大数据-算法-板带材表面缺陷组合特征的降维聚类识别算法研究
本文研究了板带材表面缺陷组合特征的降维聚类识别算法,以提高板带材表面缺陷识别率。该算法包括以下几个步骤:提取板带材表面缺陷图像的不同种类的特征,然后基于类间类内距离差的类别可分离性判据选择优化组合特征。接着,将优化组合特征输入到自组织特征映射神经网络中进行特征降维。 采用改进的近邻聚类法对降维后特征点云进行聚类识别。
该算法的优点是将神经网络特征降维与特征近邻聚类算法相结合,实现了两种算法的优势互补,提高了缺陷图像的识别率。同时,该算法还可以对误识图像和新的缺陷类别图像进行识别模型修正处理,扩展了识别系统的识别能力。
实验结果表明,该算法可以达到98.3%的识别率,对板带材表面缺陷图像的识别率有一定的提高。该研究工作还奠定了板带材质量在线控制识别的基础。
Knowledge Points:
1. 板带材表面缺陷图像识别的重要性:板带材是钢铁工业的主要产品之一,其表面质量直接影响最终产品的质量和性能。因此,板带材表面缺陷图像识别对提高产品质量和性能具有重要的理论和经济价值。
2. 组合特征的选择:本文中,我们选择了板带材表面缺陷图像的不同种类的特征,并基于类间类内距离差的类别可分离性判据选择优化组合特征。
3. 特征降维:我们使用自组织特征映射神经网络对优化组合特征进行降维,以减少特征维数和提高计算效率。
4. 近邻聚类算法:我们采用改进的近邻聚类法对降维后特征点云进行聚类识别,以提高缺陷图像的识别率。
5. 算法的优点:该算法将神经网络特征降维与特征近邻聚类算法相结合,实现了两种算法的优势互补,提高了缺陷图像的识别率。
6.扩展学习方法:我们基于数据库平台设计了板带材表面缺陷识别模型的扩展学习方法,能够对误识图像和新的缺陷类别图像进行识别模型修正处理,扩展了识别系统的识别能力。
7. 实验结果:实验表明,该算法可以达到98.3%的识别率,对板带材表面缺陷图像的识别率有一定的提高。
8. 在线控制识别:该研究工作还奠定了板带材质量在线控制识别的基础,为板带材质量在线控制识别提供了技术支持。