4、基于MATLAB的深度卷积神经网络与支持向量机设计和训练应用及麦克纳姆轮机器人路径跟踪优化

基于MATLAB的深度卷积神经网络与支持向量机设计和训练应用及麦克纳姆轮机器人路径跟踪优化

1. 深度卷积神经网络与支持向量机设计和训练应用

在当今时代，深度神经网络（DNN）发展迅速，像Caffe和TensorFlow等软件开发环境为研究人员和工程师提供了便利，不过这些环境通常使用C++或Python进行开发。对于初级工程师而言，使用这些编程语言设计和实现深度卷积神经网络（DCNN）并将其应用于实际生产系统的视觉检测并非易事，用户友好型软件的开发还不够充分。

为了解决这一问题，提出了基于MATLAB系统的用户友好型应用开发环境，它能实现DCNN和支持向量机（SVM）的两个应用。具体来说，开发了用于视觉检测的DCNN应用，利用大量图像对树脂成型制品制造过程中出现的裂纹、毛刺、凸起、崩边、斑点和断裂等缺陷进行检测，这个DCNN被命名为sssNet。

SVM是用于分类和回归分析的监督学习模型，具有线性分类能力，还能通过核技巧进行高效的非线性分类。在本应用中，将两种SVM分别与两个训练好的DCNN（即设计的sssNet和著名的AlexNet）结合，把测试图像以高识别率分为合格（OK）或不合格（NG）类别，其中DCNN提取的压缩特征作为SVM的输入。

1.1 基于训练好的DCNN的支持向量机

已经设计、训练和评估了用于多类别分类的两种DCNN。为了去除有缺陷的产品，尝试设计和训练两种SVM。
- 基于sssNet的SVM ：使用设计的DCNN（sssNet）从每个输入图像中提取特征向量$x = [x_1, x_2, \ldots, x_{32}]^T$。设计的二进制分类SVM的输入是sssNet中