风机桨叶故障诊断（四）正负样本准备—

风机桨叶故障诊断（四）

正负样本准备——从图像中随机扣图

在之前的工作中，我们已经训练了一个400×25×2的三层BP神经网络，通过这个基础的神经网络进行了误差分析，对我们的问题有了更深刻的认识。现在我们要开始不断完善我们的预测算法。

在一个机器学习系统中，样本选取的好坏至关重要。不是有这么个著名论断嘛，“It's not who has the best algorithm that wins.It's who has the most data.”所以我们完善算法的第一步，就是完善我们的样本。在项目的最初我们就获取了可以用来提取所需样本的图像库，筛选掉不合适的图像后大概有2000张。我们的下一步，就是从这里面选取我们的样本（上一篇文章中我是手动截取的少量样本，这具有主观性，且样本数量也不够）。

所以现在我们要从图像库中重新筛选样本，为了让所选的正、负样本能够具有代表性，尽量包含所有可能出现的情况，我们应该在图像中在随机位置，截取出随机大小的图。经过对于实际问题的分析，我选取扣图的随机大小范围限定在250-400之间，位置随机选定，只要所截取的整幅图像不超越原图的边界即可。然后选定在每幅图像中随机截取出20张图作为待处理的样本。

在所选的文件夹中对所有图像进行随机位置随机大小扣图的matlab实现如下：

function [  ] = BuildLotOfExample(  )
%随机抓取生成大量样本for i=1:25:5176%读取图像image_toRead_name=strcat('F:\风机桨叶故障诊断项目\视频2截图\',num2str(i));image_toRead_name=strcat(image_toRead_name,'.jpg');if exist(image_toRead_name,'file')%读取图像OriImage=imread(image_toRead_name);grayImage=rgb2gray(OriImage);[rows,cols]=size(grayImage);%由原始图像，每幅图扣出20张随机大小，随机位置的图像，再进行筛选%随机扣图的大小,边长250-400之间sizeArray=round(rand(1,20)*150+250);for x=1:length(sizeArray)%得到本次抠图边长length_of_size=sizeArray(x);rowIndex=round(rand()*(rows-length_of_size-1)+1);colIndex=round(rand()*(cols-length_of_size-1)+1);tempImage=grayImage(rowIndex:rowIndex+length_of_size,colIndex:colIndex+length_of_size);%保存图像image_toSave_name=strcat('F:\风机桨叶故障诊断项目\随机抽取样本\',num2str(i+1));image_toSave_name=strcat(image_toSave_name,'_');image_toSave_name=strcat(image_toSave_name,num2str(x));image_toSave_name=strcat(image_toSave_name,'.jpg');imwrite(tempImage,image_toSave_name);endendendend

在运行完上面代码后的工作就是比较枯燥的了，在所有截取出的图像中认真筛选出正样本和负样本，并剔除出少量可能对算法产生较大干扰的图像。在漫长的工作之后，我们的正负样本集就得到了，最后我将它们进行归一化，变成了25×25的灰度图像。

今天筛选样本做了不少枯燥的体力活动，肩膀都疼了。不过好的样本选取是机器学习系统的基石，希望这些天的努力不会白费！

风机桨叶故障诊断（四）正负样本准备——从图像中随机扣图相关推荐

风机桨叶故障诊断（一）样本的获取
风机桨叶故障诊断(一) 样本的获取今天团队接了个新项目,做一个风机桨叶故障诊断系统.虽然马上就是准备考研的关键期了,可是一想到这是我学习了机器学习后遇到的第一个实际项目,我觉得参与进来,也 ...
风机桨叶故障诊断（六）利用自编码器进行特征学习
风机桨叶故障诊断(六) 利用自编码器进行特征学习在之前的工作中,我已经初步构建了三层的BP神经网络,并已经从样本集的选取,模型的选择(隐含层神经元个数),和输出层神经元阈值选择这几个方面对桨叶的识别 ...
风机桨叶故障诊断（三）识别桨叶——初步构建BP神经网络
风机桨叶故障诊断(三) 识别桨叶--初步构建BP神经网络新的一天,希望有好的运气.今天开始着手系统的第一个模块,从一幅图像中寻找到桨叶所在的位置.第一直觉我们的识别任务属于难度比较大,干扰因素多的 ...
风机桨叶故障诊断（五）修改隐含层神经元个数的尝试
风机桨叶故障诊断(五) 修改隐含层神经元个数的尝试我们已经为训练一个更为稳健的神经网络做好了样本的准备工作,那么我们开始下一步的工作吧! 我们已经有了样本集,目前我筛选出来了247个正样本,652个 ...
风机桨叶故障诊断（二）获取图像几何主方向
风机桨叶故障诊断(二) 获取图像几何主方向昨天,我将视频资源按帧抽取并筛选得到了可以用来提取样本的图像库.今天还是进行项目的准备工作.当我们拿到一张图片,我们的软件要做的大致可以分为三个步骤:从原图 ...
风机桨叶故障诊断（七）滑动窗与非极大值抑制NMS
风机桨叶故障诊断(七)滑动窗与非极大值一直NMS 到目前为止,我已经利用自编码神经网络提取特征后训练得到了BP神经网络(参见:点击打开链接),且在测试样本集上表现不错.下面我们就要应用到实际中来检验算 ...
AUTOSAR从入门到精通100讲（四十一）-动态架构设计中的时序图
Part1时序图简介 1时序图定义描述了对象之间以及对象与参与者实例之间传递消息的时间顺序, 用来表示用例中的行为顺序, 是强调消息时间顺序的交互图; 2时序图描述的事物时序图描述系统中类和类之间 ...
正负样本不均衡的解决办法
转载自:http://blog.csdn.net/lujiandong1/article/details/52658675 这几年来,机器学习和数据挖掘非常火热,它们逐渐为世界带来实际价值.与此同时, ...
分类模型-评估指标（2）：ROC曲线、 AUC值（ROC曲线下的面积）【只能用于二分类模型的评价】【不受类别数量不平衡的影响；不受阈值取值的影响】【AUC的计算方式：统计所有正负样本对中的正序对】
评价二值分类器的指标很多,比如precision.recall.F1 score.P-R曲线等.但这些指标或多或少只能反映模型在某一方面的性能.相比而言,ROC曲线则有很多优点,经常作为评估二值分类器 ...

风机桨叶故障诊断（四）正负样本准备——从图像中随机扣图

风机桨叶故障诊断（四）正负样本准备——从图像中随机扣图相关推荐

最新文章

热门文章

风机桨叶故障诊断（四） 正负样本准备——从图像中随机扣图

风机桨叶故障诊断（四） 正负样本准备——从图像中随机扣图相关推荐

最新文章

热门文章

风机桨叶故障诊断（四）正负样本准备——从图像中随机扣图

风机桨叶故障诊断（四）正负样本准备——从图像中随机扣图相关推荐