您所在的位置:http://www.qk114.net > 论文 > 计算机论文 > 正文

面向再制造服务的回转类表面缺陷识别

  摘 要: 再制造活动现场复杂的环境对获取清晰的再制造目标表面缺陷图像造成了困难,针对这一问题提出一种结合频域与空域特征进行回转类表面缺陷识别的方法。首先使用非下采样Contourlet变换提取原始图像中各尺度下的Contourlet系数特征,并与图像中的灰度纹理特征组合;再采用基于径向基核函数的PCA分析方法对原始特征进行降维处理;最后,利用最小二乘概率分类方法对降维后的特征进行分类。通过对现场采集的图像进行案例分析,所提出的分類识别方法对4类再制造轧辊缺陷的分类平均正确率达到92%以上。 
  关键词: 再制造服务; 表面缺陷识别; 非下采样轮廓波变换; 核主成分分析 
  中图分类号: TN911.73?34 文献标识码: A 文章编号: 1004?373X(2017)23?0047?04 
  Abstract: For the complex environment in remanufacturing activity fields, it is difficult to acquire the clear image with surface defect in the remanufacturing target. Aiming at this problem, a surface detect recognition method of rotational parts is proposed, which is based on the characteristics of frequency domain and spatial domain. The nonsubsampled Contourlet transform is used to extract the Contourlet coefficient characteristics of original image under different dimensions, and then the characteristics are combined with the gray textural characteristics in the image. The PCA method based on radial basis kernel function is adopted to perform the dimension reduction for the original characteristics. The least square probability classification method is employed to classify the characteristics after dimension reduction. The case analysis is carried on for the image acquired on site. By using the proposed classification and recognition method, the average classification accuracy of the four types of the remanufacturing roll surface defect is higher than 92%. 
  Keywords: remanufacturing service; surface defect recognition; nonsubsampled contourlet transform; kernel principal component analysis 
  0 引 言 
  按照不同的表面缺陷制定有针对性的再制造方案是再制造服务活动能否成功的关键。提高物体表面缺陷的识别率,是解决这一关键问题的有效途径。目前,很多学者在如何提高表面缺陷的识别率上开展了深入的研究。 
  文献[1]为提高钢芯缺陷的识别率,提出一种基于属性数据标准差的邻域粗糙集特征约简算法,该方法有效克服了前向贪心属性约减算法达不到最小约减的缺点,不仅有效地降低特征维数,还提高了分类识别准确率。 
  文献[2]将时域峰值特征与小波包能量特征结合构成表征图像的混合特征,通过实验证明,混合特征具有比单一小波包能量特征更强的可分离性,将其用于SVM分类具有识别泛化误差小,正确率高的特点。文献[3]采用盲信号ICA分析法提取冷轧带钢表面缺陷特征,并采用PCA对特征进行降维,提高了SVM分类器的识别正确率。文献[4]将DS证据理论引入SVM分类框架,设计了一种多特征SVM?DS决策规则,在缺陷识别正确率和泛化性方面都比SVM有优势。文献[5]针对SVM分类器在多类识别问题中效率较低的问题,采用最优有向无环图支持向量机(DAG?SVM)对带钢表面缺陷进行分类识别,在识别率、识别速度及抗噪性等方面都有较大改善。 
  考虑到再制造服务现场生产环境恶劣使图像中混入过多的噪声形成“伪缺陷”的实际情况,上述一些方法可能会由于“伪缺陷”的存在使分类识别的性能恶化。本文从提取图像中较为稳定的变换域特征着手,利用非下采样Contourlet变换提取缺陷的变换域特征,采用基于核函数的PCA分析法对提取的特征进行降维处理,利用处理的结果作为最小二乘概率分类器的输入对样本进行分类。最后以轧辊表面缺陷分类识别为案例对该算法进行验证,验证的结果表明,本文提出的算法对于轧辊表面缺陷的分类识别具有较高的识别率。 

 
本站主营各类论文发表论文发表职称论文发表论文代写代发表服务!
加盟 加盟陈主编:QQ:22848269 咨询电话 垂询电话:13541216041 邮箱投诉邮箱:[email protected]
QQ客户 客服杨老师:QQ:61771950 咨询电话 垂询热线:02880885761 邮箱 咨询邮箱:[email protected]
QQ咨询 客服邓老师:QQ:61771951 咨询电话 垂询热线:02880885762 邮箱导咨询邮箱[email protected]
联系地址 联系地址: 四川大学望江校区 成都市一环路南一段24号 邮编: 610065
常年法律顾问支持:四川川达律师事务所 信息产业部备案:蜀ICP备08008442号
专业,诚信,快捷,权威的论文发表网