田，作为参照，采用控制变量的方法，使得和不变，改变期望启发因子的值。图所示的是当时的运行结果，图所示的是当时的运行结果。从检测结果中可以看出，随着值变大，算法的收敛性能有变差的趋势，导致蚁群搜索最佳路径的随机性减弱，其图像检测边缘边模糊。越大，它所在的状态转移概率就越接近贪心规则，所导致的结果是检测出来的边缘信息不够完整。图第九组基于蚁群算法的图像边缘检测运行结果信息素挥发因子对蚁群算法的影响具有两面性，它表示的是信息素随着时间推移的挥发程度。第九组数据控制和不变，改变信息素挥发因子的值。从图中可以看出，的改变使得之前第组数据未被检测出的边缘被检测出来了，然而也消失了部分的边缘。信息素挥发因子值的改变并没有从很大程度上影响图像的边缘。上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测，，，，图第十组基于蚁群算法的图像边缘检测运行结果根据上文对蚁群算法参数的对比研究，将参数设置为，，得出的检测效果最佳，并且边缘像素较宽，如图所示。与传统方法的比较本文将蚁群算法与传统的边缘检测算子进行比较。传统边缘检测算子的实验结果如图所示上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测图各种边缘检测算子检测结果算子使用局部差分方法甄别边缘，对和方向的边缘检测效果不错，边缘定位比较准确，但遗失边界比较容易发生，并且因为没有对成像采用平滑处理，所以干扰的能力并不良好。算子针对算子容易受到干扰的缺陷，所采用的算法是先进行加权平均，然后通过微分运算，从而使干扰的算子具有良好的抗干扰能力，筛选步骤边缘可以得出缘上的至少两个像素。类似算子可以得到边缘的相对精确位置和去向。然而，由于采用了局部平均的方法，这导致检测结果比较轻易出现多像素宽上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测度和遗失边缘。与算子和算子拥有相似的方法，它们都是通过局部差分平均的方法来寻找边缘的，这反映三对中的像素的像素值的概念上的差异的平均的边缘。所以此算子具有良好的抗噪性，但是假边界也不能完全忽视，使得边缘检测个多像素的易宽度。算子确定个阶跃边缘的精确定位，二阶微分算子的边缘的方向过于依赖的图像。这个算子对抗干扰能力不是很好，能使干扰的成分得到增加，这两个特点使该算子不能识别出边缘的方向性数据，造成些间断的凸边，所以该算子的抗干扰能力并不算很好。但是算子确定位置确切，我们可以发现它个很好的优势。算子做的图像高斯平滑化处理，然后拉普拉斯边缘检测，从而有效地克服了拉普拉斯算子与差的抗干扰能力和缺点，不过该算子的操作的同时干扰可以比较平滑原始尖锐的边缘，结果不会显示边缘。此外，高斯函数中参数的选择是特别重要的。对较高频率的抗干扰作用会随着的变大而变大，通频带变窄，能够使得虚假边缘不易被检出，但该问题是由边缘引起被平滑，从而产生的些边缘点的损失。相比之下，更少的带宽被确定扩大图像细节在更高的频率，很容易识别，但抗干扰性能下降，容易出现假边缘的可能。算子通过算出值，确定的八个方向上的平均差，从而使边缘检测，以获得良好的结果。该算子能够甄别边缘的方向性数据，有很好的对边缘的抗干扰作用。它可以保持细化的图像，但开始得到的图像边缘是粗糙的，大部分的应用中，阈值的方法来得到更清晰的边缘图像。然而，加工后的图像，很容易从梯度值较小的弱边缘丢失。即使算子是从思维和创新优化检测而得，但实际效果并不定是最好的。操作类似于算子，使用相同的图像，从而使高斯平滑，因而有有更好的抗干扰能力和更好的鉴定边缘连接器的，定位精度的边缘。该算子使用双阈值边缘检测和过尺度的接口测试，更好的搜索条件的方向。总结与展望本文提出了蚁群算法这仿生学算法，它是根据蚂蚁的性质，能够在自然界中找到食物与蚁巢间最短路径这智能行为而提出的种新型的进化算法，并提出了新的上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测边缘检测方法。通过系列的仿真实验改变参数值，得到了较佳的实验效果。实验结果表明，合适的参数值，可以成功的测试了图像中的边缘。与传统边缘检测算子相比，该算法具有强烈的鲁棒性，良好的正反馈特性和灵活的适应性，且能够快速收敛。作为这项研究的延续，建议进步检查参数值如何影响图像边缘的提取质量以及功能。蚁群算法目前已广泛应用于图像处理中，却仍旧存在些需要改进的地方。用适当的方式表达在将图像处理问题转换为蚁群算法的区域问题上。对于如何选择人工蚂蚁以及蚂蚁间路径上的信息素对象的分布状态等这些非直接通信的其他项目之间的合适的选择，这些问题都妨碍了使用蚁群算法来进行图像边缘检测。利用蚁群算法进行边缘检测时需要设置大量参数，这些参数的选择会显著影响检测结果，其知道的原则和方法以及迎战还没选择好合适的理论上，只能通过大量实验进行调整和比较，从而决定最佳参数的设置。由于蚁群算法展开搜索需要花费大量的时间，可以想出个蚁群优化算法来解决这方面的问题，例如将蚁群算法与其他优化算法诸如遗传算法免疫算法等相结合，以此提高算法性能，这样改善后的算法就可以用于求解决些复杂的问题图片。时至今日，蚁群算法仍然在不断改进和其在图像处理中地位的发展，特别是边缘检测将逐渐增加，上述些问题将得到解决。为了解决上述问题，有可能同时促进在更广泛的领域中的蚁群算法的发展，扩大其应用。由于蚁群算法的依赖，奠定长远发展基础，现已成为学术研究的焦点。随着计算机应用等技术的发展，不断提升和持续优化算法会使蚁群算法检测图像边缘有更好的机会。上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测参考文献张景虎,郭敏,王亚文基于改进的蚁群算法的图像边缘检测方法研究计算机应用，年期张景虎基于蚁群算法的图像边缘检测研究陕西陕西师范大学，邓祥龙图像边缘检测算法研究合肥工业大学，贾磊,焦淑红图像边缘检测技术研究综述科技风，年期,刘海军,彭绍雄,高传斌,邹强种基于信息素变化的改进蚁群算法兵工自动化，年期苗京,黄红星,程卫生,袁启勋基于蚁群模糊聚类算法的图像边缘检测武汉大学数学学院，年第期于勇,郭雷噪声图像中提取边缘的蚁群搜索算法电子与信息学报朱玲,施心陵,刘亚杰,溪基塞杆的尺寸要满足活塞或液压缸运动的要求和强度要求。对于杆长大于直径的倍以上，按拉压强度计算昆明理工大学学士学位论文设计中活塞杆取材料为碳刚，故，活塞直径现在进行校核。结论活塞杆的强度足够。本章小结本章设计了机械手的手臂结构，手臂采用双导杆手臂伸缩机构，对驱动的液压缸的驱动力进行了详细的计算，并对液压缸的基本尺寸进行了设计。机身的设计计算机身的设计计算机身是直接支撑和驱动手臂的部件。般实现手臂的回转和升降运动，这些运动的传动机构都安在机身上，或者直接构成机身的躯干与底座相连。因此，臂部的运动越多，机身的机构和受力情况就越复杂。机身是可以固定的，也可以是行走的，既可以沿地面或架空轨道运动。机身的整体设计按照设计要求，机械手要实现手臂的回转运动，实现手臂的回转运动机构般设计在机身处。为了设计出合理的运动机构，就要综合考虑，分析。机身承载着手臂，做回转，升降运动，是机械手的重要组成部分。常用的机身结构有以下几种回转缸置于升降之下的结构。这种结构优点是能承受较大偏重力矩。其缺点是回转运动传动路线长，花键轴的变形对回转精度的影响较大。回转缸置于升降之上的结构。这种结构采用单缸活塞杆，内部导向，结构紧凑。但回转缸与臂部起升降，运动部件较大。活塞缸和齿条齿轮机构。手臂的回转运动是通过齿条齿轮机构来实现齿条的往复运动带动与手臂连接的齿轮作往复回转，从而使手臂左右摆动。分析经过综合考虑，本设计选用回转缸置于升降缸之上的结构。本设计机身包括两个运动，机身的回转和升降。如上图所示，回转机构置于升降缸之上的机身结构。手臂部件与回转缸的上端盖连接，回转缸的动片与缸体连接，由缸体带动手臂回转运动。回转缸的转轴与升降缸的活塞杆是体的。活塞杆采用空心，内装花键套与花键轴配合，活塞升降由花键轴导向。花键轴与与升降缸的下端盖用键来固定，下短盖与连接地面的的底座固定。这样就固定了花键轴，也就通过花键轴固定了活塞杆。这种结构是导向杆在内部，结构紧凑。具体结构见下图。驱动机构是液压驱动，回转缸通过两个油孔，个进油孔，个排油孔，分别通向回转叶片的两侧来实现叶片回转。回转角度般靠机械挡块来决定，对于本设计就是考虑两个叶片之间可以转动的角度，为满足设计要求，设计中动片和静片之间可以回转。昆明理工大学学士学位论文图回转缸置于升降缸之上的机身结构示意图机身回转机构的设计计算回转缸驱动力矩的计算手臂回转缸的回转驱动力矩驱，应该与手臂运动时所产生的惯性力矩惯及各密封装置处的摩擦阻力矩阻相平衡。驱阻回惯惯性力矩的计算惯式中回转缸动片角速度变化量，在起动过程中昆明理工大学学士学位论文起动过程的时间手臂回转部件包括工件对回转轴线的转动惯量。若手臂回转零件的重心与回转轴的距离为，则式中回转零件的重心的转动惯量。回转部件可以等效为个长，直径为的圆柱体，质量为设置起动角度，则起动角速度，起动时间设计为。田，作为参照，采用控制变量的方法，使得和不变，改变期望启发因子的值。图所示的是当时的运行结果，图所示的是当时的运行结果。从检测结果中可以看出，随着值变大，算法的收敛性能有变差的趋势，导致蚁群搜索最佳路径的随机性减弱，其图像检测边缘边模糊。越大，它所在的状态转移概率就越接近贪心规则，所导致的结果是检测出来的边缘信息不够完整。图第九组基于蚁群算法的图像边缘检测运行结果信息素挥发因子对蚁群算法的影响具有两面性，它表示的是信息素随着时间推移的挥发程度。第九组数据控制和不变，改变信息素挥发因子的值。从图中可以看出，的改变使得之前第组数据未被检测出的边缘被检测出来了，然而也消失了部分的边缘。信息素挥发因子值的改变并没有从很大程度上影响图像的边缘。上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测，，，，图第十组基于蚁群算法的图像边缘检测运行结果根据上文对蚁群算法参数的对比研究，将参数设置为，，得出的检测效果最佳，并且边缘像素较宽，如图所示。与传统方法的比较本文将蚁群算法与传统的边缘检测算子进行比较。传统边缘检测算子的实验结果如图所示上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测图各种边缘检测算子检测结果算子使用局部差分方法甄别边缘，对和方向的边缘检测效果不错，边缘定位比较准确，但遗失边界比较容易发生，并且因为没有对成像采用平滑处理，所以干扰的能力并不良好。算子针对算子容易受到干扰的缺陷，所采用的算法是先进行加权平均，然后通过微分运算，从而使干扰的算子具有良好的抗干扰能力，筛选步骤边缘可以得出缘上的至少两个像素。类似算子可以得到边缘的相对精确位置和去向。然而，由于采用了局部平均的方法，这导致检测结果比较轻易出现多像素宽上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测度和遗失边缘。与算子和算子拥有相似的方法，它们都是通过局部差分平均的方法来寻找边缘的，这反映三对中的像素的像素值的概念上的差异的平均的边缘。所以此算子具有良好的抗噪性，但是假边界也不能完全忽视，使得边缘检测个多像素的易宽度。算子确定个阶跃边缘的精确定位，二阶微分算子的边缘的方向过于依赖的图像。这个算子对抗干扰能力不是很好，能使干扰的成分得到增加，这两个特点使该算子不能识别出边缘的方向性数据，造成些间断的凸边，所以该算子的抗干扰能力并不算很好。但是算子确定位置确切，我们可以发现它个很好的优势。算子做的图像高斯平滑化处理，然后拉普拉斯边缘检测，从而有效地克服了拉普拉斯算子与差的抗干扰能力和缺点，不过该算子的操作的同时干扰可以比较平滑原始尖锐的边缘，结果不会显示边缘。此外，高斯函数中参数的选择是特别重要的。对较高频率的抗干扰作用会随着的变大而变大，通频带变窄，能够使得虚假边缘不易被检出，但该问题是由边缘引起被平滑，从而产生的些边缘点的损失。相比之下，更少的带宽被确定扩大图像细节在更高的频率，很容易识别，但抗干扰性能下降，容易出现假边缘的可能。算子通过算出值，确定的八个方向上的平均差，从而使边缘检