利用深度神经网络和小波包变换进行缺陷类型分析

超声检测中对缺陷进行类型分析通常取决于操作人员对于特定专业知识的了解及检测经验,从而导致其分析结果的不稳定性和个体差异性。本文提出了一种使用小波包变换提取缺陷特征信息,并应用深度神经网络对得到的信息进行分类识别的方法。利用超声相控阵系统对于不锈钢试块上的通孔、斜通孔和平底孔进行超声检测,并对得到的超声回波波形按照新方法进行分析。实验结果表明,使用小波包变换后的数据进行分类识别能够在提高识别准确率的同时降低神经网络的学习时间,而使用深度神经网络相比通用的BP神经网络以可接受延长学习时间的代价提高了识别的准确率。采用新方法后,缺陷分类正确率提高了21.66%,而网络学习时间只延长了91.9s。在超声检测中使用小波包变换和深度神经网络来对于缺陷进行类型分析,能够排除人为干扰,增加识别准确率,对于实际应用有着极大的意义。      

基于脑部磁共振图像三维局部模式变换特征提取进行阿尔茨海默病病程预测分类

本文提出一种三维局部模式变换提取进行纹理特征并与常规特征相融合的方法,基于脑部磁共振图像,对认知功能正常的健康人体（CN）、轻度认知障碍（MCI）患者和阿尔茨海默病（AD）患者进行预测分类.首先对46例CN对照组、61例MCI患者和25例AD患者的脑部磁共振图像提取感兴趣区域,然后提取双侧海马体组织、灰质和白质的三维局部模式变换纹理特征和常规特征,并将两类特征融合,使用支持向量机分类算法进行分类.结果显示利用本方法,基于双侧海马体组织对AD组和CN组进行分类的准确率为88.73%、敏感度为78.00%、特异度为95.7%、受试者工作特征（ROC）曲线下面积（AUC）为0.886 5;基于灰质的准确率为85.92%、敏感度为80.00%、特异度为86.6%、AUC为0.854 3.这证明基于海马体磁共振图像,利用本文提出的改进三维局部模式变换提取的纹理特征进行阿尔茨海默病病程分类效果较好,融合常规特征后更可提高分类预测的精度.     

一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定。针对这一问题,提出一种基于图像识别的二维卷积神经网络（2D-CNN）的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换（CWT）处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络（CNN）分类模型,实现对表面缺陷深度的自动分类。验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3%;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路。     

高光谱数据对损伤长枣的检测判别

灵武长枣作为宁夏优势特色枣果,具有重要的经济社会价值和科学研究意义。利用可见近红外(Vis/NIR)高光谱成像系统采集60颗完整长枣光谱图像,然后利用损伤装置对60颗完整长枣进行损伤实验,最终得到60颗损伤（内部瘀伤）长枣,高光谱成像系统采集损伤后五个时间段（损伤后2,4,8,12和24 h）长枣的光谱图像。对采集的长枣光谱图像用ENVI软件提取感兴趣（ROI）区域,并计算完整长枣和每个时间段长枣的平均光谱值。原始光谱利用Savitzky-Golay平滑的一阶导数（SG-1）和二阶导数（SG-2）、标准正态变换（SNV）和去趋势（Detrending）、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2算法进行预处理,原始光谱和预处理光谱建立偏最小二乘判别分析（PLS-DA）分类模型。选择最优的预处理光谱数据,利用连续投影算法（SPA）、间隔随机蛙跳（IRF）、无信息消除变量（UVE）、变量组合集群分析法（VCPA）、区间变量迭代空间收缩法（IVISSA）和IRF-SPA、UVE-SPA、IVISSA-SPA等算法进行特征变量选择,对选择的特征变量建立PLS-DA、线性判别分析（LDA）和支持向量机（SVM）分类判别模型。结果表明,在原始光谱建立的PLS-DA模型中,模型校正集和预测集准确率分别为82.96%和90%。光谱经过预处理后得到SNV-SG-2-PLS-DA为最优分类判别模型,模型校正集和预测集准确率分别为91.11%和96.67%。在特征变量建立的分类模型中,SNV-SG-2-UVE-PLS-DA模型校正集和预测集准确率分别为86.3%和94.44%;SNV-SG-2-SPA-LDA模型校正集和预测集准确率分别为86.3%和83.33%;SNV-SG-2-UVE-SVM模型校正集和预测集准确率分别为77.78%和71.11%。对于分类模型来说线性分类模型（PLS-DA、LDA）分类结果优于非线性分类模型（SVM）分类结果,在线性分类模型结果中PLS-DA优于LDA分类结果,PLS-DA可以更好的提供分类效果。研究表明,利用高光谱结合偏最小二乘判别分析分类模型,可以有效的实现灵武长枣损伤后随时间变化的快速检测,为灵武长枣在线检测提供理论依据。     

基于机器学习的无机磁性材料磁性基态分类与磁矩预测

磁性材料是信息时代重要的基础材料,不同的磁性基态是磁性材料广泛应用的前提,其中铁磁基态是高性能磁性材料的关键要求.本文针对材料项目数据库中的无机磁性材料数据,采用机器学习技术实现无机磁性材料铁磁、反铁磁、亚铁磁和顺磁基态的分类以及无机铁磁性材料磁矩的预测.提取了材料的元素和结构属性特征,通过两步式特征选择方法分别为磁性基态分类和磁矩预测筛选了20个材料特征,发现材料特征中的电负性、原子磁矩和原子外围轨道未充满电子数对两种磁性性能具有重要贡献.基于机器学习的随机森林算法,构建了磁性基态分类模型和磁矩预测模型,采用10折交叉验证的方法对模型进行定量评估,结果表明所构建的模型具有足够的精度和泛化能力.在测试检验中,磁性基态分类模型的准确率为85.23%,精确率为85.18%,召回率为85.04%, F1分数为85.24%;磁矩预测模型的拟合优度为91.58%,平均绝对误差为0.098μB/atom.本研究为无机铁磁性材料的高通量分类筛选与磁矩预测提供了新的方法和选择,可为新型无机磁性材料的设计研发提供参考.     

基于纹理特征的挠性印制电路板焊盘缺陷检测

纹理特征反应了物体表面微观几何形貌与颜色的波动程度。针对挠性印制电路(FPC)焊盘纹理特征的提取与检测,本文提出基于灰度与纹理梯度二维分布特征的方法建立描述纹理特征的熵统计量,该统计量能够灵敏地反映、量化焊盘金面正常或异常情况下的不同表面视觉特征,当用于缺陷检测时,可准确地识别出焊盘缺陷,检测准确率高达96.7%,50个焊盘的平均检测时间为300ms,满足在线检测的要求。     

可见近红外高光谱成像对灵武长枣定量损伤等级判别

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域（region of interest,ROI）并计算样本平均光谱值。利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均（MA）、卷积平滑（SG）、多元散射校正（MSC）、正交信号修正（OSC）、基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、无信息变量消除（UVE）、竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。     

基于贝叶斯神经网络的近红外光谱实木地板表面缺陷检测

实木地板的表面缺陷直接影响其力学性能和产品等级,表面缺陷的快速检测对实木地板的在线分选具有重要的现实意义。针对视觉方法检测实木地板表面缺陷识别率低的问题,提出了一种基于近红外光谱分析技术的检测方法。首先,分别采集规格为200 mm×100 mm×20 mm的表面带有活节、死节以及无缺陷的实木地板的光谱数据各60份,其中30份作为训练样本,30份作为测试样本;其次,使用高斯滤波(GSF)、分段多元散射校正(PMSC)和去趋势法(DT)等方法对采集到的光谱数据进行预处理,降低光谱噪声、消除光谱的散射影响;然后,利用改进遗传算法从处理后的光谱中提取特征波长用于构建缺陷识别与分类模型;最后,使用基于贝叶斯理论改进的神经网络构建实木地板缺陷识别和分类模型。实验使用含有活节、死节以及无缺陷的实木地板样本对模型进行训练和测试,结果表明：通过贝叶斯神经网络构建的缺陷识别与分类模型能够准确识别活节、死节和无缺陷三类实木地板,识别率分别为92.20%, 94.47%和95.57%。证明了实木地板表面缺陷类型与其近红外吸收光谱密切相关,并为下一步实现实木地板表面缺陷的准确定位提供快速检测方法。     

基于卷积神经网络的混合颗粒分类法研究

针对混合颗粒的分类问题,传统算法多利用颗粒的二值化图像提取其特征,并通过精细的特征设计结合BP神经网络、支持向量机(SVM)等分类器进行分类,但颗粒粘连以及不精确的特征设计都会严重影响分类的准确率。利用卷积神经网络提取颗粒的特征,通过区域建议网络(RPN)搜索颗粒的位置,同时建立分类器,并结合全卷积网络实现像素级的颗粒分割。对由球形、长条形及非规则形颗粒组成的混合流动颗粒体系进行实验研究,结果表明:利用人工特征设计的SVM法可以达到87%的分类精确率和召回率,而基于卷积神经网络的方法则可以达到97%的分类精确率和93%的召回率,并且对于非规则颗粒的数目中位径,该方法不仅可以将分析误差降低11%以上,还避免了传统方法需要精确设计人工特征等的不足,更易形成一个端对端的混合颗粒分类体系,为流动混合颗粒的图像在线分析提供了更加有效的思路。     

八度卷积和双向门控循环单元结合的X光安检图像分类

针对主动视觉安检方法准确率低、速度慢,不适用于实时交通安检的问题,提出了八度卷积(OctConv)和注意力机制双向门控循环单元(GRU)神经网络相结合的X光安检图像分类方法。首先,利用八度卷积代替传统卷积,对输入的特征向量进行高低分频,并降低低频特征的分辨率,在有效提取X光安检图像特征的同时,减少了空间冗余。其次,通过注意力机制双向GRU,动态学习调整特征权重,提高危险品分类准确率。最后,在通用SIXRay数据集上的实验表明,对8 000幅测试样本的整体分类准确率(ACC)、特征曲线下方面积(AUC)、正类分类准确率(PRE)分别为98.73%、91.39%、85.44%,检测时间为36.80 s。相对于目前主流模型,本文方法有效提高了X光安检图像危险品分类的准确率和速度。