基于 GA-BP 的改进高斯均值区域去噪技术

光纤连接器因其在光传输系统中的重要作用而备受关注,但是其表面附着的杂质会使复原的表面形貌出现噪点。而且现有的检测方法无法准确定位噪点,需要对其进行多次整体降噪处理,以此得到的图像细节保留能力较差。为此提出了一种基于遗传算法优化BP神经网络(GA-BP)的改进高斯均值区域去噪技术。首先,对干涉数据进行降维处理;其次,将降维后的数据作为神经网络的训练数据,利用神经网络对噪点进行定位;最后,采用改进的高斯均值滤波对三维图像的噪点位置进行滤波处理。结果表明,通过神经网络判别法得到的噪声像素点为2.45%,相比于阈值判别法具有较高的精度。并且通过改进的高斯均值滤波方法得到的方法噪声差值为474.7,峰值信噪比(PSNR)值为32.56。相比于均值和中值滤波方法,图像细节保持能力较高,复原图像噪点凸起明显减少。因此,它更适用于基于白光干涉原理的自动化检测。     

基于方向的多阈值自适应中值滤波改进算法

为了在有效滤除椒盐噪声的同时更好地保持图像细节,提出一种基于滤波值二次修正的图像椒盐噪声滤波算法。该算法首先利用基于阈值的自适应中值滤波改进算法实现对噪声点的检测与初级滤波,然后对滤波值采用基于方向信息的多阈值自适应滤波算法,实现对初级滤波值的二次修正。算法结合了基于阈值的自适应中值改进算法良好地噪声检测性能及基于方向信息的多阈值自适应滤波算法的细节保护能力。实验结果表明,在客观评价指标和主观视觉效果方面,新算法均取得了优于传统自适应中值滤波算法及其改进算法的效果。     

基于相关性的二级检测图像滤波算法

为了准确检测图像中的椒盐噪声并滤除,提出了一种基于相关性的二级检测图像滤波算法.该算法根据椒盐噪声的特点,确定了准噪声点的范围;根据信号局部相关性,准确地分离出信号点和噪声点,对噪声点,取滤波窗口内的信号点的中值进行滤波.试验结果表明:该算法对椒盐噪声有很好的抑制作用.     

二级椒盐噪声检测的极值滤波算法

为准确检测图像中的椒盐噪声并滤除,提出了一种基于极值的二级噪声检测滤波算法。该算法根据椒盐噪声的特点,确定了准噪声点的范围,把准噪声点和信号点分类。为了找出准噪声点中被误判的信号点,在图像的8个纹理方向上分别应用了极值噪声检测,根据中心像素点被判为极值的次数分离出信号点和噪声点;对噪声点,取滤波窗口内的信号点的中值进行滤波。试验结果表明:该算法对椒盐噪声有很好的抑制作用。     

电能质量扰动信号的自适应去噪方法

有效地降低电能质量信号中的噪声,是做好电能质量信号检测、识别等工作的基础。为了克服一维电能质量信号降噪的难点问题,即有效地去除噪声并完整地保留奇异点的特征,对目前图像处理领域中针对高斯等噪声降噪性能最好的基于块匹配的三维变换域联合滤波(BM3D)算法进行了改进,提出一种电能质量扰动信号的自适应去噪新方法。该方法参数较少,无需估计噪声方差,也无需人为设定滤波阈值,而是通过自适应估算较为准确的阈值实现离散余弦变换(DCT)域的滤波。通过对电压中断、电压暂降、电压暂升、脉冲暂态、振荡暂态和谐波这6种常见的电能质量信号进行降噪仿真实验,并与应用较为广泛的小波阈值去噪法进行对比分析,最后应用于实际电能质量扰动数据的降噪,验证了所述算法的有效性。     

自适应保细节中值滤波算法的设计与实现

为了在滤波脉冲噪声的同时更好的保护图像细节,本文将均值滤波和中值滤波结合起来,用两种不同的滤波窗口对噪声进行检测和滤波,提高其降噪性能和保边能力。     

红外图像锁相滤波去噪算法的研究

本文首先分析了白噪声、背景温度和耗散能对热弹性能检测的影响,在此基础上提出了一种红外图像锁相滤波去噪的新算法.然后,在VC .NET环境下针对活塞栓、曲轴连杆红外图像设计了新的去噪算法程序,并与中值滤波、均值滤波等经典去噪算法的去噪效果进行了比较.最后应用信噪比、均方误差两项指标对新算法和经典算法的去噪效果进行评价.实验结果表明,采用新去噪算法对红外图像去噪,其均方误差为采用中值滤波法的7%.其信噪比比中值滤波法提高了10dB.     

基于机器视觉的图像边缘检测算法研究

提出机器视觉的方式弥补传统缺陷检测的弊端。针对目标图像模糊退化,采用中值滤波技术降噪的同时保护边缘信息;采用大津法算法进行阈值搜索;并进行直方图均衡化调整图像对比度。采用改进的Canny算子对传送带撕裂进行边缘识别提取,增加裂纹目标的可识别性。构建改进的T2FNN样本训练模型,将传送带裂纹图像的特征参数输入训练模型中,在隶属层输出模糊化的输入节点,最后通过输出层提供输入节点到输出的映射。通过验证对图像检测得到的数据结果,发现基于机器视觉基础的Canny算法在各种环境下对传送带撕裂的图像有更好的边缘检测效果,能更精准的做出判断,发出警报。     

列车车轮踏面缺陷在线磁粉检测

荧光磁粉探伤技术应用于列车车轮表面与近表面出厂缺陷检测,当前主要依靠人工识别缺陷,提出了一种将机器视觉应用于磁粉探伤,实现列车车轮踏面自动化缺陷识别的方法.首先通过分离三原色通道的灰度化预处理,消除紫光反射噪声;使用中值滤波与形态学开运算,抑制图像噪声并加强形态;采用多阈值最大类间方差分割算法解决大背景下阈值偏移问题;...     

基于自适应小波变换的陶瓷瓦鼓包检测方法

瓷砖表面缺陷检测是瓷砖生产过程中不可缺少的环节，针对具有复杂立体纹理干扰的陶瓷瓦表面鼓包缺陷，为了满足自动化检测的需要，本文提出一种基于自适应小波变换的陶瓷瓦表面鼓包检测算法。首先，提取出陶瓷瓦的红色通道图像，并进行高斯滤波的预处理，抑制噪声；其次，采用自适应小波变换、线性中值滤波的方法增强鼓包与背景区域对比度；最后，利用二值化和形态学的方法，得到鼓包区域的信息。实验结果表明，该算法可以检测具有复杂立体纹理干扰的陶瓷瓦表面的鼓包缺陷，检测准确率达到了98.5%，召回率达到了95.0%。     

基于ID-ELM算法的医药大输液可见异物检测系统研究

针对250 m L及以上医药大输液生产过程中造成药液中出现毛发、漂浮物、玻璃屑等可见异物的在线实时检测难题,开发了一种基于机器视觉的医药大输液可见异物智能检测系统。在研究医药大输液图像滤波、异物分割的基础上,设计了大输液图像特征提取算法,提出了基于影响度剪枝的改进极限学习机(ID-ELM)分类算法对可见异物分类识别,最后进行了相关实验验证算法的可行性。所设计的检测系统在医药企业用户运行并测试表明,该系统具有高检测精度、高效率、高稳定性的特性,识别准确率超过95.5%,能有效剔除次品,解决了医药大输液可见异物的在线自动检测和识别的难题,为医药生产企业分析产品质量提供了技术保障.     

基于 LDA 和 ELM 的高光谱图像降维与分类方法研究

高光谱图像具有波段多、波段间相关性强的特点,导致高光谱图像信息冗余,造成维数灾难、难以分类的问题,为此提出了一种基于线性判别分析(LDA)和极限学习机结合的高光谱图像降维分类方法。该方法首先通过LDA对高光谱数据进行降维处理,克服高光谱图像信息冗余等问题的同时,尽可能保留图像的特征信息;降低光谱图像维度后,采用极限学习机(ELM)对高光谱遥感图像进行分类识别。所提方法应用于Pavia University和Salinas高光谱图像处理,分类精度分别达到了98.78%和99.94%,有效提升了高光谱图像的地物分类性能,具有较强的实用性。     

基于多窗谱减和LMS在工厂中的去噪实现

为有效抑制工厂复杂环境中的背景噪声,获取音频信号中包含的有用信息,提出了一种基于多窗谱谱减法和自适应最小均方误差滤波算法相结合的音频降噪方法。首先使用改进多窗谱谱减法即修改谱减关系中的增益因子对含噪音频进行初步噪声抑制,有效避免了音乐噪声的产生并提升在了非平稳噪声干扰下的音频感知质量。然后再使用基于双曲正切函数调整步长因子的变步长自适应LMS滤波算法对已经初步去噪后的音频信号进行二次降噪处理,从而达到消除音频中噪声分量目的。仿真实验结果表明,本文方法相较传统多窗谱谱减法去噪后信噪比提升7dB左右,较固定步长LMS算法提升3至4dB,较传统多窗谱级联定步长LMS算法提升1至2dB,且该方法简单易行,且具有较好的实际应用价值。     

基于PCA降维的分层超限学习机手势识别方法

针对原始超限学习机在手势识别应用中欠缺良好的泛化性能和鲁棒性等问题,运用主成分分析(PCA)算法降低手势数据维数简化数据结构,并引入以超限学习机为基础,根据多层感知器理论拓展的分层超限学习机作为分类器应用于手势识别.PCA算法提取手势图像的主要特征,通过分层超限学习机的稀疏自动编码和分层训练,获得原始输入的多层稀疏表达,使自动编码后的输出近似原始输入,最大限度地减少重构误差,提高特征分类的精度.实验表明,与原始的超限学习机相比,具有更好的泛化性能,更快的识别速率以及更高的识别精度,提高了整体的学习性能.     

基于TiCNN-DRSN模型的sEMG手势识别算法的研究

基于表面肌电信号和模式识别的手势识别方法在康复手领域中具有广阔的应用前景。提出一种基于表面肌电信号的手部姿势识别方法,以预测手部的52种动作。为解决表面肌电信号易受干扰的问题,提高对表面肌电信号的分类效果,提出了TiCNN DRSN网络,主要作用是在拥有噪声的情况下能够更好的识别率,减少滤除噪声的时间。TiCNN网络使用卷积核Dropout和极小批量训练,为卷积神经网络引入训练干扰并且增加了模型的泛化性;DRSN网络可以有效的剔除sEMG信号中的冗余信号,减少信号噪声干扰。TiCNN DRSN网络在不需要任何降噪预处理的前提下,取得了很高的抗噪与自适应性能。本模型在Ninapro数据库上的识别率达到97.43%±0.8%。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于机器学习的混合模型在电力负荷预测中的应用

从电力负荷的变化特点入手,提出基于机器学习的混合模型,该模型采用具有自适应噪声的完整集合经验模式分解技术对电力负荷进行分解,剔除高频噪声影响后,对负荷序列进行重构,采用多目标花授粉优化算法对极限学习机进行优化,分析认为该模型可提高极限学习机预测的准确性和稳定性,结合江苏省月度负荷预测案例验证了模型的有效性.     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。