19、工业图像分类与测量技术解析

工业图像分类与测量技术解析

1. 分类相关概念与神经网络分析

在技术应用中，分类是将具有一组特征的对象分配到多个预定义类别之一的过程，可描述为从特征空间到类别空间的映射。以下是一些关键概念：
- 模式 ：在分类语境中，模式指由一组特征描述的对象，等同于特征向量。
- 机器学习 ：研究构建自适应系统，特别是从模式与类别之间的预定义分配示例中推导分类函数。
- 特征 ：描述对象某一方面的单个值，如尺寸或重采样图像中像素的亮度。
- 特征向量 ：包含描述对象的所有特征值。
- 目标向量 ：在机器学习中包含正确的预定义类别归属。
- 输出向量 ：包含分类器确定的模式类别归属概率。
- 训练集 ：用于使分类器适应待学习问题的模式集合及类别信息。
- 监督学习 ：在每个训练步骤后比较分类结果的实际输出和期望输出，并根据比较结果校正分类器参数。无监督学习则根据训练模式之间的相似性自行推导类别结构。

神经网络在分类应用中常受到一些质疑，下面对这些质疑进行分析：
- 不可预测性 ：有人认为神经网络的结果不可预测、任意、随机或存在主观偏差。但实际上，分类过程本身是可计算的，对于相同的输入模式，每次都会产生相同的结果，这与“经典”方法并无不同。不过，神经网络没有特定的位置存储关于特定输入模式的知识