基于支持向量机的带钢表面缺陷识别问题研究

发布时间：2017-08-02 23:17

  本文关键词：基于支持向量机的带钢表面缺陷识别问题研究

  更多相关文章： 带钢表面缺陷 图像预处理 特征提取 特征选择 模式识别 支持向量机

【摘要】：冷轧带钢是家用电器、机械制造等工业领域所必不可少的原材料之一。带钢表面质量直接影响后续产品的质量,因此,带钢表面质量的控制与提高是许多企业最为关心的问题之一,带钢表面缺陷检测技术随之受到了越来越多的重视。模式识别是整个检测系统的关键,本文对带钢表面缺陷图像进行预处理、特征的提取与选择及模式识别。由于现场环境中的噪声污染及光学系统影响等因素都会降低原图像的质量,进而影响后续分类过程,因此,首先对带钢表面缺陷图像进行预处理。针对上述问题,采取了自适应中值滤波算法与同态滤波算法相结合的方法,前者可以较好的实现图像去噪,后者可以较稳定的去除图像不均匀,最终使图像质量得到了较好的改善。其次,在纹理与形态两方面对图像进行特征提取,并将其作为原始特征。由于混合后的原始特征以后容易出现特征冗余或者维数过高的情况,进而影响缺陷模式识别的效果,因此,采取了ReliefF算法与聚类算法相结合的方法进行特征筛选。前者用于筛选对分类有用的特征,后者用于剔除冗余特征,并详细阐述了此方法的基本原理。最后,采用支持向量机进行缺陷模式识别,针对其容易对分类面附近的样本分错类别的情况,在支持向量机中加入了k近邻算法,针对k近邻算法中样本类别分布不均容易导致样本错分的情况,对k近邻进行改进,提出了改进后的KSVM算法。仿真结果表明,分类器经过改进后,其性能优于传统的支持向量机。
【关键词】：带钢表面缺陷 图像预处理 特征提取 特征选择 模式识别 支持向量机
【学位授予单位】：河北科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TG335.56;TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-13
• 1.1 课题研究背景及意义9-10
• 1.2 带钢表面缺陷检测技术发展现状10-12
• 1.2.1 国外发展现状10-11
• 1.2.2 国内发展现状11-12
• 1.3 本文的研究内容12-13
• 第2章 带钢表面缺陷图像的预处理13-23
• 2.1 图像预处理13-18
• 2.1.1 自适应中值滤波13-15
• 2.1.2 同态滤波15-18
• 2.2 缺陷图像分割18-20
• 2.2.1 图像分割的基本概念18
• 2.2.2 缺陷分割方法18-20
• 2.3 仿真实验结果与分析20-22
• 2.4 本章小结22-23
• 第3章 带钢表面缺陷图像特征提取与选择23-41
• 3.1 图像特征提取23-29
• 3.1.1 纹理特征提取23-28
• 3.1.2 形态特征提取28-29
• 3.2 图像特征选择29-33
• 3.2.1 特征选择30
• 3.2.2 基于ReliefF与聚类算法的特征选择30-33
• 3.3 仿真实验结果与分析33-40
• 3.4 本章小结40-41
• 第4章 基于改进支持向量机的缺陷模式识别41-55
• 4.1 支持向量机基本原理41-48
• 4.1.1 线性判别函数41-43
• 4.1.2 最优分类面43-45
• 4.1.3 广义最优分类面45-46
• 4.1.4 支持向量机46-48
• 4.2 设计改进的SVM-KNN分类器48-50
• 4.2.1 k近邻法48-49
• 4.2.2 改进的SVM-KNN原理49-50
• 4.3 基于改进SVM-KNN的缺陷识别50-52
• 4.3.1 支持向量机的分类算法50-51
• 4.3.2 改进SVM-KNN的分类算法51-52
• 4.4 仿真实验结果与分析52-53
• 4.5 本章小结53-55
• 结论55-57
• 参考文献57-61
• 攻读硕士学位期间所发表的论文61-63
• 致谢63

【相似文献】

中国期刊全文数据库 前10条

1 张鸿雁;;基于树状结构的支持向量机多分类方法[J];煤矿机械;2008年06期

2 袁晓鹰;邵元海;王震;;基于支持向量机煤炭产地的鉴别研究[J];洁净煤技术;2011年04期

3 陈文杰,王晶;支持向量机在工业过程中的应用[J];计算机与应用化学;2005年03期

4 胡哲;郑诚;闵鹏鹏;;支持向量机及其应用研究[J];重庆科技学院学报(自然科学版);2008年02期

5 杨静;殷志祥;崔健中;;支持向量机的蛋白质远程同源检测方法分析[J];安徽理工大学学报(自然科学版);2009年03期

6 王永;程灿;戴明军;孙永;;一种半监督支持向量机优化方法[J];工矿自动化;2010年12期

7 丁胜锋;;一种改进的双支持向量机[J];辽宁石油化工大学学报;2012年04期

8 郑小霞;钱锋;;基于小波和支持向量机的故障趋势预报[J];计算机与应用化学;2008年01期

9 王平;;基于支持向量机的空气降尘预测[J];科技情报开发与经济;2009年02期

10 刘培胜;贾银山;韩云萍;;一种改进的简化支持向量机[J];辽宁石油化工大学学报;2009年01期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：611670