基于字典学习的电子级玻璃纤维布缺陷分类
在电子级玻璃纤维布的缺陷分类中,由于每类缺陷特征的多样性以及其丰富的几何结构的存在,用于分类的特征提取方法具有挑战性.提出了一个自动发现特征的框架,即结构不相关性字典学习(dictionary learning with structured incoherence,DLSI)用于提取每类缺陷的特征,并贡献了电子级玻璃纤维布的数据集.首先,利用DLSI学习每类图像的缺陷特征得到一个特定类字典,该字典适合于表示来自该类的电子级玻璃纤维布缺陷,同时很难表示来自其他类的缺陷图像;接着对于待分类图像,利用学习到的特定类字典对其进行重构,得到相应的重构误差;最后根据误差最小准则对待分类图像进行分类.所提出的方法在玻璃纤维布数据集上的平均分类准确率可达96.33%,显示了DLSI模型对玻璃纤维布缺陷分类的适用性.
电子级玻璃纤维布、缺陷分类、特征提取、结构不相关性字典学习、重构误差
42
TN604;TP181(电子元件、组件)
陕西省高校科协青年人才托举计划项目20180115;陕西省教育厅科研计划项目资助18JK0338
2019-09-19(万方平台首次上网日期,不代表论文的发表时间)
共5页
98-102