咨詢熱線：
13585634268
13585634268
當前位置：網站首頁 > 鋁管行情
鋁管行情
人們對制造業生產線的要求越來越高，隨著社會現代化工業快速發展以及市場競爭的加劇。不僅要滿足高效而且也要保證產品的質量。金屬鋁在交通運輸、工具制造、航天科技應用、人們衣食住行中起著重要的作用，然而在5052鋁板生產過程中，由于生產設備陳舊、生產原料批次或質量不同以及生產流程等原因的限制使5052鋁板表面產生一些缺陷，正是這些缺陷在很大程度上降低了產品的美觀度、抗腐蝕性和耐磨性，并給冷軋5052鋁板生產企業帶來了巨大的損失。因此，對冷軋5052鋁板表面缺陷的檢測分類此時顯得尤為重要。本文中對冷軋5052鋁板表面缺陷進行分類實驗的過程中，分別運用了5052鋁板支持向量機分類算法和BP神經網絡分類算法，通過分析實驗結果發現BP神經網絡分類方法對冷軋5052鋁板表面六種缺陷的總體識別精度不高，分類過程需要時間較長，泛化能力差而且在對分類模型訓練時需要很多的缺陷樣本，但是該算法對油斑類缺陷的正確分類率較高；支持向量機分類算法對六種缺陷的整體分類正確率較高，但是對于像油斑這樣復雜類缺陷識別率卻達不到令人滿意的效果。為了使冷軋5052鋁板表面缺陷整體和單類別的分類正確率都達到較高的水平，本論文中研究了一種基于支持向量機與BP神經網絡相結合的分類算法用于對冷軋5052鋁板表面的缺陷進行分類。
首先，采用減背景與中值濾波技術進行冷軋5052鋁板表面缺陷圖像的預處理；其次采用自適應閾值法將缺陷區域從冷軋5052鋁板表面缺陷圖像中分割出；特征提取時，5052鋁板結合目標圖像和分割后缺陷圖像，提取了灰度特征、形狀特征、幾何特征三大類特征；訓練支持向量機和BP神經網絡相結合的分類模型時，BP神經網絡隱含層采用一層結構，按照一定的規則通過對比多次實驗分類結果設置隱含層節點數；支持向量機選用徑向基函數作為核函數，通過交叉驗證法確定懲罰因子和核參數，并采用一對一的分類策略進行多種缺陷的分類；支持向量機與BP神經網絡相結合的分類模型對測試樣本進行分類時，先由BP神經網絡分類模型判斷測試樣本是否為油斑，若為油斑則輸出分類結果，若認為是第二類缺陷，則把該樣本交由支持向量機分類模型進行細分類，即分為氣泡、破皮、刮痕、孔洞、黑線，最終輸出分類結果。本論文中對定義的六類冷軋5052鋁板表面缺陷進行分類研究，主要是通OpenCV與VC++編程完成相關實驗。最終的實驗結果驗證了支持向量機和BP神經網絡相結合的分類算法的分類準確率高并能滿足實時性的要求�！�
