1。介绍钢丝绳起着重要的作用在许多领域,如起重机、石油钻井平台、电梯、矿井提升机。钢丝绳的安全与人们的生活密切相关和资源损失以及工业的正常运行。由于绳索的复杂结构和应用程序环境的多样性,很难评价钢丝绳的健康服务
1,
2gydF4y2B一个]。因此,必须有效地、准确地执行定量无损检测(NDT)钢丝绳采用适当的方法。
gydF4y2B一个目前,钢丝绳的无损检测方法包括电磁(
3,
4),xgydF4y2Ba射线(
5,gydF4y2Ba声
6gydF4y2B一个- - - - - -
9),gydF4y2Ba光(
10gydF4y2B一个)方法(
1gydF4y2B一个]。x射线机有放射性污染;声波法检测钢丝绳由罢工,这是简单而片面的;CCD相机的光学测试方法可以直接通过成像显示真正的缺陷,但它是容易受到石油污染;因为高灵敏度、高速度和低成本、广泛使用的电磁无损检测方法(
11gydF4y2B一个- - - - - -
14gydF4y2B一个]。然而,没有一个无损检测技术可以识别各种各样的缺陷。红外无损检测不包含危险的辐射和非接触的特点;因此,它在许多领域广泛应用于解决实际问题(
15gydF4y2B一个]。我n一个dd我t我on,我t年代popular application areas contain building sector [
16,
17,gydF4y2Ba航空航天
18gydF4y2B一个)、化工(
19gydF4y2B一个)、食品(
20.,gydF4y2Ba文化遗产
21),gydF4y2Ba等等。穆尼奥斯et al。
22,
23gydF4y2B一个)决定从红外热源耗散thermographic测量基于热力学原理和所提供的热扩散方程确定了碳纤维增强复合材料的损伤演化结合声发射和红外温度记录。
gydF4y2B一个漏磁)检测钢丝绳的向前计算模型主要包括漏磁检测、缺陷的漏磁信号预处理,反演[
24gydF4y2B一个]。例如,燕et al。
25gydF4y2B一个)采用三维有限元法(FEM)分析漏磁场信号。该方法为检测信号分析和硬件设计提供了理论指导。基于磁偶极子模型,杨
2gydF4y2B一个创造了漏磁场分析模型的单线骨折,表面断丝,和内部钢丝绳的断丝,为定量分析提供了理论基础的钢丝绳。赵、张(
11,
12gydF4y2B一个]有限元在漏磁分布的典型的断丝缺陷钢电缆,并且得到了漏磁场和探测距离之间的关系,损害大小和内部断线。在[
13,
14),gydF4y2Ba建立了一个磁偶极子模型设计原型,为量化的缺陷提供了理论依据。通过钢丝绳的有限元模型和有限元仿真在不同断丝,DU et al。
26gydF4y2B一个)研究了不同断丝的影响在钢丝绳的安全系数。
gydF4y2B一个因为实际漏磁检测信号由许多噪声源污染,有必要对信号进行预处理,以重构的缺陷。Zhang et al。
27,
28gydF4y2B一个基于压缩传感]利用小波降噪链波,但它恢复了很多噪音;然后,他们结合了简要地变换(HHT)小波滤波和压缩传感(CSWF)来减少各种背景噪音。郑、张(
29日gydF4y2B一个利用小波软阈值,抑制噪声;然而,去噪效果很差。然后郑张(
30.gydF4y2B一个)实现变分模态分解(VMD)和小波变换去除噪声从原始的漏磁信号,可以有效地消除噪声。香港et al。
31日gydF4y2B一个]提出了一种自适应小波阈值去噪方法基于一种新的阈值函数,并取得了良好的钢丝绳漏磁信号的去噪效果。实现缺陷的可视化,赵
13gydF4y2B一个)利用波抑制噪声的自适应陷波滤波算法。
gydF4y2B一个可视化和量化的缺陷,实现定量检测断丝,研究人员需要实现缺陷反演。为了执行缺陷反演,很多学者使用了各种方法。通过采用小波超分辨率重建技术,提高了解决缺陷灰度(
32gydF4y2B一个]。张和Tan (
33gydF4y2B一个]提出了一种超分辨率(SR)基于Tikhonov正则多帧的重建方法,可有效保持图像特征的缺陷而轴向分辨率降低和圆周决议增加。在[
28,
32),gydF4y2Ba研究人员实现分类的缺陷,采用反向传播(BP)神经网络。然而,英国石油(BP)很容易陷入局部最小值,从而导致网络underfitting和泛化能力不足等问题。Wan et al。
34gydF4y2B一个]研究理论最优小波包和最小二乘支持向量机(二)电梯故障诊断,并通过实验进行验证。郑张和秦et al。
29日,
35gydF4y2B一个]把支持向量机(SVM)和径向基函数分类进行故障模式识别,而这种方法并不是很有效。
gydF4y2B一个研究人员(
15,
36gydF4y2B一个]研究了钢绳的失败和铁磁标本通过thermovision缺陷。在[
15),gydF4y2Ba因为所需的测量非常敏感thermovision技术,该方法可以检测绳索在特定条件的紧。在[
34),gydF4y2Ba研究人员开发出一种新的积极的温度记录技术,可以检测铁磁钢试样的缺陷。红外和其他信息的融合是有效和广泛使用。凯和哦et al。
16gydF4y2B一个)结合air-coupled impact-echo和红外温度记录。它可以提高个人测试数据的有效性。数据融合的探地雷达和红外测温术提高缺陷检测的准确性(
37gydF4y2B一个]。研究人员(
38gydF4y2B一个)结合有限元分析和实验数据从红外温度记录,提供准确的评估手段定量热缺陷的大小和位置。根据这些,证明数据融合是有效的。本文融合数据基于红外热成像和利用磁检测断丝的数量。
gydF4y2Ba对钢丝绳电磁无损检测容易受到硬件设计和磁信号处理。在[
13,
14),gydF4y2Ba传感器的位置和数量会影响采集信号的质量。数量不足将会导致严重损失的漏磁信号,而密集的位置传感器可以导致严重的信号干扰,导致难以降噪。与此同时,小断丝缺陷信息可能被噪声淹没。然而,热红外是一个可视化的方法,可以直观地掌握钢丝绳的表面损伤状态和更接近实际的损害比磁数据模式。同时,没有磁性检测方法的缺点,它可以弥补损失的小缺陷磁信息。因此,这两种方法的结合提供更多信息损失,可以避免缺陷信息的损失。
gydF4y2Ba断丝提高分类精度,为评估提供一个参考钢丝绳的使用寿命,结合红外信息和磁信息提出首次进行定量识别钢丝绳。处理磁信号,一个算法基于小波总变异(WATV)提出了去除噪声的原始的漏磁信号。噪声的高频磁漏,基线漂移,链波可以通过该算法得到抑制。从红外图像分离的缺陷,提出了一种基于距离的图像处理方法。后提取统计纹理、不变矩特征和颜色,基于内核的融合方法极端学习机(凯尔姆经常)决策级融合提出了结合磁和红外信息。实验结果表明,基于磁和红外信息融合可以提高识别率的断丝。
gydF4y2Ba在接下来的章节中,获取数据的平台,为磁数据处理,提取红外信息的步骤,识别断丝后信息融合将依次介绍。本文主要创新如下:(1)提出基于WATV可以消除噪声的去噪算法生成的通道不平衡,钢丝绳的结构,等等;(2)提出了基于距离的红外图像分割算法;和(3)信息融合结合磁和红外进行分类是首先采用。
年代ec><年代ec id="sec2">
2。相关的知识<年代ec我d="sec2.1">
2.1。WATV去噪W一个TV去噪方法可以抑制pseudo-Gibbs振荡和杂散噪声峰值估计所有小波系数同时通过一个单一的目标函数的最小化。该方法制定作为一个优化问题结合了小波稀疏和电视正规化(
39gydF4y2B一个]。计算小波系数,通过求解优化问题的公式所示(
1gydF4y2B一个)。如果<我nl在e-formula>
一个米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
满足公式(
2),F(w)是严格凸。
(1)米米l:米text>米ml:mtd>
ω米米l:米我><米米l:mo>
⌢米米l:米o>米米l:mover>
=米米l:米o><米米l:米i mathvariant="normal">
参数米米l:米我><米米l:munder>
最小值米米l:米我>米米l:mrow>
ω米米l:米我>米米l:mrow>
F米米l:米我><米米l:mfenced open="(" close=")">
ω米米l:米我>米米l:mrow>
=米米l:米o><米米l:米frac>
1米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
W米米l:米我><米米l:mi>
y米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
ω米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
+米米l:米o><米米l:米under>
∑米米l:米o>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
λ米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
ϕ米米l:米我><米米l:mfenced open="(" close=")">
ω米米l:米我>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
;米米l:米o><米米l:米年代ub>
一个米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
+米米l:米o><米米l:米i>
β米米l:米我><米米l:msub>
D米米l:米我><米米l:mi>
W米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
ω米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
W米米l:米我>米米l:math>
表示小波变换;在<我nl在e-formula>
ω米米l:米我>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
,<我nl在e-formula>
j米米l:米我>米米l:math>
和<我nl在e-formula>
k米米l:米我>米米l:math>
分别是规模和时间指标。<我nl在e-formula>
λ米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
和<我nl在e-formula>
β米米l:米我>米米l:math>
正则化参数。惩罚项<我nl在e-formula>
D米米l:米我><米米l:mi>
W米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
ω米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
信号估计的总变差吗<我nl在e-formula>
x米米l:米我><米米l:mo>
⌢米米l:米o>米米l:mover>
;这个函数<我nl在e-formula>
ϕ米米l:米我><米米l:mfenced open="(" close=")">
⋅米米l:米o><米米l:米row>
;米米l:米o>米米l:mrow>
一个米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
是一个非凸sparsity-inducing罚函数
(2)米米l:米text>米ml:mtd>
0米米l:米n><米米l:米o>
≤米米l:米o><米米l:米年代ub>
一个米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
<米米l:米o><米米l:米frac>
1米米l:米n>米米l:mrow>
λ米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
基于变量分裂和乘数的交替方向方法(小组ADMM),方程(
1gydF4y2B一个)可以表示为一个约束的问题:
(3)米米l:米text>米ml:mtd>
参数米米l:米我><米米l:munder>
最小值米米l:米我>米米l:mrow>
u米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
ω米米l:米我>米米l:mrow>
g米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
ω米米l:米我>米米l:mrow>
+米米l:米o><米米l:米年代ub>
g米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
主题米米l:米text><米米l:mtext>
来米米l:米text><米米l:mtext>
u米米l:米我><米米l:mo>
=米米l:米o><米米l:米i>
ω米米l:米我>米米l:mtd>
(4)米米l:米text>米ml:mtd>
g米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
ω米米l:米我>米米l:mrow>
=米米l:米o><米米l:米frac>
1米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
W米米l:米我><米米l:mi>
y米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
ω米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
+米米l:米o><米米l:米under>
∑米米l:米o>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
λ米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
ϕ米米l:米我><米米l:mfenced open="(" close=")">
ω米米l:米我>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
;米米l:米o><米米l:米年代ub>
一个米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
(5)米米l:米text>米ml:mtd>
g米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
=米米l:米o><米米l:米i>
β米米l:米我><米米l:msub>
D米米l:米我><米米l:mi>
W米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
u米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
增广拉格朗日是由:
(6)米米l:米text>米ml:mtd>
l米米l:米我><米米l:mfenced open="(" close=")">
ω米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
u米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
μ米米l:米我>米米l:mrow>
=米米l:米o><米米l:米年代ub>
g米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
ω米米l:米我>米米l:mrow>
+米米l:米o><米米l:米年代ub>
g米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
+米米l:米o><米米l:米frac>
μ米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
u米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
ω米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
d米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
在哪里<我nl在e-formula>
μ米米l:米我><米米l:mo>
>米米l:米o><米米l:米n>
0米米l:米n>米米l:math>
。的证明(
39,
40),gydF4y2Ba迭代算法由三个步骤来解决(
1gydF4y2B一个)得到:
(7)米米l:米text>米ml:mtd>
ω米米l:米我><米米l:mo>
=米米l:米o><米米l:米i mathvariant="normal">
参数米米l:米我><米米l:munder>
最小值米米l:米我>米米l:mrow>
ω米米l:米我>米米l:mrow>
g米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
ω米米l:米我>米米l:mrow>
+米米l:米o><米米l:米frac>
μ米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
u米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
ω米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
d米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
=米米l:米o><米米l:米i mathvariant="normal">
参数米米l:米我><米米l:munder>
最小值米米l:米我>米米l:mrow>
ω米米l:米我>米米l:mrow>
∑米米l:米o>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
p米米l:米我>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
−米米l:米o><米米l:米年代ub>
ω米米l:米我>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
+米米l:米o><米米l:米frac>
λ米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
μ米米l:米我><米米l:mo>
+米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
ϕ米米l:米我><米米l:mfenced open="(" close=")">
ω米米l:米我>米米l:mrow>
j米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
k米米l:米我>米米l:mrow>
;米米l:米o><米米l:米年代ub>
一个米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
在哪里<我nl在e-formula>
p米米l:米我><米米l:mo>
=米米l:米o><米米l:米fenced open="(" close=")">
W米米l:米我><米米l:mi>
y米米l:米我><米米l:mo>
+米米l:米o><米米l:米i>
μ米米l:米我><米米l:mfenced open="(" close=")">
u米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
d米米l:米我>米米l:mrow>
/米米l:米o><米米l:米fenced open="(" close=")">
μ米米l:米我><米米l:mo>
+米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
(8)米米l:米text>米ml:mtd>
u米米l:米我><米米l:mo>
=米米l:米o><米米l:米i mathvariant="normal">
参数米米l:米我><米米l:munder>
最小值米米l:米我>米米l:mrow>
u米米l:米我>米米l:mrow>
g米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
+米米l:米o><米米l:米frac>
μ米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
u米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
ω米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
d米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
=米米l:米o><米米l:米i>
v米米l:米我><米米l:mo>
+米米l:米o><米米l:米i>
W米米l:米我><米米l:mfenced open="(" close=")">
t米米l:米我><米米l:mi>
v米米l:米我><米米l:mi>
d米米l:米我><米米l:mfenced open="(" close=")">
W米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
v米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
β米米l:米我><米米l:mo>
/米米l:米o><米米l:米i>
μ米米l:米我>米米l:mrow>
−米米l:米o><米米l:米年代up>
W米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
v米米l:米我>米米l:mrow>
在哪里<我nl在e-formula>
v米米l:米我><米米l:mo>
=米米l:米o><米米l:米i>
d米米l:米我><米米l:mo>
+米米l:米o><米米l:米i>
ω米米l:米我>米米l:math>
,<我nl在e-formula>
t米米l:米我><米米l:mi>
v米米l:米我><米米l:mi>
d米米l:米我>米米l:math>
是总变分去噪。
(9)米米l:米text>米ml:mtd>
d米米l:米我><米米l:mo>
=米米l:米o><米米l:米i>
d米米l:米我><米米l:mo>
−米米l:米o><米米l:米fenced open="(" close=")">
u米米l:米我><米米l:mo>
−米米l:米o><米米l:米i>
ω米米l:米我>米米l:mrow>
我们初始化<我nl在e-formula>
u米米l:米我><米米l:mo>
=米米l:米o><米米l:米i>
W米米l:米我><米米l:mi>
y米米l:米我>米米l:math>
和<我nl在e-formula>
d米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0米米l:米n>米米l:math>
,详细的解决方案(
7gydF4y2B一个)和(
8gydF4y2B一个)给出了
39gydF4y2B一个]。方程解(
1gydF4y2B一个)可以计算(
7),(
8),(
9gydF4y2B一个)。
年代ec><年代ec id="sec2.2">
2.2。双边纹理过滤两国纹理过滤(BFT)有效地去除纹理,同时保留结构。指导图像的计算通过补丁的转变是唯一标准的双边过滤器附加步骤。补丁的转变是如何工作的详细说明(
41gydF4y2B一个]。BTF可以表示如下:
(10)米米l:米text>米ml:mtd>
△米米l:米o><米米l:米fenced open="(" close=")">
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
=米米l:米o><米米l:米年代ub>
我米米l:米我>米米l:mrow>
马克斯米米l:米我>米米l:mrow>
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
−米米l:米o><米米l:米年代ub>
我米米l:米我>米米l:mrow>
最小值米米l:米我>米米l:mrow>
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
(11)米米l:米text>米ml:mtd>
米米米l:米我><米米l:mi>
R米米l:米我><米米l:mi>
T米米l:米我><米米l:mi>
V米米l:米我><米米l:mfenced open="(" close=")">
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
=米米l:米o><米米l:米o>
△米米l:米o><米米l:米fenced open="(" close=")">
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
马克斯米米l:米我>米米l:mrow>
r米米l:米我><米米l:mo>
∈米米l:米o><米米l:米年代ub>
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
∂米米l:米我><米米l:mi>
我米米l:米我>米米l:mrow>
r米米l:米我>米米l:mrow>
∑米米l:米o>米米l:mrow>
r米米l:米我><米米l:mo>
∈米米l:米o><米米l:米年代ub>
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
∂米米l:米我><米米l:mi>
我米米l:米我>米米l:mrow>
r米米l:米我>米米l:mrow>
+米米l:米o><米米l:米i>
ε米米l:米我>米米l:mrow>
ε米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代up>
10米米l:米n>米米l:mrow>
−米米l:米o><米米l:米n>
9米米l:米n>米米l:mrow>
(12)米米l:米text>米ml:mtd>
α米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
=米米l:米o><米米l:米n>
2米米l:米n><米米l:米fenced open="(" close=")">
1米米l:米n>米米l:mrow>
1米米l:米n><米米l:米o>
+米米l:米o><米米l:米i mathvariant="normal">
经验值米米l:米我><米米l:mfenced open="(" close=")">
−米米l:米o><米米l:米年代ub>
σ米米l:米我>米米l:mrow>
α米米l:米我>米米l:mrow>
米米米l:米我><米米l:mi>
R米米l:米我><米米l:mi>
T米米l:米我><米米l:mi>
V米米l:米我><米米l:mfenced open="(" close=")">
Ω米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
−米米l:米o><米米l:米i>
米米米l:米我><米米l:mi>
R米米l:米我><米米l:mi>
T米米l:米我><米米l:mi>
V米米l:米我><米米l:mfenced open="(" close=")">
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
−米米l:米o><米米l:米n>
0.5米米l:米n>米米l:mrow>
(13)米米l:米text>米ml:mtd>
G米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
′米米l:米o>米米l:mrow>
=米米l:米o><米米l:米年代ub>
α米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
G米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
+米米l:米o><米米l:米fenced open="(" close=")">
1米米l:米n><米米l:米o>
量米米l:米o><米米l:米年代ub>
α米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
B米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
在哪里<我nl在e-formula>
我米米l:米我>米米l:mrow>
马克斯米米l:米我>米米l:mrow>
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
和<我nl在e-formula>
我米米l:米我>米米l:mrow>
最小值米米l:米我>米米l:mrow>
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
是补丁的图像强度最大值和最小值<我nl在e-formula>
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
这是最不可能包含一个突出的结构优势;<我nl在e-formula>
Ω米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
是每个像素的平均强度的中心补丁<我nl在e-formula>
p米米l:米我>米米l:math>
;<我nl在e-formula>
B米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
平均图像强度;<我nl在e-formula>
G米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
代表了纹理所获得的信号复制<我nl在e-formula>
B米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
在<我nl在e-formula>
问米米l:米我>米米l:math>
有最小的<我nl在e-formula>
△米米l:米o><米米l:米fenced open="(" close=")">
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
在附近的<我nl在e-formula>
p米米l:米我>米米l:math>
(<我nl在e-formula>
B米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
平均强度在吗<我nl在e-formula>
Ω米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
);<我nl在e-formula>
σ米米l:米我>米米l:mrow>
α米米l:米我>米米l:mrow>
控制体重从边缘过渡到光滑的清晰度/纹理区域;<我nl在e-formula>
G米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
′米米l:米o>米米l:mrow>
修改后的指导的形象。
年代ec><年代ec id="sec2.3">
2.3。内核极端学习机凯尔姆经常被应用美世的病情制定榆树(极端的学习机器)
42gydF4y2B一个]。它有伟大的泛化和稳定。凯尔姆经常是一个单层前馈神经网络。隐层输出矩阵<我nl在e-formula>
H米米l:米我>米米l:math>
与<我nl在e-formula>
l米米l:米我>米米l:math>
隐藏的神经元:
(14)米米l:米text>米ml:mtd>
H米米l:米我><米米l:mo>
=米米l:米o><米米l:米fenced open="[" close="]">
h米米l:米我><米米l:mfenced open="(" close=")">
w米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
T米米l:米我>米米l:mrow>
x米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
b米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
h米米l:米我><米米l:mfenced open="(" close=")">
w米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
T米米l:米我>米米l:mrow>
x米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
b米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
⋯米米l:米o>米米l:mtd>
h米米l:米我><米米l:mfenced open="(" close=")">
w米米l:米我>米米l:mrow>
l米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
x米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
b米米l:米我>米米l:mrow>
l米米l:米我>米米l:mrow>
⋮米米l:米o>米米l:mtd>
⋮米米l:米o>米米l:mtd>
⋮米米l:米o>米米l:mtd>
⋮米米l:米o>米米l:mtd>
h米米l:米我><米米l:mfenced open="(" close=")">
w米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
T米米l:米我>米米l:mrow>
x米米l:米我>米米l:mrow>
N米米l:米我>米米l:mrow>
+米米l:米o><米米l:米年代ub>
b米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
h米米l:米我><米米l:mfenced open="(" close=")">
w米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
T米米l:米我>米米l:mrow>
x米米l:米我>米米l:mrow>
N米米l:米我>米米l:mrow>
+米米l:米o><米米l:米年代ub>
b米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
⋯米米l:米o>米米l:mtd>
h米米l:米我><米米l:mfenced open="(" close=")">
w米米l:米我>米米l:mrow>
l米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
x米米l:米我>米米l:mrow>
N米米l:米我>米米l:mrow>
+米米l:米o><米米l:米年代ub>
b米米l:米我>米米l:mrow>
l米米l:米我>米米l:mrow>
在哪里<我nl在e-formula>
h米米l:米我><米米l:mfenced open="(" close=")">
·米米l:米o>米米l:mrow>
隐层的激活函数,<我nl在e-formula>
W米米l:米我><米米l:mo>
=米米l:米o><米米l:米fenced open="[" close="]">
w米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
,米米l:米o><米米l:米年代ub>
w米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
,米米l:米o>米米l:mrow>
⋯米米l:米o>米米l:mrow>
,米米l:米o>米米l:mrow>
w米米l:米我>米米l:mrow>
l米米l:米我>米米l:mrow>
∈米米l:米o><米米l:米年代up>
R米米l:米我>米米l:mrow>
d米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
l米米l:米我>米米l:mrow>
和<我nl在e-formula>
B米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代up>
b米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
,米米l:米o><米米l:米年代ub>
b米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
,米米l:米o>米米l:mrow>
⋯米米l:米o>米米l:mrow>
,米米l:米o>米米l:mrow>
b米米l:米我>米米l:mrow>
l米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
∈米米l:米o><米米l:米年代up>
R米米l:米我>米米l:mrow>
l米米l:米我>米米l:mrow>
输入重量和偏见是随机生成的输入层和隐层之间,分别。<我nl在e-formula>
X米米l:米我><米米l:mo>
=米米l:米o><米米l:米fenced open="[" close="]">
x米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
,米米l:米o><米米l:米年代ub>
x米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
,米米l:米o>米米l:mrow>
⋯米米l:米o>米米l:mrow>
,米米l:米o>米米l:mrow>
x米米l:米我>米米l:mrow>
N米米l:米我>米米l:mrow>
∈米米l:米o><米米l:米年代up>
R米米l:米我>米米l:mrow>
d米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
N米米l:米我>米米l:mrow>
表示一组样本的标签<我nl在e-formula>
T米米l:米我><米米l:mo>
=米米l:米o><米米l:米fenced open="[" close="]">
t米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
,米米l:米o><米米l:米年代ub>
t米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
,米米l:米o>米米l:mrow>
⋯米米l:米o>米米l:mrow>
,米米l:米o>米米l:mrow>
t米米l:米我>米米l:mrow>
N米米l:米我>米米l:mrow>
∈米米l:米o><米米l:米年代up>
R米米l:米我>米米l:mrow>
c米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
N米米l:米我>米米l:mrow>
。的分类问题提出constrained-optimization-based榆树与一个输出节点可以制定(
42,
43]:
(15)米米l:米text>米ml:mtd>
最小值米米l:米我><米米l:mfenced open="(" close=")">
β米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
+米米l:米o><米米l:米frac>
C米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
∑米米l:米o>米米l:mrow>
我米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
N米米l:米我>米米l:mrow>
ξ米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
主题米米l:米text><米米l:mtext>
来米米l:米text><米米l:mtext>
h米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
β米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代ubsup>
t米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
−米米l:米o><米米l:米年代ubsup>
ξ米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
,米米l:米o><米米l:米i>
我米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
1米米l:米n><米米l:米row>
⋯米米l:米o>米米l:mrow>
⋯米米l:米o>米米l:mrow>
N米米l:米我><米米l:mo>
⇔米米l:米o><米米l:米i>
H米米l:米我><米米l:mi>
β米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代up>
T米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
−米米l:米o><米米l:米年代up>
ξ米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
在哪里<我nl在e-formula>
β米米l:米我><米米l:mo>
∈米米l:米o><米米l:米年代up>
R米米l:米我>米米l:mrow>
l米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
C米米l:米我>米米l:mrow>
是输出的重量隐藏层和输出层,<我nl在e-formula>
ξ米米l:米我><米米l:mo>
=米米l:米o><米米l:米fenced open="[" close="]">
ξ米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
,米米l:米o><米米l:米年代ub>
ξ米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
,米米l:米o>米米l:mrow>
⋯米米l:米o>米米l:mrow>
,米米l:米o>米米l:mrow>
ξ米米l:米我>米米l:mrow>
l米米l:米我>米米l:mrow>
训练数据的预测误差矩阵,<我nl在e-formula>
C米米l:米我>米米l:math>
是一个惩罚因子。榆树分类器的输出函数是:
(16)米米l:米text>米ml:mtd>
f米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
=米米l:米o><米米l:米i>
h米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
β米米l:米我>米米l:mrow>
′米米l:米o>米米l:mrow>
=米米l:米o><米米l:米i>
h米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
H米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
H米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
H米米l:米我><米米l:mo>
+米米l:米o><米米l:米frac>
我米米l:米我>米米l:mrow>
l米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
l米米l:米我>米米l:mrow>
C米米l:米我>米米l:mrow>
量米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
T米米l:米我>米米l:mtd>
然后,凯尔姆经常的输出
(17)米米l:米text>米ml:mtd>
f米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
=米米l:米o><米米l:米i>
h米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
β米米l:米我>米米l:mrow>
′米米l:米o>米米l:mrow>
=米米l:米o><米米l:米i>
h米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
H米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
H米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
H米米l:米我><米米l:mo>
+米米l:米o><米米l:米frac>
我米米l:米我>米米l:mrow>
l米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
l米米l:米我>米米l:mrow>
C米米l:米我>米米l:mrow>
量米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
T米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代up>
k米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我><米米l:mo>
,米米l:米o><米米l:米年代ub>
x米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
⋮米米l:米o>米米l:mtd>
k米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我><米米l:mo>
,米米l:米o><米米l:米年代ub>
x米米l:米我>米米l:mrow>
N米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
Ω米米l:米我><米米l:mo>
+米米l:米o><米米l:米frac>
我米米l:米我>米米l:mrow>
N米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
N米米l:米我>米米l:mrow>
C米米l:米我>米米l:mrow>
量米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
T米米l:米我>米米l:mtd>
在哪里<我nl在e-formula>
Ω米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代up>
H米米l:米我><米米l:mi>
H米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
∈米米l:米o><米米l:米年代up>
R米米l:米我>米米l:mrow>
N米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
N米米l:米我>米米l:mrow>
,<我nl在e-formula>
Ω米米l:米我>米米l:mrow>
我米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
j米米l:米我>米米l:mrow>
=米米l:米o><米米l:米i>
h米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
h米米l:米我><米米l:msup>
x米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
T米米l:米我>米米l:mrow>
=米米l:米o><米米l:米i>
k米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
,米米l:米o><米米l:米年代ub>
x米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
,<我nl在e-formula>
k米米l:米我><米米l:mfenced open="(" close=")">
·米米l:米o>米米l:mrow>
是内核函数。
年代ec>年代ec>
3所示。实验在本部分中,通过处理和磁信号和红外图像融合,六种断丝的分类是实现的。在这个实验中,断丝的数量是一个,两个,三,四,五,七。许多电线缠绕成一个链,那么受伤的钢丝绳。钢丝绳的损伤与钢丝绳的几何和绕组模式(
1,
2,
13gydF4y2B一个]。如图
1gydF4y2B一个钢丝绳的结构<我nl在e-formula>
6米米l:米n><米米l:米o>
∗米米l:米o><米米l:米n>
36米米l:米n>米米l:math>
28毫米直径。钢丝绳的长度是6.5米。使用的标本是185年,训练样本的数量是139和测试号码是46。断丝的数量从1到5和7电线,在每个样本组断丝的数量是30,30、32、34、35岁和34岁。样品的宽度包含2毫米,5毫米,1.5厘米。缺陷的深度是1毫米。缺陷的类型,如图
2gydF4y2B一个。
3.3。数据融合在本节中,采用决策级融合基于凯尔姆经常来实现数据融合。图像预处理后,适当的特征提取。所有功能混合在一起,统一规范化;然后,信息采集、融合和决策执行通过凯尔姆经常神经网络。数据融合的过程如图所示
16gydF4y2B一个。
图16日期融合流程图。
3.3.1。特征提取梅花的缺陷图像和红外高维度,这将减少分类的速度。之间的冗余特性可以给网络带来灾难性后果。因此,有必要采用适当的特性来实现识别。谭和张
33gydF4y2B一个)已经证明,平均之下,三阶的时刻,一致性,熵更敏感比其他基于不变矩的纹理特性和奇怪的顺序比其他更敏感的时刻。因此,在这个实验中,部分统计纹理特征和基于不变矩的奇怪的顺序从磁图像和红外图像的颜色时刻和区域选择。
gydF4y2B一个纹理特征包括平滑度、粗糙度和规律是一个重要的方法来描述图像,其中包含平均亮度,标准差,第三,测量(光滑),一致性和熵。在描述图像纹理直方图是核心,让<我nl在e-formula>
z米米l:米我>米米l:math>
表示灰度的随机变量<我nl在e-formula>
p米米l:米我><米米l:mfenced open="(" close=")">
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
,米米l:米o><米米l:米i>
我米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0米米l:米n><米米l:米o>
,米米l:米o><米米l:米n>
1米米l:米n><米米l:米o>
,米米l:米o><米米l:米n>
2米米l:米n><米米l:米o>
,米米l:米o><米米l:米o>
⋯米米l:米o><米米l:米o>
,米米l:米o><米米l:米i>
l米米l:米我><米米l:mo>
−米米l:米o><米米l:米n>
1米米l:米n>米米l:math>
直方图,<我t一个l我c>nth的意思是:
(21)米米l:米text>米ml:mtd>
μ米米l:米我>米米l:mrow>
n米米l:米我>米米l:mrow>
=米米l:米o><米米l:米underover>
∑米米l:米o>米米l:mrow>
我米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0米米l:米n>米米l:mrow>
l米米l:米我><米米l:mo>
−米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
−米米l:米o><米米l:米i>
米米米l:米我>米米l:mrow>
n米米l:米我>米米l:mrow>
p米米l:米我><米米l:mfenced open="(" close=")">
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
米米米l:米我>米米l:math>
平均亮度:
(22)米米l:米text>米ml:mtd>
米米米l:米我><米米l:mo>
=米米l:米o><米米l:米underover>
∑米米l:米o>米米l:mrow>
我米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0米米l:米n>米米l:mrow>
l米米l:米我><米米l:mo>
−米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
p米米l:米我><米米l:mfenced open="(" close=")">
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
标准差是:
(23)米米l:米text>米ml:mtd>
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代qrt>
μ米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
z米米l:米我>米米l:mrow>
=米米l:米o><米米l:米年代qrt>
σ米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
它反映了图像中平均变化(
33gydF4y2B一个]。
gydF4y2B一个归一化测量的定义是:
(24)米米l:米text>米ml:mtd>
R米米l:米我><米米l:mfenced open="(" close=")">
z米米l:米我>米米l:mrow>
=米米l:米o><米米l:米n>
1米米l:米n><米米l:米o>
量米米l:米o><米米l:米frac>
1米米l:米n>米米l:mrow>
1米米l:米n><米米l:米o>
+米米l:米o><米米l:米年代up>
σ米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
z米米l:米我>米米l:mrow>
这是一个相对平滑的描述符。第三是直方图偏态的测量,定义为:
(25)米米l:米text>米ml:mtd>
μ米米l:米我>米米l:mrow>
3米米l:米n>米米l:mrow>
z米米l:米我>米米l:mrow>
=米米l:米o><米米l:米underover>
∑米米l:米o>米米l:mrow>
我米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0米米l:米n>米米l:mrow>
l米米l:米我><米米l:mo>
−米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
−米米l:米o><米米l:米i>
米米米l:米我>米米l:mrow>
3米米l:米n>米米l:mrow>
p米米l:米我><米米l:mfenced open="(" close=")">
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
它反映出对称的直方图,和它的积极的和消极的价值观反映是否倾斜到左边或者右边。
gydF4y2B一个一致性的定义是:
(26)米米l:米text>米ml:mtd>
U米米l:米我><米米l:mfenced open="(" close=")">
z米米l:米我>米米l:mrow>
=米米l:米o><米米l:米underover>
∑米米l:米o>米米l:mrow>
我米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0米米l:米n>米米l:mrow>
l米米l:米我><米米l:mo>
−米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
p米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
U米米l:米我>米米l:math>
最大值为所有具有相同的灰度图像。平均熵是:
(27)米米l:米text>米ml:mtd>
e米米l:米我><米米l:mfenced open="(" close=")">
z米米l:米我>米米l:mrow>
=米米l:米o><米米l:米o>
−米米l:米o><米米l:米underover>
∑米米l:米o>米米l:mrow>
我米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0米米l:米n>米米l:mrow>
l米米l:米我><米米l:mo>
−米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
p米米l:米我>米米l:mrow>
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
日志米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
p米米l:米我><米米l:mfenced open="(" close=")">
z米米l:米我>米米l:mrow>
我米米l:米我>米米l:mrow>
这是一个衡量的可变性和随机性的程度反映了灰度值。它的值是一个变量,其值为0,如果图像是恒定的。
gydF4y2B一个不变矩组是基于图像灰度分布的统计分析。他们不断的平移、缩放和旋转,可以描述缺陷的特点。给定一个图像<我nl在e-formula>
f米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
y米米l:米我>米米l:mrow>
,大小是<我nl在e-formula>
米米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
N米米l:米我>米米l:math>
不变矩的,奇怪的是:
(28)米米l:米text>米ml:mtd>
米米米l:米我>米米l:mrow>
1米米l:米n>米米l:mrow>
=米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
20.米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
02米米l:米n>米米l:mrow>
米米米l:米我>米米l:mrow>
3米米l:米n>米米l:mrow>
=米米l:米o><米米l:米年代up>
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
−米米l:米o><米米l:米n>
3米米l:米n><米米l:米年代ub>
u米米l:米我>米米l:mrow>
12米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代up>
3米米l:米n><米米l:米年代ub>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
米米米l:米我>米米l:mrow>
5米米l:米n>米米l:mrow>
=米米l:米o><米米l:米fenced open="(" close=")">
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
−米米l:米o><米米l:米n>
3米米l:米n><米米l:米年代ub>
u米米l:米我>米米l:mrow>
12米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
12米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
12米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
−米米l:米o><米米l:米n>
3米米l:米n><米米l:米年代up>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
+米米l:米o><米米l:米fenced open="(" close=")">
3米米l:米n><米米l:米年代ub>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
−米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
3米米l:米n><米米l:米年代up>
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
12米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
−米米l:米o><米米l:米年代up>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
米米米l:米我>米米l:mrow>
7米米l:米n>米米l:mrow>
=米米l:米o><米米l:米fenced open="(" close=")">
3米米l:米n><米米l:米年代ub>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
−米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
12米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
−米米l:米o><米米l:米n>
3米米l:米n><米米l:米年代up>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
−米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
+米米l:米o><米米l:米fenced open="(" close=")">
3米米l:米n><米米l:米年代ub>
u米米l:米我>米米l:mrow>
12米米l:米n>米米l:mrow>
−米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
3米米l:米n><米米l:米年代up>
u米米l:米我>米米l:mrow>
30.米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
12米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代up>
u米米l:米我>米米l:mrow>
21米米l:米n>米米l:mrow>
+米米l:米o><米米l:米年代ub>
u米米l:米我>米米l:mrow>
03米米l:米n>米米l:mrow>
2米米l:米n>米米l:mrow>
在哪里<我nl在e-formula>
u米米l:米我>米米l:mrow>
p米米l:米我><米米l:mi>
问米米l:米我>米米l:mrow>
是中央的时刻:
(29)米米l:米text>米ml:mtd>
u米米l:米我>米米l:mrow>
p米米l:米我><米米l:mi>
问米米l:米我>米米l:mrow>
=米米l:米o><米米l:米under>
∑米米l:米o>米米l:mrow>
x米米l:米我>米米l:mrow>
∑米米l:米o>米米l:mrow>
y米米l:米我>米米l:mrow>
x米米l:米我><米米l:mo>
−米米l:米o><米米l:米over accent="true">
x米米l:米我><米米l:mo stretchy="true">
¯米米l:米o>米米l:mover>
p米米l:米我>米米l:mrow>
y米米l:米我><米米l:mo>
−米米l:米o><米米l:米over accent="true">
y米米l:米我><米米l:mo stretchy="true">
¯米米l:米o>米米l:mover>
问米米l:米我>米米l:mrow>
f米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
y米米l:米我>米米l:mrow>
x米米l:米我><米米l:mo stretchy="true">
¯米米l:米o>米米l:mover>
和<我nl在e-formula>
y米米l:米我><米米l:mo stretchy="true">
¯米米l:米o>米米l:mover>
是图像的重心:<我nl在e-formula>
x米米l:米我><米米l:mo stretchy="true">
¯米米l:米o>米米l:mover>
=米米l:米o><米米l:米年代ub>
米米米l:米我>米米l:mrow>
10米米l:米n>米米l:mrow>
/米米l:米o><米米l:米年代ub>
米米米l:米我>米米l:mrow>
00米米l:米n>米米l:mrow>
,<我nl在e-formula>
y米米l:米我><米米l:mo stretchy="true">
¯米米l:米o>米米l:mover>
=米米l:米o><米米l:米年代ub>
米米米l:米我>米米l:mrow>
01米米l:米n>米米l:mrow>
/米米l:米o><米米l:米年代ub>
米米米l:米我>米米l:mrow>
00米米l:米n>米米l:mrow>
;<我nl在e-formula>
米米米l:米我>米米l:mrow>
p米米l:米我><米米l:mi>
问米米l:米我>米米l:mrow>
是<我nl在e-formula>
p米米l:米我><米米l:mo>
+米米l:米o><米米l:米i>
问米米l:米我>米米l:mrow>
订单的时刻,被定义为:
(30)米米l:米text>米ml:mtd>
米米米l:米我>米米l:mrow>
p米米l:米我><米米l:mi>
问米米l:米我>米米l:mrow>
=米米l:米o><米米l:米under>
∑米米l:米o>米米l:mrow>
x米米l:米我>米米l:mrow>
∑米米l:米o>米米l:mrow>
y米米l:米我>米米l:mrow>
x米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
y米米l:米我>米米l:mrow>
问米米l:米我>米米l:mrow>
f米米l:米我><米米l:mfenced open="(" close=")">
x米米l:米我><米米l:mo>
,米米l:米o><米米l:米i>
y米米l:米我>米米l:mrow>
红外图像的面积定义为图像的大小被该算法基于距离:
(31)米米l:米text>米ml:mtd>
一个米米l:米我><米米l:mo>
=米米l:米o><米米l:米i>
l米米l:米我><米米l:mo>
×米米l:米o><米米l:米i>
W米米l:米我>米米l:mtd>
l米米l:米我>米米l:math>
的长度是形象,<我nl在e-formula>
W米米l:米我>米米l:math>
图像的宽度。
gydF4y2B一个颜色的时刻是彩色图像的颜色空间的重要特性不是量化,特征向量维数低(
29日gydF4y2B一个]。这三个时刻每颜色组件被定义为:
(32)米米l:米text>米ml:mtd>
μ米米l:米我><米米l:mo>
=米米l:米o><米米l:米frac>
1米米l:米n>米米l:mrow>
N米米l:米我>米米l:mrow>
∑米米l:米o>米米l:mrow>
j米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
N米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代up>
1米米l:米n>米米l:mrow>
N米米l:米我>米米l:mrow>
∑米米l:米o>米米l:mrow>
j米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
N米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
−米米l:米o><米米l:米i>
μ米米l:米我>米米l:mrow>
2米米l:米n>米米l:mrow>
1米米l:米n><米米l:米o>
/米米l:米o><米米l:米n>
2米米l:米n>米米l:mrow>
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米年代up>
1米米l:米n>米米l:mrow>
N米米l:米我>米米l:mrow>
∑米米l:米o>米米l:mrow>
j米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
1米米l:米n>米米l:mrow>
N米米l:米我>米米l:mrow>
p米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
−米米l:米o><米米l:米i>
μ米米l:米我>米米l:mrow>
3米米l:米n>米米l:mrow>
1米米l:米n><米米l:米o>
/米米l:米o><米米l:米n>
3米米l:米n>米米l:mrow>
p米米l:米我>米米l:mrow>
j米米l:米我>米米l:mrow>
是<我nl在e-formula>
j米米l:米我>米米l:math>
th像素,<我nl在e-formula>
N米米l:米我>米米l:math>
是像素的数量。我们提取三个颜色的R, G, B通道的红外特征。
gydF4y2B一个通过磁特性,当完成分类统计的一部分采用不变矩的纹理特性和奇怪的顺序。如果磁场和红外信息结合分类断丝,我们添加了颜色的时刻和红外图像的区域特征。
年代ec><年代ec id="sec3.3.2">
3.3.2。融合基于凯尔姆经常红外数据更接近实际的损伤模式比磁数据,并提供更多的颜色信息;然而,不同大小的断丝可能导致低精度相同。磁数据相同的断丝也有类似的视觉形象。因此,这两种方法的结合可以提供更多的信息损失,提高分类精度。
gydF4y2Ba决策级融合是最高层次的融合,是直接针对具体的决策目标,充分利用每个图像的初始决策(
44gydF4y2B一个]。神经网络方法融合的信息。预处理后的数据不同的传感器和作出初步判断,决定不同的信息应该被处理;然后,最后的结果是通过决策级融合
44gydF4y2B一个]。
gydF4y2B一个磁特性和红外特征矩阵;然后,特点是标准化1比1的范围,可以提高网络的收敛速度和准备数据融合。样品的标签是一个初步判断目标。标签的样本凯尔姆经常的输入。隐层输出可以通过输入来计算重量和偏见在公式(
14),gydF4y2Ba结果是一个内核矩阵。的输出凯尔姆经常可以通过公式计算(
16gydF4y2B一个)。获得的重量是由内核函数。和数据初步决定由特征映射的神经网络,实现数据的学习,和体重的决心。然后,融合实现通过比较神经网络的输出和目标标签。具体的分类结果中描述部分
3所示。4gydF4y2B一个。
年代ec><年代ec id="sec3.3.3">
3.3.3。研究样本大小和融合的结果BP神经网络(
28,
29日,
32gydF4y2B一个[],径向基函数(RBF)算法
27),gydF4y2Ba再(资讯)
30.),gydF4y2Ba和凯尔姆经常应用于三个模型。表
1gydF4y2B一个显示了每个方法的融合结果在不同的模型。结果在表
1gydF4y2B一个得到的平均20个随机实验。
表1一些神经网络算法的融合结果。
精度 | 英国石油公司 | RBF | 然而, | 凯尔姆经常 |
模型1 | 96.8% | 94.6% | 96.7% | 97.8% |
模型2 | 96.8% | 95.2% | 96.8% | 98.4% |
模型3 | 97.8% | 97.8% | 95.8% | 100.0% |
在表
1,gydF4y2Ba每个网络的参数都是在BP网络隐层节点的数量是30,RBF的传播是0.01,在资讯是6 k,惩罚系数,并在凯尔姆经常是100和0.01内核参数。样品的数量是185。根据(
25,
26,
28),gydF4y2Ba三个模型将研究训练样本的数量之间的关系和结果的质量。训练样本的数量设置对应于模型1是92。训练样本集的数量对应于模型2是122。训练样本集的数量对应于模型3是139。
gydF4y2Ba通过表
1,gydF4y2Ba这是表明随着测试样品的数量增加,结果变得更好的质量。在选择模型2介绍分类器的速度,融合速度的结果如表所示
2gydF4y2B一个。在表
1gydF4y2B一个、RBF的融合结果和凯尔姆经常比BP和资讯。与此同时,融合的速度凯尔姆经常表所示
2gydF4y2B一个是最好的。因此,通过分析的结果表
1gydF4y2B一个和
2,gydF4y2Ba很明显,凯尔姆经常是可靠的。识别算法的性能和分类的研究结果将在下一小节中介绍。
表2运行时间为四个神经网络算法(s)。
时间(年代) | 英国石油公司 | RBF | 然而, | 凯尔姆经常 |
磁数据 | 79.60 | 0.17 | 0.02 | 0.01 |
融合的数据 | 4.00 | 0.15 | 0.03 | 0.02 |
3.4。分类结果在本部分中,使用不同的识别算法并给出了分类结果。凯尔姆经常具有较高的运行速度和良好的泛化,我们采用它实现断丝的6类的识别。在本节中,缺陷的磁信息,红外数据,并结合磁和红外信息进行分类,分别证明了信息融合更有效。凯尔姆经常的惩罚系数C和内核参数<我nl在e-formula>
σ米米l:米我>米米l:math>
从一组调整吗<我nl在e-formula>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米fenced open="{" close="}">
1米米l:米n><米米l:米o>
,米米l:米o><米米l:米n>
One hundred.米米l:米n><米米l:米o>
,米米l:米o><米米l:米n>
10000年米米l:米n>米米l:mrow>
和<我nl在e-formula>
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米fenced open="{" close="}">
0.001米米l:米n><米米l:米o>
,米米l:米o><米米l:米n>
0.01米米l:米n><米米l:米o>
,米米l:米o><米米l:米n>
0.1米米l:米n>米米l:mrow>
。凯尔姆经常网络是由一组随机选取的139名训练有素的标本,和其他人的测试样本。
gydF4y2B一个梅花,两个错误的平均20个随机培训/测试精度分裂与报告不同的参数表
3gydF4y2B一个。不同的参数会导致不同的识别精度。当<我nl在e-formula>
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.1米米l:米n>米米l:math>
和<我nl在e-formula>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
One hundred.米米l:米n>米米l:math>
,识别准确率最高的;然而,训练精度平均仅为82.3%。训练精度达到96.7%,平均识别准确率是91.2%<我nl在e-formula>
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.01米米l:米n>米米l:math>
和<我nl在e-formula>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
One hundred.米米l:米n>米米l:math>
。表
3gydF4y2B一个呈现两个错误识别的平均20个随机生成的培训/测试精度将基于磁场和红外的融合。当训练精度高于90%,最高精度为98.4%。
表3的性能设计凯尔姆经常网络在不同参数设置下。
精度 |
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.001米米l:米n>米米l:math>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
1米米l:米n>米米l:math>
|
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.001米米l:米n>米米l:math>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
One hundred.米米l:米n>米米l:math>
|
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.01米米l:米n>米米l:math>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
1米米l:米n>米米l:math>
|
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.01米米l:米n>米米l:math>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
One hundred.米米l:米n>米米l:math>
|
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.01米米l:米n>米米l:math>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
10000年米米l:米n>米米l:math>
|
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.1米米l:米n>米米l:math>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
1米米l:米n>米米l:math>
|
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.1米米l:米n>米米l:math>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
One hundred.米米l:米n>米米l:math>
|
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.1米米l:米n>米米l:math>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
10000年米米l:米n>米米l:math>
|
磁数据 | 87.9% | 87.6% | 91.2% | 91.2% | 90.0% | 91.4% | 92.2% | 87.8% |
红外数据 | 81.1% | 81.3% | 82.0% | 81.7% | 81.7% | 82.8% | 92.7% | 82.3% |
融合的数据 | 98.0% | 97.9% | 98.8% | 98.4% | 98.4% | 98.9% | 98.9% | 98.0% |
图
17gydF4y2B一个显示了绝对误差分布的一组测试结果<我nl在e-formula>
σ米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.01米米l:米n>米米l:math>
和<我nl在e-formula>
C米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
One hundred.米米l:米n>米米l:math>
。培训两种方法精度都高于90%。当磁信息只存在于网络,最大的错误是5。当红外信息只存在于网络,最大误差也是5。和大多数错误都集中在一个和两个断丝。然而,当网络中包含融合特性,最大误差是2,识别精度较高。很明显,有比这更少的错误使用熔融特性采用只和红外磁特性。因此,这些测试结果表明,磁和红外的融合不仅是可行的,而且也能提高识别精度的断丝。
图17识别错误的分布:分布误差时,磁特性只包含;(b)的误差分布,当红外特性只包含;(c)分布的错误当磁和红外融合。
(一)
(b)
(c)
数识别算法应用于漏磁数据:BP神经网络(
28,
29日,
32gydF4y2B一个],RBF算法[
27gydF4y2B一个[],然而算法
30.gydF4y2B一个]。识别的数据是一样的凯尔姆经常使用的网络。表
4gydF4y2B一个- - - - - -
6gydF4y2B一个显示每个方法的识别结果时,限制错误是2线。
表4识别精度为不同BP网络隐层节点的数量。
精度 |
N米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
15米米l:米n>米米l:math>
|
N米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
17米米l:米n>米米l:math>
|
N米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
20.米米l:米n>米米l:math>
|
N米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
21米米l:米n>米米l:math>
|
N米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
24米米l:米n>米米l:math>
|
N米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
25米米l:米n>米米l:math>
|
N米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
27米米l:米n>米米l:math>
|
N米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
30.米米l:米n>米米l:math>
|
磁数据 | 82.7% | 82.0% | 85.4% | 84.4% | 84.7% | 84.6% | 86.0% | 85.0% |
红外数据 | 82.3% | 82.7% | 84.0% | 82.2% | 84.8% | 82.4% | 82.3% | 82.3% |
融合的数据 | 97.0% | 96.6% | 97.9% | 96.6% | 97.1% | 97.6% | 97.4% | 97.7% |
表5性能的各种RBF分类网络(<我nl在e-formula>
年代米米l:米我>米米l:math>
传播)。
精度 |
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.008米米l:米n>米米l:math>
|
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.009米米l:米n>米米l:math>
|
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.01米米l:米n>米米l:math>
|
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.03米米l:米n>米米l:math>
|
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.05米米l:米n>米米l:math>
|
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.1米米l:米n>米米l:math>
|
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.12米米l:米n>米米l:math>
|
年代米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
0.15米米l:米n>米米l:math>
|
磁数据 | 87.7% | 87.8% | 87.8% | 91.3% | 91.0% | 89.6% | 88.7% | 87.3% |
红外数据 | 78.2% | 78.3% | 80.0% | 81.3% | 82.3% | 82.0% | 81.4% | 81.6% |
融合的数据 | 97.2% | 97.0% | 97.5% | 98.9% | 98.7% | 97.5% | 97.3% | 96.6% |
表6识别不同的值的准确性<我nl在e-formula>
k米米l:米我>米米l:math>
然而,算法。
精度 |
K米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
3米米l:米n>米米l:math>
|
K米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
6米米l:米n>米米l:math>
|
K米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
9米米l:米n>米米l:math>
|
K米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
13米米l:米n>米米l:math>
|
K米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
17米米l:米n>米米l:math>
|
K米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
18米米l:米n>米米l:math>
|
K米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
20.米米l:米n>米米l:math>
|
K米米l:米我><米米l:mo>
=米米l:米o><米米l:米n>
23米米l:米n>米米l:math>
|
磁数据 | 86.3% | 83.0% | 77.7% | 78.2% | 77.5% | 78.0% | 76.8% | 76.3% |
红外数据 | 88.4% | 90.3% | 88.6% | 89.0% | 89.6% | 88.8% | 88.0% | 87.2% |
融合的数据 | 97.2% | 98.9% | 98.0% | 97.9% | 97.7% | 97.4% | 96.8% | 96.0% |
从表
3gydF4y2B一个- - - - - -
6,gydF4y2Ba很明显,融合数据比磁数据产生了更好的分类结果。在本文中,神经网络被认为是可靠的训练精度高于90%。(注意,然而,没有发现训练过程和算法<我nl在e-formula>
k米米l:米我>米米l:math>
样本训练集的最接近测试样本基于距离测量(
30.,
45gydF4y2B一个]。)因此,所呈现的认可率最高的表
7gydF4y2B一个。表
7gydF4y2B一个礼物最好的结果的四个分类器只使用磁数据,红外数据,融合数据。很明显,融合的结果数据高于磁和红外线。
表7识别结果四个神经网络算法。
精度 | 英国石油公司 | RBF | 然而, | 凯尔姆经常 |
磁数据 | 85.0% | 87.8% | 86.3% | 91.2% |
红外数据 | 84.8% | 82.3% | 90.3% | 82.3% |
融合的数据 | 97.7% | 97.5% | 98.9% | 98.4% |