《机电工程技术》杂志第二届优秀论文评选活动
公众号展示人气奖积分规则
1次阅读1分;在看1次2分;精选留言1条2分;留言中点赞1个1分。
★☆★☆★评出人气奖前3名★☆★☆★
↓ 如图所示积分规则:
DOI: 10. 3969 / j. issn. 1009-9492. 2019. 12. 001
张治国,李德平,柳宁,等. 电器标签分类的SVM方法研究[J] . 机电工程技术,2019,48(12):1-4.
*基金项目:国家自然科学基金项目(编号:61775172);广东省自然科学基金项目(编号:2018030310482)
电器标签分类的SVM方法研究*
张治国,李德平,柳宁
(暨南大学信息科学技术学院/机器人智能技术研究院, 广州510632)
摘要:SVM是图像识别与分类中的重要方法。对家电标签图像的自动分类问题进行研究,设计了图像采集、预处理、特征提取、特征向量分类整套算法流程。对除噪后的标签图片,利用标签矩形边框这一信息校正因标签拍摄角度而引起的畸变。选取校正后标签图像的HSV统计直方图、ASM能量、逆差矩、对比度和自相关性5项参数构成特征向量对图片进行描述。采用决策树+SVM分类器的结构对特征向量进行分类,最终获取标签图像所属类别。实验结果表明,决策树+SVM结构在训练样本个数极少的条件下,仍能完成模型训练,并以一定的准确率快速完成目标图像的分类工作。
关键词:电器标签;图像特征;SVM;决策树
中图分类号:TM502 文献标志码:A 文章编号:1009-9492 ( 2019 ) 12-0001-04
Appliance Label Classification Based on SVM
ZHANG Zhiguo, LI Deping, LIU Ning
(Institute of Robot Intelligent Technology, College of Information Science and Technology, Jinan University,Guangzhou 510632, China)
Abstract: SVM is an important method in image recognition and classification. The automatic classification of household appliance label image was studied, and the flow of image acquisition, preprocessing, feature extraction and classification was designed. The perspective information was obtained using the rectangular border of the label so that the distortion caused by the angle of the label shooting can be corrected. The HSV statistical histogram, ASM energy, inverse moment, contrast as well as autocorrelation were selected to construct the image feature vector. The decision tree +SVM classification structure was used to classify the feature vectors. Show by experimental results, the decision tree + SVM structure can still classify the target image quickly and correctly with a certain accuracy under the condition of a small number of training samples.
Key words: electrical appliance label;image feature;SVM;decision tree
引言
图像分类是图像理解的重要组成部分。在家用电器生产过程中,采用获取电器标签图像并分类的方法进行检测,可以防止标签错贴、漏贴等现象的出现,保证成品的规范性。
图像分类技术的研究始于20世纪70年代,发展至今已有许多成熟的技术路线。最早的图像分类方法为决策树法。决策树按一定顺序、根据具体目标图像的某个属性取值对图像进行划分,逐步降低待分类目标的熵,最终实现目标分类。电器标签图像的典型决策树分类方法的示意图如图1所示。用户可以采用ID3及其优化算法选择合理的属性分类次序以提高决策树分类的准确率与执行效率[1]。决策树方法具有分类正确率高、可解释等优点。但是,传统决策树方法高度依赖于具体的目标对象,存在泛化能力弱、构造形式多样且没有统一标准等缺点。随着图像表达技术的发展,图像中大量特征可以被量化描述。对量化对象的通用分类方法有SVM分类、K 均值聚类、CNN卷积神经网络等方法[2]。
SVM分类器讨论了输入向量各维度数据线性组合结果与所属类别的关系,主要解决图像特征向量的二分类问题。SVM构建超平面分割样本集数据,只涉及n+1个参数,其中n 为待分类向量维度。SVM的结构简单,模型训练仅需要少量的样本数据,适合样本数据不足的应用场景。SVM分类方法也有其缺陷。由于模型本身只是线性拟合,在提取图像特征时要求提取的特征向量具有良好的线性可分性,或选用适当的核函数[3]将线性不可分的样本集隐式映射成线性可分集。另外,SVM分类器也可以向多分类问题进行推广[4]。
K 均值聚类[5]按“距离相近为同类”原则将目标向量集自动分为K 类,并获取各类的聚类中心,属于无监督学习方法。待识别对象与各类间的相似程度可以用目标向量与聚类中心的距离进行衡量。K 均值分类方法要求同类目标的体征向量在空间上聚集。
CNN神经网络[6]以图像作为输入,内部卷积核通过训练自动产生,具有很强的适应性与分析能力,能够自动提取目标图像特征并进行分类,是图像分类中的研究热点。但是CNN 网络的训练要求大量的样本数据,而且CNN网络内部的卷积核不可被解析,进而导致目标图像与样本集中图像差距较大时,CNN输出结果与预期偏差过大。
除以上讨论的几种分类方法外,还有其他各类图像分类工具也在发展中,各个方法都有自己的应用场景。工程中一般针对特定场景选择合适的工具完成图像分类。
本文对电器标签图像的分类问题进行研究,针对相机采集得到的原始电器标签图像设计了图像预处理、特征提取、SVM+决策树分类的系列算法,实现了电器标签图像的分类。
结束语
采用SVM+决策树方法对图像进行分类是样本数据不足情况下一种切实可行的技术路线,它把传统的决策树方法中对逻辑的精细设计转变为对图像描述特征的选取与SVM核函数的选取,极大简化了图像分类算法的设计工作,并提高了分类速度。本文针对电器标签图像分类问题,设计了图像预处理、特征提取、SVM+决策树分类整套算法流程。实验结果表明,在训练样本很少的情况下,训练后的SVM+决策树方法仍然能够快速并以一定的准确率实现标签图像的分类。为进一步提高分类准确率,可以增加训练样本或者提取更多图像特征构建更高维特征向量。
欢迎投稿!
欢迎转载!
欢迎订阅!
欢迎刊登广告!
欢迎项目合作!
赶快来分享关注吖↓论文在线投稿系统↓
![d52a7552d881394d98ec973e59edc632.gif](https://i-blog.csdnimg.cn/blog_migrate/0ba65c4268f64a9c40dd37de01edc93c.gif)
![7f7dd148072c65e8f93528332f1c35cc.gif](https://i-blog.csdnimg.cn/blog_migrate/e3b2fa624b2bfbc477dd5fe7a977eb87.gif)
快快分享您喜欢的优秀论文
欢迎转发与分享哦
为优秀论文 点个“在看”和写写留言吧
![7f7dd148072c65e8f93528332f1c35cc.gif](https://i-blog.csdnimg.cn/blog_migrate/e3b2fa624b2bfbc477dd5fe7a977eb87.gif)