基于深度支持向量机的曲轴智能识别方法

摘要

针对拓扑形状结构相似、仅在局部细节上有差别的曲轴识别问题,提出一种基于特征融合的深度支持向量机(DSVM)识别方法,该方法将深度神经网络与多个支持向量机(SVM)相结合构成一种网络模型,通过最大限度地利用支持向量结构风险最小化原理提取深层特征,以建立特征和目标值之间的复杂非线性映射关系,保证模型的泛化能力.该模型包含数据的输入层、隐藏层和输出层,为获得较好的曲轴图像局部细节边缘检测效果,从滤波、梯度计算、自动获取高低阈值等方面对传统Canny边缘检测算法进行改进,进而提取边缘的Hu矩、傅里叶描述子和尺寸特征,通过串行融合和特征筛选方法对提取到的3类特征进行优化组合并做归一化处理,作为DS-VM模型的输入向量用于训练最浅层的SVM;高层的特征由低层的支持向量映射产生,实现逐层的训练学习,通过反向传播算法对网络进行更新,由判别函数输出网络的分类识别结果.通过设计曲轴图像采集方案,建立了5类曲轴样本数据集,并验证了模型的性能.实验结果表明,该模型识别精度可达99.6％,相较于单一的SVM和AlexNet分别提高了6.6％ 和3.1％,识别时间为93 ms,符合再制造废旧零件修复或改造柔性生产线中对曲轴识别的要求.