本文關鍵詞：R-AdaBoost帶鋼表面缺陷特征選擇算法　出處：《電子測量與儀器學報》2017年01期 　論文類型：期刊論文

  更多相關文章： AdaBoost算法 Relief特征篩選 特征選擇 缺陷檢測

【摘要】：帶鋼表面缺陷形式的復雜多變給特征的選擇帶來了困難,為此,提出一種融合特征篩選和樣本權值更新的R-Ada Boost特征選擇算法。該算法在Ada Boost算法的每個循環(huán)中通過Relief算法進行特征的篩選與降維,通過篩選后的特征利用樣本的類內類間差去除噪聲樣本,然后根據(jù)Ada Boost的動態(tài)權值更新樣本庫,再利用每個循環(huán)優(yōu)化選擇得到的最優(yōu)特征與弱分類器級聯(lián)成最終的Ada Boost強分類器,進行帶鋼表面缺陷的檢測與定位。實驗結果表明,針對帶鋼實際生產(chǎn)線上的劃痕、褶皺、山脈、污點等多種缺陷,該算法可以有效提取出具有高區(qū)分性和獨立性的特征,同時提高了缺陷檢測算法的準確率。
[Abstract]:It is difficult to select the characteristics because of the complexity and variety of the surface defect form of steel strip. A R-Ada Boost feature selection algorithm based on feature selection and sample weight updating is proposed in Ada. In each cycle of Boost algorithm, Relief algorithm is used to filter features and reduce dimension. The noise samples are removed by the inter-class difference of the samples through the selected features, and the sample library is updated according to the dynamic weights of Ada Boost. Then the optimal feature and weak classifier are cascaded into the final Ada Boost strong classifier to detect and locate the surface defects of steel strip. The experimental results show that. Aiming at the defects such as scratches, folds, mountains, stains and so on in the actual production line of strip steel, the algorithm can effectively extract the features with high distinguishing and independence, and improve the accuracy of the defect detection algorithm at the same time.
【作者單位】： 河北工業(yè)大學控制科學與工程學院;
【基金】：國家自然科學基金(61403119) 河北省自然科學基金(F2014202166)資助項目
【分類號】：TG142.15;TP391.41
【正文快照】： 1引言由于帶鋼表面缺陷形成原因的不同,導致缺陷呈現(xiàn)形式存在著多樣性、隨機性和復雜性等特點[1],現(xiàn)有的缺陷檢測方法通過提取缺陷的空域特征和變換域特征[2-3]并將多種類型的特征進行組合以滿足多樣和復雜缺陷形式的要求,但過高的特征維度難以滿足算法實時性的要求。因此,提

【相似文獻】

相關期刊論文 前10條

1 許劍;張洪偉;;Adaboost算法分類器設計及其應用[J];四川理工學院學報(自然科學版);2014年01期

2 張碩;;基于Adaboost的車標識別方法研究[J];中國安防;2014年05期

3 楊文倩;;基于AdaBoost算法的實時目標跟蹤[J];中國安防;2014年09期

4 雷煒;;一種對決策樹優(yōu)化的方法AdaBoost及其改進[J];中原工學院學報;2008年06期

5 吳家偉;嚴京旗;方志宏;夏勇;;基于Adaboost改進算法的鑄坯表面缺陷檢測方法[J];鋼鐵研究學報;2012年09期

6 武小紅;唐凱;孫俊;;基于Adaboost+OLDA和近紅外光譜的豬肉貯藏時間辨別[J];光譜學與光譜分析;2012年12期

7 于霜;丁煜函;劉國海;程錦翔;;生物發(fā)酵過程的LSSVM-Adaboost逆軟測量方法[J];計算機與應用化學;2013年11期

8 王磊;侯媛彬;李龍;;改進AdaBoost算法的條碼識別[J];遼寧工程技術大學學報(自然科學版);2013年02期

9 王文豪;嚴云洋;;基于AdaBoost RBF神經(jīng)網(wǎng)絡的火災煙霧檢測[J];河南理工大學學報(自然科學版);2014年02期

10 蔣白樺;劉偉;戴志軍;王宏安;;基于工況的操作模式優(yōu)化及在石化工業(yè)中的應用[J];化工學報;2012年12期

相關會議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計算機應用與系統(tǒng)建模國際會議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國信號處理學術年會（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動脈粥樣硬化判別方法[A];中國儀器儀表學會第十一屆青年學術會議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測中的應用[A];2007年中國智能自動化會議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細胞位置預測[A];中國化學會第26屆學術年會化學信息學與化學計量學分會場論文集[C];2008年

6 陳宏偉;劉建偉;費向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國信息技術與應用學術論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標跟蹤[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫體漢字相似字符識別[A];第二十六屆中國控制會議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風險評估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟發(fā)展研討會論文集[C];2012年

相關博士學位論文 前4條

1 佟旭;基于復雜網(wǎng)絡理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學;2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學習方法研究[D];大連海事大學;2011年

3 張?zhí)珜?人眼注視點估計方法的研究[D];南開大學;2013年

4 趙培英;基于智能計算的膜蛋白結構與相互作用預測研究[D];東華大學;2010年

相關碩士學位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學;2015年

2 孫斌;一種基于Adaboost的實時行人檢測算法[D];華南理工大學;2015年

3 蔡澤彬;基于視頻分析的行人檢測及統(tǒng)計方法研究[D];華南理工大學;2015年

4 游晴;Adaboost人臉檢測算法研究及其在硬件平臺上的實現(xiàn)[D];昆明理工大學;2015年

5 宋雨;基于視覺圖片的腦—機接口控制研究[D];天津理工大學;2015年

6 林欣;基于改進膚色模型的AdaBoost人臉檢測算法研究[D];陜西科技大學;2015年

7 袁浩杰;Adaboost算法的并行化及其在目標分類中的應用[D];華南理工大學;2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測研究與系統(tǒng)實現(xiàn)[D];長安大學;2015年

9 朱非易;基于不平衡學習的蛋白質—維生素綁定位點預測研究[D];南京理工大學;2015年

10 張元;一種基于AdaBoost的組合分類算法研究[D];四川師范大學;2015年

，

本文編號：1434594