神经网络方法在冷轧带钢表面质量检测中的应用研究

针对冷轧带钢表面缺陷图像识别的特点，在小波变换提取特征的基础上，提出应用BP神经网络的非线性模式识别方法对其进行识别。对几种生产现场出现频率较高、危害严重的典型缺陷进行计算机实验研究，结果显示，该方法能对纹理变化复杂、规律性不强、图片质量较差的缺陷图像进行有效识别，具有更好的适应性。     

一种改进全变差正则化的Shearlet 自适应带钢图像去噪算法

目的有效去除生产现场所采集的带钢图像上的混合噪声。方法结合Shearlet变换具有较好的稀疏表示图像特征的性质与全变分各向异性扩散的优点,提出一种带钢图像去噪新算法。对Shearlet变换分解后的图像进行硬阈值处理,再进行Shearlet变换重构形成估计图像,采用改进自适应的变差正则化的极小化迭代模型对估计图像进行迭代修正。结果去噪后的图像具有很好的视觉效果,避免了伪吉布斯效应的产生。在强噪水平下,对比新模型与小波去噪,PSNR提高了约9 d B,均方差降低了约319。结论该方法获得了较好的峰值信噪比增益,使信号幅度有较高的保真度,具有更好的平滑噪声和边缘保持功能。     

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。     

一种新的冷轧带钢表面缺陷图像模式识别方法

针对传统的方法在冷轧带钢表面缺陷图像模式识别中存在的问题,提出了基于小波变换和遗传算法的模式识别方法。结合国内实例,对四种典型冷轧带钢表面缺陷图像进行了实验研究,实验结果表明,该识别方法能够对冷轧带钢表面缺陷图像进行有效识别。另外,还对识别率与训练样本数量的关系进行了研究。     

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。     

带钢表面缺陷的一种在线检测识别算法研究

为了有效提高在线带钢表面缺陷检测的识别率和 实时性,提出了一种优化的量子粒子群-径向基函数 (QPSO-RBF)网络的带钢缺陷分类识别算法。首先采用加权模糊C-均值聚类(WFCM)算法确定 RBF网络隐含层参 数,算法对带钢缺陷特征数据出现的团状分布与疏散分布问题能够达到很好的聚类划 分,避免对特征数据集等划分的趋势;然后采用QPSO算法对RBF网络的参 数编码成粒子个体,在全局空间中动态地搜索最优适应值的RBF网络参数,提高了网络的 学习性能,并建立了带钢缺陷分类识别的专家知识库。实验结果表明:本文算法可以自动获 得较 优的网络结构,收敛速度快,对带钢缺陷的平均识别率为94.63%,平 均误识率为3.0%,对测试 样本的识别时间为4ms,小于生产线上每张图片的采集周期 10ms,因此,可以为高速生产线上的带钢表面缺陷在线实时检测提供了有利条件。     

一种带钢表面缺陷识别与分类的研究——基于混合加权特征和RBF网络的方法

本论文中,采用灰度直方图特征、灰度共生矩阵特征和小波变换特征的提取方法,三种特征方法的结合能够很好的实现分类的目的。在提取特征向量的基础上,本研究基于MATLAB6.5环境下的神经网络工具箱,采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,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.