该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空...该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。展开更多
针对零件缺陷、反光或是环境光照不足不均,提出了一种通过卷积神经网络(CNN)一次定位,再二次运用改进迭代重加权最小二乘法(Iterative Reweighted Least Squares,以下简称IRLS)进行筛选和拟合进而进行二次定位的方法。在一次定位时,训...针对零件缺陷、反光或是环境光照不足不均,提出了一种通过卷积神经网络(CNN)一次定位,再二次运用改进迭代重加权最小二乘法(Iterative Reweighted Least Squares,以下简称IRLS)进行筛选和拟合进而进行二次定位的方法。在一次定位时,训练模型的准确率和召回率分别达到98.2%和97.4%,结合二次定位识别率为99.1%,相较于常规形态学筛选和模板匹配在复杂光照下的识别率分别提高了31.9%和15.5%。二次定位时,圆孔的最大定位误差为0.65mm,平均误差0.31mm。对比Hough法和CNN直接定位,最大误差分别减少了33.0%和53.9%,平均误差分别减少了36.7%和50.8%。展开更多
文摘该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。
文摘针对零件缺陷、反光或是环境光照不足不均,提出了一种通过卷积神经网络(CNN)一次定位,再二次运用改进迭代重加权最小二乘法(Iterative Reweighted Least Squares,以下简称IRLS)进行筛选和拟合进而进行二次定位的方法。在一次定位时,训练模型的准确率和召回率分别达到98.2%和97.4%,结合二次定位识别率为99.1%,相较于常规形态学筛选和模板匹配在复杂光照下的识别率分别提高了31.9%和15.5%。二次定位时,圆孔的最大定位误差为0.65mm,平均误差0.31mm。对比Hough法和CNN直接定位,最大误差分别减少了33.0%和53.9%,平均误差分别减少了36.7%和50.8%。
