-
公开(公告)号：CN103198322A
公开(公告)日：2013-07-10
申请号：CN201310020370.7
申请日：2013-01-18
Applicant: 江南大学
Abstract: 本发明提供了一种基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法。具体算法包括：第一步，构造适合磁瓦表面缺陷特征提取的5尺度、8方向Gabor滤波器组，并对原始图像进行滤波，得到40幅分量图；第二步，分别提取分量图的灰度均值和方差特征，组成一个80维的特征向量；第三步，用PCA主成分分析法和ICA独立成分分析法对原80维的特征向量进行降维，去除相关性和冗余性，得到20维的特征向量；第四步，对特征向量数据归一化预处理，原数据被归一化到[0，1]之间；第五步，首先采用网格法和K-CV交叉验证法实现SVM参数寻优，用训练样本数据离线训练SVM模型；在线检测时，将预处理后的测试样本数据输入到支持向量机，就可以实现缺陷的自动分类识别。本发明采用的特征提取方法可以有效滤除磁瓦表面纹理的干扰、凸显缺陷；提取的特征能够真实反映缺陷信息，且数据量小；用于缺陷分类的分类器，可以在线快速、准确的实现缺陷识别。
-
公开(公告)号：CN103679736A
公开(公告)日：2014-03-26
申请号：CN201310732546.1
申请日：2013-12-24
Applicant: 江南大学
Abstract: 本发明提供了一种基于改进型相位相关的瓶装药液图像配准方法，对原始POC配准算法进行了改进和优化，在缩短原始POC配准算法执行时间的同时，将图像配准的精度提高到了亚像素级。有效解决了实际的瓶装药液微小异物视觉检测系统中，由于机械零部件加工装配精度、受力偏载等因素引起的平台振动和摄像机的振动，使得获取的药液序列图像中瓶体出现不同程度上的随机偏移问题，为后期药液中疑似异物目标的提取和识别提供更好的预处理效果。
-
Patent Agency Ranking
公开(公告)号：CN103544499A
公开(公告)日：2014-01-29
申请号：CN201310485150.1
申请日：2013-10-12
Applicant: 江南大学 , 无锡信捷电气股份有限公司
Abstract: 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法，去除训练样本中的噪声样本和安全样本，以边界样本代替随机选取样本作为特征权值迭代时所用的样本集合，特征权值计算时，根据重要程度的差异赋予三个最近邻样本不同的样本权值，增强了对类别相关性强的特征选择的针对性，降低噪声的干扰程度，具有更强的适应性；求取相关系数矩阵，设定自适应阈值，剔除冗余特征，提取了与类别相关性强的特征，在保证分类识别准确率的同时，降低了特征维数，大大提高了在线特征提取及分类识别的速度，解决了高维特征可能含有冗余特征，甚至是噪声特征，从而导致的在线特征提取时间长、预测准确率降低的问题。
-
公开(公告)号：CN103324939B
公开(公告)日：2017-10-27
申请号：CN201310084937.7
申请日：2013-03-15
Applicant: 江南大学 , 无锡信捷电气股份有限公司
IPC: G06K9/62
Abstract: 本发明提供了一种基于最小二乘支持向量机技术的偏向性分类器和参数寻优方法，采用最小二乘支持向量机作为分类器推广能力好且适用于实时性要求较高的场合；改进了虚拟少数类过采样算法，去除了孤立样本的影响，突出边界样本的重要性，使得分类具有一定的偏向性，即瑕疵产品被误分为合格产品的概率降低；在最小二乘支持向量机参数寻优方面，先采用耦合模拟退火算法进行参数初步寻优，再此基础上使用网格算法进行精细搜索，不仅使得在训练最小二乘支持向量机模型时参数寻优时间缩短，而且分类准确度更高，提高了分类性能。
-
公开(公告)号：CN103544499B
公开(公告)日：2017-04-05
申请号：CN201310485150.1
申请日：2013-10-12
Applicant: 江南大学 , 无锡信捷电气股份有限公司
Abstract: 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法，去除训练样本中的噪声样本和安全样本，以边界样本代替随机选取样本作为特征权值迭代时所用的样本集合，特征权值计算时，根据重要程度的差异赋予三个最近邻样本不同的样本权值，增强了对类别相关性强的特征选择的针对性，降低噪声的干扰程度，具有更强的适应性；求取相关系数矩阵，设定自适应阈值，剔除冗余特征，提取了与类别相关性强的特征，在保证分类识别准确率的同时，降低了特征维数，大大提高了在线特征提取及分类识别的速度，解决了高维特征可能含有冗余特征，甚至是噪声特征，从而导致的在线特征提取时间长、预测准确率降低的问题。
-
公开(公告)号：CN103198322B
公开(公告)日：2017-02-08
申请号：CN201310020370.7
申请日：2013-01-18
Applicant: 江南大学
Abstract: 本发明提供一种基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法。首先构造用于表面缺陷特征提取的5尺度、8方向Gabor滤波器组，并对原始图像滤波，得到40幅分量图；提取分量图的灰度均值和方差特征，组成80维特征向量；用PCA主成分法和ICA独立成分法对80维特征向量降维，去除相关和冗余，得到20维特征向量，并对数据归一化处理；采用网格法和K-CV交叉验证法实现SVM参数寻优，基于样本数据离线训练SVM模型。在线检测时，数据经预处理至SVM，实现缺陷的自动分类识别。本发明特征提取方法可以有效滤除磁瓦表面纹理的干扰、凸显缺陷；提取的特征能够真实反映缺陷信息，数据量小；用于缺陷分类的分类器，可以在线、准确的实现缺陷识别。
-
公开(公告)号：CN103324939A
公开(公告)日：2013-09-25
申请号：CN201310084937.7
申请日：2013-03-15
Applicant: 江南大学 , 无锡信捷电气股份有限公司
IPC: G06K9/62
Abstract: 本发明提供了一种基于最小二乘支持向量机技术的偏向性分类器和参数寻优方法，采用最小二乘支持向量机作为分类器推广能力好且适用于实时性要求较高的场合；改进了虚拟少数类过采样算法，去除了孤立样本的影响，突出边界样本的重要性，使得分类具有一定的偏向性，即瑕疵产品被误分为合格产品的概率降低；在最小二乘支持向量机参数寻优方面，先采用耦合模拟退火算法进行参数初步寻优，再此基础上使用网格算法进行精细搜索，不仅使得在训练最小二乘支持向量机模型时参数寻优时间缩短，而且分类准确度更高，提高了分类性能。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
