融合不变性特征的简易支持向量机

应用样本数据具有不变性特征的特点，提出基于虚拟向量变换和局部相关性特征的简易SVM(支持向量机)方法，并以USPS手写体数字识别为例子，与切距核、虚拟SVM、人工识别等方法进行对比，发现该方法能获得较好的粗识别率且计算时间最少。结果表明，该方法能充分提取样本数据中的不变性特征，是研究模式分类问题的有效方法。     

一种结合BERT与双层LSTM的复杂长句意图分类方法

传统文本分类方法从复杂长句中提取特征的能力有待提高.为准确识别与分类复杂长句意图,构建一种结合BERT(Bidirectional Encoder Representation from Transformers)迁移学习与长短时记忆网络LSTM(Long Short-Term Memory)的分类方法.使用BERT获取上下文相关的动态词向量,捕捉传统模型难以表示的一词多义特征;在BERT输出层接入LSTM网络,经由词级、句级双层LSTM层次化提取特征,获取细粒度语义表示,进而对句子意图进行准确分类.实验结果表明,该方法在复杂长句意图分类任务上的准确率、召回率以及F1值与已有方法相比均有提高.     

支持向量机超声缺陷识别法的研究

提出了一种基于支持向量机超声波在线检测缺陷识别方法.首先采用小波包分析来提取超声信号的特征信息,产生训练和测试样本;然后利用支持向量机分类方法对缺陷进行识别.实验结果表明,支持向量机能够快速、有效地识别缺陷,比人工神经网络具有更好的分类性能和推广能力,是一种有效的超声缺陷识别方法.     

基于小波变换和SSVME的PCB产品视觉检测中缺陷分类研究

针对PCB产品视觉检测中图像缺陷细微、形状复杂、特征难于提取、易受噪声影响的问题,提出基于小波变换和光滑支持向量机集成SSVME( Smooth Support Vector Machine Ensemble)的多分类方法,有效解决了细微、复杂缺陷难以识别分类的问题.实验表明,该方法六类缺陷混合识别率达到95.26％,高于BP神经网络的最优识别率90.35％和基于区域方法的80.67％,而且训练和分类时间短.从理论和实验中验证了该方法的有效性,是PCB产品视觉检测领域中缺陷识别分类的新方法,具有重要的应用价值.     

基于kAS特征的目标识别新方法

提出一种复杂背景下目标识别的新方法,利用Canny算子和多边形分别提取轮廓和逼近轮廓曲线,计算k邻接轮廓线段组(kAS)特征,利用ISODATA聚类算法得到kAS码书。提取特征时采用分块加权的kAS直方图,识别过程中采用支持向量机进行训练和分类。实验结果表明,该方法在复杂场景下可以获得较高的识别率,具有平移和尺度不变性等特点。     

基于PCA和SVM的管道腐蚀超声内检测

为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法.该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维.在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中.将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器.实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类.     

有监督Kohonen网络的车型识别方法

车型识别已成为智能交通系统研究中的一个重要内容.根据同类车型尺寸特征如长、宽、高特征值都具有相似性特点,利用已有车型数据库,分别使用逆传播(BP)神经网络、支持向量机(SVM)网络、有监督Kohonen网络这三种神经网络分类方法对车型尺寸特征进行分类,得到三个车型识别准确率并进行比较验证.实验结果表明:有监督Kohonen网络的分类方法具有较高的车型识别精度,实验效果明显,车型识别准确率高.     

基于MSA不变矩的道路导向标线分类

针对公路复杂行车环境中前方道路导向标线的识别问题,利用具有仿射不变性的多尺度自卷积（MSA）矩,并融合坚固度和方向等图像区域特征,构造出一种适于道路导向标线的图像形状描述子,然后应用支持向量机(SVM)进行图像目标分类。实验结果表明,该描述子具有近似射影不变性,能有效应用于不同视角和发生部分遮挡的道路导向标线分类。     

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.     

基于复域Contourlet特征向量的连铸板坯表面特征分类方法

针对连铸板坯表面缺陷特征检测的复杂性,提出了应用复域Contourlet分解特征图像的一种表面特征分类方法。其相对于传统方法具有更优的移不变性、方向选择性和图像特征提取率。通过将图像特征区域进行复域Contourlet分解,再经由方向滤波器组,提取Contourlet域的方向子带系数矩阵,再求取系数矩阵的能量、方差、偏斜度,作为一种量化图像的特征向量。将特征向量输入支持向量机进行图像特征识别训练,之后可以进行图像的各类特征识别和分类。工业现场测试的效果表明,通过该方法进行的表面特征分类准确率在90%左右,能够应用于连铸钢板坯的图像特征提取和板坯缺陷检测。     

基于独立成分分析的表面缺陷特征提取与识别方法

为了提取表面缺陷图像特征,常对图像进行线性变换,但通常的wavelet变换、Gabor变换及其基函数都是预先定义和不变的,不能适应于缺陷图像的特点.为此提出基于独立成分分析(ICA)和拓扑独立成分分析(TICA)的特征提取方法,并将其应用于冷轧带钢表面缺陷自动识别.首先利用ICA和TICA从缺陷集中自适应地估计出基函数和滤波器,这些基适应于缺陷图像的特点;然后用与基对应的滤波器对缺陷图像滤波,提取滤波响应作为特征向量;最后用支持向量机对样本进行分类识别.该方法建立在对缺陷集无监督学习的基础上,能够自适应地提取缺陷图像的显著特征,且计算简单,可并行处理.实验结果表明,文中方法对形状类缺陷、纹理类缺陷及其他缺陷的识别率都非常高,总体识别率可达95.52％.     

基于Gabor小波和核保局投影算法的表面缺陷自动识别方法

研究了Gabor小波变换和核保局投影(Kernel locality preserving projections, KLPP)算法的原理, 分析了热轧钢板表面缺陷的特点, 提出了一种基于Gabor小波和KLPP算法的特征提取方法, 并应用于热轧钢板表面缺陷自动识别. 首先利用Gabor小波将图像分解到5个尺度8个方向的40个分量中, 接着对原始图像和各个分量的实部和虚部分别提取均值和方差, 得到一个162维的特征向量, 然后利用KLPP算法将该特征向量的维数降到21维, 最后利用多层感知器网络对样本进行分类识别. 本文提出的特征提取方法具有计算简单、可并行处理的特点, 对沿一定方向分布的边缘和纹理具有较高的区分能力. 利用从工业现场采集的缺陷图像对本文方法进行了实验, 识别率达到93.87%.     

粗糙集理论的带钢表面缺陷图像的识别与分类

针对带钢表面的划伤、黑斑、翘皮、辊印、褶皱和压印6种典型缺陷,提取样本图像的灰度、纹理和几何形状特征等20维特征向量;给出粗糙集理论的关键技术,基于粗糙集理论构造带钢表面缺陷图像识别的决策表,对决策表进行属性约简,并直接从训练样本图像中导出决策规则;应用所获取的规则对带钢表面缺陷测试样本图像进行分类,并同BP算法进行对比,验证了基于粗糙集理论的分类识别算法的有效性。     

基于注意力机制学习的变电设备缺陷检测方法

针对现有的变电站缺陷图像检测识别算法鲁棒性弱问题,提出一种基于注意力机制学习的变电设备缺陷图像检测识别方法。所提方法以卷积神经网络作为缺陷图像特征提取的骨架网络,融合注意力机制原理,进一步提升缺陷图像特征的可辨识性。首先,构建注意力机制的卷积神经网络特征提取模型,提取不同注意力机制下变电站缺陷图像特征;其次,设计一种自适应特征学习函数,将不同注意力机制下的特征融合成为新的高质量变电缺陷图像特征;最后,将不同注意力机制下的缺陷图像特征输入到分类模型,实现变电站缺陷图像检测。所提方法增强了变电设备缺陷图像检测的准确性与鲁棒性,实验结果显示,所提方法的mAP达到了70.4%。     

融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization, BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit, LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率, 相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。     

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。     

一种新的冷轧带钢典型表面缺陷特征提取方法

针对冷轧带钢表面缺陷图像特征提取的特点,提出了基于类距离可分离性判据的混合特征提取方法。该方法以小波变换的L1范数特征和灰度共生矩阵二次统计特征为基础,运用基于类距离的可分离性判据原理提取出可分离性特征向量。对几种生产现场出现频率较高、危害严重的典型缺陷进行了计算机实验研究,实验结果表明,运用基于类距离可分离性判据的混合特征提取方法提取的特征向量具有较大的可分离性,很大程度上提高了特征的分类有效性,使缺陷识别取得了较高的正确识别率。     

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.     

基于时序二维化和卷积特征融合的表面肌电信号分类方法

针对传统模式识别方法在表面肌电信号(sEMG)分类时容易忽略非线性、时序性等特征的问题,文中提出基于时序二维化和卷积特征融合的分类方法.通过格拉姆角场转换实现时序二维化,保留sEMG原始时间序列的时间依赖性和相关性.为了在突出局部信息的同时充分保留细节信息,引入胶囊网络与卷积神经网络共同提取特征,并进行特征融合,实现不同条件下的手势识别.对比多种分类方法的实验表明,文中方法可以有效增强电极偏移情况和面向新对象时手部动作的整体识别水平,具有较强的鲁棒性.