基于多类支持向量机的X射线焊缝图像缺陷类型识别方法

压力容器的焊缝结构多变,纹路复杂,增加了压力容器检测焊缝缺陷时定级的难度.提出一种基于多类支持向量机的X射线焊缝图像缺陷类型识别方法.首先通过对X射线焊缝图像进行预处理及缺陷轮廓检测,提取表征焊缝缺陷的状态特征,以构造特征向量;然后基于多类支持向量机建立焊缝缺陷识别模型,对产品的焊缝缺陷进行分类识别.实验结果表明了该方法的有效性.     

基于多类支持向量机的X射线焊缝图像缺陷类型识别方法

压力容器的焊缝结构多变,纹路复杂,这增加了压力容器检测时焊缝缺陷定级的难度,提出一种基于多类支持向量机的X射线焊缝图像缺陷类型识别方法。首先通过对X射线焊缝图像进行预处理及缺陷轮廓检测,提取表征焊缝缺陷的状态特征,以构造特征向量,然后基于多类支持向量机建立焊缝缺陷识别模型,对产品的焊缝缺陷进行分类识别。实验结果表明了该方法的有效性。     

基于改进多类支持向量机的印刷缺陷检测

针对印刷品缺陷检测问题,为了对缺陷位置、形状、类型等信息进行有效的识别和分析,提出了一种基于改进多类支持向量机的印刷缺陷检测方法。首先根据人眼视觉特性,将配准后的印刷图像通过基于动态阈值的差分运算,快速地得到二值缺陷图像;然后采用由缺陷几何特征和形状特征构成的特征向量对缺陷信息进行分析和描述;最终通过改进的多类支持向量机实现印刷缺陷的准确识别。实验结果表明,相对于一对一型支持向量机(OVOSVM)和一对多型支持向量机(OVRSVM),在实际训练样本较少的情况下,该方法具有检测速度快、识别准确率高的特点,能够有效解决印刷品缺陷检测问题。     

一种基于SVM及LE降维的X射线焊缝缺陷分类算法研究

为了提高X射线焊缝缺陷分类的识别率,提出将拉普拉斯特征映射(Laplacian Eigenmaps,LE)算法与支持向量机(Support Vector Machine,SVM)算法相结合应用于焊管焊缝缺陷检测。该方法首先提取焊缝缺陷的形状和几何特征,然后通过极大似然估计值(Maximum Likelihood Estimation,MLE)法对提取的7维样本特征进行本征维数估计并利用拉普拉斯特征映射法对各类特征向量进行降维处理,最后分别采用支持向量机和BP神经网络进行分类对比实验。实验表明,基于SVM及LE降维的X射线焊缝缺陷分类算法具有较高的识别精度,平均分类准确率达93%,能够较准确地对焊缝缺陷进行分类识别。     

航空发动机孔探损伤识别方法

针对目前航空发动机孔探检测不能对损伤类型自动识别现状,将支持向量机与孔探检测技术相结合,提出基于支持向量机（SVM）的损伤图像识别方法。该方法将损伤图像进行二值化分割,利用链码跟踪及灰度共生矩阵分别提取损伤区域的形状特征和纹理特征,组成多维特征向量,输入支持向量机进行分类识别。分类器设计阶段,组建性能优越的二叉树支持向量机以减少训练样本,提高分类效率。CFM56发动机实验结果表明：该方法的识别性能明显优于传统SVM多分类器和BP神经网络方法。     

SVMs在油气管道焊缝缺陷检测中的应用

提出了基于支持向量机的焊管焊缝缺陷识别方法和步骤.对焊缝图像采用了图像增强、形态学处理、边缘检测等操作,解决焊缝图像在输入时受到外界干扰带来的图片噪声过多、缺陷边缘模糊和对比度低等问题,便于对焊缝图像进行特征提取.结合焊缝缺陷样本多分类的特点,对焊缝图像进行分类时使用SVM"一对一"聚类结构并对样本进行识别.实验结果表明,该模型具有识别精度高、速度快、容易实现等优点,适合对焊管焊缝缺陷的识别.     

一种改进的嵌入式特征选择算法及应用

针对非线性多分类问题,提出了一个改进的嵌入最小-最大值特征选择算法,并与支持向量机算法结合,提出了针对复杂的组合优化问题的启发式算法.为验证方法的有效性,在钢板缺陷识别工程数据集上进行了实验,表明所提出的方法具有较高的求解速度和预测准确度.     

基于支持向量回归机的焊缝偏差识别方法

为了提高焊缝偏差识别精度,首先对基于旋转电弧传感的焊接电流信号进行小波滤波,预处理后构建样本数据集.然后建立基于支持向量回归机的Laplace特征映射外延算法,对样本数据集和新样本进行维数约简,利用维数约简后的样本数据集训练支持向量回归机,并对新样本进行偏差识别.最后与不进行维数约简而是直接利用支持向量回归机进行偏差识别的方法进行对比试验.结果表明,利用特征映射进行维数约简能使焊缝偏差识别的精度平均提高25%.     

一类支持向量机的设备状态自适应报警方法

为了提高对异常状态识别的适应性和有效性,提出了一种基于一类支持向量机的设备状态自适应报警方法.该方法使用一类支持向量机的在线算法,动态估计监测参数在高维特征空间中的最优分布区域,将新数据与上一时刻分布区域的相对距离作为异常指标,描述监测参数的统计特征变化,辨识出设备的异常状态.通过对仿真数据的报警效果分析,以及将该方法应用于对加热炉风机的振动监测中,得到的异常报警结果能够满足实际监测的需要,证明该方法具有异常的识别敏感性、缓慢劣化包容性和状态迁移适应性的特点.     

基于应力波和支持向量机的木材缺陷识别分类方法

现有的应力波木材检测仪只能测定木材内部是否存在缺陷,无法对木材缺陷类型进行分类。笔者提出了一种结合应力波无损检测技术和支持向量机(SVM)的木材缺陷识别分类方法,该方法首先测量木材内部的应力波传播速度,以此作为分类特征,利用支持向量机对木材的内部缺陷进行分类。为了验证该方法的有效性,选取健康的以及含有不同缺陷的山核桃木试样31件、松木试样28件,采集山核桃木试样应力波传播速度数据117组、松木试样应力波传播速度数据80组,以应力波传播速度为分类特征,利用支持向量机对木材的缺陷类型进行分类。结果表明:山核桃木试样缺陷分类准确率达到93.75%,松木试样缺陷分类准确率达到95%。该方法不仅能识别木材内部是否存在缺陷,还能对木材的空洞、裂缝、腐朽等缺陷进行准确分类。