基于图像处理和支持向量机的玉米病害识别

应用计算机图像处理技术和支持向量机分类方法研究了玉米叶部病害的识别,以提高识别的准确性和效率.对采集到的玉米病害彩色图像采用矢量中值滤波法去除噪声,然后提取基于色度的玉米病害图像的彩色纹理特征,并用支持向量靠机的模式识别方法来识别玉米病害.实验结果表明该模型对3种玉米病害的平均正确识别率为87.5%,即使在分类样本较少时,也具有良好的分类能力和泛化能力,适合于玉米病害的分类.     

一种基于不变矩和SVM的图像目标识别方法

本文提出了一种利用不变矩和支持向量机(SVM)对图像目标进行识别的方法.该方法提取目标的6个不变矩作为特征矢量,应用SVM方法对其进行分类识别.结果表明,这一方法对仅含有目标和背景的图像具有很好的分类识别能力.此外,还发现图像二值化取值范围对识别结果有直接的影响.     

一种新的轮胎激光散斑检测缺陷识别方法

在轮胎缺陷识别系统中,提出将轮胎ESPI缺陷图像灰度纹理特征和一种改进的Hu不变矩特征的组合作为特征因子,结合支持向量机的方法应用于轮胎ESPI缺陷图像的分类识别。理论分析和仿真实验表明使用Hu不变矩以及Hu不变矩和灰度纹理特征结合分类效果较好,总体识别率达到了96.7%。     

铁谱图像的彩色纹理特征提取与识别

纹理是铁谱图像的特征之一,但大部分的铁谱图像的纹理研究是以灰度图像为基础的,这样就丢失图像的彩色纹理信息。对铁谱图像的彩色纹理特征进行了提取,运用支持向量机的方法,对铁谱图像的磨粒颗粒进行了识别,试验结果表明,所提取的特征值,有利于磨损颗粒纹理的识别。     

大型复杂钢管焊接结构损伤识别方法研究

将支持向量机引入响应面重构计算中,利用支持向量机对小样本数据优秀的拟合和泛化能力,提出了一种最小二乘支持向量机响应面新方法,并将其应用于大型钢管焊接结构的模型修正及损伤识别中。对最小二乘支持向量机响应面的核函数进行了加权,提出一种综合了一次多项式核函数的线性模拟能力和高斯核函数非线性拟合能力的线性-高斯组合核函数。同时对训练样本进行了尺度变换,并对训练样本的选择方法进行了改进。通过损伤识别数值仿真及实验验证,与传统灵敏度方法进行了对比,结果表明改进响应面方法的识别效果更好,且收敛性及精度也大大提高了,为解决大型复杂结构的损伤识别问题提供了新的思路。     

基于混合核函数支持向量机的齿轮诊断方法研究

支持向量机是一种基于统计学习理论的新型机器学习方法,它具有在训练样本很少的情况下达到很好的分类效果的优点.把支持向量机技术应用于齿轮故障诊断,通过预先使用局部、全局核函数支持向量机的分类结果适当选取各自在混合函数中的权重,来作为混合核函数进行支持向量机分类.实验和数据分析证明,使用混合核的支持向量机比单独使用全局或局部...     

基于离散Curvelet变换和LS-SVM的虹膜特征提取与识别

提出了一种基于离散曲波变换和最小二乘支持向量机(LS-SVM)的虹膜特征提取与分类识别的新方法。对虹膜纹理采用离散Curvelet变换,提取低频子带系数矩阵的均值方差和高频子带能量作为虹膜图像的特征向量,利用最优二叉树多类LS-SVM分类器进行分类与识别。MATLAB仿真实验结果表明,与现有方法相比,该算法识别准确率较高,能有效应用于身份认证系统中。     

基于图像不变矩和SVM的机械零件分类识别

为了实现机械零件的分类识别,本文采用了不变矩与支持向量机(SVM)相结合的方法。提取了图像的HU不变矩和仿射不变矩,通过交叉验证算法进行SVM核参数和惩罚因子的参数寻优,为了提高SVM分类器的分类性能,采用有向无环图(DAG)方法设计多类分类器,实现了零件的分类。通过实验验证了本文提出的算法并对实验结果进行了分析。     

基于集成学习的铸件缺陷识别方法

针对铸件图像噪声多和对比度不足引起的缺陷识别困难的问题,文中提出了一种基于集成学习的铸件缺陷识别方法。首先,该方法采用灰度变换法、双边滤波以及自适应图像分割法对铸件图像进行预处理。然后,通过提取方向梯度直方图（Histogram of Oriented Gradients, HOG）特征、不变矩特征和局部二值模式（Local Binary Pattern, LBP）纹理特征构建全信息特征集,并结合支持向量机递归特征消除（Support Vector Machine-Recursive Feature Elimination, SVM-RFE）算法筛选铸件缺陷敏感特征。最后,利用Adaboost-RF（Adaptive Boosting-Random Forest）方法构建铸件缺陷识别模型。对比实验结果表明,该模型不仅可以有效提取缺陷敏感特征,而且相较于其他分类器具有更好的分类性能和泛化能力。     

滚动轴承故障小波核函数SVM分类识别研究

支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。