ABS齒圈表面缺陷視覺檢測(cè)方法

劉磊　陳愛軍　彭偉康　胡佳成

摘要：針對(duì)目前汽車零部件制造行業(yè)采用人工目測(cè)法進(jìn)行ABS齒圈出廠檢測(cè)引起的效率低、速度慢等問題，該文提出一種ABS齒圈表面缺陷視覺檢測(cè)方法。首先提取齒圈表面缺陷圖像的幾何特征、灰度特征和紋理特征，構(gòu)建特征向量，運(yùn)用主成分分析法對(duì)測(cè)試樣本特征數(shù)據(jù)進(jìn)行降維處理，獲得新的主成分，再利用自適應(yīng)粒子群算法對(duì)SVM模型的關(guān)鍵參數(shù)進(jìn)行優(yōu)化，最后采用多項(xiàng)式核函數(shù)的SVM模型作為最佳分類模型對(duì)968型號(hào)的ABS齒圈進(jìn)行檢測(cè)實(shí)驗(yàn)，并與BP神經(jīng)元網(wǎng)絡(luò)模型檢測(cè)結(jié)果進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，采用多項(xiàng)式核函數(shù)的SVM齒圈表面缺陷檢測(cè)模型實(shí)驗(yàn)效果最佳，檢測(cè)正確準(zhǔn)確率高達(dá)99.4%。

關(guān)鍵詞：ABS齒圈;SVM模型;表面缺陷檢測(cè);圖像處理;特征提取

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-5124（2019）08-0145-06

收稿日期：2019-05-15;收到修改稿日期：2019-06-04

基金項(xiàng)目：國(guó)家質(zhì)檢總局科技計(jì)劃項(xiàng)目（20171K106）

作者簡(jiǎn)介：劉磊（1995-），男，浙江武義縣人，碩士研究生，專業(yè)方向?yàn)閳D像處理、深度學(xué)習(xí)。

0 引言

制動(dòng)防抱死系統(tǒng)（ABS）是車輛最基本的安全系統(tǒng)，ABS齒圈是其中的一個(gè)核心零部件，它質(zhì)量的好壞直接影響了ABS系統(tǒng)能否正常工作。因此，為了防止不合格的ABS齒圈投入到汽車生產(chǎn)中影響車輛的安全性能，各生產(chǎn)廠家在齒圈出廠前都會(huì)進(jìn)行全檢。現(xiàn)代的生產(chǎn)工藝中，常用粉末冶金的方法生產(chǎn)ABS齒圈，在配料和液體中加入特粉并攪拌均勻，模壓成型后燒結(jié)。在生產(chǎn)過程中，人為因素、機(jī)械故障、參數(shù)錯(cuò)誤、裝夾等都會(huì)造成齒圈質(zhì)量不合格，其中由齒圈表面缺陷造成的齒圈質(zhì)量不合格占了很大的比重，表面缺陷主要分為積液、缺齒和色差3種類型。目前，對(duì)ABS齒圈表面缺陷檢測(cè)仍然采用人工目測(cè)的傳統(tǒng)方法，該方法在待檢齒圈數(shù)量較大的情況下，容易引起費(fèi)時(shí)費(fèi)力、誤差大等問題[1]。

近年來，工業(yè)生產(chǎn)上將機(jī)器學(xué)習(xí)技術(shù)運(yùn)用到產(chǎn)品出廠檢測(cè)及缺陷識(shí)別中已逐漸成為主流，其中使用最為廣泛的兩個(gè)機(jī)器學(xué)習(xí)模型為人工神經(jīng)網(wǎng)絡(luò)模型與支持向量機(jī)（SVM）模型。例如：南昌航空大學(xué)的陳少平等[2]已將BP神經(jīng)元網(wǎng)絡(luò)模型運(yùn)用到齒輪類零件表面缺陷的識(shí)別檢測(cè)中;西南科技大學(xué)的劉雄祥等[3]運(yùn)用卷積神經(jīng)元網(wǎng)絡(luò)模型已實(shí)現(xiàn)對(duì)鐵軌的表面缺陷檢測(cè)。但由于這些傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型本身具有一定的局限性（比如，BP神經(jīng)元網(wǎng)絡(luò)模型需要大量的樣本數(shù)據(jù)，收斂速度慢且存在學(xué)習(xí)過程中容易收斂于局部最小值的問題[4];卷積神經(jīng)元網(wǎng)絡(luò)檢測(cè)對(duì)象存在局限性，更適用于具有平移不變性的物體，另外由于卷積神經(jīng)元網(wǎng)絡(luò)中池化層的存在，會(huì)將大量有價(jià)值的信息丟失，同時(shí)存在訓(xùn)練中忽略整體與部分之間關(guān)聯(lián)的問題），因此影響了該模型在實(shí)際生產(chǎn)中的推廣與應(yīng)用。而SVM模型在解決小樣本決策問題時(shí)具有較強(qiáng)的推廣能力，且能有效解決神經(jīng)元網(wǎng)絡(luò)模型中高維問題和收斂于局部極小值的問題，同時(shí)該模型結(jié)構(gòu)較簡(jiǎn)單，因此應(yīng)用于實(shí)際生產(chǎn)中具有較強(qiáng)的優(yōu)勢(shì)。

目前，華東理工大學(xué)的郭慧等[5]已將SVM模型應(yīng)用于鋼板表面缺陷中，取得了較好的缺陷識(shí)別結(jié)果;華東交通大學(xué)的涂宏斌等[6]提出的結(jié)合主成分分析法的SVM模型，成功的運(yùn)用于軸承表面缺陷分類中。鑒于SVM自身特有的優(yōu)點(diǎn)，本文將SVM模型運(yùn)用于ABS齒圈表面缺陷檢測(cè)中，同時(shí)對(duì)基于4種不同核函數(shù)的SVM模型以及BP神經(jīng)元網(wǎng)絡(luò)訓(xùn)練識(shí)別結(jié)果進(jìn)行對(duì)比，通過實(shí)驗(yàn)結(jié)果比較得到最佳的SVM齒圈表面缺陷檢測(cè)模型。

1 表面缺陷檢測(cè)方法

本文提出的檢測(cè)方法的主要思想是：結(jié)合SVM理論與齒圈表面缺陷特征搭建齒圈表面缺陷檢測(cè)模型，同時(shí)采用粒子群優(yōu)化算法對(duì)模型中的關(guān)鍵參數(shù)進(jìn)行最佳選取，利用經(jīng)過樣本訓(xùn)練成熟后的SVM齒圈表面缺陷檢測(cè)模型對(duì)待檢齒圈進(jìn)行缺陷識(shí)別檢測(cè)。

1.1 SVM模型

SVM模型主要用于解決線性可分條件下尋找最優(yōu)分類面的問題，核心思想是尋找一個(gè)滿足分類要求的最優(yōu)分類超平面，該超平面在保證樣本分類準(zhǔn)確率的同時(shí)，應(yīng)使分類間隔最大化。二元線性分類問題可以轉(zhuǎn)化為一個(gè)帶約束的最小值問題[7-9]，本文分別選用線性核函數(shù)、多項(xiàng)式核函數(shù)、高數(shù)徑向基核函數(shù)、sigmod核函數(shù)進(jìn)行實(shí)驗(yàn)，并將實(shí)驗(yàn)結(jié)果進(jìn)行比較，選取最適合的核函數(shù)并最終獲得齒圈表面缺陷檢測(cè)模型。

1.2 最佳參數(shù)確定

在利用SVM模型進(jìn)行識(shí)別分類時(shí)，為了提高識(shí)別分類準(zhǔn)確率，不僅需要尋找合適的核函數(shù)，還需要對(duì)懲罰因子C與核參數(shù)g進(jìn)行最佳選取。經(jīng)典的粒子群算法（particle swarm optimization，PSO）選取最佳參數(shù)，其基本原理可以表示為在D維的搜索空間中，先通過粒子群初始化生成一群隨機(jī)粒子，再通過更新迭代找到最優(yōu)解。在每一次迭代過程中，隨機(jī)粒子會(huì)依據(jù)跟蹤個(gè)體極值P_idk（粒子本身所找到的最優(yōu)解）以及全局極值P_gdk（當(dāng)前整個(gè)種群所找到的最優(yōu)解），并通過式（1）與式（2）來更新自己的速度與位置[10] ：其中，i=1，…，m，m為粒子個(gè)數(shù)，1≤d≤D，k為迭代次數(shù)（k≥0），學(xué)習(xí)因子c₁和c₂是非負(fù)常數(shù)，通常設(shè)置經(jīng)驗(yàn)值都為2，r₁與r₂分別為[0，1]間的隨機(jī)數(shù)。

本文在經(jīng)典的PSO算法的基礎(chǔ)上引入簡(jiǎn)單自適應(yīng)變異算子，其基本原理為：在粒子每次更新后，為了防止種群粒子位置速度信息更新過快，對(duì)每次參與迭代的隨機(jī)數(shù)r₁和r₂進(jìn)行條件限制，若隨機(jī)數(shù)大于0.5時(shí)，則重新初始化粒子。該方法能保持種群多樣性，提高算法尋找更優(yōu)值的可能性。

利用引入簡(jiǎn)單自適應(yīng)變異算子的PSO對(duì)SVM模型中關(guān)鍵參數(shù)進(jìn)行最佳選取的算法可以描述為：在（C，g）組成的二維目標(biāo)搜索空間中確定粒子群大小，即由m個(gè)粒子構(gòu)成一個(gè)群，同時(shí)，第i個(gè)粒子的位置信息可由一個(gè)二維向量X_i=（x_i1，x_i2）表示;記第i個(gè)粒子更新為歷史最優(yōu)位置時(shí)的數(shù)據(jù)為P_i=（p_i1，p_i2），整體種群迄今搜索到的最佳位置的數(shù)據(jù)為P_g=（p_g1，p_g2），第i個(gè)粒子的“飛翔”速度數(shù)據(jù)為V_i=（v_i1，v_i2）。根據(jù)公式（1）與公式（2）不斷調(diào)整自己的位置與速度信息，其中，m=2，D=2，在粒子每次更新后，根據(jù)r₁與r₂的取值判斷是否需要重新初始化，直到迭代完成，輸出最佳參數(shù)（C，g）。

1.3 齒圈缺陷特征參數(shù)選取

ABS齒圈表面缺陷主要分為3種：積液、缺齒、色差，如圖1所示。這3種缺陷由于具有邊緣特征不規(guī)則、位置特征充滿隨機(jī)性的特點(diǎn)，無法僅從單一標(biāo)準(zhǔn)實(shí)現(xiàn)齒圈缺陷類型識(shí)別。因此，本文考慮從幾何特征、灰度特征、紋理特征3個(gè)方面選取能夠準(zhǔn)確描述缺陷的特征參數(shù)。

1）幾何與灰度特征

由于3種類型缺陷連通域大小并不相同，因此，本文選取缺陷連通域內(nèi)的像素點(diǎn)總數(shù)（即缺陷面積）N、伸長(zhǎng)比（即與連通域具有相同標(biāo)準(zhǔn)二階中心距的橢圓長(zhǎng)軸長(zhǎng)與短軸長(zhǎng)之比）l、離心率（即與連通域具有相同標(biāo)準(zhǔn)二階中心距的橢圓離心率）e作為初始幾何特征參數(shù)。另外，由原始灰度圖像可知，3種類型缺陷區(qū)域各自灰度化程度并不一致，因此，本文考慮3種缺陷區(qū)域的平均灰度值與灰度方差作為初始灰度特征參數(shù)[11]。

2）紋理特征

考慮到3種類型缺陷表面粗糙情況不一，因此，本文運(yùn)用了統(tǒng)計(jì)方法中的灰度共生矩陣提取圖像紋理5個(gè)主要特征，即能量（圖像紋理粗細(xì)程度）、熵值（圖像中含有信息量的度量）、慣性矩（圖像紋理對(duì)比度）、相關(guān)性（圖像紋理相似程度）和逆差矩（圖像紋理矩陣中大值元素到對(duì)角線的集中程度）作為初始紋理特征參數(shù)[12]。

由于3種特征中計(jì)算所得到的各特征值難免存在描述重復(fù)的問題，容易影響識(shí)別過程中的計(jì)算效率，因此文本采用主成分分析法（PCA）對(duì)特征向量進(jìn)行主元分析以提高各輸入數(shù)據(jù)間的相互獨(dú)立性，減少數(shù)據(jù)冗余。主成分分析法的求解步驟為[13]：

a）對(duì)原始特征數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除數(shù)量級(jí)或量綱上的影響;

b）根據(jù)得到的標(biāo)準(zhǔn)化矩陣求出相關(guān)系數(shù)矩陣;

C）根據(jù)相關(guān)系數(shù)矩陣，求出相應(yīng)的特征值和特征向量;

d）確定主成分，根據(jù)累計(jì)貢獻(xiàn)率選取大于90%對(duì)應(yīng)指標(biāo)作為主成分。

2 實(shí)驗(yàn)結(jié)果及分析

本文分別選取1800個(gè)968型號(hào)的ABS齒圈作為訓(xùn)練樣本，500個(gè)同型號(hào)的ABS齒圈作為測(cè)試樣本。在相同的軟硬件測(cè)試環(huán)境中，先對(duì)每個(gè)ABS齒圈表面圖像進(jìn)行6種缺陷特征（像素面積、灰度均值、灰度方差、嫡值、慣性矩、逆差矩）提取，構(gòu)成特征向量;然后利用訓(xùn)練樣本的特征向量對(duì)SVM模型中的關(guān)鍵參數(shù)進(jìn)行優(yōu)化，同時(shí)通過比較基于4種核函數(shù)的SVM模型對(duì)ABS齒圈表面缺陷圖像分類結(jié)果，確定最佳的核函數(shù);最后利用測(cè)試樣本特征向量進(jìn)行識(shí)別，同時(shí)與BP神經(jīng)元網(wǎng)絡(luò)模型識(shí)別分類結(jié)果進(jìn)行比較，進(jìn)一步驗(yàn)證該方法的可行性。測(cè)試咐竟采用在Intel CPU，主頻3.90GHz，內(nèi)存8.0GB的PC機(jī)上運(yùn)用Matlab結(jié)合LIBSVM庫對(duì)968型號(hào)的齒圈表面缺陷圖像進(jìn)行識(shí)別。

2.1 ABS齒圈表面圖像缺陷區(qū)域提取

本文利用旋轉(zhuǎn)電缸帶動(dòng)被檢ABS齒圈旋轉(zhuǎn)，同時(shí)配合線陣CCD相機(jī)進(jìn)行逐行采集，最終得到ABS齒圈表面展開圖像，如圖2所示。為了獲得齒圈表面缺陷特征參數(shù)，首先對(duì)ABS齒圈表面展開圖像進(jìn)行處理，包括截圖、二值化、濾波去噪、圖像取反、消除“U”型背景[14]。以缺齒齒圈表面圖像為例，可得到相應(yīng)的處理結(jié)果如圖3所示。在得到只含有缺陷區(qū)域的齒圈圖像后，即可對(duì)圖像中的缺陷連通域進(jìn)行特征參數(shù)的提取，為后續(xù)利用SVM模型識(shí)別做好準(zhǔn)備。

2.2 PCA數(shù)據(jù)降維

根據(jù)PCA算法步驟，對(duì)訓(xùn)練樣本中1800×10的特征數(shù)據(jù)進(jìn)行主成分分析（設(shè)置累計(jì)貢獻(xiàn)率大于90%），結(jié)果如圖4所示。

圖4中的藍(lán)色曲線反映了各主成分的貢獻(xiàn)累計(jì)過程，運(yùn)用PCA法將10維的數(shù)據(jù)下降為6維，描述特征的數(shù)據(jù)量減少了40%，一定程度提高了后續(xù)識(shí)別運(yùn)算速度。由于前6個(gè)主成分的累計(jì)貢獻(xiàn)率超過了90%，因此設(shè)新生成的前6個(gè)主成分為F₁、F₂、F₃、F₄、F₅、F₆，同時(shí)結(jié)合前6個(gè)主成分對(duì)應(yīng)的特征值λ_i以及主成分載荷矩陣Q，根據(jù)下式計(jì)算各主成分系數(shù)a_ij，即：其中，i=1，2，…，10，j=1，2，…，6。在得到各主成分系數(shù)后相應(yīng)的各主成分表達(dá)式為：

通過式（4）～式（9）對(duì)1800組特征數(shù)據(jù)進(jìn)行降維計(jì)算構(gòu)成新的主成分作為SVM模型的輸入因子。

2.3 PSO參數(shù)尋優(yōu)

利用新組成的ABS齒圈訓(xùn)練樣本表面缺陷特征數(shù)據(jù)進(jìn)行參數(shù)尋優(yōu)，先將樣本數(shù)據(jù)進(jìn)行歸一化處理，再建立SVM分類模型，初始化參數(shù)C和g，同時(shí)設(shè)置粒子群的維數(shù)為2，種群最大數(shù)量為20，最大進(jìn)化數(shù)量為200次，速度更新彈性系數(shù)為1，種群更新彈性系數(shù)為1，學(xué)習(xí)因子c₁與c₂分別為1.5和1.7。然后將訓(xùn)練樣本進(jìn)行交叉驗(yàn)證意義下的準(zhǔn)確率作為自適應(yīng)PSO法中的適應(yīng)度函數(shù)值，用于評(píng)價(jià)SVM模型對(duì)每一代種群分類精度的高低，并最終實(shí)現(xiàn)SVM參數(shù)的優(yōu)化，如圖5所示為粒子群參數(shù)尋優(yōu)適應(yīng)度曲線，橫軸為進(jìn)化次數(shù)，縱軸為適應(yīng)度值，即分類準(zhǔn)確率;圖中上方曲線表示每一代種群的最佳適應(yīng)度，下方曲線表示每一代種群的平均適應(yīng)度。由圖5可知，在粒子群進(jìn)化200次后，可得到相對(duì)應(yīng)的最佳參數(shù)，由于滿足最高驗(yàn)證分類準(zhǔn)確率的（C，g）組合存在多組情況，應(yīng)選取懲罰參數(shù)C最小的那一組數(shù)據(jù)作為最佳參數(shù)，因此，最佳參數(shù)C為81.48，g為0.01，且最高適應(yīng)度（準(zhǔn)確率）為99.44%。

2.4 不同核函數(shù)缺陷分類比較

將自適應(yīng)PSO方法獲得的最佳參數(shù)組合（C，g）運(yùn)用到SVM檢測(cè)模型中，選取500個(gè)測(cè)試樣本，分別用4種不同核函數(shù)進(jìn)行預(yù)測(cè)分類，得到的實(shí)驗(yàn)結(jié)果如圖6所示，圖中縱坐標(biāo)為3種缺陷類型序號(hào)，其中積液為1，缺齒為2，色差為3;橫坐標(biāo)為樣本序號(hào)。

基于線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯徑向基核函數(shù)、sigmoid核函數(shù)的SVM模型分類識(shí)別準(zhǔn)確率結(jié)果分別為：74.8%、99.4%、77%、31.4%。因此，本文選取多項(xiàng)式核函數(shù)作為后續(xù)SVM模型ABS齒圈表面缺陷預(yù)測(cè)識(shí)別的核函數(shù)。

2.5 SVM模型與BP神經(jīng)元網(wǎng)絡(luò)模型比較

為了進(jìn)一步驗(yàn)證SVM模型分類器性能，本文搭建了單隱層BP神經(jīng)元網(wǎng)絡(luò)模型與SVM模型識(shí)別分類結(jié)果進(jìn)行對(duì)比。該神經(jīng)元網(wǎng)絡(luò)模型輸入層節(jié)點(diǎn)個(gè)數(shù)為6，輸出層節(jié)點(diǎn)個(gè)數(shù)為1，隱層節(jié)點(diǎn)數(shù)為3。選取與SVM模型中使用的相同的500個(gè)測(cè)試樣本進(jìn)行實(shí)驗(yàn)，神經(jīng)元網(wǎng)絡(luò)模型實(shí)驗(yàn)結(jié)果與SVM模型分類結(jié)果如表1所示。

由表1可知，采用基于多項(xiàng)式核函數(shù)SVM模型對(duì)于3種齒圈表面缺陷的檢測(cè)結(jié)果優(yōu)于BP神經(jīng)元網(wǎng)絡(luò)模型，且準(zhǔn)確率高達(dá)99.4%。

3 結(jié)束語

本文利用SVM模型對(duì)ABS齒圈表面缺陷檢測(cè)分類進(jìn)行了實(shí)驗(yàn)研究，得到結(jié)論如下：

1）運(yùn)用PCA法將缺陷圖像的幾何特征（缺陷面積、伸長(zhǎng)比、離心率）、灰度特征（灰度均值、灰度方差）、紋理特征（熵值、慣性矩、相關(guān)性、逆差矩）對(duì)應(yīng)的特征數(shù)據(jù)進(jìn)行降維處理，得到的新6維主成分特征數(shù)據(jù)輸入到SVM模型中具有較好的實(shí)現(xiàn)分類的效果。

2）將通過自適應(yīng)PSO算法得到的最佳參數(shù)組合（C，g）應(yīng)用到SVM分類模型中，比較4種不同核函數(shù)下缺陷識(shí)別分類結(jié)果，從實(shí)驗(yàn)結(jié)果可得，對(duì)于ABS齒圈表面缺陷分類問題，選擇基于多項(xiàng)式核函數(shù)的SVM分類器準(zhǔn)確率最高。

3）通過比較基于多項(xiàng)式核函數(shù)的SVM模型與BP神經(jīng)元網(wǎng)絡(luò)模型對(duì)ABS齒圈表面缺陷識(shí)別分類結(jié)果可得，在小樣本、高維數(shù)、非線性的條件下，采用SVM模型進(jìn)行齒圈表面缺陷檢測(cè)的方法分類準(zhǔn)確率優(yōu)于BP神經(jīng)元網(wǎng)絡(luò)，且分類準(zhǔn)確率高達(dá)99.4%。因此，采用基于多項(xiàng)式核函數(shù)SVM模型的檢測(cè)方法更加適用于解決齒圈表面缺陷檢測(cè)分類問題，具有一定的發(fā)展?jié)摿涂赏诰蚩臻g。

參考文獻(xiàn)

[1]羅雍惠.ABS齒圈和傳感器的應(yīng)用與研究[J].中國(guó)高新技術(shù)企業(yè)，2010（24）：15-16.

[2]陳少平.基于機(jī)器視覺的零件表面缺陷檢測(cè)[D].南昌：南昌航空大學(xué)，2011.

[3]楊加?xùn)|，謝明，王麗華，等.基于BP神經(jīng)網(wǎng)絡(luò)的表面缺陷檢測(cè)分類[J].機(jī)床與液壓，2017，45（16）：160-164.

[4]吳靜，柳世考，鄧堃.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].工業(yè)儀表與自動(dòng)化裝置2007（3）：45-48.

[5]郭慧，徐威，劉亞菲.基于支持向量機(jī)的鋼板表面缺陷檢測(cè)[J].東華大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，44（4）：635-639.

[6]涂宏斌，周新建.基于支持向量機(jī)的軸承表面缺陷檢測(cè)[J].現(xiàn)代制造工程，2006（9）：90-92.

[7]向陽，陳黎，張曉龍.基于支持向量機(jī)的帶鋼表面缺陷識(shí)別研究[J].工業(yè)控制計(jì)算機(jī)，2012，25（8）：99-101.

[8]王鵬，郭朝勇，劉紅寧.基于支持向量機(jī)的槍彈外觀缺陷識(shí)別與分類[J].計(jì)算機(jī)工程與科學(xué)，2016，38（9）：1943-1949.

[9]汪曉玲.基于SVM的銀行客戶個(gè)人信用評(píng)估研究[D].西安：西北工業(yè)大學(xué)，2007.

[10]和麟，梁麗媛，黃瀟瑤，等.基于粒子群優(yōu)化SVM的飛機(jī)發(fā)電機(jī)故障診斷[J].計(jì)算機(jī)測(cè)量與控制，2013，21（12）：3237-3239.

[11]黃忠棋.基于 BP神經(jīng)網(wǎng)絡(luò)的墻地磚缺陷檢測(cè)技術(shù)研究[J].微型機(jī)與應(yīng)用，2014（23）：81-83.

[12]劉佳男.基于機(jī)器視覺的水果表面缺陷識(shí)別方法的研究[D].無錫：江南大學(xué)2012.

[13]王德嘩，李永安.基于PCA算法的辦公建筑能耗影響因子分析[J].建筑節(jié)能，2018，46（12）：40-42.

[14]SHEN H，LI S，（i1]D，et al.Bearing defect inspection basedon machine vision[J].Measurement，2012，45（4）：719-733.

（編輯：劉楊）