Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

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

Year: 1399
COI: ECOSE06_007
Language: PersianView: 322
This Paper With 20 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 20 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

حمیدرضا بالاوند - دانشجوی کارشناسی ارشد مهندسی مکانیک، گروه مهندسی مکانیک، دانشگاه آزاد اسلامی، واحد علوم تحقیقات، تهران، ایران
عادل مقصودپور - استادیار گروه مهندسی مکانیک، دانشگاه آزاد اسلامی، واحد علوم تحقیقات، تهران، ایران
علیرضا بالاوند - دکتری مهندسی صنایع، گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد علوم تحقیقات تهران، ایران

Abstract:

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.

Keywords:

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

Paper COI Code

This Paper COI Code is ECOSE06_007. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1032971/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
بالاوند، حمیدرضا و مقصودپور، عادل و بالاوند، علیرضا،1399،طبقه بندی باینری چرخدنده های معیوب با استفاده از شبکه های پیش آموزش دیده شبکه عصبی کانولوشن و ماشین بردار پشتیبان،The 6th National Conference on Optimization in Science and Engineering،Babol،https://civilica.com/doc/1032971

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: Azad University
Paper count: 38,343
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

مقالات پیشنهادی مرتبط

New Papers

New Researchs

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support