工業(yè)反應釜液面分離是根據(jù)釜內不同的液體狀態(tài)實現(xiàn)液體分離,然后將分離后的液體用于工業(yè)產品的生產。目前實現(xiàn)液面分離的方式主要是通過人工手動操作,由于該方法效率較低且生產成本過高,由此本文提出了一套液面狀態(tài)識別算法,該算法可以對工業(yè)反應釜內液體狀態(tài)的變化快速準確地識別,從而實現(xiàn)工業(yè)反應釜液面分離。通過對工業(yè)反應釜中液面數(shù)據(jù)分析,將液面數(shù)據(jù)分成五種類別;本文采用了五種經典特征提取算法分別是LBP、HOG、LPQ、Haar和顏色直方圖;分類器算法有SVM分類算法、隨機森林分類算法和KNN分類算法。本文的研究內容如下:1.基于液面圖像HOG特征的PCA降維分類模型研究。首先,HOG特征提取算法用于提取液面特征時,由于該算法提取得到的液面數(shù)據(jù)特征維度過高,因此使用PCA方法對HOG特征進行降維,然后將降維后的特征與LBP、LPQ、Haar特征提取算法形成的特征在三種分類器進行比較,得出PCA對HOG降維后特征在KNN分類器中識別率最高達93.15%,最后研究了PCA貢獻率對HOG特征提取方法的影響。2.基于自適應閾值方式對顏色直方圖特征提取算法的改進。首先,使用傳統(tǒng)的顏色直方圖特征提取算法獲得256... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

五種不同類別的液面狀態(tài)根據(jù)液面狀態(tài)的顏色變化，本文將液面狀態(tài)數(shù)據(jù)分成了五種類別，每一行表

杭州電子科技大學碩士學位論文9開始進入容器，并且物料沾滿了整個容器壁的狀態(tài)，稱之為進料態(tài)；第三種類別是物料已經充滿了整個容器，并且呈現(xiàn)著純凈透明的狀態(tài)，稱之為純凈態(tài)；第四種類別是容器中的物料聚集在一起形成了一種顆粒狀，并呈現(xiàn)出黃色的狀態(tài)，這也是第三種類別向第五種類別過度的狀態(tài)，稱之為過渡態(tài)；第五種類別是物料在容器中經過長時間的滯留，并呈現(xiàn)出一種黑棕色或渾濁的狀態(tài)，稱之為異常態(tài)。2.1.2液面狀態(tài)識別流程通常情況下，識別分類的過程均會存在訓練集和測試集，首先對圖像數(shù)據(jù)進行預處理操作，然后使用特征提取算法對該圖像數(shù)據(jù)進行特征提取，使用訓練集的數(shù)據(jù)輸入分類器算法進行訓練得到合適的數(shù)學模型，再將測試集的特征輸入該模型進行特征匹配操作，具體識別流程如圖2.2所示。圖2.2識別分類的過程本文液面圖像數(shù)據(jù)通過工業(yè)攝像機獲得，該液面圖像數(shù)據(jù)像素值規(guī)整，不需要對液面圖像數(shù)據(jù)進行預處理操作，可直接使用特征提取算法對該數(shù)據(jù)提取特征，再使用分類器算法對特征進行訓練和測試。2.2經典特征提取算法2.2.1局部二值特征模式LBP算子對于紋理特征提取具有優(yōu)勢，就提取人臉的特征而言，LBP的使用十分廣泛。下文會對LBP相關的原理進行介紹，并分析LBP算子的相關特性。LBP特征提取算法具有灰度尺度不變的特性，其基本思想是通過將某一區(qū)域內的中心像素值作為閾值，與它的鄰域進行比較，最后得到一個二進制碼，然后根據(jù)該二進制碼得到該特征。在紋理特征分析方面，LBP算法對紋理特征具有很好的描述，它主要的優(yōu)勢

杭州電子科技大學碩士學位論文10表現(xiàn)在以下幾個方面：(1)根據(jù)LBP的定義，該算法的灰度尺度不會隨著任何單一變化而變化，由此在光照的條件下能夠表現(xiàn)很好的魯棒性能；(2)計算速度快。由于它是通過小鄰域內進行比較的，使得即使在復雜的條件下也能夠對圖像進行可靠地分析；(3)LBP算法是一種無參數(shù)的算法，在應用過程中是不用對它進行預假設分布[20,21]。通常情況下，LBP算法會設置一個3×3大小的窗口，然后將窗口中心點的灰度值作為閾值，通過該閾值和鄰域灰度值進行比較得到0-1的二值形式，然后根據(jù)像素位置的不同采用加權求和的方式得到窗口的LBP值[22-24]。在圖2.3中，其窗口的中間像素值為5，其周邊的八個像素值為1、2、2、6、1、3、5、9，經過閾值比較后形成的二值模式為000100011，LBP=16+2+1=19。該過程用公示表示為：10(,)2()PPccPcPLBPxysii(2.1)其中(,)是中心像素，ci是灰度值，ni是相鄰像素的灰度值，s(x)是一個符號函數(shù)：10()00xsxx(2.2)圖2.3LBP的形成過程通過對LBP特征提取算法的介紹，使用該特征提取算法對每類液面狀態(tài)數(shù)據(jù)提取特征并繪制了該特征，如圖2.4所示。根據(jù)該特征提取算法得到的特征向量維度為2891，由于該維度數(shù)過高，使繪制的折線圖看上去像直方圖一樣，但是根據(jù)上圖中的五類液面數(shù)據(jù)的特征分布，第一種類別(初始態(tài))的特征很明顯異于其他四類，而其他類別中的液面狀態(tài)數(shù)據(jù)特征圖在每個維度的分布也是有所區(qū)別的。

【參考文獻】：
期刊論文
[1]帶有年齡信息的PCA人臉識別技術[J]. 陳文興,岳靖,付浩.  數(shù)學的實踐與認識. 2018(06)
[2]改進的PCA人臉識別算法研究[J]. 周松鋒,戴曙光.  軟件導刊. 2018(02)
[3]方向梯度直方圖綜述[J]. 劉方園,王水花,張煜東.  計算機工程與應用. 2017(19)
[4]主成分分析方法綜述[J]. 趙薔.  軟件工程. 2016(06)
[5]能識別液體的水杯,讓你了解鮮為人知的技術[J]. 李.  化學分析計量. 2016(01)
[6]基于擴展Haar特征的AdaBoost人臉檢測算法[J]. 顏學龍,任文帥,馬峻.  計算機系統(tǒng)應用. 2015(09)
[7]油水分離技術[J]. 吳應湘,許晶禹.  力學進展. 2015(00)
[8]融合LBP和LPQ的人臉識別[J]. 朱長水,丁勇,袁寶華,曹紅根.  南京師大學報(自然科學版). 2015(01)
[9]一種改進HOG特征的行人檢測算法[J]. 田仙仙,鮑泓,徐成.  計算機科學. 2014(09)
[10]基于自適應閾值的改進Canny邊緣檢測方法[J]. 張帆,彭中偉,蒙水金.  計算機應用. 2012(08)

碩士論文
[1]隨機森林算法的優(yōu)化改進研究[D]. 馬驪.暨南大學 2016
[2]基于Haar特征及Adaboost的焊點檢測算法研究[D]. 王琪.西安電子科技大學 2015
[3]基于LBP的圖像紋理特征的提取及應用[D]. 趙玉丹.西安郵電大學 2015
[4]面向多類標分類的隨機森林算法研究[D]. 趙亞紅.哈爾濱工業(yè)大學 2014
[5]基于光照不均勻圖像的自適應二值化方法研究[D]. 郭佳.武漢科技大學 2013
[6]基于改進KNN的文本分類算法的設計與實現(xiàn)[D]. 杜爾斌.上海交通大學 2010
[7]基于距離學習的集成KNN分類器的研究[D]. 于飛.大連理工大學 2009
[8]基于LBP的特征提取研究[D]. 王玲.北京交通大學 2009
[9]基于Haar特征概率分布與SVM的人臉檢測[D]. 孟慶濤.華東師范大學 2008
[10]基于PCA的人臉識別技術的研究[D]. 齊興敏.武漢理工大學 2007



本文編號：3395680