第5届全国智能信息处理学术会议

第5届全国智能信息处理学术会议(NCIIP2015)由中国人工智能学会知识工程与分布式智能专业委员会、中国计算机学会人工智能与模式识别专业委员会联合主办,山东科技大学承办。该系列会议每2年举行一次,现已成为国内智能信息处理领域最主要的学术活动之一。此次会议将为从事智能信息处理相关研究的学者交流最新研究成果、进行广泛的学术讨论和人员交流提供便利。     

具有甜品识别功能的智能支付平台研究

针对甜品店的基于商品识别的自助结账问题,研究并实现了一个具有甜品识别功能的智能支付平台。该平台通过摄像头采集甜品图像,对图像中甜品的种类和数量进行识别,识别后自动计算甜品总价,并向用户提供支付二维码和网页支付方式完成付款。基于Web环境开发了平台的原型系统,采用百度AI图像识别技术实现了甜品种类和数量的识别,利用SQLServer搭建后台数据库,存储甜品名称及其单价,调用支付宝平台API实现支付功能。     

局部信息保持极限学习机的遥感图像分类

极限学习机ELM(Extreme learning machine)以其简单快速和良好的泛化能力在模式识别和机器学习领域得到了广泛的应用。近年来,研究人员将其应用到高光谱遥感图像分类问题中。然而,由于数据样本有限,极限学习机及其相关技术在遥感图像中存在数据学习不充分的问题。流形学习算法揭示了数据内在的几何结构信息。根据遥感图像的特点,基于流形学习的思想,将遥感图像数据样本的流行结构引入到ELM模型中,提出一种基于局部信息保持极限学习机LPKELM(locality information preserving extreme learning machine)。为了验证所提算法的有效性,使用两个高光谱遥感图像数据集进行实验。实验结果表明,LPKELM的分类性能优于SVM、KELM、KCRT-CK和MLR算法。     

基于混合特征LLE融合与SVM的质量异常模式识别

针对生产过程中存在的异常模式识别的问题,提出基于LLE融合与支持向量机的质量异常模式识别方法。首先从动态数据流中提取其原始特征、统计特征、几何特征并将其进行混合,形成动态数据流的混合特征,然后利用LLE算法对混合特征进行降维,将降维后的特征集作为MSVM分类器的输入进行训练,同时采用粒子群算法对MSVM分类器进行参数寻优。最后用训练好的模型对动态数据流进行异常模式的识别。并将所提方法与单一类型特征方法、混合特征方法的识别模型进行比较,仿真结果和应用实例表明,所提方法的识别精度较高,可用于生产过程的质量异常模式识别中。     

变频空调实际运行模式识别及数据挖掘

变频空调的长期运行数据是空调在实际环境中运行状态最直接的反映,空调运行的内在规律潜藏在其长期的运行数据中,分析其长期运行数据时,由于数据冗余、存在异常数据等原因,需要采用数据挖掘的方法进行研究。采用聚类算法进行分析,空调的运行模式可总结为三种模式,即上午高负荷模式、下午高负荷模式以及低频平稳模式,三种模式下空调的送风温度都比较接近,但室外温度有所区别。上午(下午)高负荷模式中,室外温度在上午(下午)最高,功率及制冷性能系数(Energy efficiency ratio, EER)分别处于峰值及谷值,低频平稳模式下,室外温度并不高,开机后空调运行比较稳定,运行参数变化不大。此后,采用控制变量法和多项式拟合来分析环境工况参数对空调性能的影响,室外侧环境温度、空调回风温度的升高均导致空调的功率增加,而空调的EER随着回风温度的升高而增加,随着室外温度及空调的功率(运行频率)的增加而下降。采用神经网络算法,研究基于空调送风侧参数预测变频空调性能的方法,并建立神经网络预测模型,该方法的预测误差在15%以内,可以通过控制空调运行时的送风侧参数,达到控制空调性能的目的。最后,根据以上研究成果,提出变频空调控制优化方法,提高空调在线长期运行能效。     

刀具磨损状态监测技术研究进展

随着工业4.0的到来,对制造业智能化的要求越来越高,刀具作为机械加工中的重要组成部分,其智能化监测也变得愈加重要。本文从监测信号、信号处理和分类模型三个方面阐述了刀具磨损状态监测技术的最新研究进展。比较了不同监测信号的优点与不足,深入分析了信号处理及分类模型的原理。对刀具磨损状态监测的未来发展进行了展望,提出了引入深度学习方法,期望能够提高智能化监测的准确性和鲁棒性。     

GCAT-U-Net嵌入全局坐标注意力机制的遥感地块分割网络

遥感影像的地块背景特征复杂,当前地块分割方法不能较好地处理模糊的边缘信息,导致分割精度不理想;文章利用注意力机制处理地块特征,提出了一种基于全局坐标注意力机制的遥感地块分割网络:GCAT-U-Net;该方法在U-Net网络基础上嵌入了全局坐标注意力机制,加强了深度神经网络对于遥感影像数据中重要特征的关注度;在公开的GID数据集上的实验结果表明,文章提出的模型将准确率从0.9041提升到了0.9227,比传统U-Net网络提高了2百分点;结合特征自身重要性和特征位置信息的全局坐标注意力机制有助于更精确的目标定位,其输出相较于嵌入单一注意力机制,地块边界更为清晰,提升效果更为显著。     

I-VLDNS:一种改进的线性判别子空间模式识别算法

针对现有模式判别分析方法中普遍存在的子空间优化与"小样本"问题,首先剖析总体、类内以及类间三种散布矩阵的零空间的物理含义,深入阐释有效零空间与有效线性判别零空间核心原理;其次,研究始空间中总体、类间散布矩阵与有效零空间、有效值域空间上的总体、类间散布矩阵关于特征值与特征向量之间的关联关系,并且获取类内散布矩阵零空间、值域空间上关于Fisher线性判别率的关键结论;最后,基于有效线性判别零空间理论,设计出一种改进的线性判别子空间模式识别算法,即I-VLDNS。通过相关数据集模拟实验表明,I-VLDNS算法在模式识别分析性能、精确度以及鲁棒性上均得到进一步优化与提高。     

焊缝表面缺陷激光视觉传感HOG-SVM的检测方法

为了实现对焊缝表面缺陷的自动检测与分类,研究一种有效识别焊缝表面缺陷的激光视觉检测方法.通过激光视觉传感器采集焊缝图像并进行预处理,包括图像分割,灰度化,平滑去噪以及焊缝轮廓提取.采用方向梯度直方图(Histogram of Oriented Gradient, HOG)提取焊缝激光条纹轮廓图像的特征向量.其次,基于5折-交叉验证网格搜索方法进行模型参数寻优,最终建立了支持向量机(Support Vector Machine, SVM)智能模型识别与分类焊缝表面缺陷.通过调整焊缝轮廓提取算法、HOG特征维度得到不同特征数据并进行对比、分析焊缝缺陷的识别效果.在相同试验条件下,发现支持向量机比随机森林分类器、K最近邻分类器以及朴素贝叶斯分类器的识别率更高,达到97.86%.基于HOG-SVM的焊缝表面缺陷智能识别方法可有效提高焊缝缺陷(气孔、凹陷、咬边)及无缺陷的分类精度.