基于频谱特征数据的机器学习技术应用研究
发布时间：2021-02-11 03:20
在工业环境中应用机器学习技术,可以降低生产成本,提高生产效率,节约人力资源,是发展先进制造业的可行路径。一方面,机器学习技术的发展与计算设备性能的提高,使得机器学习技术在工业环境的应用越来越广;而另一方面,工业环境中数据的特性也会给现有机器学习技术带来挑战,其中首要的问题是工业环境中数据的多样性与复杂性问题。在这样的环境下应用机器学习技术,需要对数据进行充分的特征转化与构造。本文即针对工业环境中不同类型的频谱特征数据,做出以下工作:第一,在异常纤维检测任务中,探讨最基本的频域特征也即基于直方图的特征构造与应用。将三种不同的图像直方图特征应用到棉纤维异常检测任务中,分析三种直方图特征的区别与特点,对最优方法做出改进,设计一个先检测后判别的两阶段算法,获得了良好的检测精度,并给出系统性的解决方案。第二,在卫星遥感数据用于动态航程规划任务中,探讨基于谱分解的频谱特征构造与利用。针对存在各向异性的矩阵,本文提出了一种旋转多角度近似秩特征,刻画矩阵的各向异性。其应用表明该方法能够对MODIS卫星遥感图像区域进行精确标注,为后续航程规划任务提供有效支撑。第三,在利用传感器信号进行传动设备故障检测任...
【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
图２．１基础的７６８维ＲＧＢ颜色直方图??
南京大学研究生毕业论文??对应的，该像素的梯度大小Ｍ和梯度方向０分别是：??ｋ?＝?Ｊｌｉ?＋１｜??０?＝?ｔａｎ－１?（产）??ｉｉ．?较小空间区域直方图统计方法??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??图２．２方向梯度的一种分桶方式??将０－１８０°方向分成若干个等宽的方向区间，对区域内每个像素的方向梯度??以梯度大小为权，加和到梯度方向对应的桶中，注意梯度大小可为负数。图２．２??是一个包含９个桶，每个桶２０°的分桶方式示意图，对应的梯度方向直方图长??度为９。??ｉｉｉ．?块规范化方法??对于数个ｃｅｌｌｓ构成的ｂｌｏｃｋ，将各个ｃｅｌｌｓ的方向梯度直方图进行拼接，得??到向量ｆｃ，再应用以下公式进行规范化??ｈ?ｂ??—ＶｌｉｂｉＦ＋ｅ??其中ｅ是防止除０异常的一个大于零的微小常数。??以上是对图像构造其方向梯度直方图特征的步骤与细节。方向梯度直方图的??构造方式有诸多改进与变种，但大体上都遵循以上步骤。??图２．３展示了方向梯度直方图特征的一组可视化结果。其中左侧是原始图像；??中间是该图像抽取的方向梯度直方图特征的可视化，整个图像被分割成多个不重??叠的小块，每个小块中的亮线代表了该小块的方向梯度直方图；右侧是人体检测??１３??
?南京大学研究生毕业论文???算法对小块按权重进行增强与减弱后的可视化结果，体现出方向梯度直方图特征??对人体边缘形状的有效描述。??ＷｌｌＢｉ??图２．３方向梯度直方图特征可视化??２．２．３局部二值模式??在图像的特征表示领域，除了颜色特征、边缘与形状特征之外，纹理特征的??提取与分析也占有相当重要的地位。局部二值模式（Ｌｏｃａｌ?Ｂｉｎａｒｙ?Ｐａｔｔｅｒｎ，?ＬＢＰ）??［２６］是一种用于描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性??等显著优点，且原理相对简单，计算复杂度低，在计算机视觉和机器学习任务中??表现出良好的性能，因而该方法被广泛地应用于图像检索与匹配［３４］［３５］［３６］、??行人和汽车目标的检测与跟踪［３８］［３９］、生物信息学和医学图像分析［４０］［４１］等领??域。??．．，?ｒ?ｖ?ｒ??１?２?２?０?０?０?＼??ＺＺＺ?Ｔｈｒｅｓｈｏｌｄ＞?ＴＺＺ?］?Ｓａｈ＾°〇１１??５?３?１?１?０?０?＾??图２．４局部二值模式样例??１４??
本文编号：3028435
【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
图２．１基础的７６８维ＲＧＢ颜色直方图??
南京大学研究生毕业论文??对应的，该像素的梯度大小Ｍ和梯度方向０分别是：??ｋ?＝?Ｊｌｉ?＋１｜??０?＝?ｔａｎ－１?（产）??ｉｉ．?较小空间区域直方图统计方法??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??图２．２方向梯度的一种分桶方式??将０－１８０°方向分成若干个等宽的方向区间，对区域内每个像素的方向梯度??以梯度大小为权，加和到梯度方向对应的桶中，注意梯度大小可为负数。图２．２??是一个包含９个桶，每个桶２０°的分桶方式示意图，对应的梯度方向直方图长??度为９。??ｉｉｉ．?块规范化方法??对于数个ｃｅｌｌｓ构成的ｂｌｏｃｋ，将各个ｃｅｌｌｓ的方向梯度直方图进行拼接，得??到向量ｆｃ，再应用以下公式进行规范化??ｈ?ｂ??—ＶｌｉｂｉＦ＋ｅ??其中ｅ是防止除０异常的一个大于零的微小常数。??以上是对图像构造其方向梯度直方图特征的步骤与细节。方向梯度直方图的??构造方式有诸多改进与变种，但大体上都遵循以上步骤。??图２．３展示了方向梯度直方图特征的一组可视化结果。其中左侧是原始图像；??中间是该图像抽取的方向梯度直方图特征的可视化，整个图像被分割成多个不重??叠的小块，每个小块中的亮线代表了该小块的方向梯度直方图；右侧是人体检测??１３??
?南京大学研究生毕业论文???算法对小块按权重进行增强与减弱后的可视化结果，体现出方向梯度直方图特征??对人体边缘形状的有效描述。??ＷｌｌＢｉ??图２．３方向梯度直方图特征可视化??２．２．３局部二值模式??在图像的特征表示领域，除了颜色特征、边缘与形状特征之外，纹理特征的??提取与分析也占有相当重要的地位。局部二值模式（Ｌｏｃａｌ?Ｂｉｎａｒｙ?Ｐａｔｔｅｒｎ，?ＬＢＰ）??［２６］是一种用于描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性??等显著优点，且原理相对简单，计算复杂度低，在计算机视觉和机器学习任务中??表现出良好的性能，因而该方法被广泛地应用于图像检索与匹配［３４］［３５］［３６］、??行人和汽车目标的检测与跟踪［３８］［３９］、生物信息学和医学图像分析［４０］［４１］等领??域。??．．，?ｒ?ｖ?ｒ??１?２?２?０?０?０?＼??ＺＺＺ?Ｔｈｒｅｓｈｏｌｄ＞?ＴＺＺ?］?Ｓａｈ＾°〇１１??５?３?１?１?０?０?＾??图２．４局部二值模式样例??１４??
本文编号：3028435
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3028435.html
