摘要: 现有带钢表面缺陷在线识别系统中单个分类器对部分缺陷识别率不高,并且对训练样本依赖性较大;针对这一问题,提出了一种基于并行多分类器集成技术的带钢缺陷图像识别方法.该方法选择LVQ神经网络、RBF神经网络和支持向量机作为基分类器,应用加权投票法对基分类器进行集成,从而实现基分类器能力互补.实验表明,采用多分类器集成的带钢表面缺陷图像识别方法可以更准确地对带钢常出现的边缘锯齿、焊缝、夹杂、抬头纹等缺陷进行识别,能够得到相当或优于任何单个分类器的分类精度,总体识别率达到96%以上.
中图分类号:
张尧;刘伟嵬;邢芝涛;颜云辉;. 采用多分类器集成方法的带钢表面缺陷图像识别[J]. 东北大学学报(自然科学版), 2012, 33(2): 267-270.
Zhang, Yao (1); Liu, Wei-Wei (1); Xing, Zhi-Tao (1); Yan, Yun-Hui (1) . Surface defect recognition for steel strips by combining multiple classifiers[J]. Journal of Northeastern University, 2012, 33(2): 267-270.