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。     

基于K均值聚类的油气管道漏磁缺陷标记方法

为了提高漏磁数据缺陷区域标记能力,将聚类算法应用于漏磁检测数据分析中,提出了一种基于K均值聚类的管道漏磁缺陷信号标记方法,并进行了不同口径和不同壁厚管道检测试验验证。结果表明:该方法可有效识别出漏磁数据中的缺陷区域,识别准确度满足工程要求。由于该方法无需根据检测器和管道情况单独设置阈值,因此其具有较广泛的适应性。     

基于属性差异的产品缺陷数据关联规则模糊分类

针对工业生产过程中所产生的产品缺陷数据经过数据挖掘后关联规则存在不能有效组织的问题,提出一种基于项目属性差异的产品缺陷数据关联规则模糊分类方法,在建立模糊分类树的基础上,计算出关联规则间距离,并采用自组织神经网络聚类的方法对挖掘结果进行聚类分析。将该方法应用于冷轧带钢表面缺陷数据挖掘后处理,结果表明,该方法不仅能够得出两种不同属性项目间的关联性,还可以求出缺陷关联规则间的距离,距离越近的关联规则被聚为一类,其相似性越大。     

改进模糊聚类与主成分分析下的变压器故障识别

针对经典模糊C均值聚类(FCM)对数据进行等权划分而造成聚类结果不理想的情况,首先,采用点密度加权方式,对变压器油中溶解气体分析(DGA)数据进行处理,提高样本可分性,削弱聚类时出现的等趋势划分对聚类中心以及分类结果造成的影响。然后,以DGA故障数据聚类中心作为变压器标准故障谱。最后,利用施加惯性系数的主成分分析方法对待测样本进行故障识别。研究结果表明:通过点密度加权的FCM对DGA数据进行故障类型分类时,平均准确率比传统FCM算法提升了9.6%。利用上述方法对多组油浸式变压器进行识别,识别结果与实测信息均一致。     

一种基于边界识别的聚类算法

针对基于密度的聚类算法由高密度区到低密度区的处理顺序所带来的不能识别低密度对象类别的缺陷,通过对聚类过程中可能存在的边界识别进行讨论,提出了一种基于边界识别的聚类算法.该算法的思想是：同簇优先权高于密度优先权,即在选择下一个对象进行聚类时,在已聚类的对象中优先选择同一簇的对象,当对象沿某一方向扩展到达簇边界时停止扩展,转而向其他方向扩展,这种处理顺序能使得类别最大化.通过分析簇边界的密度变化特征,建立了边界识别准则,并根据该准则对数据进行聚类.通过在合成数据和美国加州大学提供的知识挖掘数据库数据集上的实验结果表明,所提算法能有效地处理低密度区域的数据,与识别聚类结构的对象排序算法相比,聚类效果可提高4%左右,而时间性能相当.     

基于2D Gabor小波和HSV空间的木材缺陷检测

提出了一种有效的木材缺陷自动检测方法,试图赋予计算机从木材图像数据中自动辨别出缺陷的能力,主要分析了木材缺陷的形态、走向和分布规律.首先将要识别的木材图像变换到HSV色彩空间,分别对H,S和V层进行区域分割和Gabor小波变换,得到各个子图像块的局部区域的基于不同频率和方向的特征向量,用于描述高维的木材图像.接着将提取出的纹理特征归一化后送入SVM分类器,检测过程采用二次循环搜索方式,利用特征向量间的相似度进行缺陷的定位和识别.模拟实验结果表明,该方法可有效识别出缺陷区域,识别效果较好.     

焊缝缺陷类型识别方法的研究

针对焊缝射线检测图像中缺陷类型识别准确度较低的问题,提出了一种基于直接多类支持向量机的缺陷类型识别方法.该方法将焊缝缺陷类型识别问题转化为一个约束优化问题,采用由缺陷边缘特征和区域特征构成的特征向量对缺陷进行描述,解决了在实际训练样本较少的情况下,提高缺陷类型识别准确度的问题.实验表明,该方法的识别准确度为94.25%,比一对一支持向量机和多层感知神经网络的高,并且通过引入区域特征提高了特征组的缺陷描述能力.     

基于模糊模式识别的焊缝缺陷图像检测

以埋弧焊管焊缝的X射线检测图像为对象,通过图像处理、特征提取和模糊识别实现了对缺陷的识别。为提高识别精度与实时性,采用主成分分析法对采集图像的像素矩阵进行了主元分析,结合模糊识别中的模糊C均值聚类算法对圆形缺陷和线形缺陷进行识别。相比于传统的通过提取缺陷的若干几何特征分类识别的方法,此方法具有算法简单、占用内存空间小、识别准确率高、实时性强等特点。最终平均识别率可达到90.93%,能够较准确地对焊缝缺陷进行分类识别。     

粗糙K-means和AdaBoost结合的雷达辐射源快速识别算法

针对数据集识别难度分布不均匀,提出了基于粗糙K-means和AdaBoost的雷达辐射源快速识别算法。该算法由2个阶段构成:初级识别阶段提出一种改进粗糙K-means算法,将数据特征空间分割为确定区域、粗糙区域和不确定区域,构建雷达辐射源快速识别算法模型,对数据集进行筛选和识别,同时提出了一种确定粗糙K-means算法初始聚类中心和聚类数量以解决其固有缺陷的思路;在高级识别阶段,基于粗糙区域已知数据训练的多类AdaBoost分类器识别不确定区域未知数据,提升识别精度。仿真结果表明:该算法与RBF-SVM和AdaBoost相比,精度浮动在-0.1%到+1.4%之间,训练时间和测试时间分别最大缩短0.857s和0.005s,在保持了较高识别精度和泛化能力的同时,明显降低了计算复杂度,缩短了耗时,提供了设计雷达辐射源快速识别算法的新思路。     

基于EMD与模糊聚类的桩缺陷特征提取与识别

针对桩基缺陷信号特征提取困难的问题,对缺陷信号进行经验模态分解(EMD)并求取信息熵,构建了一种基于信息熵的均值特征向量;针对特征向量元素数较多,不能真实反映信号的特征以及过多的特征影响识别效率的问题,引入模糊聚类的相关技术方法,对均值特征向量进行相空间重构,对重构矩阵进行模糊聚类,根据聚类的结果构建新的特征向量。通过实验仿真证明了该特征向量取得了很好的识别效果,具有实际应用价值,可以作为一种有效的特征类型;同时验证了通过模糊聚类进行特征向量降维的有效性。