CN112418317A - 一种基于pso-svm的精密加工结构件识别分类的方法 - Google Patents

一种基于pso-svm的精密加工结构件识别分类的方法 Download PDF

Info

Publication number
CN112418317A
CN112418317A CN202011328641.1A CN202011328641A CN112418317A CN 112418317 A CN112418317 A CN 112418317A CN 202011328641 A CN202011328641 A CN 202011328641A CN 112418317 A CN112418317 A CN 112418317A
Authority
CN
China
Prior art keywords
svm
algorithm
pso
learning model
parameters
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.)
Pending
Application number
CN202011328641.1A
Other languages
English (en)
Inventor
杨涛
赖复尧
苏欣
熊鹰
李柏林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011328641.1A priority Critical patent/CN112418317A/zh
Publication of CN112418317A publication Critical patent/CN112418317A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及了一种一种基于PSO‑SVM的精密加工结构件识别分类方法，其步骤为初始化SVM以及PSO结构，确定初始参数c，σ，ξ以及w，c1和c2的范围；利用SIFT特征提取以及K‑means算法将图像构造BOW，将图片转化为输入输出的特征向量，并将样本分为训练样本和预测样本；选取核函数，构建解决多分问题的SVM学习模型，初始化SVM学习模型的参数，并根据参数数量确定粒子群种群；将训练集特征向量对SVM学习模型进行训练；使用PSO算法对SVM学习模型的参数进行寻优，使用寻优后的参数构建SVM预测模型；将测试集特征向量输入SVM预测模型，输出测试集分类结果；根据测试集分类结果对结构件进行分类。

Description

一种基于PSO-SVM的精密加工结构件识别分类的方法
技术领域
本发明涉及精密加工结构件识别分类处理的技术领域，具体涉及一种基于PSO-SVM的精密加工结构件识别分类方法。
背景技术
精密加工结构件的智能精密加工工序流程中采用射频芯片技术，即将精密加工结构件的加工工艺参数、电性能参数等信息载入射频芯片中，并将射频芯片与该结构件所放置的托盘进行关联。在各加工工序中，托盘通过自动获取射频芯片中的信息来完成该工序所需完成的加工内容。这种将射频芯片与托盘相关联的数据输入方式，更新了传统的采用人工向托盘输入信息的方式，提高了精密加工结构件加工工序的智能化。但是，在对结构件进行加工的过程中经常会对结构件进行热处理，热处理过程中，结构件与托盘发生脱离，导致预先载入在射频芯片中的信息无法与经热处理后的各个工件一一对应，从而无法完成后续的智能加工工序。
在中国专利申请公开说明书，CN109657708A中公开了一种基于图像识别-SVM学习模型的工件识别装置及其方法，包括图像采集单元、图像识别单元和机器人，其中，图像采集单元用于获取待检测工件图像，并与所述识别单元数据连接；图像识别单元，用于提取所述工件图像的特征向量；采用SVM学习模型分类器对所述特征向量进行待检测工件进行分类，输出分类结果；最后，机器人根据分类结果对所述待测工件进行归类。此外，基于图像识别 -SVM学习模型的工件识别方法包括以下步骤：步骤1，获取所述待检测工件图像；步骤2，采用SVM学习模型分类器对所述待检测工件进行分类，输出分类结果；步骤3，根据所述分类结果对所述待检测工件进行归类。
由于SVM的学习模型的分类效果与其参数有关，因此选取不恰当的参数会影响SVM学习模型对结构件的最终分类效果。
发明内容
本发明要解决的技术问题在于是提供一种基于PSO-SVM的精密加工结构件识别分类方法，通过PSO算法来优化SVM学习模型的参数，从而提升SVM学习模型对结构件的识别分类效果。
本发明通过下述技术方案实现：
一种基于PSO-SVM的精密加工结构件识别分类方法，包括以下7个步骤：步骤1，获取结构件原始图像；步骤2，将步骤1的结构件原始图像转换为特征向量，并将所述特征向量分为训练集特征向量和测试集特征向量；步骤3，选取核函数，构建解决多分问题的SVM学习模型，初始化SVM学习模型的参数，并根据参数数量确定粒子群种群；步骤4，利用步骤 2得到的训练集特征向量对SVM学习模型进行训练；步骤5，使用参数优化算法对步骤4中训练好的SVM学习模型的参数进行寻优，使用寻优得到的参数构建SVM预测模型；步骤6，将步骤2得到的测试集特征向量输入SVM预测模型，输出测试集分类结果；步骤7，根据测试集分类结果对结构件进行分类。
作为对本发明的进一步改进，步骤5使用的参数优化算法采用PSO算法，所述PSO算法的数学表达式为
Figure BDA0002795137240000021
式中，w为惯性权重，k为当前迭代次数，
Figure BDA0002795137240000022
为粒子的速度，c1和c2为加速度因子，r1和r2为分布于[0,1]区间的随机数，
Figure BDA0002795137240000023
表示第k次迭代中第i个粒子在第d维空间中的个体历史最优位置,
Figure BDA0002795137240000024
表示第k次迭代中第i个粒子在第d维空间中的历史最优位置。
作为对本发明的进一步改进，步骤5中的参数优化算法采用LPSO算法，所述LPSO算法的数学表达式为
Figure BDA0002795137240000025
式中，
Figure BDA0002795137240000026
表示经k次迭代后第i个粒子在第d维空间中的位置，
Figure BDA0002795137240000027
表示经k次迭代后第i个粒子在第d维空间中的速度，
Figure BDA0002795137240000028
表示经Levy飞行的k+1次迭代后第i个粒子在第d维空间中的位置，α是步长因子,
Figure BDA0002795137240000029
为点乘符号，Levy(β)是Levy飞行的随机搜索路径。
进一步地，Levy(β)的数学表达式为
Figure BDA00027951372400000210
式中，参数β的范围为1＜β≤2，μ,v 均服从正态分布：
Figure BDA00027951372400000211
Figure BDA00027951372400000212
其中
Figure BDA00027951372400000213
作为本发明的进一步改进，利用针对Levy飞行算法的高斯核函数自适应步长因子αnew更新LPSO算法的数学表达式，得到
Figure BDA00027951372400000214
式中，
Figure BDA00027951372400000215
表示经Levy 飞行的第k+1次迭代后第i个粒子在第d维空间中的位置。
进一步地，针对Levy飞行的高斯核函数自适应步长因子的数学表达式为
Figure BDA00027951372400000216
式中，α0＝0.1，
Figure BDA00027951372400000217
表示整个群体中所有粒子的历史最优位置，σ＝0.05。
作为对本发明的进一步改进，为保证算法的迭代都是朝着更优的方向进行，从而获得更高质量的解并提高算法的收敛速度，因此，基于贪婪算法对
Figure BDA0002795137240000031
做进一步改进，得到ALPSO算法，所述ALPSO算法的数学表达式为
Figure BDA0002795137240000032
式中，
Figure BDA0002795137240000033
表示在第k+1次迭代中粒子进行小步长的Levy飞行后第i个粒子在第d维空间中的位置，
Figure BDA0002795137240000034
表示在第k+1次迭代中粒子进行大步长的Levy飞行后第i个粒子在第d维空间中的位置，fit(x)为x的自适应度值。
进一步地，SVM学习模型的数学表达式为
Figure BDA0002795137240000035
式中，αi和αj分别为输入变量xi和xj对应的拉格朗日乘法系数，yi和yj分别是xi和xj对应的输出向量，<φ(xi),φ(xj)>为核函数，i表示第i个粒子，m表示粒子的个数，c为惩罚因子。
进一步地，步骤2中将原始图像转换为特征向量的方法为：第一步，利用SIFT算法对每幅原始图像进行特征提取，获得每幅原始图像的特征表述子；第二步，运用K-means均值聚类算法对第一步获得的每幅原始图像的特征描述子进行聚类；第三步，针对每幅图像中已分好类的特征描述子，统计每一类特征描述子在图像中出现的次数，并做好标记，将每幅原始图像用特征向量表示。
进一步地，步骤3中的核函数为高斯核函数，所述高斯核函数的数学表达式为
Figure BDA0002795137240000036
本发明所取得的有益效果是：利用PSO算法对SVM学习模型的参数进行迭代寻优，加快了 SVM学习模型的参数的确定；运用LPSO算法对SVM学习模型的参数进行寻优，从而改善粒子的多样性，避免PSO算法在后期对SVM模型参数寻优的过程中陷入局部极值点；在LPSO算法的基础上引入针对Levy飞行的高斯核函数自适应步长因子计算公式，更新LPSO算法，从而提高PSO算法的收敛效果；基于贪婪算法更新LPSO算法，从而获得更高质量的解并提高算法的收敛速度。通过对算法的逐步改进，有效提升了结构件的识别分类效果。
附图说明
为更清楚地说明本发明的技术方案，下面结合对实施例中所需要的附图做进一步说明。
图1为本发明的流程示意图。
图2为精密加工结构件原始图像采集过程示意图。
图3为分类识别结果对比图。
图4为不同算法的稳定性对比图。
具体实施方式
下面结合附图1-4对本发明进行详细说明。
如图1所示，一种基于PSO-SVM的精加工结构件识别分类的方法，其步骤如下：
步骤1：使用图像采集装置对结构件进行原始图像采集，所述图像采集装置可使用相机。采集原始图像时，可在工作台上设置5个相机镜头对精密加工结构件进行拍照，得到精密加工结构件在不同视角的图像。此外，将精密加工结构件摆放在不同位置，不同角度，得到分类所需样本。如图2示出了从不同位置、不同角度采集到的精密加工件原始图像。
步骤2：将步骤1获取的所有原始图像利用SIFT算法进行特征提取，获取每幅原始图像的特征描述子；然后将获取到的每幅图像的特征描述子运用K-means均值聚类算法进行聚类，并针对已分好类的特征描述子，统计每一类特征描述子在每幅图像中出现的次数，同时做好标记，从而实现将每幅原始图片用特征向量表示。进一步地，将所述特征向量分为训练特征向量和测试特征向量。如图2所示，步骤1采集的精密加工结构件原始图像共8幅(类)，每幅(类)图像都分为训练集与测试集。针对每幅图像，利用SIFT算法提取到128维的特征描述子；然后使用K均值聚类算法，对该128为的特征描述子聚类，获得的聚类中心个数为200 个。
步骤3：选取高斯核函数作为核函数构建SVM模型，初始化SVM学习模型的参数，并根据参数数量确定粒子群种群类别。选取的高斯函数的数学表达式为
Figure RE-GDA0002885863350000041
式中，xi和xj均为输入变量，σ＝0.05；构建的SVM模型的 数学表达式为
Figure RE-GDA0002885863350000042
式中，αi和αj分别为输入变量xi和xj对 应的拉格朗日乘法系数，yi和yj分别是xi和xj对应的输出向量，<φ(xi),φ(xj)>为核函数，i表示第i个粒子，m表示粒子的个数，c为惩罚因子。
步骤4：将步骤2得到的训练集特征向量输入SVM学习模型中对SVM学习模型进行训练。
步骤5：利用PSO算法对SVM学习模型的参数进行寻优，为得到更好的效果，采用基于贪婪算法优化后的LPSO算法，即
Figure BDA0002795137240000051
对SVM学习模型的参数进行寻优。设置PSO算法参数如下：粒子个数n＝30，粒子维数d＝2，最大迭代次数为500，粒子位置为[0,2]，粒子速度为[-0.1,0.1]，加速度常数c1＝c2＝0.7。此外，使用自适应惯性因子ω＝ωmax-(ωmax-ωmin)*(iter/N)，其中N为最大迭代次数，ωmin＝0.8，ωmax＝1.2。
步骤6：为了验证分类效果，在得到训练集图像的特征向量后，分别导入LPSO-SVM，ALPSO-SVM以及CNN卷积神经网络三种分类模型进行训练，再将训练集图像的特征向量导入训练好的三种算法中，验证ALPSO-SVM的分类效果，最终在训练好的模型中，得到最优参数惩罚变量C＝1.2以及高斯核函数参数σ＝0.17。为了避免误差，使用同一测试集分别对三种算法进行十次测试，然后取每类测试集正确率的平均值作为最终的分类正确率。三种算法的测试结果如图3所示,横坐标为精密加工结构件类别序号,纵坐标为测试集图片的分类正确率,范围在0-1之间。
步骤7：根据分类结果对结构件进行归类。
表1为ALPSO-SVM算法的测试集分类结果的混淆矩阵。
Figure BDA0002795137240000052
表2为每种算法进行10次实验分类正确率的方差。
Figure BDA0002795137240000053
。

Claims (10)

1.一种基于PSO-SVM的精密加工结构件识别分类方法，其特征在于，包括如下步骤：
步骤1：获取结构件原始图像；
步骤2：将步骤1的结构件原始图像转换为特征向量，并将所述特征向量分为训练集特征向量和测试集特征向量；
步骤3：选取核函数，构建解决多分问题的SVM学习模型，初始化SVM学习模型的参数，并根据参数数量确定粒子群种群；
步骤4：利用步骤2得到的训练集特征向量对SVM学习模型进行训练；
步骤5：使用参数优化算法对步骤4中训练好的SVM学习模型的参数进行寻优，使用寻优得到的参数构建SVM预测模型；
步骤6：将步骤2得到的测试集特征向量输入SVM预测模型，输出测试集分类结果；
步骤7：根据测试集分类结果对结构件进行分类。
2.根据权利要求1所述的一种基于PSO-SVM的精密加工结构件识别分类方法，其特征在于，步骤5使用的参数优化算法采用PSO算法，所述PSO算法的数学表达式为
Figure FDA0002795137230000011
式中，w为惯性权重，k为当前迭代次数，
Figure FDA0002795137230000012
为粒子的速度，c1和c2为加速度因子，r1和r2为分布于[0,1]区间的随机数，
Figure FDA0002795137230000013
表示第k次迭代中第i个粒子在第d维空间中的个体历史最优位置,
Figure FDA0002795137230000014
表示第k次迭代中第i个粒子在第d维空间中的历史最优位置。
3.根据权利要求1所述的一种基于PSO-SVM的精密加工结构件识别分类方法，其特征在于，将所述步骤5中的参数优化算法采用LPSO算法，所述LPSO算法的数学表达式为
Figure FDA0002795137230000015
式中，
Figure FDA0002795137230000016
表示经k次迭代后第i个粒子在第d维空间中的位置，
Figure FDA0002795137230000017
表示经k次迭代后第i个粒子在第d维空间中的速度，
Figure FDA0002795137230000018
表示经Levy飞行的k+1次迭代后第i个粒子在第d维空间中的位置，α是步长因子,
Figure FDA0002795137230000019
为点乘符号，Levy(β)是Levy飞行的随机搜索路径。
4.根据权利要求3所述的一种基于PSO-SVM的精密加工结构件识别分类方法，其特征在于，所述Levy(β)的数学表达式为
Figure FDA00027951372300000110
式中，参数β的范围为1＜β≤2，μ,v均服从正态分布：
Figure FDA00027951372300000111
其中
Figure FDA00027951372300000112
5.根据权利要求3所述的一种基于PSO-SVM的精密加工结构件识别分类方法，其特征在于，利用针对Levy飞行算法的高斯核函数自适应步长因子αnew更新LPSO算法的数学表达式，得到
Figure FDA0002795137230000021
式中，
Figure FDA0002795137230000022
表示经Levy飞行的第k+1次迭代后第i个粒子在第d维空间中的位置。
6.根据权利要求5所述的一种基于PSO-SVM的精密加工结构件识别分类方法，其特征在于，所述针对Levy飞行的高斯核函数自适应步长因子的数学表达式为
Figure FDA0002795137230000023
式中，α0＝0.1，
Figure FDA0002795137230000024
表示整个群体中所有粒子的历史最优位置，σ＝0.05。
7.根据权利要求5所述的一种基于PSO-SVM的精密加工结构件识别分类方法，其特征在于，基于贪婪算法对
Figure FDA0002795137230000025
做进一步改进，得到ALPSO算法，所述ALPSO算法的数学表达式为
Figure FDA0002795137230000026
式中，
Figure FDA0002795137230000027
表示在第k+1次迭代中粒子进行小步长的Levy飞行后第i个粒子在第d维空间中的位置，
Figure FDA0002795137230000028
表示在第k+1次迭代中粒子进行大步长的Levy飞行后第i个粒子在第d维空间中的位置，fit(x)为x的自适应度值。
8.根据权利要求1所述的一种基于PSO-SVM的精密加工结构件识别分类方法，其特征在于，所述SVM学习模型的数学表达式为
Figure FDA0002795137230000029
式中，αi和αj分别为输入变量xi和xj对应的拉格朗日乘法系数，yi和yj分别是xi和xj对应的输出向量，<φ(xi),φ(xj)>为核函数，i表示第i个粒子，m表示粒子的个数，c表示乘法因子。
9.根据权利要求1所述的一种精密加工结构件识别分类方法，其特征在于，所述步骤2中将原始图像转换为特征向量的方法为：
步骤9.1：利用SIFT算法对每幅原始图像进行特征提取，获得每幅原始图像的特征表述子；
步骤9.2：运用K-means均值聚类算法对步骤9.1获得的每幅原始图像的特征描述子进行聚类；
步骤9.3：针对每幅图像中已分好类的特征描述子，统计每一类特征描述子在图像中出现的次数，并做好标记，将每幅原始图像用特征向量表示。
10.根据权利要求1所述的一种精密加工结构件识别分类方法，其特征在于，所述步骤3中的核函数为高斯核函数，所述高斯核函数的数学表达式为
Figure FDA0002795137230000031
CN202011328641.1A 2020-11-24 2020-11-24 一种基于pso-svm的精密加工结构件识别分类的方法 Pending CN112418317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011328641.1A CN112418317A (zh) 2020-11-24 2020-11-24 一种基于pso-svm的精密加工结构件识别分类的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011328641.1A CN112418317A (zh) 2020-11-24 2020-11-24 一种基于pso-svm的精密加工结构件识别分类的方法

Publications (1)

Publication Number Publication Date
CN112418317A true CN112418317A (zh) 2021-02-26

Family

ID=74778536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011328641.1A Pending CN112418317A (zh) 2020-11-24 2020-11-24 一种基于pso-svm的精密加工结构件识别分类的方法

Country Status (1)

Country Link
CN (1) CN112418317A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705487A (zh) * 2021-08-31 2021-11-26 西南交通大学 精密工件识别及工艺参数关联系统以及识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732244A (zh) * 2015-04-15 2015-06-24 大连交通大学 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN105740887A (zh) * 2016-01-26 2016-07-06 杭州电子科技大学 一种基于pso-svm的脑电信号特征分类方法
CN107240097A (zh) * 2017-06-27 2017-10-10 长春工业大学 基于mkl‑svm‑pso算法的肺结节图像处理方法
CN107563414A (zh) * 2017-08-14 2018-01-09 北京航空航天大学 一种基于Kohonen‑SVM的复杂设备退化状态识别方法
CN108038507A (zh) * 2017-12-13 2018-05-15 太原理工大学 基于粒子群优化的局部感受野极限学习机图像分类方法
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
CN109033936A (zh) * 2018-06-01 2018-12-18 齐鲁工业大学 一种宫颈脱落细胞核图像识别方法
CN109410208A (zh) * 2018-11-14 2019-03-01 成都极致智造科技有限公司 砂带磨损的机器学习识别与工艺参数优化方法
CN111428748A (zh) * 2020-02-20 2020-07-17 重庆大学 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN111950604A (zh) * 2020-07-27 2020-11-17 江苏大学 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732244A (zh) * 2015-04-15 2015-06-24 大连交通大学 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN105740887A (zh) * 2016-01-26 2016-07-06 杭州电子科技大学 一种基于pso-svm的脑电信号特征分类方法
CN107240097A (zh) * 2017-06-27 2017-10-10 长春工业大学 基于mkl‑svm‑pso算法的肺结节图像处理方法
CN107563414A (zh) * 2017-08-14 2018-01-09 北京航空航天大学 一种基于Kohonen‑SVM的复杂设备退化状态识别方法
CN108038507A (zh) * 2017-12-13 2018-05-15 太原理工大学 基于粒子群优化的局部感受野极限学习机图像分类方法
CN109033936A (zh) * 2018-06-01 2018-12-18 齐鲁工业大学 一种宫颈脱落细胞核图像识别方法
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
CN109410208A (zh) * 2018-11-14 2019-03-01 成都极致智造科技有限公司 砂带磨损的机器学习识别与工艺参数优化方法
CN111428748A (zh) * 2020-02-20 2020-07-17 重庆大学 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN111950604A (zh) * 2020-07-27 2020-11-17 江苏大学 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705487A (zh) * 2021-08-31 2021-11-26 西南交通大学 精密工件识别及工艺参数关联系统以及识别方法
CN113705487B (zh) * 2021-08-31 2023-08-08 西南交通大学 精密工件识别及工艺参数关联系统以及识别方法

Similar Documents

Publication Publication Date Title
CN110263774B (zh) 一种人脸检测方法
CN108491765B (zh) 一种蔬菜图像的分类识别方法及系统
CN108615010B (zh) 基于平行卷积神经网络特征图融合的人脸表情识别方法
CN113222011B (zh) 一种基于原型校正的小样本遥感图像分类方法
CN110717554B (zh) 图像识别方法、电子设备及存储介质
CN107368807B (zh) 一种基于视觉词袋模型的监控视频车型分类方法
CN109344856B (zh) 一种基于多层判别式特征学习的脱机签名鉴别方法
CN111882554B (zh) 一种基于SK-YOLOv3的电力线故障智能检测方法
CN110110845B (zh) 一种基于并行多级宽度神经网络的学习方法
CN107194437B (zh) 基于Gist特征提取与概念机递归神经网络的图像分类方法
CN109815814A (zh) 一种基于卷积神经网络的人脸检测方法
CN112328715A (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
CN111444765A (zh) 图像重识别方法及相关模型的训练方法及相关装置、设备
CN110580510A (zh) 一种聚类结果评价方法和系统
Yan et al. An incremental intelligent object recognition system based on deep learning
CN112418317A (zh) 一种基于pso-svm的精密加工结构件识别分类的方法
CN104573728B (zh) 一种基于极端学习机的纹理分类方法
CN117934970A (zh) 一种基于局部特征和位置注意力的图像分类器优化方法
CN109409381A (zh) 基于人工智能的家具顶视图的分类方法及系统
CN104008095A (zh) 一种基于语义特征提取与匹配的物体识别方法
CN105574494B (zh) 一种多分类器姿势识别方法及装置
CN114511745B (zh) 三维点云分类及旋转姿态预测方法及系统
CN110956177A (zh) 一种混合型验证码的识别方法及系统
CN110059617A (zh) 一种目标物体的识别方法及装置
CN115170843A (zh) 基于嵌入特征提取的多视图一致性图像聚类方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210226