[發(fā)明專利]一種基于PSO-SVM的精密加工結(jié)構(gòu)件識(shí)別分類的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011328641.1
• 申請(qǐng)日: 2020-11-24
• 公開（公告）號(hào): CN112418317A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 楊濤;賴復(fù)堯;蘇欣;熊鷹;李柏林
• 申請(qǐng)（專利權(quán)）人: 西南交通大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/46;G06N20/10
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 林菲菲

本發(fā)明涉及了一種一種基于PSO?SVM的精密加工結(jié)構(gòu)件識(shí)別分類方法，其步驟為初始化SVM以及PSO結(jié)構(gòu)，確定初始參數(shù)c，σ，ξ以及w，c₁和c₂的范圍；利用SIFT特征提取以及K?means算法將圖像構(gòu)造BOW，將圖片轉(zhuǎn)化為輸入輸出的特征向量，并將樣本分為訓(xùn)練樣本和預(yù)測樣本；選取核函數(shù)，構(gòu)建解決多分問題的SVM學(xué)習(xí)模型，初始化SVM學(xué)習(xí)模型的參數(shù)，并根據(jù)參數(shù)數(shù)量確定粒子群種群；將訓(xùn)練集特征向量對(duì)SVM學(xué)習(xí)模型進(jìn)行訓(xùn)練；使用PSO算法對(duì)SVM學(xué)習(xí)模型的參數(shù)進(jìn)行尋優(yōu)，使用尋優(yōu)后的參數(shù)構(gòu)建SVM預(yù)測模型；將測試集特征向量輸入SVM預(yù)測模型，輸出測試集分類結(jié)果；根據(jù)測試集分類結(jié)果對(duì)結(jié)構(gòu)件進(jìn)行分類。

技術(shù)領(lǐng)域

本發(fā)明涉及精密加工結(jié)構(gòu)件識(shí)別分類處理的技術(shù)領(lǐng)域，具體涉及一種基于PSO-SVM的精密加工結(jié)構(gòu)件識(shí)別分類方法。

背景技術(shù)

精密加工結(jié)構(gòu)件的智能精密加工工序流程中采用射頻芯片技術(shù)，即將精密加工結(jié)構(gòu)件的加工工藝參數(shù)、電性能參數(shù)等信息載入射頻芯片中，并將射頻芯片與該結(jié)構(gòu)件所放置的托盤進(jìn)行關(guān)聯(lián)。在各加工工序中，托盤通過自動(dòng)獲取射頻芯片中的信息來完成該工序所需完成的加工內(nèi)容。這種將射頻芯片與托盤相關(guān)聯(lián)的數(shù)據(jù)輸入方式，更新了傳統(tǒng)的采用人工向托盤輸入信息的方式，提高了精密加工結(jié)構(gòu)件加工工序的智能化。但是，在對(duì)結(jié)構(gòu)件進(jìn)行加工的過程中經(jīng)常會(huì)對(duì)結(jié)構(gòu)件進(jìn)行熱處理，熱處理過程中，結(jié)構(gòu)件與托盤發(fā)生脫離，導(dǎo)致預(yù)先載入在射頻芯片中的信息無法與經(jīng)熱處理后的各個(gè)工件一一對(duì)應(yīng)，從而無法完成后續(xù)的智能加工工序。

在中國專利申請(qǐng)公開說明書，CN109657708A中公開了一種基于圖像識(shí)別-SVM學(xué)習(xí)模型的工件識(shí)別裝置及其方法，包括圖像采集單元、圖像識(shí)別單元和機(jī)器人，其中，圖像采集單元用于獲取待檢測工件圖像，并與所述識(shí)別單元數(shù)據(jù)連接；圖像識(shí)別單元，用于提取所述工件圖像的特征向量；采用SVM學(xué)習(xí)模型分類器對(duì)所述特征向量進(jìn)行待檢測工件進(jìn)行分類，輸出分類結(jié)果；最后，機(jī)器人根據(jù)分類結(jié)果對(duì)所述待測工件進(jìn)行歸類。此外，基于圖像識(shí)別 -SVM學(xué)習(xí)模型的工件識(shí)別方法包括以下步驟：步驟1，獲取所述待檢測工件圖像；步驟2，采用SVM學(xué)習(xí)模型分類器對(duì)所述待檢測工件進(jìn)行分類，輸出分類結(jié)果；步驟3，根據(jù)所述分類結(jié)果對(duì)所述待檢測工件進(jìn)行歸類。

由于SVM的學(xué)習(xí)模型的分類效果與其參數(shù)有關(guān)，因此選取不恰當(dāng)?shù)膮?shù)會(huì)影響SVM學(xué)習(xí)模型對(duì)結(jié)構(gòu)件的最終分類效果。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于是提供一種基于PSO-SVM的精密加工結(jié)構(gòu)件識(shí)別分類方法，通過PSO算法來優(yōu)化SVM學(xué)習(xí)模型的參數(shù)，從而提升SVM學(xué)習(xí)模型對(duì)結(jié)構(gòu)件的識(shí)別分類效果。

本發(fā)明通過下述技術(shù)方案實(shí)現(xiàn)：

一種基于PSO-SVM的精密加工結(jié)構(gòu)件識(shí)別分類方法，包括以下7個(gè)步驟：步驟1，獲取結(jié)構(gòu)件原始圖像；步驟2，將步驟1的結(jié)構(gòu)件原始圖像轉(zhuǎn)換為特征向量，并將所述特征向量分為訓(xùn)練集特征向量和測試集特征向量；步驟3，選取核函數(shù)，構(gòu)建解決多分問題的SVM學(xué)習(xí)模型，初始化SVM學(xué)習(xí)模型的參數(shù)，并根據(jù)參數(shù)數(shù)量確定粒子群種群；步驟4，利用步驟 2得到的訓(xùn)練集特征向量對(duì)SVM學(xué)習(xí)模型進(jìn)行訓(xùn)練；步驟5，使用參數(shù)優(yōu)化算法對(duì)步驟4中訓(xùn)練好的SVM學(xué)習(xí)模型的參數(shù)進(jìn)行尋優(yōu)，使用尋優(yōu)得到的參數(shù)構(gòu)建SVM預(yù)測模型；步驟6，將步驟2得到的測試集特征向量輸入SVM預(yù)測模型，輸出測試集分類結(jié)果；步驟7，根據(jù)測試集分類結(jié)果對(duì)結(jié)構(gòu)件進(jìn)行分類。

作為對(duì)本發(fā)明的進(jìn)一步改進(jìn)，步驟5使用的參數(shù)優(yōu)化算法采用PSO算法，所述PSO算法的數(shù)學(xué)表達(dá)式為式中，w為慣性權(quán)重，k為當(dāng)前迭代次數(shù)，為粒子的速度，c₁和c₂為加速度因子，r₁和r₂為分布于[0,1]區(qū)間的隨機(jī)數(shù)，表示第k次迭代中第i個(gè)粒子在第d維空間中的個(gè)體歷史最優(yōu)位置,表示第k次迭代中第i個(gè)粒子在第d維空間中的歷史最優(yōu)位置。