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,溪基外载荷有多少，包括若干个向下的载荷和若干个水平载荷，总可以简化成四个力个沿回转中型铅垂项下的力，个沿水平支承轮滚子的水平力，个绕回转中型的力偶及个作用在铅垂面的力偶矩，其中绕回转中心的力偶，由回转机构的电动机转矩或制动器的转矩平衡，铅垂力以及力偶由回转装置支承。各力的分析计算如下。提升机自重的计算总质量旋转臂架重量垂直力及倾覆力矩的计算图回转臂简图因为在确定回转支承装置的动态容量计算载荷时，要选取最不利工况。回转支承装置的静态容量按提升机静载荷试验工况进行计算，此时不计风力，仅考虑试验载荷时的最大工作载荷，水平载荷较小忽略不计，所以有式中最大额定载荷旋臂重力其它回转部分重力，。带入参数到公式中得支承反力的计算采用如图所示的定柱支承装置，支承高，滚道直径，采用前后两组滚轮装置，前后两组滚轮的中心夹角为。每组两只滚轮，计八支。上支承采用球面推力轴承。推力轴承的载荷式中为水平力，此时水平力只计风力，假设室内无风，所以。每组水平滚轮的反力轴承寿命的计算根据机械设计手册选择轴承型号为右轴承采用型号，左轴承采用型号，提升机工作时悬臂上的力为，轴承的径向载荷轴承内部轴向力查机械设计手册得所以计算轴承当量动载荷查机械设计手册得到，查机械设计手册得到，查机械设计手册得到当量动载荷所以轴承寿命满足要求。键连接强度的检核卷筒和减速机之间采用键连接，假定载荷在键的工作面上均匀分布，普通平键连接强度条件为查各运动点的润滑情况，并定期向各润滑点加注润滑油脂。润滑部位卷筒轴承座中的轴承吊钩滑轮固定滑轮和其它部分滚动轴承齿轮联轴器制动器及其它操作系统的活动销轴减速器齿轮钢丝绳。润滑注意事项保持润滑油脂的洁净选用适宜的润滑油脂按规定时间进行润滑详见润滑标准表采用压力注脂法用油枪或油泵，旋盖式的油杯添加润滑脂，这样可以把润滑脂挤到摩擦面上，防止用手抹时进不到摩擦面上各机构没有注油点的转动部位，应定期用稀油壶在各转动缝隙中，以减少机件的摩擦和防止锈蚀。钢丝绳必须按时正确的润滑，润滑前应用浸有煤油的抹布清洗旧部分的载荷传递给固定部分。在提升机主要使用柱式和滚动轴承式回转支承装置。下面介绍滚动轴承式和柱式回转支承装置。滚动轴承式回转支承装置提升机回转部分固定在大轴承的回转座圈上，而大轴承的固定座圈则与底架或门座的顶面相固结。常用的滚动轴承式回转支承装置按滚动体形状和排列分为下面四种结构。单排四点接触球式回转支承它由两个座圈组成，其滚动体为圆球形，每个滚动体与滚到呈四点接触，能同时承受轴向力，径向力和倾覆力矩。适用于中型提升机。双排球式回转支承它有三个座圈，采用开式装配，上下两排钢球采用不同直径以田，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