针对PCB产品视觉检测中图像缺陷细微、形状复杂、特征难于提取、易受噪声影响的问题,提出基于小波变换和光滑支持向量机集成SSVME(Smooth Support Vector Machine Ensemble)的多分类方法,有效解决了细微、复杂缺陷难以识别分类的问题。...针对PCB产品视觉检测中图像缺陷细微、形状复杂、特征难于提取、易受噪声影响的问题,提出基于小波变换和光滑支持向量机集成SSVME(Smooth Support Vector Machine Ensemble)的多分类方法,有效解决了细微、复杂缺陷难以识别分类的问题。实验表明,该方法六类缺陷混合识别率达到95.26%,高于BP神经网络的最优识别率90.35%和基于区域方法的80.67%,而且训练和分类时间短。从理论和实验中验证了该方法的有效性,是PCB产品视觉检测领域中缺陷识别分类的新方法,具有重要的应用价值。展开更多
本文利用SAS帮助数据库中的一个数据集sashelp.enso,介绍对自变量进行样条变换后的曲线回归分析方法。在SAS/STAT的TRANSREG过程中,涉及到六种样条变换方法,分别为:B-样条变换、B-样条基函数变换、单调B-样条变换、非迭代惩罚B-样条变...本文利用SAS帮助数据库中的一个数据集sashelp.enso,介绍对自变量进行样条变换后的曲线回归分析方法。在SAS/STAT的TRANSREG过程中,涉及到六种样条变换方法,分别为:B-样条变换、B-样条基函数变换、单调B-样条变换、非迭代惩罚B-样条变换、迭代光滑样条变换、非迭代光滑样条变换。获得的结论是:在确保 R 2≈0.7且回归模型尽可能精简的条件下,“非迭代惩罚B-样条变换”与“迭代光滑样条变换”两种方法是以上六种方法中最好的曲线回归建模方法,这两种方法的拟合效果几乎完全相同。展开更多
文摘针对PCB产品视觉检测中图像缺陷细微、形状复杂、特征难于提取、易受噪声影响的问题,提出基于小波变换和光滑支持向量机集成SSVME(Smooth Support Vector Machine Ensemble)的多分类方法,有效解决了细微、复杂缺陷难以识别分类的问题。实验表明,该方法六类缺陷混合识别率达到95.26%,高于BP神经网络的最优识别率90.35%和基于区域方法的80.67%,而且训练和分类时间短。从理论和实验中验证了该方法的有效性,是PCB产品视觉检测领域中缺陷识别分类的新方法,具有重要的应用价值。
文摘本文利用SAS帮助数据库中的一个数据集sashelp.enso,介绍对自变量进行样条变换后的曲线回归分析方法。在SAS/STAT的TRANSREG过程中,涉及到六种样条变换方法,分别为:B-样条变换、B-样条基函数变换、单调B-样条变换、非迭代惩罚B-样条变换、迭代光滑样条变换、非迭代光滑样条变换。获得的结论是:在确保 R 2≈0.7且回归模型尽可能精简的条件下,“非迭代惩罚B-样条变换”与“迭代光滑样条变换”两种方法是以上六种方法中最好的曲线回归建模方法,这两种方法的拟合效果几乎完全相同。
基金国家自然科学基金(批准号:11731012和11571052)湖南省自然科学基金(批准号:2017JJ2271)+1 种基金中南财经政法大学中央高校基本科研业务费专项资金(批准号:2722019JCG067)Centre Henri Lebesgue,France(批准号:ANR-11-LABX-0020-01)资助项目