基于组合型阈值分割的在线立铣刀侧刃磨损测量

在实际生产中,现场测量立铣刀侧刃磨损是一项艰巨的工作.光照条件、刀具空间几何形状和初始位置的标定等因素对刀具磨损参数的测量精度影响很大.针对上述问题,提出了一种基于组合型阈值分割方法的在线立铣刀侧刃磨损测量方法,在保证测量精度的情况下最大限度地获取刀具磨损参数的有效信息.首先,提出一种图像剪切策略对捕捉到的磨损区域不同光强下的原始照片进行预处理,选取弱光下的刀尖区域和强光下的均匀磨损区域作为数据源;其次,对该数据源采用包含改进的直方图法和局部阈值分割法的组合型阈值分割法进行磨损区域提取;然后,将两种方法的结果进行叠加,去除磨损区域以外的多种噪声,并根据第1步的剪切位置,将分割后的刀尖区域图像与均匀磨损区域图像拼接,得到完整的磨损区域;最后,利用最小二乘法求出原始切削刃位置,标定磨损区域图像,计算刀具磨损参数.在立铣刀磨损实验中,测得侧刃的最大磨损量的精度大于98%,最大误差不超过5μm.实验结果表明,本文提出的方法能够获取全面的磨损区域信息,给出完整的磨损区域和精确的刀具磨损参数,有助于更加可靠地评估刀具磨损状态.

基于改进分离阈值特征优选的秋季作物遥感分类

为了提高秋季作物分类精度,以多时相的Sentinel 2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法(Modified EMISE based Relief F,ReEMISE),并分析了不同特征对秋季作物分类的重要性。首先,利用Relief F算法对特征进行初选,结合EMISE算法对2种评价准则进行融合,再优化初选特征集,进而利用随机森林(Random forest,RF)方法提取农作物种植面积,并与单评价准则的Relief F算法和EMISE算法的随机森林分类精度进行比较。同时,利用多时相光谱特征、传统指数特征、红边指数特征、纹理特征、不同时相波段差值特征、不同时相波段比值特征及优选特征,通过7组不同的特征组合提取秋季作物种植面积,分析不同特征组合对秋季作物分类精度的影响。结果表明:ReEMISE特征优选的随机森林法在特征变量为9个时精度最高,总体精度和Kappa系数分别为95.3918%和0.9397;综合多特征是提高农作物分类精度的关键,在多时相光谱特征基础上分别加入传统指数特征和红边特征,总体精度分别提高1.5021、1.5715个百分点,Kappa系数分别提高0.0198、0.0207。因此综合多特征的ReEMISE特征优选的随机森林法可以有效提高秋作物分类精度和效率。

一种线状要素深度简化方法

提出了一种线状要素深度简化的方法,该方法将线状要素简化分解成若干子过程,每个子过程通过弯曲识别与分类,并利用具有一致性和自适应的阈值组合实现了线状要素的规模化处理。试验表明,该方法能适应于不同制图因子——线宽、类型、比例尺要素的简化,相比于Douglas等简化方法更接近于人工处理的结果。

基于可见-近红外光谱的路面状况识别的研究

光谱技术在公路状态识别(是否结冰、积水或积雪)方面有着积极的应用前景,但太阳光作为光源识别公路状态的研究较少。分别采用阳光和卤钨灯作为白天和夜间的实验光源,通过微型光谱仪数据分别得到冰、水、雪和公路本底的可见-近红外波段的光谱曲线。白天时,结冰和积水状态在不同光照情况下会出现“异物类谱”现象,根据阳光光照特性,本文提出将“环境变量”作为特征值的解决方法,并基于光谱曲线及归一化后的“环境变量”特征值,将光谱数据组合成新的数据波形,基于Dropout与Adam优化器的神经网络模型对数据进行训练和识别,最终识别率为99.375%。夜间,由于各类样本光谱区域差异明显,采用“组合-阈值”法识别。实验证明通过两种光源结合的识别方法,能够有效识别路面状态。

基于QUBO模型信用评分卡片的组合优化分析

银行对客户的信用等级评定决定了银行是否授予客户信用或贷款资格,评定过程制定的规则被称为信用评 分卡,其影响银行的最终收入。为更好选取信用评分卡与阈值的最优组合,本文以第十三届 Mathorcup 高校数学 建模挑战赛中 100组信用卡评分为例,建立了优化模型,并将其转化为了 0-1 二次 QUBO优化模型,为银行获得 最大收益做出了贡献。