南湖新聞網訊（通訊員 劉世偉）近日，我校yl7703永利農産品智能檢測及數字化裝備團隊劉世偉副教授、王巧華教授在IEEE Transactions on Industrial Informatics雜志在線發表了題為“Hybrid Conditional Kernel SVM for Wire Rope Defect Recognition”的研究論文。該研究報道并提出了一種新的混合條件核SVM機器學習分類器模型，揭示了該模型的數學可靠性、分類可行性、定量化無損檢測可靠性以及廣闊的應用前景，該方法可望替代現有傳統支持向量機分類器，并推廣至工程學、信息學、生物學等多學科領域。

該研究首次提出一種基于雙曲正切和指數函數新型混合條件核SVM支持向量機-機器學習分類模型，通過構建基于混合條件核函數的缺陷檢測SVM分類器模型，結合數學證明，揭示了新的核函數正定性、收斂性及複雜度等特性，結合15種不同的驗證數據集、12種典型常規核函數以及LSSVM、TWSVM等相關最新機器學習模型對比測試，驗證了混合條件核函數SVM模型的有效性及缺陷分類與定量化識别優勢；揭示了混合條件核函數SVM模型參數對分類器分類結果影響規律，通過複雜場景下直徑22mm (6×36sw), 28mm（6×25fi）, 36mm（6k×36sw）等多規格型号鋼絲繩樣件，以及運行速度為0.5m/s, 3m/s等工況下的缺陷檢測實驗和數據集分類，獲得了5種不同缺陷定量化分類結果，其總體分類準确率可達91.7%，該算法在線識别運行時間小于0.2s。最後，結合典型場景下的鋼絲繩缺陷檢測應用案例，進一步證實了混合條件核SVM的可行性和廣闊應用前景，該方法可望推廣至無損檢測、人工智能、信息學等領域。

(a) Recognition accuracy; (b) Recognition time; (c)-(e) Typical application scenes.

混合條件核SVM分類性能對比及應用

yl7703永利農産品智能檢測及數字化裝備團隊劉世偉副教授為該論文的第一/通訊作者，王巧華教授指導參與了該項工作并給出寶貴建議，yl7703永利2022級碩士研究生劉勇、2023級碩士研究生單龍祥以及合作單位華中科技大學機械科學與工程學院孫燕華教授、何嶺松教授等共同參與了該研究工作，永利為第一完成單位。該工作得到國家自然科學基金、湖北省自然科學基金、中央高校基本科研業務經費以及電磁能技術全國重點實驗室基金的資助。

點擊閱讀原文

英文摘要：

Support vector machine (SVM) has been applied in data classification and defect recognition in various scenes, the common kernels are not always suitable to satisfy the requirement of high accuracy and efficiency inspection. A new hybrid conditional kernel (HCK) and SVM model based on exponential functions is proposed in this article, the validity and feasibility of the basic characterizations are introduced theoretically first, and the numerical classification results for different datasets are calculated and compared with related algorithms. Then, the performance evaluation of the new model from the perspective of kernel parameter investigation, statistical data analysis, and experimental verification are conducted, and the wire rope defect inspection sample sets are built according to features extraction and eigenvalues computation. Finally, the comparison results where the new HCK based SVM can reach almost the highest classification accuracy of 91.70% and least running time of 0.1968 s for five different wire rope defects among 12 machine learning models not only prove the superior performance of the proposed method in wire rope defect recognition, but also show great promise in high precision classification in other application fields. The limitations of this model and future work are also discussed.

審核人：王巧華

來源：南湖新聞網http://news.hzau.edu.cn/2024/0106/68876.shtml