基于机器视觉的啤酒瓶口缺陷检测分类方法研究

针对目前国内玻璃空瓶机器视觉检测系统存在瓶口缺陷分类检测精度不高的问题,提出一种基于机器视觉的可靠的检测方法。首先选取封盖面缺口、外环口崩口、口缘毛刺、口面磨损、内环口崩口、封盖面破裂等6种常见缺陷类型作为分类目标,研究6种常见瓶口缺陷类型图像的表面特征,提出以灰度方差等6种瓶口的缺陷特征构成支持向量机(SVM)分类算法的输入向量,并择优选择径向基(RBF)函数作为SVM分类器的核函数,然后根据瓶口缺陷的分类性质选择多类分类方式中的一类对余类法(OVR)设计相应的SVM。最后,每种缺陷都选取80个样本对所设计SVM分类器进行训练学习与测试。测试结果表明:设计的SVM分类器能较精准地检测出6种常见的瓶口缺陷类型,识别率为91.6%,满足生产企业对机器视觉检测系统缺陷分类识别的要求。     

一种代价敏感的入侵特征选择算法

入侵特征选择可以有效地提高入侵检测系统的正确率及检测速度。在分析了现有的入侵特征选择算法只考虑特征个数和特征子集分类能力的缺陷后,提出一种代价敏感的入侵特征选择算法。该算法基于免疫克隆选择与粗糙集,在分析特征子集的执行代价的基础上,提出以执行代价和分类能力作为亲和度函数指导的免疫克隆进化算法。在KDDCUP99数据集上进行了测试,测试结果证明该算法可以有效地提高分类准确性,降低入侵检测系统的执行代价。     

一种改进的在线核函数算法

在基于自适应选择核函数基础上,通过引用朴素正则风险最小化准则,提出了一种改进的在线核函数算法.算法在时间窗向前移动的同时,依靠LS-SVM截断误差最小化算法,选取合适的拉格郎日因子,对新增的样本数据进行重新训练.有效地克服了现有方法收敛精度低和不能自适应选择样本的困难,能广泛应用在分类、回归和奇异值检测中.数值仿真结果表明,该算法与现有的算法相比具有预测精度高,泛化能力强等特点.     

基于PCA和混合核函数QPSO_SVM频谱感知算法

频谱感知是认知无线电系统的关键技术之一,针对基于支持向量机的频谱感知方法中核函数选取的单一性和核函数参数的不确定性,提出一种基于混合核函数支持向量机的频谱感知算法,将两种核函数混合构造新的核函数,采用量子粒子群算法对其中的参数进行优化,并引入主成分分析方法对样本进行降维并提取其全局特征。实验结果表明,该模型较传统方法在低信噪比下无线环境中的分类精度上有了明显提高,在信噪比为－10 dB的无线环境中能完全识别出主用户,为频谱感知提供了一种可靠性高的设计方案。     

PCA和KICA特征提取的变压器故障诊断模型

为了充分利用主元分析(PCA)和核独立主元分析(KICA)特征提取的互补性,提高变压器故障分类正确率,提出了基于PCA和KICA特征提取的变压器故障诊断模型。该模型中,首先,将油中溶解气体分析(DGA)测试样本投影到PCA空间中进行特征提取,采用多核支持向量机(MKSVM)作为分类器进行预分类,采用核密度估计方法估计阈值将测试样本预分类为易识别或难识别样本;对难分类样本则再次投影到KICA空间,采用另一MKSVM作为分类器进行分类识别,实现PCA和KICA双空间特征提取算法;最后,根据故障特征,建立变压器故障诊断模型。实验结果表明,所提出的双空间算法对变压器故障的识别率达到88.61%,比单空间算法和IEC3比值法的识别率分别高10%和24%。     

结合KPCA的阴性选择变压器故障诊断

为解决常规阴性选择方法在故障诊断领域存在漏诊和故障难以有效细分检测的缺陷,文中提出一种结合核主成分分析(KPCA)的实值阴性选择自适应分类算法,采用实值编码,以欧氏距离衡量被检样本与检测器的亲和度,具备学习和分类的能力,实现了故障的细分类。针对电力变压器油中溶解气体数据(DGA),应用核主成分分析技术提取样本特征量,经归一化处理后对所提出的算法进行训练,测试结果证明了该方法的有效性,与BP神经网络、最小二乘支持向量机相比,获得了更高的故障检出率,对电力变压器典型的4类故障检出率达到了90%以上。     

RBF-SVM的核参数选择方法及其在故障诊断中的应用

基于核理论的SVM中,RBF核函数应用最广,是一个普适的核函数,但其参数的选择却没有固定方法。鉴于此,本文首先分析了现有核函数参数优选算法的不足;然后在SVM网络结构分类原理的基础上提出了基于数据最大方差-关联度准则的核参数选择算法,并结合粒子群算法建立了RBF核参数的自动优选流程。将其用于模拟电路故障诊断实验,证明了所提方法具有参数选择准确、简单快速等优点,优选得到的核参数提高了故障诊断率。     

参数优化的支持向量机机车车轮状态检测

针对车轮状态检测中存在的类间样本误分代价不等的问题,利用自适应变异粒子群算法对代价敏感支持向量机(CS-SVM)的参数进行优化。该方法从数据样本中提取不均衡数据创建训练样本,采用代价敏感的支持向量机建模。为了提高分类的精确度,选用径向基核函数优化模型结构。提出了自适应变异粒子群算法优化CS-SVM的两个不同惩罚参数和核函数,并用参数优化的代价敏感支持向量机实现重载机车车轮状态分类。最后,通过仿真验证,车轮状态检测的平均准确率可以达到95%,平均处理速度24 s,具有实时性和较强的鲁棒性,能够满足重载机车运行要求。     

基于红外成像技术的零值绝缘子检测

提出使用绝缘子红外图像和支持向量机相结合的方法对不同污秽程度、空气湿度和空气温度下的零值绝缘子进行自动检测。首先对现场得到的绝缘子串红外图像进行预处理操作。在对绝缘子串红外图像进行预处理后,利用二维Otsu算法对红外图像进行分割,得到标记了绝缘子串的二值图像。利用边缘检测算法提取出绝缘子串的边缘图像。采用最小二乘法对绝缘子盘面边缘图像进行拟合,得到盘面椭圆方程,利用椭圆方程提取出单个绝缘子盘面。对单个绝缘子盘面进行温度特征提取,利用三因素方差分析方法对特征参数进行显著性检验,挑选受绝缘子污秽程度、环境湿度和环境温度影响较小的参数作为特征参数。选取径向基核函数作为支持向量机的核函数,利用Lib VSM工具中基于交叉验证的网格搜索的参数选择方法和训练集数据进行实验确定核函数参数γ和错误代价C。最后,使用测试数据对整个识别模型进行测试,识别率较高,满足预设要求。     

基于支持向量机的铝板表面缺陷检测分类

论述了基于机器视觉的铝板表面缺陷检测方法,提取7种铝板表面缺陷的多种特征值作为训练数据进行学习。介绍了支持向量机的原理和核函数的选择,在VC环境中构建支持向量机分类模型,用该模型对铝板表面缺陷进行分类标识,最后对支持向量机分类器的分类准确性、稳健性作出评价。     

基于模糊C均值聚类和改进相关向量机的变压器故障诊断

为了提高电力变压器故障诊断准确率和单一相关向量机核函数存在的固有二分类属性及对预测分类鲁棒性弱的问题,提出基于模糊C均值聚类和改进相关向量机的变压器故障诊断模型。首先对样本进行模糊C均值聚类,然后再采用相关向量机的完全二叉树结构进行划分。相关向量机核函数采用组合高斯核函数和多项式核函数构造的混合核函数,并利用双子群果蝇算法对混合核函数参数进行优化。实验表明,相比单核函数、粒子群算法优化混合核函数参数,所提方法准确率高、稳定性好,同时分类速度快,满足实时在线故障诊断。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

球面折反射成像的内螺纹螺距视觉测量系统

为了实现内螺纹参数的非接触、自动化在线测量,本文以通孔螺母和盲孔螺母为检测对象,提出了一种基于球面折反射全景成像原理的内螺纹螺距参数的机器视觉测量系统。系统采集经球面折反射得到的图像,随后分割出完整的内螺纹区域;采用对比度受限的自适应直方图均衡化算法提高图像对比度,并采用中值滤波与双边滤波的组合来保护螺纹边界信息;再使用Zernike矩边缘检测算法确定每条螺纹的亚像素边缘;最终,基于折反射成像理论计算得到内螺纹螺距尺寸。与计量用螺纹综合测量机的螺距测量值进行了对比,实验结果表明该系统的平均测量误差为0.018 5 mm,满足工业生产中内螺纹螺距精度的要求,检测效率高,可用于内螺纹在线视觉检测。本研究为圆柱形内壁尺寸测量和缺陷检测提供了一种参考方案。     

基于PSO混合核函数SVM对光伏最大功率点的预测研究

针对传统的光伏最大功率点跟踪算法存在成本高,精度低的问题,进而采用混合核支持向量机算法尝试解决这一难题。通过研究分析高斯核函数与多项式核函数的特性,线性加权高斯核函数与多项式核函数,构造混合形式的支持向量机模型,并使用粒子群算法优化模型参数,对光伏最大功率点电压进行预测。实验分析表明,混合核函数结合了两个单核的优点,兼顾支持向量机全局拟合能力与局部拟合能力。非线性函数预测精度优于单核模型,泛化能力高,训练时间少,平稳性好。     

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性.提出了基于二值粒子群优化(binary particle swarm optimization , BPSO)的多核学习 SVM 分类方法(BPSO-MKSVC)进行变压器故障诊断.多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解.采用BPSO 优化算法对 MKSVC 中的基核数及模型参数进行优化,实现了参数的自主选择.与常用诊断算法相比, BPSO-MKSVC 具有更高的诊断精度;与 PSO 优化的 SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性     

基于SVM与合分闸线圈电流参数的高压断路器机械故障诊断

高压断路器故障的早期诊断是有效提高电力系统运行可靠性的重要手段,笔者提出应用高性能的支持向量机(SVM)进行高压断路器的机械故障诊断.支持向量机核函数参数的选择直接影响分类结果的好坏,该诊断方法采用群智能算法PSO确定支持向量机中核函数的最优参数以提升分类器性能,将从高压断路器的机械参数信号中提取的动作特性特征量作为支...     

基于支持向量机的电力系统状态估计 多类型数据异常检测

为了解决异常数据严重影响电力系统状态估计性能的问题,提出了一种基于支持向量机(SVM) 的电力系统预测辅助 状态估计(FASE) 多类型数据异常检测方法。首先,针对传统 FASE 的预测准确率欠佳的问题,提出了基于极限学习机的 FASE 方法,并利用SVM 并基于预测数据、量测数据与估计值,实现了对坏数据、负荷突变和单相接地等多种类型的数据异常 检测。其次,针对惩罚因子和核函数参数会影响分类精度的问题,提出采用灰狼算法对 SVM 参数进行优化,在兼顾计算速度 的同时提高了数据异常检测的准确率。最后,在IEEE33 和丹麦DTU7K47 节点主动配电网系统上进行仿真测试,所提方法 在正常工况下提升26.08%与26.76%,计算速度提升46.05%,在数据异常情况下准确率综合提升32.04%与29.27%,结果 表明,所提方法具备较强的通用性与实时性,可以有效地检测电力系统中各种类型的数据异常,并提高状态估计的性能。     

基于逆向P-M扩散的医用输液容器组合盖缺陷检测系统

针对医用输液容器组合盖在生产制造中出现的黑点、毛发、气泡等缺陷问题,设计了基于逆向P-M扩散的医用组合盖缺陷检测系统。首先设计了机械执行、电气控制、图像采集系统,然后采用逆向P-M扩散增强缺陷区域,通过差分后二值化提取缺陷区域,并进行图像滤波,接着利用SVM支持向量机对缺陷与非缺陷区域进行分类,通过交叉验证法自动选择最佳分类参数,解决了医用组合盖表面纹理对缺陷检测的干扰,实现了医用组合盖缺陷检测功能,有效提高了分类器的性能。实验结果表明,该方法要求训练样本少,适用于不同组合盖缺陷类型检测和检测环境,准确率95%以上。