卷积神经网络在印刷品缺陷检测的应用

目的 为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法 提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果 对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论 经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。     

基于卷积神经网络的印刷品颜色缺陷检测

目的 提取样本图像颜色直方图特征对卷积神经网络进行训练,达到快速、高准确率检测图像颜色缺陷的目的.方法 将标准图像从RGB颜色空间转换至HSV颜色空间,通过改变图像H,S,V三分量值获取训练样本和测试样本;在HSV颜色空间中非均匀量化图像的颜色直方图,得到所有训练样本和测试样本的颜色直方图特征;利用样本图像颜色直方图特征训练卷积神经网络,然后对测试样本进行检测,研究检测的速度、准确率,并将该检测方法与逐像素、超像素、BP神经网络和支持向量机方法进行对比.结果 对于图片尺寸为512×512的彩色图像,卷积神经网络检测单幅图片的平均检测时间约为57.66 ms,训练样本图像为50000张时,卷积神经网络方法对10000张测试样本进行检测的准确率为99.77％.结论 卷积神经网络方法在保证高准确率的前提下大幅提高检测精度,对于印刷品色差缺陷在线检测具有良好的应用价值.     

印刷品缺陷在线检测算法的研究

介绍了基于数字图像处理的印刷品缺陷在线检测系统的原理和工作流程.提出了一种改进的图像配准算法对标准模板图像和待测图像进行匹配.实验结果表明,该算法计算速度快、检测精度高,满足了系统设计的要求.     

卷积神经网络在无纺布缺陷分类检测中的应用

目的针对传统无纺布缺陷分类检测中人工依赖性强、效率低等问题,提出一种能够满足工厂要求的卷积神经网络分类检测方法。方法首先建立包括脏点、褶皱、断裂、缺纱和无缺陷等5种共计7万张无纺布图像样本库,其次构造一个具有不同神经元个数的卷积层和池化层的神经网络,然后采用反向传播算法逐层更新权值,通过梯度下降法最小化损失函数,最后利用Softmax分类器实现无纺布的缺陷分类检测。结果构建了12层的卷积神经网络,通过2万张样本进行测试实验,无缺陷样本准确率可以达到100%,缺陷样本分类准确率均在95%以上,检测时间在35 ms以内。结论该方法能够满足工业生产线中对于无纺布缺陷实时分类检测的要求。     

多模板检测算法在印刷品缺陷检测中的应用

提出了一种新的模板匹配方法,能够有效的去除剪影图像中的轮廓伪影,保存真正的印刷缺陷.其模板制作过程简单,匹配算法高效,能够满足在印刷品线检测的实时性要求.     

改进的混合粒子群优化算法

针对粒子群算法后期收敛速度较慢,易陷入局部最优的缺点,提出了改进的混合粒子群算法.通过更改现有的速度更新公式,加入扰动项,以及引入交叉和变异算子等措施,改进了粒子群算法的性能.数值试验表明,改进后的粒子群算法在全局寻优和局部寻优能力上均得到提高,是一种有效的优化算法.     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

粒子群算法的理论分析与研究

粒子群算法是上世纪90年代兴起的群体智能算法,其特点是模拟自然界生物群体行为来构造随机优化算法,它对函数性态要求较弱、寻优结果和初值无关,并具有一定的并行性,因而成为优化算法领域研究的一个热点。介绍粒子群算法的研究现状,重点论述标准粒子群算法以及几种主流的改进型粒子群算法,并提出未来可能的研究方向。     

印刷品自动光学检测伪缺陷去除方法

目的 为了解决使用差影法进行印刷品表面缺陷自动光学检测存在伪缺陷从而造成误检的问题,提出一套通过提高配准精度和空间滤波来减少伪缺陷的方法。方法 使用连续域蚁群算法求全局最优解,改进基于轮廓的模板匹配算法配准精度,减少伪缺陷的产生;配准时的仿射变换会产生轮廓伪影,根据伪影的分布特点将图像切分成轮廓区和非轮廓区。分别使用不同的空间滤波方法削弱伪缺陷,再使用阈值分割将其剔除。结果 在实验环境中,连续域蚁群算法改进的基于轮廓的模板匹配配准方法,可精确到亚像素级,配准率为92%;使用空间滤波剔除伪缺陷后进行缺陷检测,缺陷误检率为0,漏检率为3%;印刷品表面缺陷平均检测时间为1.05 s,最长时间小于1.5 s。结论 该研究改善了差影法在自动光学检测中的效果,方法快速、有效、易于实现;在降低了缺陷误检率的同时不会造成大量漏检;满足在线检测的要求,可用于实际工业生产。     

基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于粒子群优化算法的金刚石砂轮磨粒边缘提取

为了实现对金刚石砂轮磨粒边缘的有效提取,将基于粒子群优化算法的Canny算子应用在金刚石砂轮磨粒的边缘检测上。用最大类间方差作为目标函数,优化Canny算子的阈值,实现边缘的有效提取。分别对实测的单颗磨粒和多颗磨粒进行了边缘提取,实验结果显示该算法可以较好地提取金刚石砂轮磨粒边缘。该方法不需要人为设定阈值,可以实现阈值的自动获取和优化。最后,利用四连通成分和八连通成分与像素总数的比值,将阈值可优化设定的Canny算子与传统的Canny算子以及最大类间方差的方法做对比,结果表明所应用的方法有效地提高了检测的准确性。     

Automatic diagnosis of diabetic retinopathy with the aid of adaptive average filtering with optimized deep convolutional neural network

The most effective treatment for diabetic retinopathy (DR) is the early detection through regular screening, which is critical for a better prognosis. Automatic screening of the images would assist the physicians in diagnosing the condition of patients easily and accurately. This condition searches out for special importance of image processing technology in the way of processing the retinal fundus images. Accordingly, this article plans to develop an automatic DR detection model with the aid of three main stages like (a) image preprocessing, (b) blood vessel segmentation, and (c) classification. The preprocessing phase includes two steps: conversion of RGB to Lab, and contrast enhancement. The Histogram equalization process is done using the contrast enhancement of an image. To the next of preprocessing, the segmentation phase starts with a valuable procedure. It includes (a), thresholding the contrast-enhanced and filtered images, (b) thresholding the keypoints of contrast-enhanced and filtered images, and (c) adding both thresholded binary images. Here, the filtering process is performed by proposed adaptive average filtering, where the filter coefficients are tuned or optimized by an improved meta-heuristic algorithm called fitness probability-based CSO (FP-CSO). Finally, the classification part uses Deep CNN, where the improvement is exploited on the convolutional layer, which is optimized by the same improved FP-CSO. Since the conventional CSO depends on a fitness probability in the improved algorithm, the proposed algorithm termed as FP-CSO. Finally, valuable comparative and performance analysis has confirmed the effectiveness of the proposed model.     

Prediction of Parkinson’s Disease Using Improved Radial Basis Function Neural Network

Parkinson’s disease is a neurogenerative disorder and it is difficult to diagnose as no therapies may slow down its progression. This paper contributes a novel analytic system for Parkinson’s Disease Prediction mechanism using Improved Radial Basis Function Neural Network (IRBFNN). Particle swarm optimization (PSO) with K-means is used to find the hidden neuron’s centers to improve the accuracy of IRBFNN. The performance of RBFNN is seriously affected by the centers of hidden neurons. Conventionally K-means was used to find the centers of hidden neurons. The problem of sensitiveness to the random initial centroid in K-means degrades the performance of RBFNN. Thus, a metaheuristic algorithm called PSO integrated with K-means alleviates initial random centroid and computes optimal centers for hidden neurons in IRBFNN. The IRBFNN uses Particle swarm optimization K-means to find the centers of hidden neurons and the PSO K-means was designed to evaluate the fitness measures such as Intracluster distance and Intercluster distance. Experimentation have been performed on three Parkinson’s datasets obtained from the UCI repository. The proposed IRBFNN is compared with other variations of RBFNN, conventional machine learning algorithms and other Parkinson’s Disease prediction algorithms. The proposed IRBFNN achieves an accuracy of 98.73%, 98.47% and 99.03% for three Parkinson’s datasets taken for experimentation. The experimental results show that IRBFNN maximizes the accuracy in predicting Parkinson’s disease with minimum root mean square error.     

包装生产线用码垛机器人智能定位方法

目的 为提高包装生产线中码垛机器人的智能定位精度,结合图像处理和智能算法设计一种码垛机器人定位方法.方法 分析码垛机器人基本结构和工作流程.介绍一种适用范围广的快速手眼标定方法,可通过图像处理得到物料实际位置.设计一种模糊神经网络控制器,用于消除实际抓取位置和理论计算位置之间偏差.采用遗传粒子群优化算法来解决控制器参数初始值优化问题.通过实验验证智能定位方法的有效性.结果 试验结果表明,实际抓取位置和理论计算位置之间偏差可控制在0.5 mm以内,实际分拣速度最高支持180个/min.结论 所述视觉码垛控制系统可实现工作区域内物料的定位和识别,几乎不会出现漏抓、误抓等情况,满足精度要求.     

Multiclassifier for severity-level categorization of glioma tumors using multimodal magnetic resonance imaging brain images

Brain tumor segmentation and classification is a crucial challenge in diagnosing, planning, and treating brain tumors. This article proposes an automatic method that categorizes the severity level of the tumors to render an effective diagnosis. The proposed fractional Jaya optimizer-deep convolutional neural network undergoes the severity classification based on the features obtained from the segments of the magnetic resonance imaging (MRI) images. The segments are obtained using the particle swarm optimization that ensures the optimal selection of the segments from the MRI image and yields the core tumor and the edema tumor regions. The experimentation using the BRATS database reveals that the proposed method acquired a maximal accuracy, specificity, and sensitivity of 0.9414, 0.9429, and 0.9708, respectively.     

基于粒子群优化的小波神经网络及其在齿轮箱故障诊断中的应用

用粒子群算法（PS0）取代传统的梯度下降法,优化小波神经网络中的各个参数。将经过PS0训练的小波神经网络应用于齿轮箱故障诊断,实验结果表明,基于PS0算法的小波神经网络训练方法是有效的神经网络训练算法,同时也是解决故障诊断问题的有效途径。     

基于BSO-BPNN模型的电能计量装置异常诊断方法研究

电网运维人员主要根据用电信息采集系统采集到的巡检数据对电能计量装置进行人工异常检测。针对人工诊断存在的漏报、误报、判断标准不一、准确度低等问题,文章提出一种天牛须搜索算法(beetle antennae search)和粒子群算法(particle swarm optimization)结合的天牛群算法(beetle swarm optimization),并将其用于优化BP神经网络(back propagation neural network)电能计量装置异常诊断模型。文章利用天牛群算法迭代寻优BP神经网络权阈值,根据诊断准确率对天牛群算法优化性能进行评价,并和粒子群优化的BP神经网络模型诊断结果进行对比。实验分析表明,天牛群算法优化的BP神经网络模型对于电能计量装置的异常诊断具有更高的准确度以及稳定性。     

基于智能算法的啤酒灌装生产线设备选型研究

目的以啤酒灌装生产线为研究对象,基于粒子群智能算法,实现啤酒灌装生产线所需设备的快速选型,且使设备的利用率最大化。方法建立啤酒灌装生产线所需设备的数据库,利用Matlab软件编写粒子群智能算法,对啤酒灌装生产线的相关设备进行多目标优化,实现快速智能寻优。结果在客户要求的约束条件下,当初始化100个种群、迭代次数为8000时,生产线平衡率高达90%以上,满足了客户要求。结论文中验证了粒子群智能算法的可靠性,并得到了客户满意的求解方案。该智能算法在生产线布局初期具有很强的柔性,可以快速解决啤酒灌装生产线建厂初期设备的快速选型问题。     

基于PMOPSO方法的H型铲齿凸轮优化设计

给出一种H型铲齿凸轮的标准设计方法,用于解决多升程H型铲齿凸轮的优化设计问题。针对传统铲齿凸轮存在的过渡点冲击问题,提出基于H型凸轮从动件运动规律的铲齿凸轮设计方案。以凸轮面积为设计目标函数,以从动件的偏置量和初始位移为设计变量,在凸轮一般设计准则的基础上,考虑理论廓线曲率范围和压力角分布的约束条件,建立H型铲齿凸轮的优化设计模型。多升程H型铲齿凸轮的优化设计问题具有约束条件多、非线性强和计算复杂度高的特点,将多项式变异算子和标准粒子群优化结合,提出多项式变异粒子群优化方法。以此优化方法为基础,通过构造罚函数处理设计约束,分别求解三升程和四升程的H型铲齿凸轮优化设计问题。计算结果表明,提出的标准设计方法可显著降低多升程H型铲齿凸轮的工作轮廓面积,使铲削机构更加紧凑。