学位论文 > 优秀研究生学位论文题录展示

板带材表面缺陷组合特征的降维聚类识别算法研究

作　者: 魏天宇
导　师: 颜云辉
学　校: 东北大学
专　业: 机械设计及理论
关键词: 特征组合特征降维近邻聚类板带材图像处理与识别
分类号: TH878
类　型: 硕士论文
年　份: 2006年
下　载: 155次
引　用: 1次
阅　读: 论文下载

内容摘要

板带材是钢铁工业的主要产品之一，是汽车、家电、造船、航空航天等行业的重要原材料，其表面质量直接影响最终产品的质量和性能。对板带材表面缺陷图像的识别与分类进行研究具有重要理论及经济价值。本文针对现有板带材表面缺陷检测识别系统所存在的对缺陷图像的分类识别率不高，以及对误识缺陷和新的缺陷类别图像不能有效处理等不足，提出了板带材表面缺陷组合特征的降维聚类识别算法。首先为了准确的描述图像，本文提取了板带材表面缺陷图像的不同种类的特征，并根据基于类间类内距离差的类别可分离性判据选择优化组合特征。然后将优化组合特征输入到自组织特征映射神经网中进行特征降维。再采用改进的近邻聚类法对降维后特征点云进行聚类识别。实验表明，此方法将神经网络特征降维与特征近邻聚类算法相结合，实现了两种算法的优势互补，提高了缺陷图像的识别率。本文基于数据库平台设计了板带材表面缺陷识别模型的扩展学习方法，能够对误识图像和新的缺陷类别图像进行识别模型修正处理，扩展了识别系统的识别能力。采用本文提出的方法对现有的边缘锯齿、焊缝、夹杂、抬头纹、擦裂和分层六大类缺陷进行了分类识别研究。实验表明，对已有缺陷图像的识别率达到98.3％，并可通过对识别模型的调整，进一步提高对板带材表面缺陷图像的识别率。本文全部研究工作均是在基于自行开发的缺陷分类识别软件下完成的。此软件还为板带材质量进一步在线控制识别奠定了基础。

全文目录

独创性声明  3
学位论文版权使用授权书  3-4
中文摘要  4-5
ABSTRACT  5-10
第一章绪论  10-17
  1.1 研究背景  10-11
  1.2 国内外研究概况、水平及发展趋势  11-15
    1.2.1 国外发展现状  11-12
    1.2.2 国内主要研究成果  12-14
    1.2.3 研究方向及发展趋势  14-15
  1.3 研究目的、意义和内容  15-17
第二章特征提取与多特征组合  17-39
  2.1 图像获取与分类  17-19
    2.1.1 图像获取  17-19
    2.1.2 缺陷图像分类  19
  2.2 图像特征提取  19-30
    2.2.1 直方图统计特征分析  20-21
    2.2.2 小波变换特征  21-25
    2.2.3 基于灰度共生矩阵的特征  25-28
    2.2.4 基于不变矩的特征  28-30
  2.3 多特征的组合选择  30-38
    2.3.1 特征归一化  31-32
    2.3.2 多种特征的组合选择  32-38
  2.4 本章小结  38-39
第三章图像多维特征的降维处理  39-52
  3.1 图像特征降维概述  39-40
  3.2 SOFM神经网络结构  40-43
    3.2.1 SOFM神经网络算法  41-42
    3.2.2 SOFM神经网络参数确定  42-43
  3.3 SOFM神经网络降维  43-51
    3.3.1 SOFM神经网络特征降维流程  43-44
    3.3.2 SOFM神经网络训练  44-46
    3.3.3 SOFM神经网络特征降维实验结果  46-50
    3.3.4 特征降维结果分析  50-51
  3.4 本章小结  51-52
第四章最近邻搜索聚类算法  52-61
  4.1 最近邻法  52-54
    4.1.1 最近邻决策规则  52-53
    4.1.2 K-近邻法  53
    4.1.3 近邻法的优缺点  53-54
  4.2 最近邻搜索聚类算法  54-60
    4.2.1 最近邻搜索算法基本概念  54-55
    4.2.2 最近邻搜索聚类算法  55-57
    4.2.3 最近邻搜索聚类实验结果  57-60
  4.3 本章小结  60-61
第五章组合特征降维聚类识别算法及其学习与扩展  61-76
  5.1 组合特征降维聚类识别算法模型  61-63
    5.1.1 组合特征降维聚类识别算法建模与识别流程  61-63
  5.2 图像数据库  63-66
    5.2.1 图像数据库的概述  63-64
    5.2.2 Visual C++与数据库技术的开发  64-66
    5.2.3 图像数据库数据结构  66
  5.3 组合特征降维聚类识别算法  66-69
    5.3.1 多层感知器的分析  66-67
    5.3.2 组合特征降维聚类识别算法设计  67-69
  5.4 组合特征降维聚类识别算法实验结果  69-72
  5.5 降维近邻聚类识别算法的学习与扩展  72-75
    5.5.1 问题的提出  72-73
    5.5.2 算法的学习与扩展  73-74
    5.5.3 算法学习扩展后的实验结果  74-75
  5.6 本章小结  75-76
第六章组合特征降维聚类识别软件编制  76-86
  6.1 开发环境  76-77
    6.1.1 开发工具选择  76
    6.1.2 数据库选择  76-77
  6.2 软件系统的构成  77-83
    6.2.1 数据库输入操作模块  77-79
    6.2.2 图像聚类操作模块  79-81
    6.2.3 图像识别操作模块  81-83
  6.3 数据库数据结构  83-86
第七章结论  86-87
参考文献  87-91
致谢  91

板带材表面缺陷组合特征的降维聚类识别算法研究

内容摘要

全文目录

相似论文