基于Matlab的RBF网络的带钢表面缺陷的识别与分类研究

采用灰度直方图特征、灰度共生矩阵特征和小波变换特征相结合的提取方法,在提取特征向量的基础上,基于Matlab6.5环境下的神经网络工具箱,应用了兼顾识别速度与分类准确性的RBF神经网络分类器对带钢表面缺陷进行识别与分类,通过试验数据的分析,证明此算法可以作为高速生产线的带钢表面缺陷的实时检测优选方案.     

基于Mallab的RBF网络的带钢表面缺陷的识别与分类研究

采用灰度直方图特征、灰度共生矩阵特征和小波变换特征相结合的提取方法,在提取特征向量的基础上,基于Matlab6．5环境下的神经网络工具箱,应用了兼顾识别速度与分类准确性的RBF神经网络分类器对带钢表面缺陷进行识别与分类,通过试验数据的分析,证明此算法可以作为高速生产线的带钢表面缺陷的实时检测优选方案。     

基于多方位感知的带钢表面缺陷长尾分类方法

缺陷分类在带钢生产中扮演着重要的角色。但由于工业数据集的长尾分布和带钢缺陷的复杂性,现有的带钢表面缺陷检测方法仍然有待改进。文中提出了一种基于多方位感知的长尾分类方法(MDPLC,multi-directional perception of long-tail classification)去解决带钢表面缺陷的长尾分类问题。首先,通过全局和局部图像的多输入来实现模型的多方位感知策略。其次,采用共享层与个性化层结合的三联体网络架构来分别提取多输入的特征,在有效减少计算参数的同时保证特征的多样性。最后,将部分浅层网络的特征与深层特征融合,增加模型对多尺度缺陷的感知能力。实验结果表明：MDPLC在X-SDD热扎带钢表面缺陷数据集上的平均精度达到了97.71%,优于其他对比模型,验证了该方法的有效性和鲁棒性。     

基于BP神经网络的带钢表面缺陷的识别与分类

运用神经网络处理非线性问题的优势，将其应用于带钢表面缺陷的识别与分类研究。本文采用灰度共生矩阵的特征提取，提出了基于BP神经网络进行缺陷识别与分类的方法，编制了带钢表面缺陷的识别与分类软件。分类测试表明，该软件有较好的识别与分类效果。     

PNN与BP神经网络在钢板表面缺陷分类中的应用研究

针对钢板表面缺陷图像信噪比低、特征复杂多变而导致现有的钢板表面缺陷模式识别与分类方法存在的实时性差、精度低、适应性差等问题,研究了基于人工神经网络的分类器,以实现对钢板表面缺陷进行实时有效的分类识别。根据钢板表面划痕、麻点、夹杂、锈蚀、辊印5类缺陷的特点,从缺陷图像信号中提取了几何特征、灰度特征和Hu矩特征,选取了能够比较全面表征缺陷特征信息的13维特征向量作为神经网络的输入数据,为缺陷识别和分类提供了依据。分别构造了概率神经网络PNN和BP神经网络分类器,对钢板的表面缺陷进行了分类测试,并对测试结果进行了对比分析。实验结果表明,PNN和BP神经网络的识别率分别为87%和81%。PNN在识别准确率、训练速度、追加样本的能力等几方面的综合性能优于BP神经网络。     

基于改进ResNet模型的轴承沟道表面加工缺陷分类

轴承沟道表面缺陷具有细节丰富但特征不突出的特点,传统的特征提取方法进行缺陷分类时存在建模困难、分类准确率低的弊端,因此使用改进残差网络(ResNet)实现轴承沟道表面缺陷的高精度分类.以卷积神经网络为基础模型架构,使用残差块作为主要特征计算方法,在深层网络中融入Inception模块进行特征降维和拼接以获取更多的图像细...     

改进组合分类器的冷轧带钢表面缺陷识别研究

针对表面缺陷种类多样、形态复杂的冷轧带钢,若采用单一分类器识别分类,会存在对个别缺陷不敏感、识别率低的情况,且会导致分类器处理特征数据规模过大,系统的鲁棒性和稳定性很难得到保证。为此提出基于改进组合分类器的冷轧带钢表面缺陷识别方法,将优化BP神经网络、概率神经网络以及改进的支持向量机进行组合,利用分类信息的互补性进行综合分类,从而构建了较优的分类系统。实验结果表明:改进组合分类器弥补了单个分类器网络训练的不足;针对每一类缺陷识别时准确率都较高,能增加整体分类器的泛化能力,整体识别正确率可达95%以上,且识别高效、稳定,具有实用价值。     

版图分类法在带钢表面缺陷识别中的应用研究

针对现有带钢表面缺陷模式识别分类器所用算法的不足,提出了一种新型的分类算法——版图法。该算法结构简单,在时间消耗较少的情况下,具有更高的识别精度和更好的适应性。类别众多、形态复杂、类别边界交叠的带钢表面缺陷图像分类实验所得结果令人满意。     

基于轻量级卷积神经网络的带钢表面缺陷识别

带钢表面缺陷识别对促进带钢生产质量提升至关重要。然而传统的图像处理与识别方法存在精度不高、且容易受到光线等因素影响;而新兴的基于深度学习的算法,则存在模型参数量大且难以部署等问题,无法在实际生产中得到广泛应用。本文提出了一种轻量级部分深度混合可分离网络(PDMSNet)用于解决以上问题,由于其模型小以及浮点型运算(FLOPs)少更易于部署在资源受限的平台。采用标准的带钢表面缺陷数据集NEU-CLS的测试结果表明,与其他缺陷分类器相比,在带钢表面缺陷检测方面,本文所提出的模型性能更加优越。识别准确率达到了99.78%,而参数量只有0.17 M以及272 M FLOPs,在单一低端的GeForce MX250图形处理单元(GPU)识别一张图片平均时间为0.47 ms,可以满足工业现场实时检测的要求。     

基于模型自优化的带钢表面缺陷语义分割研究

针对当前带钢表面缺陷检测方法存在着检测速度低、检测判别特征提取不充分以及模型人工调参主观性强等技术性瓶颈问题,开展了基于模型自优化的带钢表面缺陷语义分割方法研究。在模型优化上,使用实体卷积替代原有的膨胀卷积,解决了边缘伪成像的问题,并且使用轻量化通道注意力机制模块,捕获了通道之间的依赖关系。构建了基于智能优化算法的关键超参数优化策略,使用改进全局搜索能力的麻雀搜索算法对模型整体的超参数组合进行寻优,选择影响效果最好的超参数,最终实现了自适应优化的带钢缺陷检测功能。在东北大学热轧带钢表面缺陷数据集上进行了实验,通过实验验证了该方法对夹杂、斑点和划伤等表面缺陷自动提取的可行性和有效性,满足了低配置、高性能的检测需求。     

基于组合特征降维聚类算法的板带材表面缺陷检测

针对现有板带材表面缺陷检测方法中存在的分类识别率不高、对误识缺陷和新缺陷类别不能有效处理等不足,提出了板带材表面缺陷组合特征的降维聚类识别算法.实验结果表明,该方法对六类典型缺陷有较好的识别效果,并能通过学习扩展识别新的缺陷类别.     

冷轧板表面起皮缺陷研究

为了提高冷轧薄板的成材率,研究了冷轧薄板表面条痕缺陷的宏观和微观特征,提出夹杂物、铸坯表面裂纹、气泡是形成表面缺陷的主要原因.严格工艺操作可减少或消除缺陷.     

神经网络在非石棉垫片分类中的研究

提出运用神经网络的分类方法来对已知的15种非石棉垫片的配方数据进行分类。分别运用神经网络中的PNN,LVQ和SOM神经网络对其进行分类。结果表明,PNN神经网络和LVQ神经网络在所提供的数据中均能进行有效的分类,而SOM的分类结果则不太理想。     

基于LVQ网络算法的目标分类方法

随着机器人技术的不断发展,构建未知空间的环境地图以成为移动机器人技术中具有挑战性的研究课题.自主环境建模体现了机器人的感知能力和智能水平,在实际应用中具有十分重要的意义.文章研究了学习矢量量化算法在智能机器人对环境障碍物识别中的应用以及噪声、振幅、声纳TOF数据的偏移、距离以及目标体(锐角和边角)的角度等因素对系统分类性能的影响.实验表明,该方法对上述各种影响因素具备一定的鲁棒性,从而使得移动机器人能够在较大的距离范围内快速、可靠地识别室内各种典型障碍物.     

基于LVQ网络的液压系统故障诊断方法研究

针对液压系统故障诊断的复杂性,阐述了基于LVQ算法进行液压系统故障诊断的基本原理,并以某型导弹转载车的下车液压系统为例进行了仿真验证。仿真结果表明,该方法具有良好的故障模式识别能力,对一般的液压系统具有良好的适用性。     

基于改进ACGAN的钢表面缺陷视觉检测方法

为提高小样本环境下钢表面缺陷检测精度,提出一种基于改进辅助分类生成对抗网络（Auxiliary classifier generative adversarial network,ACGAN）的钢表面缺陷检测方法。利用残差块优化ACGAN的网络结构,提高模型的特征提取能力;其次,为提高模型训练的稳定性,在网络的卷积层中添加谱范数归一化,防止模型异常的梯度变化;基于正-未标记分类的思想优化判别器的损失函数,提高生成样本的质量;同时,为缓解生成对抗网络的模式崩塌问题,在损失函数中添加梯度惩罚来约束判别器的梯度;通过生成器和判别器的对抗优化训练实现样本扩充。通过对钢表面缺陷数据集的试验,验证了提出的方法能准确有效地实现小样本环境下钢表面缺陷检测。与经典的SVM、ResNet50以及一些小样本分类模型相比,所提方法具有更高的检测精度。     

基于学习矢量量化神经网络的气固两相流流型识别

管流截面流型作为描述气固两相流的重要参数之一，极大地影响着两相流动压力损失和传热传质等特性，同时还影响着其他参数(如流量、分相含率等)的准确测量以及流动系统的运行特性。传统的检测方法由于难以获得能真正反映流型的管道截面局部分布的实时信息，在工业应用中受到了限制。有鉴于此，在光学层析成像技术的基础上，提出了一种基于学习矢量量化神经网络的气固两相流流型识别方法，详细介绍了这种网络的结构、学习算法、训练样本集的确定等。通过计算机仿真，实验结果表明此方法对于气固两相流的8种流型能有较好的识别能力，为两相流参数检测提供了一种新的思路与方法。     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

基于Elman网络的切削表面粗糙度预测方法

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,讨论神经网络非线性、多因素预测原理及其拓扑结构的基础上,提出利用Elman神经网络建立切削表面粗糙度预测模型的方法;在Matlab及其神经网络工具箱的基础上,采用Elman神经网络对铝6061切削表面的粗糙度进行训练、预测、分析.结果表...     

基于改进BP网络的指纹分类

利用遗传算法具有的全局随机搜索能力,设计了一个改进的BP学习算法进行网络训练,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练.利用Visual c++编程测试,结果表明,该系统具有分类速度快、效率高的优点,具有一定的实用性.