一种新的基于SVM权重向量的云分类器*

提出了一种用支持向量机（SVM）权重向量解决高维对象分类的方法,并结合云理论建立了基于SVM权重向量的云分类器。采用云模型建立训练集的各属性模型,分类模型由属性模型集成得到,属性权重根据SVM权重向量得到,属性权重越大,其对分类的贡献越大;反之,越小。将新分类器与云模型分类器对积雨云、卷云和卷层云进行分类模拟实验,新分类器的分类准确度比后者总体提升了, 经过交叉验证, 结果表明新分类器性能稳定。     

基于支持向量机的条烟包装外观缺陷检测

针对卷烟生产过程中条烟包装外观缺陷问题,提出一种基于支持向量机(SVM)的条烟包装缺陷图像检测方法。该方法首先采用模板匹配法定位条烟检测区域;然后利用Haar小波变换进行频域分解,并通过灰度共生矩阵算法对频域图提取纹理特征;最后结合纹理特征建立条烟支持向量机分类模型,对待测样本进行分类识别。结果表明:基于SVM分类模型的识别率为96.1%,该方法通用性强,实时性好,满足条烟异常情况检测要求。与BP神经网络测试性能相比,分类性能优于BP神经网络。     

基于融合分类和支持向量机的入侵检测研究

为了在提高入侵检测的检测率的同时降低虚警率,基于融合分类和支持向量机的异常检测利用融合分类器进行入侵检测.融合分类器包含三个不同的分类器:基于属性选择的支持向量机,基于样本剔除的支持向量机以及标准支持向量机.仿真实验由三部分组成:首先,预处理数据,然后,对完成预处理的数据分别用三个分类器进行预分类,最后,由这三个分类器实际输出的加权和进行融合决策.权值的最优化是一个NP-hard问题,在实验中,利用各分类器预分类的检测率作为其对应的权值简化了权值寻优的过程.实验结论表明,基于融合分类和支持向量机的异常检测可提高入侵检测的整体性能.     

相关向量机在车型识别中的应用研究

相关向量机是一种稀疏的贝叶斯学习算法,对非线性、高维数的小样本问题有非常好的分类效果和学习推广能力.而且使用较少的核函数,研究了用相关向量机技术进行车型识别,设计了基于相关向量机的车型分类器.实验结果表明,基于相关向量机的车型分类器不仅具有基于支持向量机的车型分类器的相同性能,而且比支持向量机使用更少的核函数,实验取得了较好的分类效果.     

基于主动学习支持向量机的文本分类

提出基于主动学习支持向量机的文本分类方法,首先采用向量空间模型（VSM）对文本特征进行提取,使用互信息对文本特征进行降维,然后提出主动学习算法对支持向量机进行训练,使用训练后的分类器对新的文本进行分类,实验结果表明该方法具有良好的分类性能。     

后验概率在多分类支持向量机上的应用

支持向量机是基于统计学习理论的一种新的分类规则挖掘方法。在已有多分类支持向量机基础上,首次提出了几何距离多分类支持向量分类器;随后,将二值支持向量机的后验概率输出也推广到多分类问题,避免了使用迭代算法,在快速预测的前提下提高了预测准确率。数值实验的结果表明,这两种方法都具有很好的推广性能,能明显提高分类器对未知样本的分类准确率。     

基于多分类支持向量机的中医舌诊诊断的研究

研究基于多分类支持向量机的中医舌诊诊断,构建一个中医舌诊诊断的神经网络模型.依据支持向量机理论,选取径向基函数(RBF)作核函数,采用"一对一"方法构造基于支持向量机的多分类分类器.将舌象的特征参数作为分类器的输入样本,对病证进行分类.以肝病病证分类作仿真,实验结果表明:基于支持向量机的多分类分类器用于中医舌诊诊断的研究是可行的和有效的.     

基于R-SVM与SVDD的部位外观模型

为克服现有基于HOG特征的部位外观模型未考虑不同细胞单元的不同作用以及不能准确表征相似度的缺陷,提出了一种基于递归支持向量机(R-SVM)和支持向量数据描述(SVDD)算法的人体部位外观模型.所提外观模型由两个分类器构成,利用R-SVM进行特征选择并建立的分类器用于判断图像某区域是否属于人体部位类,利用SVDD建立的相似度分类器用于计算属于人体部位类的图像区域与外观模型的相似度.将所提部位外观模型用于人体上半身姿态的估计,仿真实验结果显示其比现有部位外观模型的估计准确度更高,表明所提部位外观模型可以更准确地描述真实人体部位.     

基于分类器性能评价的Bagging文本分类算法

提出一个文本分类器性能评价模型,对文本分类结果的可信度进行了估计,给出计算可信度的公式。将每一个子分类器的可信度指标用于Bagging集成学习算法,得到了改进的基于子分类器性能评价的Bagging算法(PBagging)。应用支持向量机作为子分类器基本模型,对日本共同社大样本新闻集进行分类。实验表明,与Bagging算法相比,PBagging算法分类准确率有了明显提高。     

KNN-SVM网页分类器介绍

网页分类算法中,KNN算法的缺陷之一是分类效率较低,分类的效果很大程度上依赖于相似度函数和参敷K的选择.同时,基于支持向量机(SVM)网页分类器的限制在于要求处理的向量是数值型向量,而网页特征向量往往是词条特征向量.利用KNN算法生成训练样本,进而将词务特征向量数值化,再利用支持向量机分类器对测试网页进行分类,构建了一种新的分类器--KNN-SVM分类器.     

基于混合染色体的带钢缺陷图像分类方法研究

为了保证带钢缺陷分类的实时性和准确性,提出了一种基于混合染色体的带钢缺陷图像分类方法。该方法不仅优化了支持向量机SVM中核函数参数、惩罚因子,并且对核函数、输入的特征向量进行了选择。除此之外,该方法融合了遗传算法和SVM,用遗传算法优化影响SVM的核函数参数、惩罚因子、输入特征和核函数;同时,用SVM建立的分类模型的分类准确率限制遗传算法的进化方向,彼此制约和促进,最终确定最优分类模型。实验结果表明,基于混合染色体的带钢缺陷图像分类方法建立的分类模型能实时、准确地对带钢缺陷图像进行分类。     

基于机器学习的刀具表面缺陷检测及分类方法

刀具在生产的过程中,由于人员、机器、环境等多方面原因,刀具的表面会出现各种缺陷,如划痕、碰撞凹坑、涂层剥落和边缘豁口;这些缺陷会严重影响刀具的质量和外观,对于刀具的缺陷检测,目前主要采用人工目检的方式,人工检测方法效率和准确率都比较低;为解决上述问题,提出一种刀具缺陷的自动化检测及分类算法;针对刀具图像的预处理,提出了一种基于双边滤波的降噪方法和基于差分的对比度增强算法;对于刀具的缺陷检测任务,提出了基于图像差分的缺陷检测算法;对于缺陷的分类任务,提出了一种基于SVM的分类算法,即通过提取缺陷区域的形状、纹理等特征来训练SVM分类器;最后对提出的缺陷检测及分类算法进行实验,结果表明算法的缺陷检出率达97.2%,分类准确率可达94.3%;算法能够很好地满足工业需求,可以替代人工实现刀具缺陷的自动化和高效率检测。     

基于SVM的墙地砖颜色自动分类

支持向量机(SVM)是一种采用结构风险最小化原则的新的机器学习方法，具有完备的理论基础。该文首次把支持向量机技术应用于墙地砖的自动分类，首先通过对墙地砖图像的RGB通道进行小波分解，由于不同通道的相关性，故提取其协变信号作为特征集，再构建二叉树形式的决策树来实现SVM多类分类，然后对墙地砖进行了颜色分类实验，并与knn分类结果对比，实验结果证明SVM分类器具有更高的分类准确率。     

Classification of defects in steel strip surface based on multiclass support vector machine

In this paper, we use support vector machine to classify the defects in steel strip surface images. After image binarization, three types of image features, including geometric feature, grayscale feature and shape feature, are extracted by combining the defect target image and its corresponding binary image. For the classification model based on support vector machine, we utilize Gauss radial basis as the kernel function, determine model parameters by cross-validation and employ one-versus-one method for multiclass classifier. Experiment results show that support vector machine model outperforms the traditional classification model based on back-propagation neural network in average classification accuracy.     

基于视觉显著度的皮革表面瑕疵检测

针对汽车内饰皮革的瑕疵检测易受皮革自身纹理干扰、检测难度较大的问题,发现瑕疵存在于均匀变化图像中局部变化明显的区域,符合人眼注意机制,故提出了基于视觉显著模型的皮革瑕疵检测方法。首先提取皮革图像的颜色和亮度特征,然后利用中心周围差算子分别计算特征显著图,再融合成最终显著图,最后在此基础上利用区域生长方法对瑕疵区域进行分割,以实现瑕疵的准确定位。实验结果表明,与FCM聚类分割法、阈值分割法及SVM分类法相比,本文提出的方法具有较高的检测精度及较快的检测速度,解决了皮革瑕疵检测过程中受纹理干扰严重等问题,能有效应用于皮革瑕疵的机器自动检测中。     

优化的支持向量机集成分类器在非平衡数据集分类中的应用

传统的分类算法大都建立在平衡数据集的基础上,当样本数据不平衡时,这些学习算法的性能往往会明显下降.对于非平衡数据分类问题,提出了一种优化的支持向量机(SVM)集成分类器模型,采用KSMOTE和Bootstrap对非平衡数据进行预处理,生成相应的SVM模型并用复合形算法优化模型参数,最后利用优化的参数并行生成SVM集成分类器模型,采用投票机制得到分类结果.对5组UCI标准数据集进行实验,结果表明采用优化的SVM集成分类器模型较SVM模型、优化的SVM模型等分类精度有了明显的提升,同时验证了不同的bootNum取值对分类器性能效果的影响.     

汽车精密零件外观缺陷视觉检测方法研究

针对汽车精密零件质量检测的需求,提出了基于机器视觉的精密零件外观缺陷检测方法,搭建了相应的检测平台。采用小波去噪进行图像预处理,基于Otsu算法改进了Canny算子中的双阈值的选取问题,较好地实现了图像的缺陷分割。利用Hu矩进行缺陷特征提取并通过样本特征训练SVM分类器,实现零件外观缺陷的识别与分类。以汽车转向器内部套筒为试验对象,搭建了检测系统,实验结果表明,该算法可有效实现了零件外观缺陷自动检测。     

多层导电结构电涡流扫描检测缺陷自动识别和分类技术研究

多层导电结构涡流检测中,缺陷的自动识别和分类是急需解决的重要问题.提出了一种新的缺陷信号自动检测识别和分类方法,首先采用幅值中值预判和小波分析方法进行信号预处理,自动识别并提取包含缺陷的涡流检测信号片段;然后运用主分量分析法对含有缺陷的信号片段进行特征提取;接着构建最近均值、K近邻、BP网络和支持向量机四种分类器对缺陷信号进行分类;最后进行了实验研究,对多层导电结构三种形状缺陷的扫描检测信号进行识别和分类,验证了本文所提出方法的有效性,并比较了各分类器的性能,根据识别和分类错误率大小,可看出支持向量机分类器具有较好的鲁棒性和稳定性.     

基于支持向量机的纸张缺陷图像分类识别

根据支持向量机（SVM）在小样本、高维模式分类中具有的优良分类性能,提出将支持向量机应用于实际的纸张缺陷分类。针对三种现场易出现的缺陷,通过对缺陷图像进行预处理、特征选择,再利用SVM进行分类,利用交叉验证进行参数和模型选取,取得了较好的分类效果,为纸张缺陷的分类指出一种可行的方法。     

Automated defect inspection system for metal surfaces based on deep learning and data augmentation

Recent efforts to create a smart factory have inspired research that analyzes process data collected from Internet of Things (IOT) sensors, to predict product quality in real time. This requires an automatic defect inspection system that quantifies product quality data by detecting and classifying defects in real time. In this study, we propose a vision-based defect inspection system to inspect metal surface defects. In recent years, deep convolutional neural networks (DCNNs) have been used in many manufacturing industries and have demonstrated the excellent performance as a defect classification method. A sufficient amount of training data must be acquired, to ensure high performance using a DCNN. However, owing to the nature of the metal manufacturing industry, it is difficult to obtain enough data because some defects occur rarely. Owing to this imbalanced data problem, the generalization performance of the DCNN-based classification algorithm is lowered. In this study, we propose a new convolutional variational autoencoder (CVAE) and deep CNN-based defect classification algorithm to solve this problem. The CVAE-based data generation technology generates sufficient defect data to train the classification model. A conditional CVAE (CCVAE) is proposed to generate images for each defect type in a single CVAE model. We also propose a classifier based on a DCNN with high generalization performance using data generated from the CCVAE. In order to verify the performance of the proposed method, we performed experiments using defect images obtained from an actual metal production line. The results showed that the proposed method exhibited an excellent performance.