基于神经网络的超声检测缺陷表征

提出了一种基于神经网络的缺陷表征方法．该方法采用Fischer线性判别分析对表征缺陷的时域信号的波形参数进行选择，并将这些参数作为神经网络的输入对智能缺陷表征系统进行训练，用概率神经网络和BP神经网络分别对缺陷的类型和大小进行识别．对135种人造焊接缺陷(裂纹、夹杂和气孔)的试验结果表明，文中方法对辨识缺陷表征信息和提高缺陷识别率非常有效．     

基于神经网络的激光超声探伤表面波的分类

利用3种神经网络即自组织竞争神经网络、学习向量量化神经网络和概率神经网络对激光超声探伤缺陷表面波进行分类.讨论了3种网络在不同输入情况下的分类效果.实验结果表明,这3种神经网络都可以取得良好的分类效果.     

基于参数优化残差网络的皮革缺陷分类

针对皮革缺陷分类存在误判、成本较高及目前关于皮革缺陷的研究主要是针对皮革做缺陷检测,未进行缺陷分类的问题,采用一种参数优化的残差网络来实现皮革缺陷的自动分类。首先通过多层卷积、池化操作进行特征提取,并引入残差模块解决深层网络的梯度消失问题;然后依据所提取特征进行缺陷分类;最后根据皮革数据集优化关键网络参数,使用数据增强方法对数据集进行扩充,有效避免了网络模型因样本不足易产生过拟合的问题。实验结果表明该方法可对皮革缺陷进行有效分类,分类精度达到92.34%。     

超声检测中裂纹型缺陷深度的智能识别

为了实现对裂纹型缺陷深度的定量识别,提高超声检测精度,引入小波分析和人工神经网络技术进行缺陷深度的智能识别,从超声检测的基本原理、缺陷深度表征量的确定、超声回波信号缺陷特征量的小波提取、神经网络的结构参数及训练和测试网络等方面,详细探讨了对裂纹型缺陷进行智能识别的方法,论证了运用神经网络进行缺陷智能定量识别的可行性,构造了智能识别实验系统,并利用该系统对所加工的含缺陷试样进行了定量识别试验与分析,结果表明,小波分析和人工神经网络技术的引入能够为超声检测缺陷的定量识别提供行之有效的途径。     

基于改进BP神经网络算法的管道缺陷漏磁信号识别

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷漏磁信号来识别缺陷的形态参数．根据漏磁检测原理设计了相关的漏磁检测电路，通过提取信号的主要特征量，利用Levenberg-Marquardt算法在对常用BP神经网络改进的基础上应用其来识别缺陷的尺寸参数，给出了BP神经网络各层数的确定及权值、学习率的调整方法和相应的漏磁信号数据处理过程．漏磁检测数据处理实验表明，该缺陷识别BP神经网络系统具有逼近精度高、收敛速度快等特点．     

基于深度学习的监控视频树叶遮挡检测

结合稀疏自编码器的自动提取数据特征能力和深度置信网络较好的分类性能,提出一种基于深度学习的监控视频树叶遮挡检测方法。首先从视频中随机选取一帧图像,通过栈式稀疏自编码器主动学习视频图像的特征信息,然后采用深度置信网络建立分类检测模型,最后引入学习速率自适应调整策略对整个神经网络进行微调。该方法不需要对视频连续取帧,具有较好的图像特征主动学习能力,克服了人工提取特征能力有限的缺陷。实验结果表明,在样本量充足的条件下,使用本文方法进行监控视频树叶遮挡检测可以达到88.97%的准确率。     

一种全连接粒神经网络分类方法

全连接神经网络需要大量的数据支持，才能训练好一个分类网络，往往现实中没有提供大量的数据供给网络训练。针对全连接神经网络缺少数据训练会使网络分类效果不佳这个问题，研究粒计算理论，从不同角度增广数据并进行粒化，提出一种全连接粒神经网络的分类方法。首先，该网络对所有样本进行单特征参照样本相似度粒化，形成参照样本粒子。同时引入邻域判别函数进行邻域粒化，形成邻域粒子。一个样本上的多个特征粒子构成一个粒向量，将构造的粒向量输入到该网络进行分类，进而提出了全连接粒神经网络。在多个UCI数据集上实验，用全连接粒神经网络和不同的分类算法进行比较，其结果表明了所提出的全连接粒神经网络分类方法的正确性与有效性。     

基于神经网络的PCB焊点检测方法

针对目前自动光学检测系统在进行焊点检测时容易出现缺陷误报和漏报,以及智能化程度不高的问题.提出了一种基于神经网络的检测方法.首先采用一种基于熵的多阈值自动图像分割方法来提取焊点;然后定义焊点图像的一系列特征,并通过实验对特征进行选择;最后建立用于焊点分类的BP神经网络.实验证明,基于神经网络的焊点图像检测方法具有较高的准确率.     

基于ISODATA算法的漏磁信号到缺陷轮廓的网络映射

由于漏磁信号与缺陷轮廓的非线性关系，由管道漏磁信号描述管道缺陷的几何特征一直是管道漏磁检测的难点．本采用小波基函数神经网络的方法，建立了由管道缺陷的漏磁信号到缺陷截面轮廓图的网络映射．算法中应用迭代自组织数据分析(ISODATA)动态聚类的算法使得基函数中心的选取更加合理，经过多层分辨率的训练．网络输出表明，该网络可以较准确反映出缺陷的几何特征，为管道缺陷的特征提取提供一种可行的方法。     

基于检测图像的排水管道缺陷智能辅助分类方法

针对当前地下管网CCTV检测缺陷中存在自动化程度偏低及依赖专业人员技术水平的问题,综合采用图像处理和深度学习技术构建了辅助检测人员快速、准确地识别管道缺陷类型的智能方法。首先,收集十类典型缺陷图像,对其进行图像处理生成样本集;在此基础上,以深度卷积神经网络AlexNet和ResNet50为基础框架,使用预训练AlexNet和ResNet50网络迁移学习管道缺陷特征,通过敏感性分析优化了分类网络参数,然后,通过测试集验证了管道缺陷智能分类模型的准确性,并结合具体工程实例验证建立方法的有效性。结果表明：两类管道缺陷智能分类模型在测试集上分别达到92.00%和96.50%的准确率,实际工程实例准确率达到了85.41%和87.94%,且ResNet50的分类效果更优,具有较好工程适应性。图像处理和深度学习技术可提高排水管道缺陷分类的自动化与准确率,值得进一步进行推广。     

基于核Fisher判别的复杂储层岩性识别研究

复杂储层中多种岩性均可作为储层,不同岩性的物性特征差异较大,分岩性解释复杂储层物性是求准物性较为有效的一种方法,但是不同岩性的测井特征相近,常规线性分类方法识别效果不理想,因为复杂储层的岩石识别中非线性分类特征占较大比例。针对这一问题,本文将Fisher判别分析(FDA)做核推广,形成核Fisher判别分析(KFDA),进一步利用Fisher判别中未提取的非线性信息,通过升维获得更多的非线性分类特征,然后再通过降维来提取利于岩性分类的特征。文章通过实验对核Fisher在数据预处理、关键参数的选取等方面进行了详细介绍,并将核Fisher方法与其它分类方法进行比较,验证了核Fisher方法的岩性识别能力,而对于不同岩性间的差异相似关系,造成岩性识别精度低的情况,提出了分级核Fisher判别分析的思路,研究证明利用分级核Fisher判别分析的思路可进一步提高岩性的识别精度。     

基于主成分判别分析的全国主要城市空气质量评价

空气质量在国际上已是重点控制对象,利用主成分方法对影响各个城市的空气质量的指标进行分析,得出影响空气质量的主要因素.然后选取主成分进行费希尔(Fisher)判别分析,建立主成分的费希尔判别分析模型,对城市的空气质量进行判别,再利用判别式分别对重庆、成都、昆明、宝鸡4个城市的空气质量类别进行预测.     

基于多目标优化问题模型的鉴别分析方法

该文提出一种新的Fisher鉴别分析的多目标优化问题模型。模型将最大的Fisher函数值与鉴别矢量所抽取特征间最小的相关同时作为优化目标。通过构造评价函数,将这一问题转换为适当的单目标优化问题。利用问题模型的特殊性,用Lagrange乘子法分析得出了相应鉴别矢量解的表达式。将该方法与F—S鉴别分析方法在CENPARMI手写体阿拉伯数字库上进行了对比实验。实验显示,该文方法明显优于F—S鉴别分析方法。     

用于人脸识别的张量图优化的Fisher判别分析

最近提出的图优化的Fisher判别分析(Graph-based Fisher Analysis,简称GbFA)具有很强的判别性能,并成功地应用于人脸识别。但GbFA需要将二维的人脸图像矩阵转化为向量,因此容易丢失像点的空间关系。为此,提出用于人脸识别的张量图优化线性判别分析(Tensor Graph-based Fisher Analysis,简称TGbFA)。该算法把二维的人脸图像矩阵看作二维张量数据,并通过GbFA方法迭代求得两个投影矩阵。在Yale和YaleB的人脸库的实验表明,TGbFA算法继承了GbFA的特性,与现有的张量线性判别分析算法相比,TGbFA具有较好的判别性能。     

基于背景差分法在焊缝缺陷检测中的应用

现代工业对于焊接技术的使用越来越多,如何保证焊件质量是焊缝技术的重要环节。在机器视觉中,背景差分法是一种重要的运动检测方法。基于背景像素点在图像序列中被观测到的概率是最大的前提假设,并结合背景像素点可以看作高斯分布的加权的前提假设,提出了一种实时焊缝检测算法。该算法在准确检测焊缝缺陷的同时,能够在一定程度上对焊缝缺陷类别进行分类;既能提高产品的合格率,有通过反馈焊缝缺陷的分类,对焊缝生产线的调节提供帮助。实验结果证实了所提算法的有效性和实时性。     

Belle实验中神经元网络和Fisher判别方法应用于压制连续过程本底的比较

在Belle实验B±→K±ω道的物理分析中,对神经元网络法和Fisher判别法在压制连续过程本底应用中的性能进行了比较研究.应用神经元网络法可以获得对BB信号事例42.3%的选择效率和99.2%的连续过程本底排除水平;应用Fisher判别法可以获得57.9%的信号事例选择效率和98.6%的连续过程本底排除水平.     

用费歇二类判别分析确定TZ地区欧8井B油气层的分布范围

本文根据三维地震资料提取了TZ地区各井井区20种地震参数,然后采用费歇二类差别分析,分别建立了油气井与干井的判别函数,并根据判别临界值对欧8井B油气层的分布范围进行了预测．从预测结果看,效果较好．     

焊缝X射线探伤数字图象处理方法研究

采用灰度分析法研究了实时X射线探伤图象特征,提出了一种能显著提高图象清晰度和对比度,降低图象噪音的S-T非线性图象变换方法,并用线灰度梯度法成功地提取了焊缝中的缺陷。结果表明:对于噪声成分多、灰度分布范围窄、对比度差的实时X射线探伤图象,S-T变换方法能明显地改善图象质量,线灰度梯度法提取的焊接缺陷定位准确、畸变小。该方法可以在实时X射线探伤系统中应用。     

一种改进的核Fisher鉴别分析方法

核Fisher鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一.针对在解决两类模式分类问题中KFDA只能获得一个鉴别矢量的弱点,提出了一种改进的核Fisher鉴别分析(MKFDA)方法,该方法对特征空间中的两类间离散度进行了重新估计,通过使用核类间散布矩阵的一种特殊形式,我们可以得到最多N(N为训练样本数)个鉴别矢量,从而提高了两类模式问题的分类性能.在IRIS数据上的实验结果验证了MKFDA方法的有效性.     

基于核的快速特征抽取及识别方法

基于核技巧提出的新的非线性鉴别分析方法在最小二乘意义上与基于核的Fisher鉴别分析方法等效,相应鉴别方向通过一个线性方程组得出,计算代价较小,相应分类实现极其简便。该方法的最大优点是,对训练数据进行筛选,可使构造鉴别矢量的“显著”训练样本数大大低于总训练样本数,从而使得测试集的分类非常高效;同时,设计出专门的优化算法以加速“显著”训练样本的选取。实验表明,该方法不仅具有明显的效率上的优势,且具有不低于基于核的Fisher鉴别分析方法的性能。