计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2007年
14期
207-209,222
,共4页
混合加权特征%神经网络%带钢表面缺陷%实时检测
混閤加權特徵%神經網絡%帶鋼錶麵缺陷%實時檢測
혼합가권특정%신경망락%대강표면결함%실시검측
为了为高速生产线上的带钢表面缺陷的实时检测提供有利的条件,对已有的19维特征向量通过顺序后退法选择了混合加权的9维特征向量,选用RBF神经网络作为分类器,通过对现场采集的带钢表面缺陷图片进行训练与识别,确定了RBF网络的扩展速度的最佳值0.4,网络的训练速度较快,缺陷的平均识别率为93.85%.结果表明:提取混合加权向量与选择RBF神经网络的分类器,能够使网络的结构大大减少,同时具有识别速度和识别率上的优势,能够为带钢表面缺陷的在线实时检测提供软件方面的智能技术.
為瞭為高速生產線上的帶鋼錶麵缺陷的實時檢測提供有利的條件,對已有的19維特徵嚮量通過順序後退法選擇瞭混閤加權的9維特徵嚮量,選用RBF神經網絡作為分類器,通過對現場採集的帶鋼錶麵缺陷圖片進行訓練與識彆,確定瞭RBF網絡的擴展速度的最佳值0.4,網絡的訓練速度較快,缺陷的平均識彆率為93.85%.結果錶明:提取混閤加權嚮量與選擇RBF神經網絡的分類器,能夠使網絡的結構大大減少,同時具有識彆速度和識彆率上的優勢,能夠為帶鋼錶麵缺陷的在線實時檢測提供軟件方麵的智能技術.
위료위고속생산선상적대강표면결함적실시검측제공유리적조건,대이유적19유특정향량통과순서후퇴법선택료혼합가권적9유특정향량,선용RBF신경망락작위분류기,통과대현장채집적대강표면결함도편진행훈련여식별,학정료RBF망락적확전속도적최가치0.4,망락적훈련속도교쾌,결함적평균식별솔위93.85%.결과표명:제취혼합가권향량여선택RBF신경망락적분류기,능구사망락적결구대대감소,동시구유식별속도화식별솔상적우세,능구위대강표면결함적재선실시검측제공연건방면적지능기술.
