طبقه بندی باینری چرخدنده های معیوب با استفاده از شبکه های پیش آموزش دیده شبکه عصبی کانولوشن و ماشین بردار پشتیبان

در این تحقیق یک الگوریتم جدید ترکیبی به منظور طبقه بندی تصاویر چرخدنده معیوب از سالم ارائه می شود که سعی می کند به این پرسش ها پاسخ دهد: آیا روش های یادگیری عمیق استخراج ویژگی دقت بالاتری نسبت به روش های سنتی در این مقاله دارند آیا روش های یادگیری عمیق سرعت بالاتری در استخراج ویژگی نسبت به روش سنتی دارند برای پاسخ به این سوالات ما تصاویر مربوط به دو نوع چرخدنده را جمع آوری کردیم که در چهار فاز اصلی شامل ورود و افزایش تصاویر، استخراج ویژگی از تصاویر با استفاده از روشهای یادگیری عمیق و سنتی، کاهش ویژگی و طبقه بندی باینری خلاصه می شود. در فاز اول بعد از ورود تصاویر، افزایش تصاویر با استفاده از روش های دیتا آگمنتیشن به منظور ایجاد تصاویر بیشتر انجام می شود. در فاز دوم از روش های استخراج ویژگی با روش های یادگیری عمیق شامل الکس نت و گوگل نت و روش سنتی استخراج ویژگی شامل ماتریس هم رخداد به منظور استخراج ویژگی استفاده می شود. به علت ایجاد ویژگی های فراوان در فاز دوم، کاهش ابعاد بر روی ویژگی ها، به منظور افزایش سرعت طبقه بندی با استفاده از تحلیل مولفه های اصلی در فاز سوم انجام می شود. در نهایت در فاز چهارم، با استفاده از نتایج خروجی حاصل از مراحل قبلی، طبقه بندی چرخدنده ها به دو طبقه چرخدنده سالم و چرخدنده معیوب صورت می پذیرد. مقایسه بین شاخص های طبقه بندی نشان میدهد که ترکیب روش های افزایش داده و روش های یادگیری عمیق باعث ایجاد ویژگیهای با کیفیت بالا و در نتیجه موجب افزایش عملکرد در شاخص های طبقه بندی نسبت به روش های سنتی شده است.

کلیدواژه ها:

ماتریس هم رخداد ، روش های پیش آموزش دیدهی شبکه عصبی کانولوشن ، یادگیری عمیق ، تحلیل مولفه های اصلی ، ماشین بردار پشتیبان