本文關鍵詞：基于支持向量機的帶鋼表面缺陷識別問題研究

  更多相關文章： 帶鋼表面缺陷 圖像預處理 特征提取 特征選擇 模式識別 支持向量機

【摘要】：冷軋帶鋼是家用電器、機械制造等工業(yè)領域所必不可少的原材料之一。帶鋼表面質量直接影響后續(xù)產(chǎn)品的質量,因此,帶鋼表面質量的控制與提高是許多企業(yè)最為關心的問題之一,帶鋼表面缺陷檢測技術隨之受到了越來越多的重視。模式識別是整個檢測系統(tǒng)的關鍵,本文對帶鋼表面缺陷圖像進行預處理、特征的提取與選擇及模式識別。由于現(xiàn)場環(huán)境中的噪聲污染及光學系統(tǒng)影響等因素都會降低原圖像的質量,進而影響后續(xù)分類過程,因此,首先對帶鋼表面缺陷圖像進行預處理。針對上述問題,采取了自適應中值濾波算法與同態(tài)濾波算法相結合的方法,前者可以較好的實現(xiàn)圖像去噪,后者可以較穩(wěn)定的去除圖像不均勻,最終使圖像質量得到了較好的改善。其次,在紋理與形態(tài)兩方面對圖像進行特征提取,并將其作為原始特征。由于混合后的原始特征以后容易出現(xiàn)特征冗余或者維數(shù)過高的情況,進而影響缺陷模式識別的效果,因此,采取了ReliefF算法與聚類算法相結合的方法進行特征篩選。前者用于篩選對分類有用的特征,后者用于剔除冗余特征,并詳細闡述了此方法的基本原理。最后,采用支持向量機進行缺陷模式識別,針對其容易對分類面附近的樣本分錯類別的情況,在支持向量機中加入了k近鄰算法,針對k近鄰算法中樣本類別分布不均容易導致樣本錯分的情況,對k近鄰進行改進,提出了改進后的KSVM算法。仿真結果表明,分類器經(jīng)過改進后,其性能優(yōu)于傳統(tǒng)的支持向量機。
【關鍵詞】：帶鋼表面缺陷 圖像預處理 特征提取 特征選擇 模式識別 支持向量機
【學位授予單位】：河北科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TG335.56;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-13
• 1.1 課題研究背景及意義9-10
• 1.2 帶鋼表面缺陷檢測技術發(fā)展現(xiàn)狀10-12
• 1.2.1 國外發(fā)展現(xiàn)狀10-11
• 1.2.2 國內發(fā)展現(xiàn)狀11-12
• 1.3 本文的研究內容12-13
• 第2章 帶鋼表面缺陷圖像的預處理13-23
• 2.1 圖像預處理13-18
• 2.1.1 自適應中值濾波13-15
• 2.1.2 同態(tài)濾波15-18
• 2.2 缺陷圖像分割18-20
• 2.2.1 圖像分割的基本概念18
• 2.2.2 缺陷分割方法18-20
• 2.3 仿真實驗結果與分析20-22
• 2.4 本章小結22-23
• 第3章 帶鋼表面缺陷圖像特征提取與選擇23-41
• 3.1 圖像特征提取23-29
• 3.1.1 紋理特征提取23-28
• 3.1.2 形態(tài)特征提取28-29
• 3.2 圖像特征選擇29-33
• 3.2.1 特征選擇30
• 3.2.2 基于ReliefF與聚類算法的特征選擇30-33
• 3.3 仿真實驗結果與分析33-40
• 3.4 本章小結40-41
• 第4章 基于改進支持向量機的缺陷模式識別41-55
• 4.1 支持向量機基本原理41-48
• 4.1.1 線性判別函數(shù)41-43
• 4.1.2 最優(yōu)分類面43-45
• 4.1.3 廣義最優(yōu)分類面45-46
• 4.1.4 支持向量機46-48
• 4.2 設計改進的SVM-KNN分類器48-50
• 4.2.1 k近鄰法48-49
• 4.2.2 改進的SVM-KNN原理49-50
• 4.3 基于改進SVM-KNN的缺陷識別50-52
• 4.3.1 支持向量機的分類算法50-51
• 4.3.2 改進SVM-KNN的分類算法51-52
• 4.4 仿真實驗結果與分析52-53
• 4.5 本章小結53-55
• 結論55-57
• 參考文獻57-61
• 攻讀碩士學位期間所發(fā)表的論文61-63
• 致謝63

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張鴻雁;;基于樹狀結構的支持向量機多分類方法[J];煤礦機械;2008年06期

2 袁曉鷹;邵元海;王震;;基于支持向量機煤炭產(chǎn)地的鑒別研究[J];潔凈煤技術;2011年04期

3 陳文杰,王晶;支持向量機在工業(yè)過程中的應用[J];計算機與應用化學;2005年03期

4 胡哲;鄭誠;閔鵬鵬;;支持向量機及其應用研究[J];重慶科技學院學報(自然科學版);2008年02期

5 楊靜;殷志祥;崔健中;;支持向量機的蛋白質遠程同源檢測方法分析[J];安徽理工大學學報(自然科學版);2009年03期

6 王永;程燦;戴明軍;孫永;;一種半監(jiān)督支持向量機優(yōu)化方法[J];工礦自動化;2010年12期

7 丁勝鋒;;一種改進的雙支持向量機[J];遼寧石油化工大學學報;2012年04期

8 鄭小霞;錢鋒;;基于小波和支持向量機的故障趨勢預報[J];計算機與應用化學;2008年01期

9 王平;;基于支持向量機的空氣降塵預測[J];科技情報開發(fā)與經(jīng)濟;2009年02期

10 劉培勝;賈銀山;韓云萍;;一種改進的簡化支持向量機[J];遼寧石油化工大學學報;2009年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：611670