發(fā)布時(shí)間：2018-01-16 20:04

  本文關(guān)鍵詞：R-AdaBoost帶鋼表面缺陷特征選擇算法　出處：《電子測(cè)量與儀器學(xué)報(bào)》2017年01期 　論文類型：期刊論文

  更多相關(guān)文章： AdaBoost算法 Relief特征篩選 特征選擇 缺陷檢測(cè)

【摘要】：帶鋼表面缺陷形式的復(fù)雜多變給特征的選擇帶來(lái)了困難,為此,提出一種融合特征篩選和樣本權(quán)值更新的R-Ada Boost特征選擇算法。該算法在Ada Boost算法的每個(gè)循環(huán)中通過Relief算法進(jìn)行特征的篩選與降維,通過篩選后的特征利用樣本的類內(nèi)類間差去除噪聲樣本,然后根據(jù)Ada Boost的動(dòng)態(tài)權(quán)值更新樣本庫(kù),再利用每個(gè)循環(huán)優(yōu)化選擇得到的最優(yōu)特征與弱分類器級(jí)聯(lián)成最終的Ada Boost強(qiáng)分類器,進(jìn)行帶鋼表面缺陷的檢測(cè)與定位。實(shí)驗(yàn)結(jié)果表明,針對(duì)帶鋼實(shí)際生產(chǎn)線上的劃痕、褶皺、山脈、污點(diǎn)等多種缺陷,該算法可以有效提取出具有高區(qū)分性和獨(dú)立性的特征,同時(shí)提高了缺陷檢測(cè)算法的準(zhǔn)確率。
[Abstract]:It is difficult to select the characteristics because of the complexity and variety of the surface defect form of steel strip. A R-Ada Boost feature selection algorithm based on feature selection and sample weight updating is proposed in Ada. In each cycle of Boost algorithm, Relief algorithm is used to filter features and reduce dimension. The noise samples are removed by the inter-class difference of the samples through the selected features, and the sample library is updated according to the dynamic weights of Ada Boost. Then the optimal feature and weak classifier are cascaded into the final Ada Boost strong classifier to detect and locate the surface defects of steel strip. The experimental results show that. Aiming at the defects such as scratches, folds, mountains, stains and so on in the actual production line of strip steel, the algorithm can effectively extract the features with high distinguishing and independence, and improve the accuracy of the defect detection algorithm at the same time.
【作者單位】： 河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61403119) 河北省自然科學(xué)基金(F2014202166)資助項(xiàng)目
【分類號(hào)】：TG142.15;TP391.41
【正文快照】： 1引言由于帶鋼表面缺陷形成原因的不同,導(dǎo)致缺陷呈現(xiàn)形式存在著多樣性、隨機(jī)性和復(fù)雜性等特點(diǎn)[1],現(xiàn)有的缺陷檢測(cè)方法通過提取缺陷的空域特征和變換域特征[2-3]并將多種類型的特征進(jìn)行組合以滿足多樣和復(fù)雜缺陷形式的要求,但過高的特征維度難以滿足算法實(shí)時(shí)性的要求。因此,提

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許劍;張洪偉;;Adaboost算法分類器設(shè)計(jì)及其應(yīng)用[J];四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2014年01期

2 張碩;;基于Adaboost的車標(biāo)識(shí)別方法研究[J];中國(guó)安防;2014年05期

3 楊文倩;;基于AdaBoost算法的實(shí)時(shí)目標(biāo)跟蹤[J];中國(guó)安防;2014年09期

4 雷煒;;一種對(duì)決策樹優(yōu)化的方法AdaBoost及其改進(jìn)[J];中原工學(xué)院學(xué)報(bào);2008年06期

5 吳家偉;嚴(yán)京旗;方志宏;夏勇;;基于Adaboost改進(jìn)算法的鑄坯表面缺陷檢測(cè)方法[J];鋼鐵研究學(xué)報(bào);2012年09期

6 武小紅;唐凱;孫俊;;基于Adaboost+OLDA和近紅外光譜的豬肉貯藏時(shí)間辨別[J];光譜學(xué)與光譜分析;2012年12期

7 于霜;丁煜函;劉國(guó)海;程錦翔;;生物發(fā)酵過程的LSSVM-Adaboost逆軟測(cè)量方法[J];計(jì)算機(jī)與應(yīng)用化學(xué);2013年11期

8 王磊;侯媛彬;李龍;;改進(jìn)AdaBoost算法的條碼識(shí)別[J];遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

9 王文豪;嚴(yán)云洋;;基于AdaBoost RBF神經(jīng)網(wǎng)絡(luò)的火災(zāi)煙霧檢測(cè)[J];河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

10 蔣白樺;劉偉;戴志軍;王宏安;;基于工況的操作模式優(yōu)化及在石化工業(yè)中的應(yīng)用[J];化工學(xué)報(bào);2012年12期

相關(guān)會(huì)議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測(cè)中的應(yīng)用[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫體漢字相似字符識(shí)別[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險(xiǎn)評(píng)估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會(huì)論文集[C];2012年

相關(guān)博士學(xué)位論文 前4條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

3 張?zhí)珜?人眼注視點(diǎn)估計(jì)方法的研究[D];南開大學(xué);2013年

4 趙培英;基于智能計(jì)算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測(cè)研究[D];東華大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實(shí)時(shí)行人檢測(cè)算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測(cè)及統(tǒng)計(jì)方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測(cè)算法研究及其在硬件平臺(tái)上的實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測(cè)算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

10 張?jiān)?一種基于AdaBoost的組合分類算法研究[D];四川師范大學(xué);2015年

，

本文編號(hào)：1434594