在工業(yè)環(huán)境中應(yīng)用機器學(xué)習(xí)技術(shù),可以降低生產(chǎn)成本,提高生產(chǎn)效率,節(jié)約人力資源,是發(fā)展先進制造業(yè)的可行路徑。一方面,機器學(xué)習(xí)技術(shù)的發(fā)展與計算設(shè)備性能的提高,使得機器學(xué)習(xí)技術(shù)在工業(yè)環(huán)境的應(yīng)用越來越廣;而另一方面,工業(yè)環(huán)境中數(shù)據(jù)的特性也會給現(xiàn)有機器學(xué)習(xí)技術(shù)帶來挑戰(zhàn),其中首要的問題是工業(yè)環(huán)境中數(shù)據(jù)的多樣性與復(fù)雜性問題。在這樣的環(huán)境下應(yīng)用機器學(xué)習(xí)技術(shù),需要對數(shù)據(jù)進行充分的特征轉(zhuǎn)化與構(gòu)造。本文即針對工業(yè)環(huán)境中不同類型的頻譜特征數(shù)據(jù),做出以下工作:第一,在異常纖維檢測任務(wù)中,探討最基本的頻域特征也即基于直方圖的特征構(gòu)造與應(yīng)用。將三種不同的圖像直方圖特征應(yīng)用到棉纖維異常檢測任務(wù)中,分析三種直方圖特征的區(qū)別與特點,對最優(yōu)方法做出改進,設(shè)計一個先檢測后判別的兩階段算法,獲得了良好的檢測精度,并給出系統(tǒng)性的解決方案。第二,在衛(wèi)星遙感數(shù)據(jù)用于動態(tài)航程規(guī)劃任務(wù)中,探討基于譜分解的頻譜特征構(gòu)造與利用。針對存在各向異性的矩陣,本文提出了一種旋轉(zhuǎn)多角度近似秩特征,刻畫矩陣的各向異性。其應(yīng)用表明該方法能夠?qū)ODIS衛(wèi)星遙感圖像區(qū)域進行精確標(biāo)注,為后續(xù)航程規(guī)劃任務(wù)提供有效支撐。第三,在利用傳感器信號進行傳動設(shè)備故障檢測任... 

【文章來源】：南京大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１基礎(chǔ)的７６８維ＲＧＢ顏色直方圖??

南京大學(xué)研究生畢業(yè)論文??對應(yīng)的，該像素的梯度大�。秃吞荻确较颍胺謩e是：??ｋ?＝?Ｊｌｉ?＋１｜??０?＝?ｔａｎ－１?（產(chǎn)）??ｉｉ．?較小空間區(qū)域直方圖統(tǒng)計方法??０１?２?３?４?５?６?７?８?＾——ｂｉｎ?ｎｕｍｂｅｒ???｜?｜?｜?｜?｜?｜?｜?｜?｜?｜???：?Ｉ?ｊ?！?Ｉ?ｉ?Ｉ?ｉ?ｉ??１０?３０?５０?７０?９０?ＭＯ?１３０?１５０?１７０?＾—?ｂｉｎ?ｃｅｎｔｅｒ??圖２．２方向梯度的一種分桶方式??將０－１８０°方向分成若干個等寬的方向區(qū)間，對區(qū)域內(nèi)每個像素的方向梯度??以梯度大小為權(quán)，加和到梯度方向?qū)?yīng)的桶中，注意梯度大小可為負(fù)數(shù)。圖２．２??是一個包含９個桶，每個桶２０°的分桶方式示意圖，對應(yīng)的梯度方向直方圖長??度為９。??ｉｉｉ．?塊規(guī)范化方法??對于數(shù)個ｃｅｌｌｓ構(gòu)成的ｂｌｏｃｋ，將各個ｃｅｌｌｓ的方向梯度直方圖進行拼接，得??到向量ｆｃ，再應(yīng)用以下公式進行規(guī)范化??ｈ?ｂ??—ＶｌｉｂｉＦ＋ｅ??其中ｅ是防止除０異常的一個大于零的微小常數(shù)。??以上是對圖像構(gòu)造其方向梯度直方圖特征的步驟與細(xì)節(jié)。方向梯度直方圖的??構(gòu)造方式有諸多改進與變種，但大體上都遵循以上步驟。??圖２．３展示了方向梯度直方圖特征的一組可視化結(jié)果。其中左側(cè)是原始圖像；??中間是該圖像抽取的方向梯度直方圖特征的可視化，整個圖像被分割成多個不重??疊的小塊，每個小塊中的亮線代表了該小塊的方向梯度直方圖；右側(cè)是人體檢測??１３??

?南京大學(xué)研究生畢業(yè)論文???算法對小塊按權(quán)重進行增強與減弱后的可視化結(jié)果，體現(xiàn)出方向梯度直方圖特征??對人體邊緣形狀的有效描述。??ＷｌｌＢｉ??圖２．３方向梯度直方圖特征可視化??２．２．３局部二值模式??在圖像的特征表示領(lǐng)域，除了顏色特征、邊緣與形狀特征之外，紋理特征的??提取與分析也占有相當(dāng)重要的地位。局部二值模式（Ｌｏｃａｌ?Ｂｉｎａｒｙ?Ｐａｔｔｅｒｎ，?ＬＢＰ）??［２６］是一種用于描述圖像局部紋理特征的算子，它具有旋轉(zhuǎn)不變性和灰度不變性??等顯著優(yōu)點，且原理相對簡單，計算復(fù)雜度低，在計算機視覺和機器學(xué)習(xí)任務(wù)中??表現(xiàn)出良好的性能，因而該方法被廣泛地應(yīng)用于圖像檢索與匹配［３４］［３５］［３６］、??行人和汽車目標(biāo)的檢測與跟蹤［３８］［３９］、生物信息學(xué)和醫(yī)學(xué)圖像分析［４０］［４１］等領(lǐng)??域。??．．，?ｒ?ｖ?ｒ??１?２?２?０?０?０?＼??ＺＺＺ?Ｔｈｒｅｓｈｏｌｄ＞?ＴＺＺ?］?Ｓａｈ＾°〇１１??５?３?１?１?０?０?＾??圖２．４局部二值模式樣例??１４??


本文編號：3028435