PSO_SVM算法在太阳能电池板裂缝缺陷检测研究

针对太阳能电池板在生产过程中出现的裂缝问题,在太阳能电池板缺陷数据集有限的条件下,提出应用粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machines, SVM)的太阳能电池板裂缝缺陷检测算法。首先,为减少图像采集过程中由电致发光(electroluminescence, EL)检测产生的光照分布不均影响,对太阳能电池板组件图像进行Retinex增强处理;其次,在频域上利用Gabor变换对图像进行纹理特征提取,以获取裂缝特征;最后,将各个太阳能电池板组件的纹理特征经主成分分析法(principal component analysis, PCA)降维后输入到PSO_SVM系统中进行分类识别。应用该方法对600幅太阳能电池板EL图像进行实验,仅有1幅出现误检,分类识别准确率为99.33%。将该算法与决策树分类、极限学习机、卷积神经网络及SVM算法进行对比实验,PSO_SVM获得最高识别准确率。     

基于改进Faster R-CNN的太阳能电池板缺陷识别

太阳能在可再生能源中扮演越来越重要的角色,但是积灰和鸟粪等影响因素会降低太阳能电池板的发电效率,针对太阳能电池板的缺陷识别十分重要,为此基于改进的FasterR-CNN(fasterregion-basedconvolutionalneural network)算法对太阳能电池板的缺陷识别进行研究。网络的改进内容如下：实验样本量较少,首先采取了色域转换、旋转等操作以及mosaic数据增强方法,将主干网络替换为效果更好的RestNeSt-50网络;由于检测目标中积灰和鸟粪目标尺寸相差较大,采取了目标尺寸均衡策略;为了使分类和回归任务独立学习,采用了参数不共享双分支策略;并采用了Cosine学习率策略避免网络陷入局部最小值。以上改进方法使得评价指标平均准确率(mean average precision,m AP)值从基准模型的78.91%提升至94.05%。最后成功将单个太阳能电池板从无人机拍摄的图像中提取并修正角度,同时利用改进的FasterR-CNN算法进行缺陷识别,结果表明所提方法可以更准确地识别出积灰和鸟粪等缺陷。     

基于多尺度纹理特征的EPR电缆终端故障诊断方法

高速铁路列车中乙丙橡胶(EPR)电缆终端常因制作过程中操作不当而导致出现多种缺陷,造成终端局部放电甚至击穿的现象,对检测到的局部放电信号进行准确分类仍然是亟待解决的难题。分别制作了含尖端、环切划伤、金属微粒、气隙4种典型缺陷的终端试样,通过试验记录了各类试样的放电谱图信息。基于试验得到的局部放电谱图库,提出通过图像金字塔理论,构建多尺度局部放电谱图空间,并从中提取1阶纹理统计量、2阶纹理统计量及高阶纹理统计量作为缺陷类型识别的特征参量。同时,结合随机森林算法,基于gini指数完成了特征空间寻优工作,实现了对缺陷类型的正确分类。结果表明：通过随机森林算法,多尺度纹理特征的模型误差率和分类准确率明显优于单尺度纹理特征,能较好地对终端典型缺陷进行分类;同时,由于气隙缺陷和划伤缺陷的放电机理存在相似性,二者缺陷处的局部放电特征同样存在相似现象,因此气隙缺陷和划伤缺陷的分类较易出现误差,导致其识别率偏低,还需针对其图像特征参数和识别算法继续开展研究。     

基于改进HOG和SVM的苹果多目标检测方法

针对传统算法在自然环境下对小果实目标识别能力差,检测模型识别精度低的问题,提出了一种基于改进方向梯度直方图(HOG)和支持向量机(SVM)的苹果检测算法。该方法采用HOG算法提取苹果目标形状以及纹理的浅层特征,在特征提取部分加入Focus+CSP级联模块进行深层特征提取。同时引入特征金字塔(FPN)获取多尺度特征图并与HOG特征融合,获得更多小分辨率的信息,加强检测效率。最后对SVM进行训练,获得苹果检测分类器,在预测过程加入非极大值抑制输出预测值高的检测图。通过实验得到算法的识别准确率平均值达到90.46%,与原始HOG+SVM算法相比准确率提高了8.54%。证明了训练好的苹果分类器可以在复杂环境下准确地进行苹果检测。     

基于LeNet-5模型的太阳能电池板缺陷识别分类

太阳能电池板是光伏发电组件的核心部件,其质量的优劣直接关系安全发电和发电效率。因此,对太阳能电池板进行缺陷检测具有重要的实际价值。考虑到人工检测的低效性和高成本,本文提出利用在深度学习领域图像分类性能良好的卷积神经网络对太阳能电池板图像进行自动识别分类。利用Tensorflow平台Tensorboard的可视化性能,对经典卷积神经网络Le Net-5模型进行结构改善和超参数的调整,并将改进LeNet-5模型与经典LeNet-5模型和支持向量机的分类结果互相对比,结果表明改进LeNet-5模型的分类效果最优。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。     

基于属性剖面和支持向量机的遥感图像检索

围绕形态学属性剖面和SVM分类算法相结合进行遥感图像特征匹配和检索展开研究,提出了基于属性剖面(attribute profiles,APs)和支持向量机(support vector machine,SVM)的遥感图像检索方法。首先,对遥感图像进行形态学属性滤波;接着对滤波后图像提取灰度特征和 Gabor纹理特征;最后,在提取的特征基础上,使用 SVM对候选图像进行预分类,判断待检索图像类别;再从该类别中根据距离度量选择相似度高的图像以完成检索。实验表明,所提方法具有较好的检索性能。     

LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

基于灰狼优化算法的SVM的图像噪声识别

对噪声图像进行噪声类型识别,是对噪声图像进行有针对性去噪的关键技术之一。支持向量机（SVM）是一种基于统计学习理论适用于有限样本情况的分类方法,而且它的分类能力很大程度上取决其相关参数。提出一种基于灰狼优化算法(GWO)的SVM分类方法,将GWO应用在SVM的参数寻优中,从而获得最优的分类模型;同时将该方法应用于噪声图像的噪声类型识别实验,针对高斯、椒盐、斑点这3类噪声在目标图像上形成的噪声干扰图像,分别用90个和60个干扰图像数据作为训练集和测试集,提取Zernike矩、小波高频不显著系数子带能量比这两类特征值,利用GWA SVM分类器对干扰图像特征进行分类。实验结果表明,与传统的SVM分类器相比,GWA-SVM方法具有更好的分类准确率。     

基于 KPCA-SVM 的表面肌电信号疲劳分类研究

为了提高手臂疲劳模型识别的准确率,本研究在常用时域、频域特征的基础上,引入了时频域、非线性和参数模型特征,提取3通道的表面肌电信号,构成特征集合.特征降维一般分为特征提取以及特征选择,分别采用特征提取中的主成分分析(PCA),核主成分分析(KPCA)方法以及特征选择中的互信息(MI)度量方法进行特征降维,采用支持向量机(SVM)和K近邻(KNN)作为分类器,通过3种降维方法分与SVM和KNN的不同组合构成疲劳分类模型.结果 表明,KPCA与SVM的组合模型对于疲劳的正确识别率最高达到99％,高于其他组合算法.     

太阳电池红外诊断中亮暗现象的研究

在太阳电池质量检测过程中,红外诊断图像检测尤为重要。在红外诊断过程中,同一串的太阳电池的EL图常出现亮暗程度不一致现象,为了明确界限,确定何种EL图为企业所接受,将太阳电池的EL图像和IV测试参数结合起来,进行试验。研究表明,当太阳电池短路电流差值大于0.35 A,转换效率差值大于0.75%时,红外诊断图像的亮暗现象明显,这对于改进生产工艺,提高太阳电池质量具有指导意义。     

基于特征算法的塔式光热电站镜场云识别技术研究

地表太阳辐照度是塔式光热电站稳定运行的关键影响因素。针对电站镜场云层遮挡会影响地表辐照度数值，带来设备安全与集热量之间的矛盾问题，利用全天空成像仪对镜场上空云层进行实时监测。结合Otsu、Surf和HOG算法，提出颜色、边缘和纹理组合视觉特征算法。根据真实采集云层图像对所提组合算法与单一算法进行准确率对比分析。结果表明，组合算法对各类云状识别准确率远高于单一算法，验证了所提方法的有效性和优越性。     

数字图像的纹理特征提取与分类研究

本文提出了一种基于Gabor小波和灰度共生矩阵进行数字图像特征提并与支持向量机模型相结合的纹理分类算法。首先分别利用Gabor变换和灰度共生矩阵提取数字图像的特征,进而利用支持向量机算法实现图像的训练和分类。实验结果表明,与传统的分类方法相比,这种通过Gabor小波和灰度共生矩阵得到数字图像的特征并与支持向量机相结合的方法能有效地提高分类正确率。     

基于遗传优化的多级SVM语音情感识别

针对语音情感识别中特征维数高、识别率较低的问题,提出利用遗传算法进行特征降维,并构建二叉树结构的多级支持向量机(SVM)分类器进行语音多类情感识别的方案.首先对语音信号预处理后提取常用的情感特征,由于涉及特征较多,存在数据的冗余,采用遗传算法对提取的特征进行优化筛选;然后使用选出的最具情感区分能力的特征训练二叉树结构的多级SVM分类模型.在包含7种情感的柏林情感语料库上进行实验,结果证明提出的语音情感识别方案的有效性.     

基于改进支持向量机的砂带磨损程度识别

为了准确判断砂带在磨削螺杆转子时的磨损程度,根据砂带磨损过程中表面图像颜色特征和纹理特征的变化规律,对砂带磨损程度进行识别。对磨削加工后砂带表面图像的纹理特征和颜色特征进行提取,根据不同磨削时间段螺杆转子表面粗糙度划分砂带磨损程度。支持向量机的分类性能受到自身核函数与惩罚函数的影响较大,因此提出利用天鹰优化算法对支持向量机的核参数与惩罚参数进行优化,建立AO-SVM砂带图像识别磨损程度模型。利用自主研发的螺杆转子专用砂带磨削装置完成实验。磨削参数设置如下：砂带线速度为10 m/s,工件轴向进给速度为50 mm/min,张紧轮的气缸压力为0.35 MPa,主动轮的气缸压力为0.5 MPa,磨削时间为25 min。AO-SVM对砂带磨损程度模型的识别准确率达到92.5%,比随机森林算法(RFC)和XGboost分类算法分别高出5.0%和3.6%,且收敛速度更快。AO-SVM模型可以通过砂带表面图像的颜色特征变化和纹理特征变化对砂带磨损程度进行识别,可以有效避免砂带磨损过度损伤工件,为砂带磨削螺杆转子时判断砂带的磨损程度和换带时间提供理论指导。     

基于BOA-SVM的劣化绝缘子红外图谱诊断方法

线路绝缘子是电力系统运行中的重要设备之一,准确判断绝缘子是否有缺陷问题,关系到整个电网的运行安全,为了提高故障诊断的准确率,本文提出了一种二进制支持向量机(SVM)分类器和贝叶斯优化(BOA)相结合的线路绝缘子故障诊断方法,用于绝缘子闪络过程中红外图谱的分类识别,通过提取绝缘子红外图谱中的方向梯度直方图特征,利用贝叶斯优化算法获得诊断模型的最优超参数来提高分类算法的准确率,并采用主成分分析法对提取特征进行降维来提高分类算法的效率。结果表明,采用贝叶斯优化支持向量机可以准确、有效地对绝缘子进行故障诊断,得到的分类模型比常用的网格搜索算法(GS)、随机搜索算法(RS)等算法准确率更高。     

Selective integration of local‐feature detector by boosting for pedestrian detection

An example‐based classification algorithm for pedestrian detection is presented. The classifier integrates component‐based classifiers according to the AdaBoost algorithm. A probability estimate by a kernel‐SVM is used for the outputs of base learners, which are independently trained for local features. The base learners are determined by selecting the optimal local feature according to sample weights determined by the boosting algorithm with cross‐validation. Our method was applied to the MIT CBCL pedestrian image database, and 54 subregions were extracted from each image as local features. The experimental results showed a good classification ratio for unlearned samples. © 2011 Wiley Periodicals, Inc. Electr Eng Jpn, 177(4): 12–22, 2011; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.21195