多颜色模型分割自学习k-NN设备状态识别方法

多颜色模型分割自学习k-NN设备状态识别方法
郭雪梅;刘桂雄
【期刊名称】《中国测试》
【年(卷),期】2016(042)004
【摘要】在浪涌测试中,由于每次识别对象不同,直接采用特征匹配每次测试前需要根据受试设备重新训练样本.先根据图像中高亮度点、白光所占比例,决策用于图像分割的颜色模型(L*a*b*、HSL、HSV),实现自适应分割;其次,提出自学习k-NN算法,以像素数n、偏心率e、密实度比r、欧拉数E为样本S特征向量X,构建数据集T0,以欧氏距离D实现样本分类;若样本置信度为k,加入预备数据集T'z中,当T'z满足条件,则扩充数据集Tz形成数据集Tz+1.结果证明:算法在9组各类样本(共21 600帧图像)识别中,准确度可达98.65％;并自学习扩充5组样本,距离矩阵变化较小,可见算法学习效率、学习准确度较高.
【总页数】4页(P107-110)
【作者】郭雪梅;刘桂雄
【作者单位】广东省自动化研究所,广东广州510070;华南理工大学机械与汽车工程学院,广东广州510641
【正文语种】中文
【相关文献】
1.基于隐半马尔可夫模型设备退化状态识别方法研究 [J], 曾庆虎;邱静;刘冠军
2.基于小波特征尺度熵-隐半马尔可夫模型的设备退化状态识别方法及应用 [J], 曾庆虎;邱静;刘冠军;谭晓栋
3.模糊聚类与k-NN法大型发电设备状态预警模型 [J], 宋美微;赵明;何屏
4.基于K-Means及K-NN的磁共振颅脑图像分割初探 [J], 王臣;叶春涛
5.k-NN自学习模型在中厚板轧后冷却温控中的应用 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。