-
题名不同机器学习模型对钢板缺陷分类的性能比较
被引量：2
- 1
-
-
作者
刘莉琳
谭荣
高翔
-
机构
西安财经大学信息学院
西北工业大学软件学院
西北工业大学计算机学院
-
出处
《现代电子技术》
2021年第1期101-106,共6页
-
基金
国家重点研发计划(2016YFB0700504)
陕西省科技计划项目(2018GY⁃048)。
-
文摘
为了评估机器学习技术在钢板缺陷分类中的应用,该研究基于CART决策树、RF、MLPNN和CNN建立了4种不同的机器学习分类模型,对UCI机器学习库的钢板缺陷数据集进行分类,通过混淆矩阵、准确率等不同指标评估了4种模型对7种常见缺陷的分类性能。其中,CNN模型在训练集和测试集上的准确率分别达到了98.67%和97.41%,取得了卓越的分类性能。此外,RF模型相对CART模型可以更好地处理过拟合问题。实验结果表明,神经网络尤其是CNN模型对钢板缺陷分类问题具有更好的性能。
-
关键词
钢板缺陷分类
机器学习
CART
RF
MLPNN
CNN
-
Keywords
steel plate defect classification
machine learning
CART
RF
MLPNN
CNN
-
分类号
TN911.1-34
[电子电信—通信与信息系统]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名蚁群和粒子群混合优化SVM的钢板表面缺陷分类研究
被引量：15
- 2
-
-
作者
李爱莲
郭志斌
解韶峰
赵多祯
张帅
-
机构
内蒙古科技大学信息工程学院
内蒙古科技大学基建处
-
出处
《中国测试》
CAS
北大核心
2020年第1期110-116,共7页
-
基金
内蒙古自治区自然科学基金项目资助(2016MS0610,2014MS0612)
内蒙古科技大学产学研合作培育基金资助项目(PY-201512)
-
文摘
热轧带钢表面的温度高、生产速度快,辐射光强,并且存在着水、氧化铁皮、光照不均等现象,难以通过人工进行表面质量在线检测。针对当前国内某钢厂热轧钢板表面缺陷检测仍由人工离线完成、缺陷识别准确率低的生产问题,充分利用大量图像信息,提出一种图像处理与蚁群和粒子群混合优化支持向量机结合的缺陷分类方法。首先,融合局部二值模式和局部相位量化两种特征提取方式的优点,进行钢板缺陷图片的特征提取,采用蚁群和粒子群优化出支持向量机的惩罚参数和核函数参数进行钢板表面的缺陷分类。最后采用Matlab仿真平台,将蚁群和粒子群混合优化的支持向量机分类模型与传统的支持向量机分类模型进行仿真对比分析。试验结果表明,采用蚁群和粒子群混合优化的支持向量机分类模型的分类精度高于传统的支持向量机模型。
-
关键词
钢板表面缺陷分类
图像特征融合
蚁群算法
粒子群算法
支持向量机
-
Keywords
surface defect classification of steel plate
image feature fusion
ant colony optimization
particle swarm optimization
support vector machine
-
分类号
TP751.1
[自动化与计算机技术—检测技术与自动化装置]
-
