LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

基于视觉传感的焊缝中心检测技术研究

通过视觉传感器获取焊缝图像，采用多种去噪技术对焊缝图像中的噪声进行滤波试验。针对焯缝图像中的干扰噪声特性，对各种滤波方法进行了分析和比较，并对滤波效果较好的焊缝图像进行边缘检测计算。提出3种识别焊缝特征的组合图像处理方法，并研究提取焊缝中心特征信息的效果和精度。试验结果表明，对焊缝图像采用Wiener滤波与Robert边缘检测算法能较好地提取焊缝中心位置的特征信息。     

圆形线材表面缺陷识别的图像处理研究

针对圆线材表面缺陷检测中出现的外界杂质干扰问题,对圆线材常见的6种表面缺陷进行建模,分析3种常见的图像噪声模型,并采用多种滤波算法进行处理比较,通过评估各算法对应的PSNR值确定了合适的图像预处理方案,同时对比分析3种特征描述因子对图像的特征提取效果。所得结果如下:均值滤波算法对高斯噪声处理效果好,中值滤波对椒盐噪声处理效果好,均值滤波和中值滤波对泊松噪声都有较好的处理结果;使用SURF算法进行图像特征提取效果好。研究结论可为解决线材表面缺陷的检测问题提供参考。     

齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中,故障特征提取是诊断的关键,而特征提取的方法也是多种多样的.利用双正交小波基将齿轮的故障振动信号分解到时频域,并提取出齿轮的故障特征.同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果.     

基于神经网络的硬质合金刀片槽型断屑范围的预报

本文是在神经网络理论的基础上，对硬质合金刀片槽型进行了三维特征提取，并详细介绍了各类槽型的待征简化规则及依据，最后用神经网络进行预报，给出几种典型刀片的预报区域图。     

一种带有“遮罩”的ASIFT特征提取算法

指出提高ASIFT算法效率的一种新途径:利用“遮罩”屏蔽源自视角模拟的无效像素区域,从而使较为耗时的区域运算仅作用于有效像素区域,以达到提高运算效率的目的.首先,分析无效像素区域产生根源,并定量分析此类区域在各区域运算环节占有的比例,指出增加“遮罩”的必要性,特别指出被处理图像的宽高比越大,则经“遮罩”处理后所获得的加速比越高;随后,给出带有“遮罩”的ASIFT算法结构;然后,给出“遮罩”的一种低存储空间、高访问效率的数据结构,并给出离线获取“遮罩”的一种解析方法;最后,通过实验证实使用“遮罩”能有效提高ASIFT算法中区域运算部分的效率,从而在一定程度上也提高了算法整体的运算效率,但效率提升幅度受到理想区域加速比限制.     

引入迁移学习的癫痫EEG信号自适应识别

在脑电图( EEG)信号识别中,EEG信号的采样环境、病人状态的多样性导致分类器训练所用的源域与分类器测试所用的目标域不匹配,分类器在目标域上表现不佳。为此,引入邻域适应策略,提出一种基于子空间相似度的改进主成分分析特征提取方法( SSM-PCA),在选择主成分时,考虑源域和目标域数据的几何和统计特性,并结合迁移学习分类器大间隔投射迁移支持向量机( LMPROJ),给出以SSM-PCA为基础的LMPROJ分类识别方法。实验结果表明,与结合PCA特征抽取技术和K近邻分类器实现的识别方法相比,该方法在识别正确率方面得到较大提升。     

正线性函数在深度神经网络中的研究

针对深度神经网络中常用的激活函数具有非线性和计算复杂度高的特点,提出使用正线性函数代替常用非线性函数作为深度神经网络的激活函数。基于正线性激活函数建立的深度神经网络模型计算复杂度低,能得到稀疏表示,与人类大脑信息感知具有一致性。通过图像分类任务验证了正线性激活函数在深度神经网络中应用的有效性。     

分块双向2DPCA融合局部特征的人脸识别

针对(2D)2PCA无法保存某些重要局部特征的问题,提出一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间。然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别。最后,根据所有子块所属类别的置信度之和完成人脸分类。在四个人脸识别数据库上的实验结果表明,相比其他几种人脸识别算法,该方法取得了更高的识别精度。     

基于图像分块和特征选择的单训练样本人脸识别

为了提高人脸识别的正确率,针对单样本人脸识别训练样本存在的缺陷,提出一种基于图像分块和特征选择的单样本人脸识别算法。首先将人脸图像划分成子块,并分别提取各子块的特征,连接成人脸图像特征向量,然后采用多流形判断分析算法选择对人脸识别结果贡献较大的特征。最后计算采用支持向量机对人脸进行识别,并采用Yale B和PIE人脸库对本文人脸算法的有效性和优越性进行仿真测试。仿真结果表明,相对于当前典型人脸识别算法,该算法提高了人脸识别正确率,获得了更加理想的人脸识别效果。