CN110659719B - 一种铝型材瑕疵检测方法 - Google Patents
一种铝型材瑕疵检测方法 Download PDFInfo
- Publication number
- CN110659719B CN110659719B CN201910889590.0A CN201910889590A CN110659719B CN 110659719 B CN110659719 B CN 110659719B CN 201910889590 A CN201910889590 A CN 201910889590A CN 110659719 B CN110659719 B CN 110659719B
- Authority
- CN
- China
- Prior art keywords
- pbest
- particle
- mbest
- feature
- aluminum profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种铝型材瑕疵检测方法,属于机器学习视觉检测领域。所述方法包括以下步骤:S1:获取全部图像,进行图像预处理;S2:对预处理后的图像进行特征提取;S3:将数据集分为训练集和测试集;S4:构造和训练BRDPSO‑RF模型,同步进行特征选择和RF参数的优化;S5:应用选择好的特征子集和优化后的RF模型对测试集进行瑕疵检测。本发明通过提出BRDPSO‑RF模型同步选择最优的特征子集和随机森林RF分类器的参数优化,提高瑕疵检测的准确度,减少学习及训练的时间复杂度。
Description
技术领域
本发明涉及一种铝型材瑕疵检测方法,属于机器学习视觉检测领域。
背景技术
在铝型材的实际生产过程中,由于各方面因素的影响,铝型材表面会产生裂纹、起皮、划伤等瑕疵。由于同一批次的铝型材十分相似,可能存在一些人眼难以分辨的瑕疵,传统人工肉眼检查十分费力,同时人眼长时间检测,很容易造成肉眼疲劳,既不能及时准确的判断出表面瑕疵,质检的效率难以把控,而且不能满足企业大批量的生产需求。因此基于机器学习进行铝型材瑕疵检测具有重要意义。
近年来,基于铝型材瑕疵检测的方法还比较少。而且大部分的检测方法都是先进行特征提取,再利用全部的特征进行分类。但实际上,特征空间中含有许多冗余特征甚至噪声特征,这些特征一方面可能降低分类的精度,另一方面会大大增加学习和训练的时间及复杂度。因此,提取出具有影响力的特征子集可以降低特征空间维数、简化分类器设计、提高分类速度。另外,合适的参数设置对于提高分类器模型的分类精度非常重要,错误的参数设置往往会大幅降低分类器的性能,因此分类器参数优化也是机器学习领域重要的研究方向之一。
因此如何确定出有影响力的特征子集以及如何对分类器参数进行优化对于铝型材瑕疵检测至关重要。
发明内容
为了解决目前铝型材瑕疵检测方法存在的分类精度低、学习和训练的时间长、复杂度高等问题,本发明提供了一种基于二进制随机漂移粒子群算法(BRDPSO)的铝型材瑕疵检测方法。
一种铝型材瑕疵检测方法,所述方法包括:
S1对获取到的全部铝型材图像进行预处理,以达到图像增强和去除噪声的效果;
S2对预处理后的铝型材图像应用基于纹理特征的方法提取特征,得到特征数据集;
S3将特征数据集随机分成T份,其中1份作为测试集,剩下的T-1份作为训练集;
S4构造并利用训练集训练二进制随机漂移粒子群-随机森林BRDPSO-RF模型,以得出最优特征子集和最佳随机森林RF分类器参数;
S5以S4得出的最优特征子集作为特征子集,并应用最佳随机森林RF分类器参数构建随机森林RF模型,对铝型材测试集进行瑕疵检测。
可选的,所述S4包括:
4.1设粒子群参数部分为5维,设提取到的特征向量为n维,则粒子群的整体搜索空间设为D=5+n;设粒子的个数为M,最大迭代次数为Max_iter;
4.2使用Pbest计算粒子群的平均最好位置Mbest;
4.3基于特定的特征选择方法适应度函数f为:
其中,wa是分类精度权重,wf是特征子集权重,且满足wa+wf=1;Accuracy是随机森林分类准确度,ones是在特征子集中挑选出的特征数目,all是全部的特征数目;
根据适应度函数求得每个粒子的适应值;
4.4粒子个体最优位置更新方式如下:
粒子全局最优位置更新方式如下:
Gbest(t+1)=Pbestg(t+1) (5)
4.5计算局部吸引子
在第t次迭代,对于粒子的前5维使用下式计算吸引子pi,j(j=1,…,5):
pi,j(t+1)=r*Pbesti,j(t+1)+(1-r)*Gbest(t+1) (6)
其中,r是服从均匀分布的随机数,即r~U(0,1);
4.6更新粒子的速度及位置
粒子速度Vi,j(j=1,…,D)的迭代更新方程式为:
Vi,j(t+1)=α*|Mbestj(t+1)-Xi,j(t)|*r+β*(pi,j(t+1)-Xi,j(t)) (7)
其中,α和β分别是漂移系数和热系数,0.5≤α≤1,1.5≤β≤3,r是服从正态分布的随机数,即r~N(0,1);
4.7重复(4.2)~(4.6),直到迭代次数t达到最大迭代次数Max_iter,得到最终的Gbest;
Gbest的前5维为最佳的RF参数组合,后n维是最优特征子集,其中“1”表示选择此特征,“0”表示不选此特征;
4.8输出最优特征子集和最佳的RF参数。
可选的,所述粒子群参数部分包括:森林中决策树的数目n_estimators、单个决策树使用特征的最大数量max_features、决策树的最大深度max_depth、分割内部节点所需要的最小样本数min_samples_split和叶子结点上的最小样本数min_samples_leaf。
可选的,所述4.2使用Pbest计算粒子群的平均最好位置Mbest,包括:
Mbest的前5维,即Mbestj(j=1,…,5)的计算公式为:
Mbest的后n维,即Mbestj(j=6,…,D)根据粒子个体最好位置Pbest的二进制对应位串信息进行更新;
通过统计群体中粒子二进制编码的每一位出现0和1的概率的大小,出现0的次数多,则粒子群的平均最好位置Mbest对应的为0;反之,则为1;如果对应位中出现的0和1的次数相同,则Mbest随机选择为0或1。
可选的,所述4.5计算局部吸引子过程中:
对于后n维的吸引子pi,j(j=6,…,D)利用遗传算法的交叉操作计算;
首先,随机将Pbesti和Gbest划分为K个部分,再交叉生成两条新的子代,最后从两条子代中随机挑选一条作为吸引子pi;
Pbesti和Gbest均由10位二进制串组成;随机将Pbesti和Gbest划分为4部分,要求每一部分至少有2位二进制串,且最多不超过3位;
再交叉生成pi1和pi2,其中,pi1的前两位来自Gbest,第2~4位来自Pbesti,第5~7位来自Gbest,最后两位来自Pbesti;pi2的前两位来自Pbesti,第2~4位来自Gbest,第5~7位来自Pbesti,最后两位来自Gbest;最后从pi1和pi2中随机选择一条作为吸引子pi。
可选的,对于粒子位置而言,前5维和后n维使用不同的方法更新;
前5维的粒子位置Xi,j(j=1,…,5)的更新方程式为:
Xi,j(t+1)=Xi,j(t)+Vi,j(t+1) (8)
后n维的粒子位置Xi,j(j=6,…,D)的更新方式为:
其中,r是服从均匀分布的随机数,即r~U(0,1)。
可选的,所述S1对获取到的全部铝型材图像进行预处理,包括:采用图像灰度化、直方图均衡化、中值滤波以及同态滤波技术对图像进行预处理。
可选的,所述S2中基于纹理特征的方法,包括灰度共生矩阵、局部二值模式LBP、自相关函数、马尔可夫随机场MRF模型法和小波变换。
可选的,所述方法还包括,在对铝型材测试集进行瑕疵检测完成后应用所构建的RF对待检测的铝型材进行瑕疵检测。
可选的,所述S1获取到的全部铝型材图像采用分辨率不低于2560×1440的相机获取。
本发明有益效果是:
通过提供一种基于二进制随机漂移粒子群算法(BRDPSO)的铝型材瑕疵检测方法,能够同时得到最优特征子集和最佳RF参数。现有的技术大都是先进行特征提取再对分类器参数进行优化。本文提出的同步获取方式不仅提高了准确率,还缩短了运行时间,提高了运行效率。本申请提供铝型材瑕疵检测方法只选择了5维特征向量,准确率就比RF模型提高了1%~2.7%
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于二进制随机漂移粒子群算法的瑕疵检测过程的流程图。
图2是粒子特征部分的平均最好位置的更新方式示意图。
图3是粒子特征部分的局部吸引子的更新方式示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种基于二进制随机漂移粒子群算法(Binary Random DriftParticle Swarm Optimization,BRDPSO)的铝型材瑕疵检测方法,参见图1,所述方法包括:首先采用具有摄像功能且分辨率不低于2560×1440的设备获取铝型材图像;
本实施例中采用某图像采集处理部件供应商生产的RS-A5001-GM14/RS-A5001-GC14相机设备获取铝型材图像;该相机的分辨率是2592*1944,光学尺寸是1/2.5inch,像元尺寸是2.2um*2.2um,最大帧率是14fps@2592*1944,功耗是3.5W,软件驱动是GigEVision兼容的软件SDK,同时驱动支持Windows。
(1)将获取到的全部铝型材图像进行预处理,在这个过程中会应用图像灰度化、直方图均衡化、中值滤波以及同态滤波技术达到图像增强和去除噪声的效果;
(2)对预处理后的图像应用基于纹理特征的方法提取特征,得到特征数据集;
基于纹理特征的方法包括灰度共生矩阵、LBP、自相关函数、马尔可夫随机场MRF模型法和小波变换等)
(3)将特征数据集随机分成T份,其中1份作为测试集,剩下的T-1份作为训练集;
(4)构造并训练BRDPSO-RF模型;
(4.1)随机森林需要优化的参数为:森林中决策树的数目n_estimators、单个决策树使用特征的最大数量max_features、决策树的最大深度max_depth、分割内部节点所需要的最小样本数min_samples_split和叶子结点上的最小样本数min_samples_leaf。所以粒子群参数部分设为5维,提取到的特征向量设为n维,则粒子群的整体搜索空间(粒子群的总维度)设为D=5+n,设粒子的个数为M,最大迭代次数为Max_iter。初始时刻,粒子i的位置为(其中前5维用十进制表示,后n维用二进制位串表示),同时并置Pbesti(0)=Xi(0),其中Pbest是粒子个体最好位置。
(4.2)使用Pbest计算粒子群的平均最好位置Mbest。其中,Mbest的前5维,即Mbestj(j=1,…,5)的计算公式为:
如图2所示,Mbest的后n维,即Mbestj(j=6,…,D)根据粒子个体最好位置Pbest的二进制对应位串信息进行更新。通过统计群体中粒子二进制编码的每一位出现0,1的概率的大小,出现0的次数多,则粒子群的平均最好位置Mbest对应的为0;反之,则为1。如果对应位中出现的0和1的次数相同,则Mbest随机选择为0或1。
(4.3)基于特定的特征选择方法适应度函数f为:
其中,wa是分类精度权重,wf是特征子集权重,且满足wa+wf=1,可根据具体情况确定;Accuracy是随机森林分类准确度,ones是在特征子集中挑选出的特征数目,all是全部的特征数目。根据适应度函数求得每个粒子的适应值。根据实际要求,这里的准确率越高越好,选取的特征数量越少越好,因此适应值越大越好。
(4.4)粒子个体最优位置更新方式如下:
粒子全局最优位置更新方式如下:
Gbest(t+1)=Pbestg(t+1) (5)
(4.5)计算局部吸引子。
在第t次迭代,对于粒子的前5维使用下式计算吸引子pi,j(j=1,…,5):
pi,j(t+1)=r*Pbesti,j(t+1)+(1-r)*Gbest(t+1) (6)
其中,r是服从均匀分布的随机数,即r~U(0,1)。
对于后n维的吸引子pi,j(j=6,…,D)可利用遗传算法的交叉操作计算。
首先,随机将Pbesti和Gbest划分为K个部分,再交叉生成两条新的子代,最后从两条子代中随机挑选一条作为吸引子pi。如图3所示,Pbesti和Gbest均由10位二进制串组成。随机将Pbesti和Gbest划分为4部分,要求每一部分至少有2位二进制串,最多不超过3位。再交叉生成pi1和pi2,其中,pi1的前两位来自Gbest,第2~4位来自Pbesti,第5~7位来自Gbest,最后两位来自Pbesti;pi2的生成方式类似于pi1,pi2的前两位来自Pbesti,第2~4位来自Gbest,第5~7位来自Pbesti,最后两位来自Gbest。最后从pi1和pi2中随机选择一条作为吸引子pi。
(4.6)更新粒子的速度及位置。
粒子速度Vi,j(j=1,…,D)的迭代更新方程式为:
Vi,j(t+1)=α*|Mbestj(t+1)-Xi,j(t)|*r+β*(pi,j(t+1)-Xi,j(t)) (7)
其中,α和β分别是漂移系数和热系数,r是服从正态分布的随机数,即r~N(0,1)。
对于粒子位置而言,前5维和后n维使用不同的方法更新。
前5维的粒子位置Xi,j(j=1,…,5)的更新方程式为:
Xi,j(t+1)=Xi,j(t)+Vi,j(t+1) (8)
后n维的粒子位置Xi,j(j=6,…,D)的更新方式为:
其中,r是服从均匀分布的随机数,即r~U(0,1)。
(4.7)重复(4.2)~(4.6),直到迭代次数t达到Max_iter,得到最终的Gbest。Gbest的前5维是最佳的RF参数组合,后n维是挑选出的特征子集,其中“1”表示选择此特征,“0”表示不选此特征。
(4.8)输出最后选出的最优特征子集和最佳RF参数。
(5)在全部的特征向量中挑选出步骤(4)中选择的特征向量作为特征子集,并应用最优的参数组合构建RF,对铝型材测试集进行瑕疵检测。
将本发明中提出的BRDPSO-RF模型与未进行特征选择,未参数优化的RF模型;只进行特征选择,未进行参数优化的BRDPSO-RF1模型;采用全部特征,只进行参数优化的RDPSO-RF模型;分开进行特征选择和参数优化的BRDPSO-RF2模型进行对比。
最终的效果比较如表1所示。
表1:BRDPSO-RF模型与RF模型检测结果比较
从表1中可以看出相对于RF模型,BRDPSO-RF、BRDPSO-RF1、RDPSO-RF、BRDPSO-RF2模型的检测准确率都有所提高。其中BRDPSO-RF模型取分类精度权重wa=0.9时,只选择了5维特征向量,准确率就比RF模型提高了1%~2.7%。当BRDPSO-RF模型取wa=1.0时,提取的特征向量数不仅比BRDPSO-RF1模型和BRDPSO-RF2模型更少,而且准确率和召回率也有提高。虽然RDPSO-RF模型的准确率和召回率与本发明提出的BRDPSO-RF模型的结果一致,但是17维、18维特征向量的结果就和原始31维的结果一样,就说明在原始特征向量集中确实存在冗余向量,同时BRDPSO-RF模型的运行时间也有缩短,提高了检测的效率。
还将本发明中提出的BRDPSO-RF模型与用PCA算法进行特征提取后的结果进行了对比,最终的比较结果如表2所示。
表2 BRDPSO与PCA对比结果
通过上表2可以看出,当随机森林的参数一致,PCA算法和BRDPSO算法选择相同数量的特征向量时,BRDPSO算法的准确率和召回率以及运行时间都更优于PCA算法。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种铝型材瑕疵检测方法,其特征在于,所述方法包括:
S1对获取到的全部铝型材图像进行预处理,以达到图像增强和去除噪声的效果;
S2对预处理后的铝型材图像应用基于纹理特征的方法提取特征,得到特征数据集;
S3将特征数据集随机分成T份,其中1份作为测试集,剩下的T-1份作为训练集;
S4构造并利用训练集训练二进制随机漂移粒子群-随机森林BRDPSO-RF模型,以得出最优特征子集和最佳随机森林RF分类器参数;
S5以S4得出的最优特征子集作为特征子集,并应用最佳随机森林RF分类器参数构建随机森林RF模型,对铝型材测试集进行瑕疵检测;
所述S4包括:
4.1设粒子群参数部分为5维,设提取到的特征向量为n维,则粒子群的整体搜索空间设为D=5+n;设粒子的个数为M,最大迭代次数为Max_iter;
4.2使用Pbest计算粒子群的平均最好位置Mbest;
4.3基于特定的特征选择方法适应度函数f为:
其中,wa是分类精度权重,wf是特征子集权重,且满足wa+wf=1;Accuracy是随机森林分类准确度,ones是在特征子集中挑选出的特征数目,all是全部的特征数目;
根据适应度函数求得每个粒子的适应值;
4.4粒子个体最优位置更新方式如下:
粒子全局最优位置更新方式如下:
Gbest(t+1)=Pbestg(t+1) (5)
4.5计算局部吸引子
在第t次迭代,对于粒子的前5维使用下式计算吸引子pi,j,j=1,…,5:
pi,j(t+1)=r*Pbesti,j(t+1)+(1-r)*Gbest(t+1) (6)
其中,r是服从均匀分布的随机数,即r~U(0,1);
4.6更新粒子的速度及位置
粒子速度Vi,j的迭代更新方程式为:
Vi,j(t+1)=α*|Mbestj(t+1)-Xi,j(t)|*r+β*(pi,j(t+1)-Xi,j(t)) (7)
其中,α和β分别是漂移系数和热系数,0.5≤α≤1,1.5≤β≤3,r是服从正态分布的随机数,即r~N(0,1);j=1,…,D;
4.7重复(4.2)~(4.6),直到迭代次数t达到最大迭代次数Max_iter,得到最终的Gbest;
Gbest的前5维为最佳的RF参数组合,后n维是最优特征子集,其中“1”表示选择此特征,“0”表示不选此特征;
4.8输出最优特征子集和最佳的RF参数;
所述4.5计算局部吸引子过程中:
对于后n维的吸引子pi,j利用遗传算法的交叉操作计算,j=6,…,D;
首先,随机将Pbesti和Gbest划分为K个部分,再交叉生成两条新的子代,最后从两条子代中随机挑选一条作为吸引子pi;
Pbesti和Gbest均由10位二进制串组成;随机将Pbesti和Gbest划分为4部分,要求每一部分至少有2位二进制串,且最多不超过3位;
再交叉生成pi1和pi2,其中,pi1的前两位来自Gbest,第2~4位来自Pbesti,第5~7位来自Gbest,最后两位来自Pbesti;pi2的前两位来自Pbesti,第2~4位来自Gbest,第5~7位来自Pbesti,最后两位来自Gbest;最后从pi1和pi2中随机选择一条作为吸引子pi;
所述4.6更新粒子的速度及位置,包括:
对于粒子位置而言,前5维和后n维使用不同的方法更新;
前5维的粒子位置Xi,j(j=1,…,5)的更新方程式为:
Xi,j(t+1)=Xi,j(t)+Vi,j(t+1) (8)
后n维的粒子位置Xi,j(j=6,…,D)的更新方式为:
其中,r是服从均匀分布的随机数,即r~U(0,1)。
2.根据权利要求1所述的方法,其特征在于,所述粒子群参数部分包括:森林中决策树的数目n_estimators、单个决策树使用特征的最大数量max_features、决策树的最大深度max_depth、分割内部节点所需要的最小样本数min_samples_split和叶子结点上的最小样本数min_samples_leaf。
4.根据权利要求1-3任一所述的方法,其特征在于,所述S1对获取到的全部铝型材图像进行预处理,包括:采用图像灰度化、直方图均衡化、中值滤波以及同态滤波技术对图像进行预处理。
5.根据权利要求4所述的方法,其特征在于,所述S2中基于纹理特征的方法,包括灰度共生矩阵、局部二值模式LBP、自相关函数、马尔可夫随机场MRF模型法和小波变换。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括,在对铝型材测试集进行瑕疵检测完成后应用所构建的RF对待检测的铝型材进行瑕疵检测。
7.根据权利要求6所述的方法,其特征在于,所述S1获取到的全部铝型材图像采用分辨率不低于2560×1440的相机获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910889590.0A CN110659719B (zh) | 2019-09-19 | 2019-09-19 | 一种铝型材瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910889590.0A CN110659719B (zh) | 2019-09-19 | 2019-09-19 | 一种铝型材瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659719A CN110659719A (zh) | 2020-01-07 |
CN110659719B true CN110659719B (zh) | 2022-02-08 |
Family
ID=69037402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910889590.0A Active CN110659719B (zh) | 2019-09-19 | 2019-09-19 | 一种铝型材瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659719B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754495A (zh) * | 2020-06-29 | 2020-10-09 | 江南大学 | 一种基于brdpso算法的织物表面瑕疵检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204543A (zh) * | 2016-06-29 | 2016-12-07 | 江南大学 | 基于单分类支持向量机的织物疵点检测方法 |
CN106295691A (zh) * | 2016-08-04 | 2017-01-04 | 江南大学 | 单分类svm的特征选择和参数同步优化方法 |
CN106991047A (zh) * | 2017-03-27 | 2017-07-28 | 中国电力科学研究院 | 一种用于对面向对象软件缺陷进行预测的方法及系统 |
CN108010029A (zh) * | 2017-12-27 | 2018-05-08 | 江南大学 | 基于深度学习和支持向量数据描述的织物疵点检测方法 |
CN108765412A (zh) * | 2018-06-08 | 2018-11-06 | 湖北工业大学 | 一种带钢表面缺陷分类方法 |
CN109002839A (zh) * | 2018-06-22 | 2018-12-14 | 杭州电子科技大学 | 一种多属性特征环境下高效特征选择方法 |
CN109657945A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于数据驱动的工业生产过程故障诊断方法 |
CN109669210A (zh) * | 2018-11-29 | 2019-04-23 | 中国石油大学(华东) | 基于多种地震属性评价准则的有利区预测方法 |
CN110059852A (zh) * | 2019-03-11 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进随机森林算法的股票收益率预测方法 |
CN110210529A (zh) * | 2019-05-14 | 2019-09-06 | 浙江大学 | 一种基于二进制量子粒子群算法的特征选择方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866427A (zh) * | 2010-07-06 | 2010-10-20 | 西安电子科技大学 | 织物瑕疵检测与分类方法 |
CN105718943A (zh) * | 2016-01-19 | 2016-06-29 | 南京邮电大学 | 基于粒子群优化算法的特征选择方法 |
-
2019
- 2019-09-19 CN CN201910889590.0A patent/CN110659719B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204543A (zh) * | 2016-06-29 | 2016-12-07 | 江南大学 | 基于单分类支持向量机的织物疵点检测方法 |
CN106295691A (zh) * | 2016-08-04 | 2017-01-04 | 江南大学 | 单分类svm的特征选择和参数同步优化方法 |
CN106991047A (zh) * | 2017-03-27 | 2017-07-28 | 中国电力科学研究院 | 一种用于对面向对象软件缺陷进行预测的方法及系统 |
CN108010029A (zh) * | 2017-12-27 | 2018-05-08 | 江南大学 | 基于深度学习和支持向量数据描述的织物疵点检测方法 |
CN108765412A (zh) * | 2018-06-08 | 2018-11-06 | 湖北工业大学 | 一种带钢表面缺陷分类方法 |
CN109002839A (zh) * | 2018-06-22 | 2018-12-14 | 杭州电子科技大学 | 一种多属性特征环境下高效特征选择方法 |
CN109669210A (zh) * | 2018-11-29 | 2019-04-23 | 中国石油大学(华东) | 基于多种地震属性评价准则的有利区预测方法 |
CN109657945A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于数据驱动的工业生产过程故障诊断方法 |
CN110059852A (zh) * | 2019-03-11 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进随机森林算法的股票收益率预测方法 |
CN110210529A (zh) * | 2019-05-14 | 2019-09-06 | 浙江大学 | 一种基于二进制量子粒子群算法的特征选择方法 |
Non-Patent Citations (2)
Title |
---|
Fabric defect detection algorithm using RDPSO based optimal Gabor filter;Yueyang Li 等;《The Journal of The Textile Institute》;20181018;第1-9页 * |
Random drift particle swarm optimization algorithm: convergence analysis and parameter selection;jun sun 等;《Machine Learning》;20150815;第101卷;第345–376页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110659719A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
CN108681752B (zh) | 一种基于深度学习的图像场景标注方法 | |
CN106940816B (zh) | 基于3d全卷积神经网络的ct图像肺结节检测系统 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN111986125B (zh) | 一种用于多目标任务实例分割的方法 | |
CN110532946B (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN110443257B (zh) | 一种基于主动学习的显著性检测方法 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN111696046A (zh) | 一种基于生成式对抗网络的水印去除方法和装置 | |
CN110415260B (zh) | 基于字典与bp神经网络的烟雾图像分割与识别方法 | |
CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN110349168B (zh) | 一种股骨头ct影像的分割方法 | |
CN114863198B (zh) | 一种基于神经网络的小龙虾质量分级方法 | |
CN115049952A (zh) | 一种基于多尺度级联感知深度学习网络的幼鱼肢体识别方法 | |
KR20220116270A (ko) | 학습 처리 장치 및 방법 | |
CN110659719B (zh) | 一种铝型材瑕疵检测方法 | |
CN116343157A (zh) | 一种道路路面裂缝深度学习提取方法 | |
CN114897825A (zh) | 基于计算机视觉的实木地板分选方法及系统 | |
CN111754495A (zh) | 一种基于brdpso算法的织物表面瑕疵检测方法 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN114743042B (zh) | 一种基于深度特征和TrAdaBoost的龙井茶品质鉴别方法 | |
CN114821174B (zh) | 一种基于内容感知的输电线路航拍图像数据清洗方法 | |
CN116129215A (zh) | 一种基于深度学习的长尾目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |