Resumen

Con el fin de mejorar la precisión y la eficacia del reconocimiento y la clasificación de los defectos de la superficie de las bandas, se utilizó el algoritmo de reducción de atributos Rough Set (RS) basado en el algoritmo Particle Swarm Optimization (PSO) para la selección óptima de las características de decisión de la imagen de los defectos de la superficie de las bandas, que eliminó los atributos redundantes, proporcionó datos de reducción para el modelo Support Vector Machine (SVM) de seguimiento, redujo el tiempo de aprendizaje de la máquina de vectores y construyó el clasificador SVM, que utiliza la programación de conos de segundo orden (SOCP) y el modelo de clasificación Support Vector Machine multikernel. Se reconocen seis tipos de defectos típicos, como óxido, arañazos, piel de naranja, burbujas, grietas superficiales y escamas laminadas, y la clasificación se realiza mediante este clasificador. Los resultados experimentales muestran que la precisión de clasificación del algoritmo propuesto es del 99,5%, superior a la del algoritmo SVM y a la del algoritmo Relevance Vector Machine (RVM). Y debido al uso del algoritmo de reducción de atributos Rough Set basado en el algoritmo PSO, el tiempo de aprendizaje de SVM se reduce, y el tiempo medio del modelo de clasificación y reconocimiento es de 58,3 ms. En resumen, el algoritmo PSO-RS

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Reconocimiento de defectos en la superficie de la banda; precisión de clasificación; eficiencia; Rough Set (RS); Particle Swarm Optimization (PSO); selección óptima de características de decisión de imágenes de defectos en la superficie de la banda.
• Keywords:Strip surface defect recognition; classification accuracy; efficiency; Rough Set (RS); Particle Swarm Optimization (PSO); optimal selection of strip surface defect image decision features