圖像識別中的弱分類器自適應(yīng)集成增強(qiáng)方法研究.pdf

1、板帶鋼是鋼鐵工業(yè)的主要產(chǎn)品之一，隨著市場需求的變化，高品質(zhì)板帶鋼的生產(chǎn)能力是各大鋼鐵企業(yè)在國際市場中競爭扭力大小的重要體現(xiàn)之一。所以對板帶材表面缺陷圖像的識別與分類進(jìn)行研究具有重要理論及經(jīng)濟(jì)價值。
　　本文針對現(xiàn)有板帶鋼表面缺陷檢測系統(tǒng)中分類識別方法所存在各種問題，如分類算法的復(fù)雜度與分類精度之間的矛盾，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法有各自弊端的存在，以及在分類方法上難有新突破等，提出了圖像識別中的弱分類器自適應(yīng)集成增強(qiáng)的分類方法

2、。
　　本方法的基本原理就是提取若干簡單特征組成若干個弱分類器，再由若干個弱分類器以自適應(yīng)集成增強(qiáng)的方法組成一個強(qiáng)分類器。其實(shí)現(xiàn)過程就是一種樣本權(quán)重的迭代更新的過程，通過每一次迭代過程，每個樣本的權(quán)重值表示該樣本被錯分的情況，被錯分樣本的權(quán)重會變大，在下一輪循環(huán)中算法就會更加關(guān)注上一輪被分錯的樣本。自適應(yīng)地改變訓(xùn)練樣本權(quán)值的分布，使得基分類器聚焦在那些很難區(qū)分的樣本上，所以能夠降低分類誤差，大大提高了特征的分類有效性。
　　

3、本文分類方法的優(yōu)點(diǎn)是只要找到一個比隨機(jī)猜測略好的弱學(xué)習(xí)算法，就可以將其提升成強(qiáng)學(xué)習(xí)算法，而不必像傳統(tǒng)分類方法那樣直接去找通常情況下很難獲得的強(qiáng)學(xué)習(xí)算法，并且更好的解決了算法復(fù)雜度與分類精度之間的矛盾問題。
　　采用本文提出的方法對從本實(shí)驗室采集的邊緣鋸齒、劃傷、分層、夾雜、焊縫及抬頭紋六大類缺陷樣本進(jìn)行了分類識別研究。實(shí)驗表明弱分類器自適應(yīng)集成增強(qiáng)方法在帶鋼表面缺陷圖像的分類識別中應(yīng)用是可行的，對100張缺陷圖像的總體識別率達(dá)到9