李 奇，王宇钢

(辽宁工业大学 机械工程系，辽宁 锦州 121001)

0 引言

图像识别技术近年来发展越来越火热，已被广泛应用于多个领域，例如金融、医学以及人脸认证等等，给人类带来了极大的便利且在许多应用场合提高了安全防护水平。目前，许多研究者也逐渐将机器视觉技术引入到零件分类中，并获得了一定成果。

近年来，PCA-SVM图像识别算法在各大识别与分类领域得到广泛的应用创新[1]。杨宇等[2]提取了追踪目标在实时领域的相关特征，将PCA得到的主成分作为SVM的输入，实现目标追踪。许伟栋等[3]基于马铃薯形状特征，将PCA得到的前2个主成分作为SVM的输入，成功实现马铃薯自动级分选。张庶等[4]将PCA-SVM算法应用于人脸识别系统，不仅缩短了数据计算的时间，又完成了人脸识别的目标。本文将此技术应用于工厂零件识别分类中，基于其计算量和识别率两点，在经典PCA基础上，提出分块PCA算法，以提高零件图像的识别率及识别速度[5]。利用PCA算法能够有效排除特征数据间的冗余信息，而采用分块PCA可进一步提取细节特征，提升算法识别率以及运行速度；采用SVM则是基于其处理非线性数据时具有的较理想的性能。

1 基于分块PCA-SVM算法的零件识别

零件识别时通过分块PCA对图像进行特征降维，提取出主特征向量，再将其送给SVM进行训练，并运用网格搜索法优化SVM参数，然后实现零件的自动分拣。分块PCA-SVM算法具体流程如图1所示。

图1 分块PCA-SVM算法流程

1.1 PCA算法

PCA是将图像的高维数据压缩成低维数据(即无相关性的主成分向量),去除掉具有相关性的冗余信息及噪声，提取后的主成分特征要尽可能地代表原图像数据。……