基于HOG和改进颜色直方图的工业反应釜液面状态识别算法研究
发布时间：2021-09-15 07:42
工业反应釜液面分离是根据釜内不同的液体状态实现液体分离,然后将分离后的液体用于工业产品的生产。目前实现液面分离的方式主要是通过人工手动操作,由于该方法效率较低且生产成本过高,由此本文提出了一套液面状态识别算法,该算法可以对工业反应釜内液体状态的变化快速准确地识别,从而实现工业反应釜液面分离。通过对工业反应釜中液面数据分析,将液面数据分成五种类别;本文采用了五种经典特征提取算法分别是LBP、HOG、LPQ、Haar和颜色直方图;分类器算法有SVM分类算法、随机森林分类算法和KNN分类算法。本文的研究内容如下:1.基于液面图像HOG特征的PCA降维分类模型研究。首先,HOG特征提取算法用于提取液面特征时,由于该算法提取得到的液面数据特征维度过高,因此使用PCA方法对HOG特征进行降维,然后将降维后的特征与LBP、LPQ、Haar特征提取算法形成的特征在三种分类器进行比较,得出PCA对HOG降维后特征在KNN分类器中识别率最高达93.15%,最后研究了PCA贡献率对HOG特征提取方法的影响。2.基于自适应阈值方式对颜色直方图特征提取算法的改进。首先,使用传统的颜色直方图特征提取算法获得256...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
五种不同类别的液面状态根据液面状态的颜色变化，本文将液面状态数据分成了五种类别，每一行表
杭州电子科技大学硕士学位论文9开始进入容器，并且物料沾满了整个容器壁的状态，称之为进料态；第三种类别是物料已经充满了整个容器，并且呈现着纯净透明的状态，称之为纯净态；第四种类别是容器中的物料聚集在一起形成了一种颗粒状，并呈现出黄色的状态，这也是第三种类别向第五种类别过度的状态，称之为过渡态；第五种类别是物料在容器中经过长时间的滞留，并呈现出一种黑棕色或浑浊的状态，称之为异常态。2.1.2液面状态识别流程通常情况下，识别分类的过程均会存在训练集和测试集，首先对图像数据进行预处理操作，然后使用特征提取算法对该图像数据进行特征提取，使用训练集的数据输入分类器算法进行训练得到合适的数学模型，再将测试集的特征输入该模型进行特征匹配操作，具体识别流程如图2.2所示。图2.2识别分类的过程本文液面图像数据通过工业摄像机获得，该液面图像数据像素值规整，不需要对液面图像数据进行预处理操作，可直接使用特征提取算法对该数据提取特征，再使用分类器算法对特征进行训练和测试。2.2经典特征提取算法2.2.1局部二值特征模式LBP算子对于纹理特征提取具有优势，就提取人脸的特征而言，LBP的使用十分广泛。下文会对LBP相关的原理进行介绍，并分析LBP算子的相关特性。LBP特征提取算法具有灰度尺度不变的特性，其基本思想是通过将某一区域内的中心像素值作为阈值，与它的邻域进行比较，最后得到一个二进制码，然后根据该二进制码得到该特征。在纹理特征分析方面，LBP算法对纹理特征具有很好的描述，它主要的优势
杭州电子科技大学硕士学位论文10表现在以下几个方面：(1)根据LBP的定义，该算法的灰度尺度不会随着任何单一变化而变化，由此在光照的条件下能够表现很好的鲁棒性能；(2)计算速度快。由于它是通过小邻域内进行比较的，使得即使在复杂的条件下也能够对图像进行可靠地分析；(3)LBP算法是一种无参数的算法，在应用过程中是不用对它进行预假设分布[20,21]。通常情况下，LBP算法会设置一个3×3大小的窗口，然后将窗口中心点的灰度值作为阈值，通过该阈值和邻域灰度值进行比较得到0-1的二值形式，然后根据像素位置的不同采用加权求和的方式得到窗口的LBP值[22-24]。在图2.3中，其窗口的中间像素值为5，其周边的八个像素值为1、2、2、6、1、3、5、9，经过阈值比较后形成的二值模式为000100011，LBP=16+2+1=19。该过程用公示表示为：10(,)2()PPccPcPLBPxysii(2.1)其中(,)是中心像素，ci是灰度值，ni是相邻像素的灰度值，s(x)是一个符号函数：10()00xsxx(2.2)图2.3LBP的形成过程通过对LBP特征提取算法的介绍，使用该特征提取算法对每类液面状态数据提取特征并绘制了该特征，如图2.4所示。根据该特征提取算法得到的特征向量维度为2891，由于该维度数过高，使绘制的折线图看上去像直方图一样，但是根据上图中的五类液面数据的特征分布，第一种类别(初始态)的特征很明显异于其他四类，而其他类别中的液面状态数据特征图在每个维度的分布也是有所区别的。
【参考文献】：
期刊论文
[1]带有年龄信息的PCA人脸识别技术[J]. 陈文兴,岳靖,付浩. 数学的实践与认识. 2018(06)
[2]改进的PCA人脸识别算法研究[J]. 周松锋,戴曙光. 软件导刊. 2018(02)
[3]方向梯度直方图综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2017(19)
[4]主成分分析方法综述[J]. 赵蔷. 软件工程. 2016(06)
[5]能识别液体的水杯,让你了解鲜为人知的技术[J]. 李. 化学分析计量. 2016(01)
[6]基于扩展Haar特征的AdaBoost人脸检测算法[J]. 颜学龙,任文帅,马峻. 计算机系统应用. 2015(09)
[7]油水分离技术[J]. 吴应湘,许晶禹. 力学进展. 2015(00)
[8]融合LBP和LPQ的人脸识别[J]. 朱长水,丁勇,袁宝华,曹红根. 南京师大学报(自然科学版). 2015(01)
[9]一种改进HOG特征的行人检测算法[J]. 田仙仙,鲍泓,徐成. 计算机科学. 2014(09)
[10]基于自适应阈值的改进Canny边缘检测方法[J]. 张帆,彭中伟,蒙水金. 计算机应用. 2012(08)
硕士论文
[1]随机森林算法的优化改进研究[D]. 马骊.暨南大学 2016
[2]基于Haar特征及Adaboost的焊点检测算法研究[D]. 王琪.西安电子科技大学 2015
[3]基于LBP的图像纹理特征的提取及应用[D]. 赵玉丹.西安邮电大学 2015
[4]面向多类标分类的随机森林算法研究[D]. 赵亚红.哈尔滨工业大学 2014
[5]基于光照不均匀图像的自适应二值化方法研究[D]. 郭佳.武汉科技大学 2013
[6]基于改进KNN的文本分类算法的设计与实现[D]. 杜尔斌.上海交通大学 2010
[7]基于距离学习的集成KNN分类器的研究[D]. 于飞.大连理工大学 2009
[8]基于LBP的特征提取研究[D]. 王玲.北京交通大学 2009
[9]基于Haar特征概率分布与SVM的人脸检测[D]. 孟庆涛.华东师范大学 2008
[10]基于PCA的人脸识别技术的研究[D]. 齐兴敏.武汉理工大学 2007
本文编号：3395680
【文章来源】：杭州电子科技大学浙江省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
五种不同类别的液面状态根据液面状态的颜色变化，本文将液面状态数据分成了五种类别，每一行表
杭州电子科技大学硕士学位论文9开始进入容器，并且物料沾满了整个容器壁的状态，称之为进料态；第三种类别是物料已经充满了整个容器，并且呈现着纯净透明的状态，称之为纯净态；第四种类别是容器中的物料聚集在一起形成了一种颗粒状，并呈现出黄色的状态，这也是第三种类别向第五种类别过度的状态，称之为过渡态；第五种类别是物料在容器中经过长时间的滞留，并呈现出一种黑棕色或浑浊的状态，称之为异常态。2.1.2液面状态识别流程通常情况下，识别分类的过程均会存在训练集和测试集，首先对图像数据进行预处理操作，然后使用特征提取算法对该图像数据进行特征提取，使用训练集的数据输入分类器算法进行训练得到合适的数学模型，再将测试集的特征输入该模型进行特征匹配操作，具体识别流程如图2.2所示。图2.2识别分类的过程本文液面图像数据通过工业摄像机获得，该液面图像数据像素值规整，不需要对液面图像数据进行预处理操作，可直接使用特征提取算法对该数据提取特征，再使用分类器算法对特征进行训练和测试。2.2经典特征提取算法2.2.1局部二值特征模式LBP算子对于纹理特征提取具有优势，就提取人脸的特征而言，LBP的使用十分广泛。下文会对LBP相关的原理进行介绍，并分析LBP算子的相关特性。LBP特征提取算法具有灰度尺度不变的特性，其基本思想是通过将某一区域内的中心像素值作为阈值，与它的邻域进行比较，最后得到一个二进制码，然后根据该二进制码得到该特征。在纹理特征分析方面，LBP算法对纹理特征具有很好的描述，它主要的优势
杭州电子科技大学硕士学位论文10表现在以下几个方面：(1)根据LBP的定义，该算法的灰度尺度不会随着任何单一变化而变化，由此在光照的条件下能够表现很好的鲁棒性能；(2)计算速度快。由于它是通过小邻域内进行比较的，使得即使在复杂的条件下也能够对图像进行可靠地分析；(3)LBP算法是一种无参数的算法，在应用过程中是不用对它进行预假设分布[20,21]。通常情况下，LBP算法会设置一个3×3大小的窗口，然后将窗口中心点的灰度值作为阈值，通过该阈值和邻域灰度值进行比较得到0-1的二值形式，然后根据像素位置的不同采用加权求和的方式得到窗口的LBP值[22-24]。在图2.3中，其窗口的中间像素值为5，其周边的八个像素值为1、2、2、6、1、3、5、9，经过阈值比较后形成的二值模式为000100011，LBP=16+2+1=19。该过程用公示表示为：10(,)2()PPccPcPLBPxysii(2.1)其中(,)是中心像素，ci是灰度值，ni是相邻像素的灰度值，s(x)是一个符号函数：10()00xsxx(2.2)图2.3LBP的形成过程通过对LBP特征提取算法的介绍，使用该特征提取算法对每类液面状态数据提取特征并绘制了该特征，如图2.4所示。根据该特征提取算法得到的特征向量维度为2891，由于该维度数过高，使绘制的折线图看上去像直方图一样，但是根据上图中的五类液面数据的特征分布，第一种类别(初始态)的特征很明显异于其他四类，而其他类别中的液面状态数据特征图在每个维度的分布也是有所区别的。
【参考文献】：
期刊论文
[1]带有年龄信息的PCA人脸识别技术[J]. 陈文兴,岳靖,付浩. 数学的实践与认识. 2018(06)
[2]改进的PCA人脸识别算法研究[J]. 周松锋,戴曙光. 软件导刊. 2018(02)
[3]方向梯度直方图综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2017(19)
[4]主成分分析方法综述[J]. 赵蔷. 软件工程. 2016(06)
[5]能识别液体的水杯,让你了解鲜为人知的技术[J]. 李. 化学分析计量. 2016(01)
[6]基于扩展Haar特征的AdaBoost人脸检测算法[J]. 颜学龙,任文帅,马峻. 计算机系统应用. 2015(09)
[7]油水分离技术[J]. 吴应湘,许晶禹. 力学进展. 2015(00)
[8]融合LBP和LPQ的人脸识别[J]. 朱长水,丁勇,袁宝华,曹红根. 南京师大学报(自然科学版). 2015(01)
[9]一种改进HOG特征的行人检测算法[J]. 田仙仙,鲍泓,徐成. 计算机科学. 2014(09)
[10]基于自适应阈值的改进Canny边缘检测方法[J]. 张帆,彭中伟,蒙水金. 计算机应用. 2012(08)
硕士论文
[1]随机森林算法的优化改进研究[D]. 马骊.暨南大学 2016
[2]基于Haar特征及Adaboost的焊点检测算法研究[D]. 王琪.西安电子科技大学 2015
[3]基于LBP的图像纹理特征的提取及应用[D]. 赵玉丹.西安邮电大学 2015
[4]面向多类标分类的随机森林算法研究[D]. 赵亚红.哈尔滨工业大学 2014
[5]基于光照不均匀图像的自适应二值化方法研究[D]. 郭佳.武汉科技大学 2013
[6]基于改进KNN的文本分类算法的设计与实现[D]. 杜尔斌.上海交通大学 2010
[7]基于距离学习的集成KNN分类器的研究[D]. 于飞.大连理工大学 2009
[8]基于LBP的特征提取研究[D]. 王玲.北京交通大学 2009
[9]基于Haar特征概率分布与SVM的人脸检测[D]. 孟庆涛.华东师范大学 2008
[10]基于PCA的人脸识别技术的研究[D]. 齐兴敏.武汉理工大学 2007
本文编号：3395680
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3395680.html
最近更新
教材专著
