轮毂的识别是轮毂自动化生产线自动分拣的重要前提。为了克服轮毂生产结束后手动搬运和分拣的弊端,提出了一种基于梯度方向直方图特征和非线性支持向量机的轮毂识别方法。首先分别提取轮毂自动化生产线上三种不同照明条件下的轮毂图片,将轮毂图片转化为灰度图像;再对其进行缩放裁剪至检测窗口大小,完成正负样本的制作;最后提取正负样本的HOG特征集合并用libsvm工具箱对其进行训练,训练后得出的分类模型对三种不同照明条件的轮毂图片分别进行识别,结果表明,该方法可以有效地克服光照条件对识别效果的干扰。

为解决在自然场景中进行汽车油箱盖定位的问题,提出一种非结构环境下基于HoG与SVM的汽车油箱盖视觉检测方法。对汽车图像进行预处理并采用多尺度底帽变换提取图像暗细节特征;利用改进的最大熵阈值分割法分割图像;采用连通区域标记法对二值图进行统计,并在原图中确定目标候选区域;采用HoG特征和支持向量机对候选区域进行分类判决,从而定位汽车油箱盖。结果表明:该方法可以准确地检测出油箱盖位置,即使图像存在光照不均匀、汽车覆盖件表面灰尘、细节模糊等情况,也有较好的定位效果。

为了解决当前工件目标检测技术在特征不清晰且背景干扰强度大的情况下导致其定位精度不高的问题,文章提出了基于方向梯度直方图（histograms of oriented gradient,HOG）特征和连通区域分析的工件目标检测算法。首先,对训练集中的标准工件目标图像进行网格划分,计算网格内像素梯度,统计梯度直方图,完成HOG特征提取与训练。然后,对单峰阈值的区间划分进行细化,提出了双阈值分割机制,结合连通区域分析,将二值图像转换为标签图像,并进行像素属性评估,滤除干扰,达到准确定位工件目标的目的。最后,基于开源图像库ITK和底层编程实现算法,并集成于标准化软件系统。实验测试结果显示：与当前主流工件目标检测技术相比,文中算法拥有更高的准确性与稳定性。

为了解决渔港梭子蟹分拣过程中劳动强度大、分拣数量多等缺陷,设计了一套小型的梭子蟹分拣机械手控制系统,该系统以K60单片机为主控芯片,结合带摄像头的机械手和智能小车,加持基于HOG特征的SVM分类器算法对梭子蟹进行识别,通过爪端压力数据和爪端夹持角度取得梭子蟹质量和尺寸,实现对梭子蟹的智能分拣,并介绍了其机械结构、硬件和算法的设计。