کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7562435 1491508 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Steel surface defects recognition based on multi-type statistical features and enhanced twin support vector machine
ترجمه فارسی عنوان
تشخیص نقص سطح فولاد بر اساس ویژگی های آماری چند نوع و افزایش بردار پشتیبانی از دوقلو
کلمات کلیدی
سطح فولاد، شناسایی نقص، چند نوع ویژگی های آماری، ماشین بردار حامی دوقلو،
ترجمه چکیده
برای تشخیص نقص سطح فولاد، استخراج ویژگی ها و طبقه بندی گام های بسیار مهم هستند. در این مقاله، ویژگی های آماری چند نوع و طبقه بندی سازنده دستگاه های برش پشتیبانی دوقلو فرموله شده و کاربرد دارند. اولا، چهار نوع از ویژگی های آماری برای ویژگی های مختلف نقص منطقه پیشنهاد شده است. آنها به تغییر و تحول در مقیاس و چرخش حساس نیستند. و این ویژگی ها عبارتند از شکل فاصله و اپراتورهای الگوی دودویی محلی با نشانه و اندازه. سپس، نمونه های مرزی ساختگی و نمونه های نمایشی از مجموعه داده های نقص سطح فولادی استخراج می شوند. نمونه های مرزی ساختگی شامل اطلاعات مرزی ناحیه ای از مجموعه داده ها می باشد. آنها می توانند تاثیر منفی نمونه های سر و صدا را کاهش دهند. نمونه های نمایشی با خواص محلی و جهانی برای جایگزینی نمونه هایی با از دست دادن درجه دوم استفاده می شود. آنها می توانند نمونه های نویز را حذف کنند. بر اساس نمونه های مرزی مجلل و نمونه های نمایشی، ماشین بردار پشتیبانی دوقلو تشکیل شده است. از یک طرف، می تواند مشکل طبقه بندی چند طبقه را حل کند. از سوی دیگر، دارای قابلیت ضد سر و صدا و راندمان طبقه بندی بالا است. در نهایت، طبقه بندی کننده دستگاه برش پشتیبانی دوقلو و چند نوع ویژگی های آماری برای تشخیص پنج نوع نقص سطح فولادی استفاده می شود. نتایج تجربی نشان می دهد که طبقه بندی پیشنهاد شده ما چند طبقه عملکرد مطلوبی در کارایی و دقت دارد. و ویژگی های آماری چند نوع به نفع بهبود عملکرد طبقه بندی هستند.
موضوعات مرتبط
مهندسی و علوم پایه شیمی شیمی آنالیزی یا شیمی تجزیه
پیش نمایش مقاله
تشخیص نقص سطح فولاد بر اساس ویژگی های آماری چند نوع و افزایش بردار پشتیبانی از دوقلو
چکیده انگلیسی
For steel surface defect recognition, feature extraction and classification are very important steps. In this paper, multi-type statistical features and enhanced twin support vector machine classifier are formulated and applied. Firstly, four types of statistical features for different attributes of defect region are proposed. They are insensitive to affine transformation in scale and rotation. And those attributes include shape distance and local binary pattern operators with sign and magnitude. Then, dummy boundary samples and representative samples are extracted from steel surface defect dataset. Dummy boundary samples include the sparse boundary information of dataset. They can reduce the adverse impact of noise samples. Representative samples with local and global properties are used to replace samples with quadratic loss. They can exclude noise samples. Based on dummy boundary samples and representative samples, enhanced twin support vector machine is formulated. On one hand, it can solve multi-class classification problem. On the other hand, it has anti-noise ability and high classification efficiency. At last, enhanced twin support vector machine classifier and multi-type statistical features are applied to recognize five types of steel surface defects. The experimental results show that our proposed multi-class classifier has perfect performance in efficiency and accuracy. And multi-type statistical features are in favor of improving classification performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Chemometrics and Intelligent Laboratory Systems - Volume 171, 15 December 2017, Pages 140-150
نویسندگان
, , , ,