技术进行研究，从而建立由图像或多维数据中获机器视觉简介 机器视觉就是用机器代替人眼来做测量和判断。机器视觉主要利用计算机来模拟人的视觉功能，再现于人类视觉有关的某些智能行为，从客观事物的图像中提取信息进行处理，并加以理解，最终用于实际检测和控制。机器视觉是一项综合技术，其包括数字处理、机械工程技术、控制、光源照明技术、光学成像、传感器技术、模拟与数字视频技术、计算机软硬件技术和人机接口技术等，这些技术相互协调才能构成一个完整的工业机器视觉系统[1]。 机器视觉强调实用性，要能适应工业现场恶劣的环境，并要有合理的性价比、通用的通讯接口、较高的容错能力和安全性、较强的通用性和可移植性。其更强调的是实时性，要求高速度和高精度，且具有非接触性、实时性、自动化和智能 高等优点，有着广泛的应用前景[1]。 一个典型的工业机器人视觉应用系统包括光源、光学成像系统、图像捕捉系统、图像采集与数字化模块、智能图像处理与决策模块以及控制执行模块。通过 CCD或CMOS摄像机将被测目标转换为图像信号，然后通过A/D转换成数字信号传送给专用的图像处理系统，并根据像素分布、亮度和颜色等信息，将其转换成数字化信息。图像系统对这些信号进行各种运算来抽取目标的特征，如面积、 数量、位置和长度等，进而根据判别的结果来控制现场的设备动作[1]。 机器视觉一般都包括下面四个过程：
语音识别流程分析
摘要：语言识别是将人类自然语言的声音信号，通过计算机自动转换为与之相对应的文字符号的一门新兴技术，属于模式识别的一个分支。语音识别的结果可以通过屏幕显示出文字符号，也可以存储在文本文件中。语音识别技术能够把语音信息直接转换成文字信息，对于中文信息处理来说，无疑是一个最理想、最自然的汉字输入方式。本文首先分析了语音识别的原理，在此基础上进行语音识别的流程分析，主要内容有：提取语音、端点检测、特征值提取、训练数据、语音识别。选用HMM隐马尔科夫模型，基于VC2005编译环境下的的多线程编程，实现算法的并行运算，提升了语音识别的效率。实验结果表明：所设计的程序满足语音识别系统的基本要求。 关键词：语音识别预处理Mel倒谱系数HMM隐马尔科夫模式OpenMP编程 前言 语音识别是解决机器“听懂”人类语言的一项技术。作为智能计算机研究的主导方向和人机语音通信的关键技术，语音识别技术一直受到各国科学界的广泛关注。如今，随着语音识别技术研究的突破，其对计算机发展和社会生活的重要性日益凸现出来。以语音识别技术开发出的产品应用领域非常广泛，如声控电话交换、信息网络查询、家庭服务、宾馆服务、医疗服务、银行服务、工业控制、语音通信系统等，几乎深入到社会的每个行业和每个方面。 广泛意义上的语音识别按照任务的不同可以分为4个方向：说话人识别、关键词检出、语言辨识和语音识别。说话人识别技术是以话
音对说话人进行区别，从而进行身份鉴别和认证的技术。关键词检出技术应用于一些具有特定要求的场合，只关注那些包含特定词的句子。语言辨识技术是通过分析处理一个语音片断以判别其所属语言种类的技术，本质上也是语音识别技术的一个方面。语音识别就是通常人们所说的以说话的内容作为识别对象的技术，它是4个方面中最重要和研究最广泛的一个方向，也是本文讨论的主要内容。 语音识别技术，也被称为自动语音Automatic Speech Recognition，(ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列[1]。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。 语音识别技术的应用包括语音拨号、语音导航、室内设备控制、语音文档检索、简单的听写数据录入等。语音识别技术与其他自然语言处理技术如机器翻译及语音合成技术相结合，可以构建出更加复杂的应用，例如语音到语音的翻译。 语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 一、语音识别的原理 语音识别的基本原理是一个模式匹配的过程：先建立一个标准的模式存放在计算机中，然后把输入的语言信息进行分析处理，采集相关的信息建立目标语音模式，再将目标语音模式与机内标准模式相匹配，找到最近的模式最为识别结果输出。语音识别本质上是一种模式
机器视觉的辅助驾驶系统的视频中行人 实时检测识别研究文献综述 1机器视觉发展 国外机器视觉发展的起点难以准确考证，其大致的发展历程是：20世纪50年代提出机器视觉概念，20世纪70年代真正开始发展，20世纪80年代进入发展正轨，20世纪90年代发展趋于成熟，20世纪90年代后高速发展。在机器视觉发展的历程中，有3个明显的标志点，一是机器视觉最先的应用来自“机器人”的研制，也就是说，机器视觉首先是在机器人的研究中发展起来的；二是20世纪70年代CCD图像传感器的出现，CCD摄像机替代硅靶摄像是机器视觉发展历程中的一个重要转折点；三是20世纪80年代CPU、DSP等图像处理硬件技术的飞速进步，为机器视觉飞速发展提供了基础条件。 国内机器视觉发展的大致历程：真正开始起步是20世纪80年代，20世纪90年代进入发展期，加速发展则是近几年的事情。中国正在成为世界机器视觉发展最活跃的地区之一，其中最主要的原因是中国已经成为全球的加工中心，许许多多先进生产线己经或正在迁移至中国，伴随这些先进生产线的迁移，许多具有国际先进水平的机器视觉系统也进入中国。对这些机器视觉系统的维护和提升而产生的市场需求也将国际机器视觉企业吸引而至，国内的机器视觉企业在与国际机器视觉企业的学习与竞争中不断成长。 未来机器视觉的发展将呈现下列趋势: （1）技术方面的趋势是数字化、实时化、智能化 图像采集与传输的数字化是机器视觉在技术方面发展的必然趋势。更多的数字摄像机，更宽的图像数据传输带宽，更高的图像处理速度，以及更先进的图像处理算法将会推出，将会得到更广泛的应用。这样的技术发展趋势将使机器视觉系统向着实时性更好和智能程度更高的方向不断发展。 （2）产品方面：智能摄像机将会占据市场主要地位 智能摄像机具有体积小、价格低、使用安装方便、用户二次开发周期短的优点，非常适合生产线安装使用，越来越受到用户的青睐，智能摄像机所采用的许多部件与技术都来自IT行业，其价格会不断降低，逐渐会为最终用户所接受。因此，
机电信息工程学院专业综合课程设计 系：信息与通信工程 专业：通信工程 班级：081班 设计题目：基于matlab的语音识别系统 学生姓名： 指导教师： 完成日期：2011年12月27日
一．设计任务及要求 1.1设计任务 作为智能计算机研究的主导方向和人机语音通信的关键技术，语音识别技术一直受到各国科学界的广泛关注。以语音识别开发出的产品应用领域非常广泛，有声控电话交换、语音拨号系统、信息网络查询、家庭服务、宾馆服务、旅行社服务系统、订票系统、声控智能玩具、医疗服务、银行服务、股票查询服务、计算机控制、工业控制、语音通信系统、军事监听、信息检索、应急服务、翻译系统等，几乎深入到社会的每个行业、每个方面，其应用和经济社会效益前景非常广泛。本次任务设计一个简单的语音识别系。 1.2设计要求 要求：使用matlab软件编写语音识别程序 二．算法方案选择 2.1设计方案 语音识别属于模式识别范畴，它与人的认知过程一样，其过程分为训练和识别两个阶段。在训练阶段，语音识别系统对输入的语音信号进行学习。学习结束后，把学习内容组成语音模型库存储起来；在识别阶段，根据当前输入的待识别语音信号，在语音模型库中查找出相应的词义或语义。 语音识别系统与常规模式识别系统一样包括特征提取、模式匹配、模型库等3个基本单元，它的基本结构如图1所示。 图1 语音识别系统基本结构图 本次设计主要是基于HMM模型（隐马尔可夫模型）。这是在20世纪80年代引入语音识别领域的一种语音识别算法。该算法通过对大量语音数据进行数据统计，建立识别词条的统计模型，然后从待识别语音信号中提取特征，与这些模
型进行匹配，通过比较匹配分数以获得识别结果。通过大量的语音，就能够获得一个稳健的统计模型，能够适应实际语音中的各种突发情况。并且，HMM算法具有良好的识别性能和抗噪性能。 2.2方案框图 图2 HMM语音识别系统 2.3隐马尔可夫模型 HMM过程是一个双重随机过程：一重用于描述非平稳信号的短时平稳段的统计特征（信号的瞬态特征）；另一重随机过程描述了每个短时平稳段如何转变到下一个短时平稳段，即短时统计特征的动态特性（隐含在观察序列中）。人的言语过程本质上也是一个双重随机过程，语音信号本身是一个可观测的时变列。可见，HMM合理地模仿了这一过程，是一种较为理想的语音信号模型。其初始状态概率向量π，状态转移概率矩阵向量A，以及概率输出向量B一起构成了HMM的3个特征参量。HMM 模型通常表示成λ={π，A，B}。 2.4HMM模型的三个基本问题 HMM模型的核心问题就是解决以下三个基本问题： (1)识别问题：在给定的观测序列O和模型λ=（A,B,π）的条件下，如何有效地计算λ产生观测序列O的条件概率P(O︱λ)最大。常用的算法是前后向算法，它可以使其计算量降低到N2T次运算。 (2)最佳状态链的确定：如何选择一个最佳状态序列Q=q1q2…qT，来解释观察序列O。常用的算法是Viterbi算法。 (3)模型参数优化问题：如何调整模型参数λ=(A,B,π)，使P(O︱λ)最大：这是三个问题中最难的一个，因为没有解析法可用来求解最大似然模型，所以只能使用迭代法(如Baum-Welch)或使用最佳梯度法。 第一个问题是评估问题，即已知模型λ=(A,B,π)和一个观测序列O，如何计算由该模型λ产生出该观测序列O的概率，问题1的求解能够选择出与给定的观测序列最匹配的HMM模型。 第二个问题力图揭露模型中隐藏着的部分，即找出“正确的”状态序列，这是一个典型的估计问题。
基于机器视觉的工件识别和定位文献综述 1.前言 1.1工业机器人的现状与发展趋势 机器人作为一种最典型的应用范围广、技术附加值高的数字控制装备，在现代先进生产制造业中发挥的作用越来越重要，机器人技术的发展将会对未来生产和社会发展起到强有力的推动作用。《2l 世纪日本创建机器人社会技术发展战略报告》指出，“机器人技术与信息技术一样，在强化产业竞争力方面是极为重要的战略高技术领域。培育未来机器人产业是支撑2l 世纪日本产业竞争力的产业战略之一，具有非常重要的意义。” 研发工业机器人的初衷是为了使工人能够从单调重复作业、危险恶劣环境作业中解脱出来，但近些年来，工厂和企业引进工业机器人的主要目的则更多地是为了提高生产效率和保证产品质量。因为机器人的使用寿命很长，大都在10 年以上，并且可以全天后不间断的保持连续、高效地工作状态，因此被广泛应用于各行各业，主要进行焊接、装配、搬运、加工、喷涂、码垛等复杂作业。伴随着工业机器人研究技术的成熟和现代制造业对自动生产的需要，工业机器人越来越被广泛的应用到现代化的生产中。 现在机器人的价格相比过去已经下降很多，并且以后还会继续下降，但目前全世界范围的劳动力成本都有所上涨，个别国家和地区劳动力成本又很高，这就给工业机器人的需求提供了广阔的市场空间，工业机器人销量的保持着较快速度的增长。工业机器人在生产中主要有机器人工作单元和机器人工作生产线这两种应用方式，并且在国外，机器人工作生产线已经成为工业机器人主要的应用方式。以机器人为核心的自动化生产线适应了现代制造业多品种、少批量的柔性生产发展方向，具有广阔的市场发展前景和强劲生命力，已开发出多种面向汽车、电气机械等行业的自动化成套装备和生产线产品。在发达国家，机器人自动化生产线已经应用到了各行各业，并且已经形成一个庞大的产业链。像日本的FANUC、MOTOMAN，瑞典的ABB、德国的KUKA、意大利的COMAU 等都是国际上知名的被广泛用于自动化生产线的工业机器人。这些产品代表着当今世界工业机器人的最高水平。 我国的工业机器人前期发展比较缓慢。当将被研发列入国家有关计划后，发展速度就明显加快。特别是在每次国家的五年规划和“863”计划的重点支持下，我国机器人技术的研究取得了重大发展。在机器人基础技术和关键技术方面都取得了巨大进展，科技成果已经在实际工作中得到转化。以沈阳新松机器人为代表的国内机器人自主品牌已迅速崛起并逐步缩小与国际品牌的技术差距。 机器人涉及到多学科的交叉融合，涉及到机械、电子、计算机、通讯、控制等多个方面。在现代制造业中，伴随着工业机器人应用范围的扩大和机器人技术的发展，机器人的自动化、智能化和网络化的程度也越来越高，所能实现的功能也越来越多，性能越来越好。机器人技术的内涵已变为“灵活应用机器人技术的、具有实在动作功能的智能化系统。”目前，工业机器人技术正在向智能机器和智能系统的方向发展，其发展趋势主要为：结构的模块化和可重构化；控制技术的开放化、PC 化和网络化；伺服驱动技术的数字化和分散化；多传感器融合技术的实用化；工作环境设计的优化和作业的柔性化以及系统的网络化和智能化等方面。 1.2机器视觉在工业机器人中的应用 工业机器人是FMS（柔性加工）加工单元的主要组成部分，它的灵活性和柔性使其成为自动化物流系统中必不可少的设备，主要用于物料、工件的装卸、分捡和贮运。目前在全世界有数以百万的各种类型的工业机器人应用在机械制造、零件加工和装配及运输等领域，
项目题目：基于Matlab的语音识别 一、引言 语音识别技术是让计算机识别一些语音信号，并把语音信号转换成相应的文本或者命令的一种高科技技术。语音识别技术所涉及的领域非常广泛，包括信号处理、模式识别、人工智能等技术。近年来已经从实验室开始走向市场，渗透到家电、通信、医疗、消费电子产品等各个领域，让人们的生活更加方便。 语音识别系统的分类有三种依据:词汇量大小，对说话人说话方式的要求和对说话人的依赖程度。 (1)根据词汇量大小，可以分为小词汇量、中等词汇量、大词汇量及无限词汇量识别系统。 (2)根据对说话人说话方式的要求，可以分为孤立字(词)语音识别系统、连接字语音识别系统及连续语音识别系统。 (3)根据对说话人的依赖程度可以分为特定人和非特定人语音识别系统。 二、语音识别系统框架设计 2.1语音识别系统的基本结构
语音识别系统本质上是一种模式识别系统，其基本结构原理框图如图l所示，主要包括语音信号预处理、特征提取、特征建模(建立参考模式库)、相似性度量(模式匹配)和后处理等几个功能模块，其中后处理模块为可选部分。 三、语音识别设计步骤 3.1语音信号的特征及其端点检测 图2 数字‘7’开始部分波形 图2是数字”7”的波形进行局部放大后的情况，可以看到，在6800之前的部分信号幅度很低，明显属于静音。而在6800以后，信号幅度开始增强，并呈现明显的周期性。在波形的上半部分可以观察到有规律的尖峰，两个尖峰之间的距离就是所谓的基音周期，实际上也就是说话人的声带振动的周期。 这样可以很直观的用信号的幅度作为特征，区分静音和语音。只要设定一个
门限，当信号的幅度超过该门限的时候，就认为语音开始，当幅度降低到门限以下就认为语音结束。 3.2 语音识别系统 3.2.1语音识别系统的分类 语音识别按说话人的讲话方式可分为3类：（1）即孤立词识别（isolated word recognition)，孤立词识别的任务是识别事先已知的孤立的词，如“开机”、“关机”等。（3）连续语音识别，连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话。 从识别对象的类型来看，语音识别可以分为特定人语音识别和非特定人语音识别，特定人是指针对一个用户的语音识别，非特定人则可用于不同的用户。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。 3.2.2语音识别系统的基本构成 语音识别系统的实现方案如图3所示。输入的模拟语音信号首先要进行处理，包括预滤波，采样和量化，加窗，端点检测，预加重等。语音信号经处理后，接下来很重要的一环就是特征参数提取。 图3 语音识别系统 在训练阶段，将特征参数进行一定的处理之后，为每个词条得到一个模型，保存为模版库。在识别阶段，语音信号经过相同的通道得到语音参数，生成测试模版，与参考模板进行匹配，将匹配分数最高的参考模型作为识别结果。 3. 2.3 语音识别系统的特征参数提取 特征提取是对语音信号进行分析处理，去除对语音识别无关紧要的冗余信息，获得影响语音识别的重要信息。语音信号是一种典型的时变信号，然而如果把观察时间缩短到十毫秒至几十毫秒，则可以得到一系列近似稳定的信号。人的发音器官可以用若干段前后连接的声管进行模拟，这就是所谓的声管模型。 全极点线性预测参数 (LPC: Liner Prediction Coeffieient)可以对声管模型进行很好的描述，LPC参数是模拟人的发声器官的，是一种基于语音合成的参数模型。 在语音识别中，很少用LPC系数，而是用LPC倒谱参数 (LPCC: Liner Prediction Cepstral Coefficient)。LPCC参数的优点是计算量小，对元音有较好的描述能力，其缺点在于对辅音的描述能力较差，抗噪声性能较差。
文献综述 河北科技师范学院 文献综述 题目：基于计算机视觉测量技术 姓名：张力坤 一．国内外现状 机器视觉自起步发展到现在，已有将近20年的发展历史。应该说机器视觉作为一种应用系统，其功能特点是随着工业自动化的发展而逐渐完善和发展的。 目前全球整个视觉市场总量大概在70~80亿美元，是按照每年8.8%的增长速度增长的。而在中国，这个数字目前看来似乎有些庞大，但是随着加工制造业的发展，中国对于机器视觉的需求将承上升趋势。 何谓机器视觉？ 简言之，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。 正是由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。在中国，这种应用也在逐渐被认知，且带来最直接的反应就是国内对于机器视觉的需求将越来越多。 机器视觉在国内外的应用现状在国外，机器视觉的应用普及
中国中文信息学会第七次全国会员代表大会 暨学会成立30周年学术会议 语音识别发展现状与展望中科院自动化研究所徐波 2011年12月4日
报告提纲 ?语音识别技术现状及态势?语音识别技术的行业应用?语音识别技术研究方向?结论与展望
2010年始语音识别重新成为产业热点?移动互联网的兴起成为ASR最重要的应用环境。在Google引领下，互联网、通信公司纷纷把语音识别作为重要研究方向 –Android系统内嵌语音识别技术，Google语音 翻译等； –iPhone4S 上的Siri软件； –百度、腾讯、盛大、华为等都进军语音识别领 域； –我国语音技术领军企业讯飞2010年推出语音云识别、讯飞口讯 –已有的QQ2011版语音输入等等
成熟度分析-技术成熟度曲线 ?美国市场调查咨询公司Gartner于2011年7月发布《2011新兴技术成熟度曲线》报告：
成熟度分析-新兴技术优先矩阵?Gartner评出了2011年具有变革作用的技术，包括语音识别、语音翻译、自然语言问答等。其中语音翻译和自然语言问答有望在5-10年内获得大幅利用，而语音识别有望在2-5年内获得大幅利用；
三十年语音识别技术发展 ---特征提取与知识方面?MFCC，PLP，CMS，RASTA，VTLN；?HLDA, fMPE，neural net-based features ?前端优化 –融入更多特征信息(MLP、TrapNN、Bottle Neck Features等） ?特征很大特点有些是跟模型的训练算法相匹配?大规模FSN图表示，把各种知识源集中在一起–bigram vs. 4-gram, within word dependencies vs. cross-word
基于机器视觉的产品识别检测技术研究 摘要：机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标特征，如面积、数量、位置，再根据预设的允许度和其他条件输出结果，包括尺寸、个数、合格/不合格、标识有无等，实现自动识别功能。机器视觉的研究是从20世纪60年代中期开始70年代已形成几个重要研究分支：目标制导的图像处理、图像处理和分析的并行运算、序列图像分析和运动参量求值、视觉知识的表示、视觉系统的知识库等。 关键词：机器视觉；CCD相机；图像处理；产品检测。
引言 机器视觉就是用机器代替人眼来做测量和判断，它是一项综合技术，其中包括数字图像处理技术、控制技术、电光源照明技术、光学成像技术、传感技术、模拟与数字视频技术等，机器视觉更强调实用性，要求能够适应工业生产中恶略的环境，要有通用的工业接口。电视摄像技术的成熟与计算机技术的发展使得机器视觉研究成为可能，它作为早期人工智能的一部分，由于技术条件的限制进展缓慢。后来在随着计算机技术的快速发展，机器视觉的研究得到了迅速发展在国外，机器视觉的应用普及主要体现在半导体及电子行业，机器视觉系统在产品检测方面已经得到了广泛的应用。在中国机器视觉技术应用开始与90年代，目前国内机器视觉大多为外国品牌，不过随着机器视觉的应用，国内公司技术上已经逐渐成熟。与此同时，随着配套基础设施建设的完善，技术、资金的积累，各行各业对机器视觉技术的工业自动化、智能化需求开始广泛出现。国内高校校、研究所和企业在这个领域进行了积极探索和大胆尝试，这都将促进工业检测自动化技术向智能化发展。
语音识别技术概述 摘要：本文简要介绍了语音识别技术理论基础及分类方式，所采用的关键技术以及所面临的困难与挑战，最后讨论了语音识别技术的发展前景和应用。 关键词：语音识别；特征提取；模式匹配；模型训练 Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to face.Then,the developing prospect ion and application of the speech-identification technology are discussed in the last part. Keywords:Speech identification;Character Pick-up;Mode matching;Model training 一、语音识别技术的理论基础 语音识别技术：是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高级技术。语音识别以语音为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到生理学、心理学、语言学、计算机科学以及信号处理等诸多领域，甚至还涉及到人的体态语言（如人在说话时的表情、手势等行为动作可帮助对方理解），其最终目标是实现人与机器进行自然语言通信。 不同的语音识别系统，虽然具体实现细节有所不同，但所采用的基本技术相似，一个典型语音识别系统主要包括特征提取技术、模式
语音识别是以语音为研究对象，通过语音信号处理和模式识别让机器自动识别和理解人类口述的语言。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门涉及面很广的交叉学科，它与声学、语音学、语言学、信息理论、模式识别理论以及神经生物学等学科都有非常密切的关系。语音识别技术正逐步成为计算机信息处理技术中的关键技术，语音技术的应用已经成为一个具有竞争性的新兴高技术产业。 1语音识别的基本原理 语音识别系统本质上是一种模式识别系统，包括特征提取、模式匹配、参考模式库等三个基本单元，它的基本结构如下图所示： 未知语音经过话筒变换成电信号后加在识别系统的输入端，首先经过预处理，再根据人的语音特点建立语音模型，对输入的语音信号进行分析，并抽取所需的特征，在此基础上建立语音识别所需的模板。而计算机在识别过程中要根据语音识别的模型，将计算机中存放的语音模板与输入的语音信号的特征进行比较，根据一定的搜索和匹配策略，找出一系列最优的与输入语音匹配的模板。然后根据此模板的定义，通过查表就可以给出计算机的识别结果。显然，这种最优的结果与特征的选择、语音模型的好坏、模板是否准确都有直接的关系。2语音识别的方法 目前具有代表性的语音识别方法主要有动态时间规整技术（DTW）、隐马尔可夫模型（HMM）、矢量量化（VQ）、人工神经网络（ANN）、支持向量机（SVM）等方法。 动态时间规整算法（Dynamic Time Warping，DTW）是在非特定人语音识别中一种简单有效的方法，该算法基于动态规划的思想，解决了发音长短不一的模板匹配问题，是语音识别技术中出现较早、较常用的一种算法。在应用DTW算法进行语音识别时，就是将已经预处理和分帧过的语音测试信号和参考语音模板进行比较以获取他们之间的相似度，按照某种距离测度得出两模板间的相似程度并选择最佳路径。 隐马尔可夫模型（HMM）是语音信号处理中的一种统计模型，是由Markov链演变来的，所以它是基于参数模型的统计识别方法。由于其模式库是通过反复训练形成的与训练输出信号吻合概率最大的最佳模型参数而不是预先储存好的模式样本，且其识别过程中运用待识别语音序列与HMM参数之间的似然概率达到最大值所对应的最佳状态序列作为识别输出，因此是较理想的语音识别模型。 矢量量化（Vector Quantization）是一种重要的信号压缩方法。与HMM相比，矢量量化主要适用于小词汇量、孤立词的语音识别中。其过程是将若干个语音信号波形或特征参数的标量数据组成一个矢量在多维空间进行整体量化。把矢量空间分成若干个小区域，每个小区域寻找一个代表矢量，量化时落入小区域的矢量就用这个代表矢量代替。矢量量化器的设计就是从大量信号样本中训练出好的码书，从实际效果出发寻找到好的失真测度定义公式，设计出最佳的矢量量化系统，用最少的搜索和计算失真的运算量实现最大可能的平均信噪比。在实际的应用过程中，人们还研究了多种降低复杂度的方法，包括无记忆的矢量量化、有记忆的矢量量化和模糊矢量量化方法。 人工神经网络（ANN）是20世纪80年代末期提出的一种新的语音识别方法。其本质上是一
文献综述 随着社会经济的发展，企业所面临的外部经营环境发生了明显的变化。战略管理和项目管理作为应对变化的有效手段被越来越多的企业所采用，同时，随着企业规模的扩大，项目的数量和规模急剧扩增，企业中的项目越来越多，企业在面临众多项目而资源有限的情况下，如何组织好、协调好多个项目，同时又要使其与企业战略目标一致成为亟待解决的问题。项目组合管理架起了战略管理与项目管理的桥梁，它是帮助实现项目与企业战略相结合的有效理论和工具。 1 项目组合管理理论 项目组合管理要对每一个项目进行商业价值和利益的评判，集合成项目组合的战略价值，去实现一定的组织目标和利益,项目组合不再是简单的进行多个项目的管理[1]。 项目组合管理是将一系列项目纳入到同一个组合当中,这个组合有独立的项目组合评审报告记录了各个项目的目标、成本、时限、专业技术水平、资源、风险和其他的关键因素。然后项目执行主管便能从整体上把握该组合，恰当地配置资源和调整项目，以使部门的利益回报最大化[2]。 项目组合管理是将单个项目、活动和所需资源与公司战略相联系的过程，从而确保投入的有限资源具有最高的价值和最低的风险。此外，这个过程允许贯穿整个组织的战略沟通，进而更好的选择和执行那些支持公司战略的项目和活动，同时剔除那些劣质项目[3]。 项目组合管理是对项目集进行选择、评价、策划、实施、管理的有效过程[4]。 PMI对组合管理的定义为[5]: 项目组合管理不是简单地管理多个项目,每个项目组合都需要根据自身的商业价值和公司战略来评价,并且要实现一定的商业目标或商业利益。 PMBOK2004这样定义项目组合 组织依据其具体的目标来管理项目组合。项目组合管理的目标之一
机器视觉 市场调研报告 营业部:李凯丽 2015年9月2日
机器视觉技术是一项新兴产业，自起步发展至今，机器视觉在中国经历了三个发展阶段，其功能以及应用范围随着工业自动化的发展也在逐渐完善和推广。而在世界范围内，机器视觉已经为人类解决了许多重大问题，由于机器视觉自身领域的特点，目前应用于工业、农业、交通运输业、新兴行业等多领域，创造了人工无法比拟的经济和社会价值。本文从机器视觉的发展、机器视觉的应用领域、竞争状态、市场规模和预测等多方面，调研了机器视觉行业的发展状态，为公司投资机器视觉领域提供了参考依据。 关键词：机器视觉、市场规模、竞争、前景
第一章机器视觉发展背景 (3) 1.1 机器视觉综述 (3) 1.1.1 机器视觉定义及组成 (3) 1.1.2 行业发展阶段 (5) 1.1.3 机器视觉特点及应用优点 (6) 1.2 机器视觉行业发展特性 (7) 1.3 产业链分析 (8) 1.4 行业发展环境分析 (9) 1.4.1 行业政策环境 (9) 1.4.2 行业技术环境分析 (10) 第二章国际机器视觉行业发展趋势和现状 (11) 2.1 市场发展规模 (11) 2.1.1 产业发展历程 (11) 2.1.2 应用现状分析 (12) 2.1.3 产业市场规模和格局 (13) 2.2 行业分布状况和发展趋势 (14) 2.2.1 产业地区分布情况 (14) 2.2.2 发展趋势预测 (16) 第三章中国机器视觉行业的发展现状和趋势 (18) 3.1 发展现状及市场规模 (18) 3.1.1 产业发展历程 (18) 3.1.2 市场规模 (19) 3.2 行业竞争现状 (21) 3.2.1 行业竞争主体 (21) 3.2.2 企业分布状况 (26) 3.3 发展趋势 (27) 第四章机器视觉的应用 (29) 4.1 应用领域分布 (29) 4.2 机器视觉在各行业的应用情况 (30) 4.2.1 在工业领域中的应用 (30) 4.2.2 在农业领域中的应用 (34) 4.2.3 在医药行业中的应用 (36) 4.2.4 在交通领域中的应用 (37) 第五章机器视觉行业发展前景与投资建议 (39) 5.1 发展前景及进入壁垒 (39) 5.2 投资机会和风险 (41)
关于语音识别的研究 网络工程专业网络C071班贾鸿姗 076040 摘要：语音识别技术的广泛应用 1前言： 语音识别技术也被称为自动语音识别 (ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 早在计算机发明之前，自动语音识别的设想就已经被提上了议事日程，早期的声码器可被视作语音识别及合成的雏形。而1920年代生产的"Radio Rex"玩具狗可能是最早的语音识别器，当这只狗的名字被呼唤的时候，它能够从底座上弹出来。最早的基于电子计算机的语音识别系统是由AT&T 贝尔实验室开发的Audrey语音识别系统，它能够识别10个英文数字。其识别方法是跟踪语音中的共振峰。该系统得到了98%的正确率。。到1950年代末，伦敦学院(Colledge of London)的Denes 已经将语法概率加入语音识别中。 1960年代，人工神经网络被引入了语音识别。这一时代的两大突破是线性预测编码Linear Predictive Coding (LPC)，及动态时间弯折Dynamic Time Warp技术。 语音识别技术的最重大突破是隐含马尔科夫模型Hidden Markov Model的应用。从Baum提出相关数学推理，经过Labiner等人的研究，卡内基梅隆大学的李开复最终实现了第一个基于隐马尔科夫模型的大词汇量语音识别系统Sphinx。。此后严格来说语音识别技术并没有脱离HMM框架。 尽管多年来研究人员一直尝试将“听写机”推广，语音识别技术在目前还无法支持无限领域，无限说话人的听写机应用。 2 正文 2.1应用领域 2.1.1.电话通信的语音拨号 特别是在中、高档移动电话上，现已普遍的具有语音拨号的功能。随着语音识别芯片的价格降低，普通电话上也将具备语音拨号的功能。 2.1.2.汽车的语音控制 由于在汽车的行驶过程中，驾驶员的手必须放在方向盘上，因此在汽车上拨打电话，需要使用具有语音拨号功能的免提电话通信方式。此外，对汽车的卫星导航定位系统（GPS）的操作，汽车空调、照明以及音响等设备的操作，同样也可以由语音来方便的控制。 工业控制及医疗领域。当操作人员的眼或手已经被占用的情况下，在增加控制操作时，最好的办法就是增加人与机器的语音交互界面。由语音对机器发出命令，机器用语音做出应答。 2.1.3数字助理 个人数字助理（Personal Digital Assistant，PDA）的语音交互界面。PDA的体积很小，人机界面一直是其应用和技术的瓶颈之一。由于在PDA上使用键盘非常不便，因此，现多采用手写体识别的方法输入和查询信息。但是，这种方法仍然让用户感到很不方便。现在业界一致认为，PDA的最佳人机交互界面是以语音作为传输介质的交互方法，并且已有少量应用。随着语音识别技术的提高，可以预见，在不久的将来，语音将成为PDA主要的人机交互界面。 智能玩具 通过语音识别技术，我们可以与智能娃娃对话，可以用语音对玩具发出命令，让其完成一些简单的任务，甚至可以制造具有语音锁功能的电子看门狗。智能玩具有很大的市场潜力，而其关键在
绪论 机器视觉是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等多个领域的交叉学科。它不仅是人眼的延伸，更重要的是具有人脑的一部分功能。近年来，随着计算机技术尤其是多媒体技术和数字图像处理及分析理论的成熟，以及大规模集成电路的迅速发展，机器视觉技术得到了广泛的应用研究，取得了巨大的经济与社会效益。 一、机器视觉的研究背景 “作为一项关键性的自动化技术，机器视觉在发展中国家中对经济的现代化非常重要。为了在世界市场中进行竞争，发展中经济不能无限期的依赖于廉价劳动力。“ AIA市场分析员Kellett说。同样地，现代化必须实现高效率、高生产率以及高质量。这也是机器视觉的作用所在，”对机器视觉长期需求这样的趋势是发展中国家实现经济现代化的基础。因此，机器视觉对于世界经济的发展将越来越重要。” 传统地来讲，外观检查和质量控制是通过人类专家来完成的。虽然人类在很多情况下可以把这项工作做的比机器更好，但是他们的速度比机器慢，并且很快就会感觉疲倦。此外在一个行业里很难找到或者留住人类专家，他们需要接受培训，而且他们的技能需要花时间去培养。还有些情况就是检测工作往往很乏味或者很困难，甚至对那些训练有素的专家来说也是一样。某些应用中，精确的信息必须被很迅速或者重复地提取和使用（例如目标跟踪和机器人引导）。在一些环境下（例如水下检测，原子能工业，化学工业等）检测可能很困难或者很危险。在这种高要求的情况下，计算机视觉可以很有效的取代人工检测。同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以人大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。 半导体行业是最先利用机器视觉技术进行检测的行业，其他行业也随之而来。作为生产机械的OEM的设计工程师，最基本的问题就是：“我是要检测这个部件还是整个这个产品”。检测可以得到高质量的产品，但是也会有这样的事实存在：检测成本或者产品质量要求并不需要这样的检测。比如说牙签，假设每一个装有500个牙签的盒子里有一两个不合恪，大多数人都不会怎么担心。但是对于很多产品，假如前面的盒了里装的不是牙签，而是针头，试想不合格品可能会带来什么样的后果，所以产品功能性的检测都是不可缺少的，即使只是外观检测，要证明内在的品质也必须要做到无缺陷。因此，为了达到这个目的，许多OEM将机器视觉世用到他们将要卖给用户的系统中。机器视觉能够为整个系统增值，表现在三个方面：提高生产效率，提高制造过程的精确性，减少成本。 那么，对丁一个设计工程师来说，怎么样才能知道机器视觉是否适合他的系统呢?尽管最早的最基本的机器视觉系统在20世纪70年代引入，工业就将其视为主流应用。这就导致设计工程师要考虑它是否合适他们的应用，同时要考虑利用机器视觉检测的成本与其所能带来的利润。 高复杂度产品行业，比如说半导体行业和电子行业，由于它们的复杂性和小型化，从传统上推动着机器视觉市场的发展。但是如今，所有产业，包括自动化、
毕业设计开题报告 电气工程及其自动化 机器视觉在焊接熔池实时检测与参数测定中应用 1前言部分 机械制造业作为我国国民经济的支柱产业，决定了我国的工业生产能力和水平，焊接作为制造业中总要的加工方法之一，更是有着举足轻重的作用。随着科技水平的进步，人们对焊接质量的要求也越来越高。而人工焊接时，由于受到技术水平、疲劳程度、责任心、生理极限等客观和主观因素的应影响，难以较长时间保持焊接工作的稳定性和一致性。而且，由于焊接恶劣的工作条件，愿意从事手工焊接的人在减少，熟练的技术工人更有短缺的趋势。另一方面，电子技术、计算机技术、数控及机器人技术的发展为焊接过程的自动化提供了有利的条件，并已渗透到焊接的各个领域。 以往焊接质量主要是通过两种手段来保障。焊前根据工件、材料、性能要求等制订合理的焊接工艺，但是焊接过程存在的时变性使得质量无法得到严格保证。焊后可以进行质量检验，对不合格的焊缝，返修或者清理之后再重新焊接来保证焊缝质量，但这种检验方法费时又费力，况且某些焊接产品，如船舶、桥梁、大型压力容器、航天器材等一些重要的焊接件，是不允许出现焊接质量问题的。因此焊接过程中的在线实时质量控制就显得尤为重要。 但是焊接这一技术领域长期以来采用的是传统焊接方法，尽管近些年来各类气保护焊也得到了广泛应用，但焊接变形、咬边、气孔、裂纹、应力集中、未焊合和夹渣等在缺陷问题仍然较严重。同样，采用传统焊接方法进行生产，焊接接头的外观成形质量和一致性也无法得到保证，而且手工焊接也如先前所提的原因无法普遍适用。很显然这些都成了制约焊接质量提高的根源，因此采用自动化、智能化焊接时焊接技术革新的根本出路。 随着焊接自动化智能化研究的深入，人们越来越注重对焊接质量的控制，其中熔透与成形直接反映了焊接质量，因此检测出反映焊缝熔透和成形质量信息对于质量控制是非常关键的。目前国内外普遍使用各类传感装置对焊接熔池信息进