基于多尺度图像增强结合卷积神经网络的纸病识别分类

摘要：

针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题,提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法.该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息,突出缺陷梯度特征,然后利用卷积神经网络(CNN)学习纸病图像的特征并分类识别,从而实现纸病的准确识别分类.实验结果表明,该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+ SVM以及传统CNN方法,在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44％、99.23％和99.64％.与现有纸病识别分类方法相比,本课题方法不需针对各种纸病进行缺陷特征提取和特征描述,能快速实现纸病的准确识别分类.

关键词：图像增强、卷积神经网络、多尺度形态学梯度、图像分类

所属期刊栏目：37

分类号：TS77;TP302.1(造纸工业)

资助基金：国家自然科学基金61461025;国家自然科学基金61811530325;中国博士后科学基金项目2016M602856

在线出版日期：2018-09-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：47-54