|
|
光学筛分机重庆膜表面瑕疵检测有两种基本的模式识别方法。统计模式识别分为有监督学习模式识别和无监督学习模式识别。本文主要介绍了光学筛分机表面缺陷识别中的监督学习模式识别。 监督模式识别主要包括基于概率统计的分类器、线性分类器、人工神经网络分类器和支持向量机。 1） 基于概率统计的分类器。基于概率统计的分类方法主要有基于最小错误率的贝叶斯决策和基于最小风险的贝叶斯决策。利用贝叶斯决策，需要得到样本的一般分布知识，包括各种先验概率和类条件概率密度函数，计算样本的后验概率，并以此作为判别函数的必要数据，设计相应的判别函数和决策面。Bayes分类器可以在数学上给出严格的证明，在给定某些变量的情况下，可以使分类的平均损失或分类决策的风险最小化。虽然Bayes决策规则在理论上解决了最优分类器的设计问题，但在实现时很难确定样本特征空间的类条件概率密度形式，而且往往需要大量样本通过Parzen窗口等非参数方法来估计分布，因此，Bayes决策规则在理论上更具指导意义，而且一般适用于具有统计知识的人，可以利用训练样本来估计参数。
基于贝叶斯图像模式识别技术，张洪杰等。采用主成分分析法消除图像特征之间的互相关，建立了基于最小风险贝叶斯图像识别技术的焊点质量分类器，有效地评价焊点质量；苏芳等。利用贝叶斯理论进行了多通道SAR图像测量级数据融合，充分利用了像素点，有效地保留了各通道的有用信息，抑制了图像中的斑点噪声。 2） 线性分类器。在实际应用中，直接用样本集代替类的条件概率密度来设计分类器。即给定一定的判别函数，由样本集确定判别函数中的未知参数，称为判别函数分类法。根据判别函数的形式，判别函数分类可分为线性分类和非线性分类。前者主要包括Fisher分类算法和感知算法LMSE分类算法；后者主要包括分段线性判别函数法（如最近邻分类法、最小距离法）、基于核的Fisher分类算法、势函数法和支持度法向量机方法。线性分类器算法简单，易于在计算机上实现，在模式识别中得到了广泛的应用；对于模式识别中的非线性问题，采用了非线性分类器。 K近邻分类算法是最简单的机器学习算法之一。它的核心思想是，如果特征空间中的k个最近邻样本大部分属于某个类别，那么该样本也属于该类别，并且具有该类样本的特征。Lopez等人。采用KNN分类法提取每个通道的颜色特征，对瓷砖表面质量进行分类；mandriota等。采用KNN算法结合小波系数检测轨道表面质量；wiltschi等。采用基本最小距离分类法检测钢板图像的表面质量；Pernkopf等。采用耦合隐马尔可夫随机情况计算概率，结合贝叶斯网络分类器，对铸坯表面缺陷进行检测。 3） 人工神经网络。人工神经网络（ANN）是一种基于类似大脑突触连接结构的信息处理数学模型。它是在现代神经科学研究成果的基础上提出的。它试图通过模拟神经网络处理和记忆信息来处理信息。 人工神经网络是由大量相互关联的处理单元组成的非线性自适应信息处理系统。1943年，心理学家麦卡洛克和马修。 |
