基于支持向量机的枪弹外观缺陷识别与分类

计算机工程与科学

基于支持向量机的枪弹外观缺陷识别与分类

王鹏，郭朝勇，刘红宁

（军械工程学院车辆与电气工程系，河北石家庄 050000）

收稿日期:2015-07-31 修回日期:2015-09-29 出版日期:2016-09-25 发布日期:2016-09-25

Bullet surface defect recognition and classification based on support vector machine

WANG Peng,GUO Chao-yong,LIU Hong-ning

（Department of Vehicle and Electrical Engineering，Ordnance Engineering College,Shijiazhuang 050000，China）

Received:2015-07-31 Revised:2015-09-29 Online:2016-09-25 Published:2016-09-25

摘要/Abstract

摘要：

为解决枪弹外观缺陷自动分类问题，提出了一种基于支持向量机的枪弹外观缺陷自动识别与分类模型。首先针对枪弹表面缺陷的图像特点，从几何、灰度、纹理三方面进行了特征提取，在此基础上建立了基于支持向量机的枪弹外观缺陷分类模型，并对特征参数进行了优选；研究了支持向量机中惩罚系数和核函数参数对分类器性能的影响；通过实验与基于BP神经网络的枪弹外观缺陷分类器进行了比较，结果表明，在小样本下，基于支持向量机的枪弹外观缺陷分类器性能更好。

关键词: 支持向量机, 枪弹外观缺陷, 特征参数, 识别与分类

Abstract:

In order to solve the problem of bullet surface defect automatic classification, we propose an automatic recognition method and a classification model of bullet surface defects based on the support vector machine (SVM). Firstly we extract the characteristic parameters from the three aspects of geometry, gray scale, texture according to the characteristics of the bullet surface defect image. Then we establish the classification model of bullet surface defects based on the SVM and the characteristic parameters are optimized. We also analyzed the influence of the penalty coefficients and kernel function parameters on the performance of the classifier. Experimental results show that the proposal based on the SVM outperforms the BP neural network classifier in terms of bullet surface defect classification under small samples.

Key words: support vector machine, bullet surface defect, characteristic parameters, recognition and classification

王鹏，郭朝勇，刘红宁. 基于支持向量机的枪弹外观缺陷识别与分类[J]. 计算机工程与科学.

WANG Peng,GUO Chao-yong,LIU Hong-ning. Bullet surface defect recognition and classification based on support vector machine [J]. Computer Engineering & Science.

参考文献

［1］Shi Jin-wei，Guo Chao-yong，Liu Hong-ning.Study on detection system of bullet surface defect based on machine vision［J］.Modular Machine Toll & Automatic Manufacturing Technique,2013（4）:59-64．(in Chinese)
［2］Zhao Cai-ping，Wang Wei-bin，He Cun-fu,et al.Defect recognition in pipes based in neural network with ultrasonic guide waves［J］.Transducer and Microsystem Technologies.2009，28（11）:19-23．(in Chinese)
［3］Ding Shi-fei, Qi Bing-juan, Tan Hong-yan. An overview on theory and algorithm of support vector machines［J］.Journal of University of Electronic Science and Technology of China, 2011，40（1）:2-10．(in Chinese)
［4］Xing Zhi-wei，Zhang Hui.Aircraft icing type classification forecast based on support vector machine［J］.Computer Technology and Development,2012，22（6）:247-251.(in Chinese)
［5］Zhang Hong-xing，Jin Zhi-zhu，Cao Zhi-gang,et al. The illustration about the defect of cartridge’s outlward appearance:GJB 5227-2004［S］.Beijing:General Armament Department Military Standard Publishing Department,2004.(in Chinese)
［6］Hu M K.Visual pattern recognition by moment invariants［J］.IRE Transactions on Information Theory，1962,8(2):179-187．
［7］Sang Qing-bing，Li Chao-feng，Wu Xiao-jun.No-reference blurred image quality assessment based on gray level co-occurrence matrix［J］.Pattern Recognition and Artificial Intelligence,2013，26（5）:492-498．(in Chinese)
［8］Vapnik V N. The nature of statistical learning thery［M］.New York:Springer-Verlag,1995．
［9］Theodoridis S, Koutroumbas K. Pattern recognition［M］.3rd Edition. Beijing: Publishing House of Electronics Industry,2006．(in Chinese)
附中文参考文献：
［1］史进伟，郭朝勇，刘红宁.基于机器视觉的枪弹外观缺陷检测系统研究［J］.组合机床与自动化加工技术,2013（4）:59-64．
［2］赵彩萍，王维斌，何存富,等.基于神经网络的超声导波管道缺陷识别［J］.传感器与微系统,2009，28（11）:19-23．
［3］丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述［J］.电子科技大学学报,2011，40（1）:2-10．
［4］邢志伟，张辉.基于支持向量机的飞机地面结冰冰型分类预测［J］.计算机技术与发展,2012，22（6）:247-251.
［5］张洪星，金至洙，曹志刚,等. 枪弹外观缺陷图谱:GJB 5227-2004［S］.北京：总装备部军标出版发行部,2004．
［7］桑庆兵，李朝峰，吴小俊.基于灰度共生矩阵的无参考模糊图像质量评价方法［J］.模式识别与人工智能,2013，26（5）:492-498．
［9］Theodoridis S, Koutroumbas K. Pattern recognition［M］.第三版.北京: 电子工业出版社,2006．

[1]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(07): 1170-1177.
[2]	唐宇, 代琪, 杨梦园, 陈丽芳, . 改进麻雀搜索算法优化SVM的异常点检测[J]. 计算机工程与科学, 2023, 45(02): 346-354.
[3]	仲臣, 余学祥, 邰晓曼, 韩雨辰, 肖星星, 刘清华, . 萤火虫算法优化支持向量机室内定位研究[J]. 计算机工程与科学, 2022, 44(11): 1968-1975.
[4]	马汉达, 朱敏. 改进SVM不平衡数据分类的IGWOSMOTE方法[J]. 计算机工程与科学, 2022, 44(06): 1133-1140.
[5]	范培勤, 过武宏, 韩梅, 唐帅, 张驰, . 水声环境特征参数并行预报方法研究[J]. 计算机工程与科学, 2021, 43(11): 1920-1925.
[6]	韦修喜1，黄华娟1，周永权1,2. 基于AP聚类的约简孪生支持向量机快速分类算法[J]. 计算机工程与科学, 2019, 41(10): 1899-1904.
[7]	王云艳1,2，罗冷坤1，王重阳1. 基于流形学习的光学遥感图像分类[J]. 计算机工程与科学, 2019, 41(07): 1212-1219.
[8]	冯璋，裴东,王维. 基于改进灰狼算法优化支持向量机的人脸识别[J]. 计算机工程与科学, 2019, 41(06): 1057-1063.
[9]	崔建双，车梦然. 基于多分类支持向量机的优化算法智能推荐系统与实证分析[J]. 计算机工程与科学, 2019, 41(01): 153-160.
[10]	田勋，汪西莉. 基于聚类标签均值的半监督支持向量机[J]. 计算机工程与科学, 2018, 40(12): 2265-2272.
[11]	颜学龙，龚流青，汪斌斌. 基于DCQGA-SMKL-SVM的模拟电路故障诊断方法[J]. 计算机工程与科学, 2018, 40(11): 1944-1950.
[12]	张和杰,马维华. 基于贴近度等级的链路质量评估方法[J]. 计算机工程与科学, 2018, 40(11): 1991-1999.
[13]	王志华,罗齐,刘绍廷. 基于混沌灰狼优化算法的SVM分类器研究[J]. 计算机工程与科学, 2018, 40(11): 2040-2046.
[14]	邱云飞，李智义. 改进人工鱼群算法在SVM参数优化中的应用[J]. 计算机工程与科学, 2018, 40(11): 2074-2079.
[15]	任胜兵，廖湘荡. 基于代价敏感支持向量机的软件缺陷预测研究[J]. 计算机工程与科学, 2018, 40(10): 1787-1795.