针对精密加工结构件在加工过程中人工分拣效率低的问题,提出一种改进PSO对于SVM参数优化的图像分类算法(Adaptive Levy Flight Particle Swarm Optimization Algorithm-Support Vector Machine,ALPSO-SVM)。首先,建立一个SVM分类器用来完成图像分类,然后使用改进的PSO算法(ALPSO)来帮助SVM找到最优参数,以提高分类效果;通过引入自适应步长的Levy飞行算法来调整PSO算法中粒子的位置更新公式,提高PSO的寻优效率,以得到SVM的最优参数;最后,SVM以ALPSO输出的结果作为最优参数进行分类测试。实验结果表明,ALPSO有效地提高了SVM的分类性能,分类正确率与鲁棒性都得到提高,平均正确率达到90%以上。

针对工业场景下高频工件多视角识别精度低的问题,提出一种深度度量学习的高频工件图像检索方法。首先搭建基于卷积神经网络的图像特征向量编码模型,采用差异性损失(Different Loss)提取工件图像的私有特征和公共特征,通过相似度损失(Similarity Loss)融合多视角图像的公共特征获得初级嵌入向量;然后利用三元组中心损失(Triplet-Center Loss)以减小类内距离和增大类间距离为准则监督嵌入向量的学习,获得鲁棒性强的嵌入向量;最后以该嵌入向量表示高频工件图像的特征编码,实现多视角高频工件的图像检索。实验结果表明,提出的方法比单视角特征编码具有更强的表征能力,其检索准确率提高了8.95%;在相同网络结构下,提出的模型比其他网络模型的检索准确率高出9.68%。