圖像識別中的弱分類器自適應集成增強方法研究.pdf

1、板帶鋼是鋼鐵工業(yè)的主要產品之一，隨著市場需求的變化，高品質板帶鋼的生產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之一。所以對板帶材表面缺陷圖像的識別與分類進行研究具有重要理論及經濟價值。
　　本文針對現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，如分類算法的復雜度與分類精度之間的矛盾，傳統(tǒng)神經網絡、支持向量機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集成增強的分類方法

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集成增強的方法組成一個強分類器。其實現過程就是一種樣本權重的迭代更新的過程，通過每一次迭代過程，每個樣本的權重值表示該樣本被錯分的情況，被錯分樣本的權重會變大，在下一輪循環(huán)中算法就會更加關注上一輪被分錯的樣本。自適應地改變訓練樣本權值的分布，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)點是只要找到一個比隨機猜測略好的弱學習算法，就可以將其提升成強學習算法，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學習算法，并且更好的解決了算法復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行了分類識別研究。實驗表明弱分類器自適應集成增強方法在帶鋼表面缺陷圖像的分類識別中應用是可行的，對100張缺陷圖像的總體識別率達到9