工业视觉检查系统按使用功能不同大致可分为检查、定位和装配三类。本系统属于检查类,即对工业零件或商品进行分类、识别并判别合格与否。在工业生产中,环境和照明条件的确定性使得快速准确地判别、分类零件或商品的想法成为可能,本系统就是在这种想法下应运而生。系统采用图像传感器摄取原始图像,避免了与对象的直接接触和人工检查;利用VC 编制图像处理部分,识别算法采用人工神经网络,根据工业零件的形状设计出可模拟多种函数的非线性映射。在识别系统中提取适合的特征是困难并重要的。对于一幅待识别的数字图像,要想有效的提取它的特征,必须对它作一些必要的处理和分析。在图像识别中,常被选用的特征有图像幅度特征、图像统计特征、图像几何特征、图像变换系数特性等。其中直方图特征、统计性特征、面积、周长、分散度、伸长度等是本课题选取的特征,压缩这些特征作为输入样本训练神经网络。对于训练好的神经网络输入特征可分类图像,从而达到识别的目的。在各种神经网络的模型中,模式识别中应用最多也是最成功的当数多层前馈网络,其中又以采用BP 学习算法的多层感知器(BP 网络)为代表。由于网络采用的是监督学习方式进行训练,因此只能用于监督模式识别问题。虽然BP 神经网络在应用中取得了一定的成功,但它仍然存在很多缺陷。如:训练时易陷入局部极小、收敛速度慢、隐结点个数难以确定等。本文针对传统BP 神经网络的特点,为了提高神经网络识别的速度及实用性,提出了一种动态调整网络结构的改进网络模型,给出了这一模型在应用中的算法。实验结果表明:与传统的BP 神经网络比较,改进网络的初始权值的选取相对容易,有效的降低了陷入局部极小的可能,提高了网络收敛和识别的速度。网络采用多输出型编码识别方案,具有一定的自适应特性。