基于约束谱聚类的印刷套准状态识别

目的针对实际生产中获取印刷标志图像标签成本较高的问题,研究基于约束谱聚类的印刷套准状态识别方法。方法基于少量有标签的样本,建立样本之间的must-link约束和cannot-link约束,并进行约束扩展。计算印刷标志图像样本点欧式空间相似度矩阵,并根据扩展后约束关系修正,构建样本点的特征向量空间。采用K-means方法对样本点特征向量空间进行2类聚类,即印刷套准图像和印刷套不准图像。结果文中方法在实验数据集上的最高印刷套准识别准确率为98.11%。文中方法(约束对数为30)的识别准确率优于无监督的谱聚类方法、朴素贝叶斯方法和决策树方法,文中方法与SVM方法的识别准确率接近。文中方法获取印刷标志图像标签的成本低于SVM方法,且模型建立和识别的时间也少于SVM方法。结论文中方法以较少的获取印刷标志图像标签成本达到了较高的印刷套准识别准确率。

不均衡训练集特征选择的印刷套准状态识别

目的针对不均训练集导致印刷套准识别模型无法较好识别印刷套不准图像的问题,提出基于最大相关、最小冗余的印刷标志图像数据特征选择方法。方法提取印刷标志图像的多维特征数据,计算特征与印刷套准和印刷套不准2类之间的相关性和特征之间的冗余度。确定特征选择的目标函数,通过增量搜索方法寻找最优特征,加入特征子集,实现不均衡印刷标志图像的特征选择。结果文中的特征选择方法获得了3项不均衡数据分类性能评价指标,A为0.9900,R为0.9400,Gmean为0.9466。结论在不均衡印刷标志图像套准识别中,文中提出的方法性能优于实验中的未处理方法、PCA方法、Relief方法和NCA方法。