{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,5,14]]，“日期-时间”：“2024-05-14T09:44:41Z”，“时间戳”：1715679881982}，“引用-计数”：31，“发布者”：“Elsevier BV”，“许可证”：[{“开始”:{“日期-零件”：[2021,10,1]]，“时间”：”2021-10-01T00:00:00 Z“，”timestamp“：163304640000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com//tdm\/userlicense\/1.0\/”}]，“内容域”：{“域”：[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[”Neurocomputing“]，”published-print“：{”date-parts“：[2021,10]]}，”DOI“：”10.1016\/j.neuc om.2020.07.131“，”type“：”journal-article“，”created“：{“date-parts”：[[2020,10,28]]，“date-time”：“2020-10-28T02:22:13Z”，“timestamp”：1603851733000}，“page”：“678-684”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：16，“title”：[“使用计算机视觉和集成学习对铣削过程进行磨损识别的强大分类系统”]，“前缀”：“10.1016”，“卷”：“456”，”作者“：[{“给定”：“弗吉尼亚”，“家族”：“里戈”，“序列”：“第一”，“隶属”：[]}，“family”：“S\u00e1nchez-Gonz\u00o1lez”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Laura”，“faily”：”Fern\u00e 1ndez-Robles“，”sequence“：”additional“，”affiliance“：[]{“给定”：“Hilde”，”family“：”Perez“，”sequence“:”additionable“，”faliation“：[]}，附加“，”从属“：[]}，{”给定“：“\u00c1ngel-Manuel”，“family”：“Guerrero-Higueras”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“78”，“reference”：[{“key”：“10.1016\/j.neucom.2020.07.131_b0005”，“doi-asserted-by”：”crossref“，”doi“10.1016 \/j.imavis.2019.08.007”，“article-title”：“智能可视火灾探测系统：调查”，“volume”：”91“，”作者“：”卜“，”年“：“2019”，“期刊标题”：“Image-Vis.Comput.”}，｛“issue”：“1”，“key”：“10.1016\/j.neucom.20207.131_b0010”，“doi断言者”：“crossref”，“首页”：“12495”，“doi”：“10.1038\/s41598-019-488995-4”，“文章标题”：“深度学习以改善乳腺癌筛查乳腺钼靶摄影”，“卷”：“9”，“作者”：“沈”，“年份”：“2019”，“期刊标题”：“Sci.Rep.”}，｛“key”：“10.1016\/j.neucom.200.07.131_b0015”，“系列标题”：“图像分析与识别”，“第一页”：“801”，“文章标题”：“一种应用于豆类视觉质量检测的智能视觉系统”，“作者”：“Belan”，“年份”：“2016”｝，｛“key”：“10.1016\/j.neucom.200.07.131_b0020”，“doi断言”：“crossref”，“第一页”：“186”，“DOI”：“10.1016\/j.neucom.2019.11.012”，“article-title”：“用于工业过热识别的半监督拉普拉斯极限学习机器和与cnn的特征融合”，“volume”：“381”，“author”：“Lei”，“year”：“2020”，“journal-title“：“Neurocomputing”}，{“key”：”10.1016\\j.neucomm.200.07.131_b0025“，”DOI-asserted-by“：”crossref“，“first-page”：“2570”，“DOI”：“10.1016\/j.clepro.20.11.019”，“文章标题”：“对生产过程中使用的能源的多层次认识”，“卷”：“142”，“作者”：“Shrouf”，“年份”：“2017”，“期刊标题”：“j.Cleaner Prod.”}，｛“key”：“10.1016\/j.neucom.200.07.131_b0030”，“DOI asserted by”：“crossref”，“非结构化”：“E0。Calvo Rolle，Jos\u00e9L，Corchado Rodriguez，用于改进联合循环电厂控制调谐的生物启发知识系统，神经计算126.“，“DOI”：“10.1016\/j.neucom.2013.01.055”}，{“问题”：“1”，“关键”：“101016\/j.neucomm.2020.07.131_b0035”，“首页”：“16”，“文章标题”：“2019年的市场份额和客户对质量的看法：企业什么时候才能提高质量，而不是降低质量？“，”卷“：”63“，”作者“：”Hellofs“，”年份“：”1999“，”新闻标题“：”J.Market“。“}，{”key“：”10.1016\/j.neucom.2020.07.131_b0040“，”doi-asserted-by“：”crossref“，”first page“：“1245”，“doi”：“10.1007\/s00170-012-4562-9”，“article-title”：“涉及不同设施的先进预测质量控制策略”，“volume”：“67”，“author”：“Mer\u00e9”，“year”：“2013”，“journal title”：”Int.j.Advv.Manuf.Technol.“}”，{“key”：”10.1016\/j.neucom.2020.07.131_b0045“，”doi-asserted-by“：”crossref“，”first page“：”183“，“doi”：“10.1016\/j.precisioneng.2017.12.006”，“article-title”：“用于微铣刀状态监测的机器视觉系统”，“volume”：“52”，“author”：“Dai”，“year”：“2018”，“journal-title“：”Precis。Eng.“}，{”issue“：”18“，”key“：”10.1016\/j.neucom.2020.07.131_b0050“，”doi-asserted-by“：”crossref“，”first page“：“3987”，”doi“：”10.3390\/s19183987“，”article-title“：”印刷工业4.0工业计算机视觉质量控制深度学习“，”volume“：“”10.1016\/j.neucom.2020.07.131_b0055“，”doi-asserted-by“：”crossref“，”unstructured“：”A.P.Rifai，H.Aoyama，N.H.Tho，S.Z.M.Dawal]，N.A.Masruroh，《使用卷积神经网络评估车削和铣削表面粗糙度》，测量161（2020）107860。doi:10.1016\/j.measurement.2020.107860.“，”doi“：”10.1016\/j.meaurement.2020.107880“}，{“issue”：“3”，“key”：“10.1016\/j.neucom.2020.07.131_b0060”，“doi-asserted-by”：“crossref”，“first page”：”212“，“doi”：“101016\/j.cirpj.2013.02.05”，“article-title”：“数字图像处理在刀具状态监测中的应用：综述”，“volume：“6”，“作者”：“Dutta”，“年份”：“2013年”，“新闻标题”：“CIRP J.制造科学。Technol公司。“}，{”key“：”10.1016\/j.neucom.2020.07.131_b0065“，”first page“：铣削中工件质量自动评估的纹理描述符”，“作者”：“Castej\u00f3n-Limas”，“年份”：“2019”}，{“键”：“10.1016\/j.neucom.2020.07.131_b0075”，“非结构化”：“A.G\u00e9ron，使用Scikit-Learn和TensorFlow的动手机器学习：构建智能系统的概念、工具和技术，O\u2019Reilly Media，2019”{，{“issue”：“5”，“key”：“10.1016\/j.neucom.2020.07.131_b0080”，“doi-asserted-by”：“crossref”，“首页”：“1893”，“doi”：“101007\/s10845-011-0506-8”，《article-title》：“利用人工智能预测钢件深孔表面粗糙度”，“volume”：”23“author”：“Bustillo”，“year”：“2012”，“journal-title”：“j.Intell.Manuf.”}，{：“4”，“key”：“10.1016\/j.neucom.2020.07.131_b0085”，“首页”：“389”，“文章标题”：“开发基于神经网络的模型以预测热浸镀锌钢卷的机械性能”，“卷”：“3”，“作者”：“Gonz\u00e1lez-Marcos”，“年份”：“2011”，“期刊标题”：《国际期刊数据最小值》，“模型管理”}，{“问题”：“4“，”key“：“10.1016\/j.neucom.2020.07.131_b0090”，“doi-asserted-by”：“crossref”，“first page”：“403”，“doi”：“10.1007\/s10845-008-0189-y”，“article-title”：“为预测镀锌钢卷的机械性能而创建的模型的比较”，“volume”:“21”，“author”：“Ordieres-Mer\u00e9”，“year”：“2010”，“journal-title“：”j.Intell.Manuf.“}，{”key“：“10.1016\/j.neucom.2020.07.131_b0095”，“doi-asserted-by”：“crossref”，“unstructured”：“H.Hu，Y.Liu，M.Liu，L.Nie，基于混合染色体遗传算法的大型带钢图像采集中的表面缺陷分类，神经计算181（2016）86\u201395，大数据驱动智能交通系统。doi:10.1016\/j.neucom.2015.05.134.“，”doi“：”10.1016\/j.neucom.2015.05.134“}，{“key”：“10.1016\/j.nucom.2020.07.131_b0100”，“doi-asserted-by”：“crossref”，“first page”：”236“，”doi“：author“：”Szyd\u013aowski“，”year“：”2016“，”journal-title“：”Precis“。Eng.“}，{”key“：”10.1016\/j.neucom.2020.07.131_b0105“，”doi-asserted-by“：”crossref“，”unstructured“：”Q.Hou，j.Sun，P.Huang，《基于机器视觉的刀具磨损在线检测新算法》，Int.j.Adv.Manuf.Technol.101。doi:10.1007\/s00170-018-3080-9.“，”doi“：”10.1007\/s0.0170-018-30-9“}，{“key”：“10.1016\/j.neucom.2020.07.131_b0110”，“doi-asserted-by”：“crossref”，“unstructured”：“G.Wang，Y.Zhang，C.Liu，Q.Xie，Y.Xu，一种基于多尺度pca的新型刀具磨损监测方法，j.Intell.Manuf.doi:10.0007\/s10845-016-1235-9.”，“doi”：“101007\/s108 45-01235-9.6-1235-9“}，{”issue“：”9\u201310“，”key“：”10.1016\/j.neucom.2020.07.131_b0115“，”doi-asserted-by“：”crossref“，”首页“：”1513“，”doi“：”101016\/S0167-8655（02）00390-2“，”article-title“：”小波变换纹理分类“，”volume“：“24”，“author”：“Arivazagan”，“year”：“2003”，“journal-title”：“Pattern Recogn”。莱特。“}，{”key“：”10.1016\/j.neucom.2020.07.131_b0120“，”doi-asserted-by“：”crossref“，”first page“：“44”，“doi”：“10.1016\/j.measurement.2015.10.029”，“article-title”：“基于图像分割和纹理分析的刀具磨损监测技术的深入研究”，“volume”：“79”，“author”：“Li”，“year”：“2016”，“journal-title“：”measurement“}”，{“key”：”10.1016\/j.neucom.2020.07.131_b0125“，”doi-asserted-by“：”crossref“，”first page“：”500“，”doi“：”10.1016\/j.measurement.2016.05.022“，”article-title“：”基于机加工表面图像纹理分析的隐马尔可夫模型车削过程中刀具状态分类“，”volume“：度量“}，{“key”：“10.1016\/j.neucom.2020.07.131_b0130”，“series-title”：“分类和回归树，Wadsworth统计，概率序列”，“author”：“Breiman”，“year”：“1984”}，}“issue”：“1”，“key“：”10.1016\/j.nucom.2020.07.111_b0135“，”doi-asserted-by“：”crossref“，”first page“：“5”，“doi”：“101023\/A:1010933404324”“，”文章标题“：”随机森林”，“卷”：“45”，“作者”：“布雷曼”，“年份”：“2001年”，“新闻标题”：“马赫。学习。“}，{”key“：”10.1016\/j.neucom.2020.07.131_b0140“，”doi-asserted-by“：”crossref“，”first page“：“349”，“doi”：“10.4310\/SII.2009.v2.n3.a8”，“article-title”：“多类adaboost”，“volume”：“2”，“author”：“Zou”，“year”：“2009”，“journal-title“：”Stat.Interface“}0.07.131_b0145“，”非结构化“：”GitHub-ULE-Informatica \/ariel-research-team。网址：https:\/\/github.com//ULE-Informatica\/ariel-research-team。“}，{”key“：”10.1016\/j.neucom.2020.07.131_b0150“，”unstructured“：”ARIEL_code-Jupyter Notebook.https:\/\/hub.gke.mybinder.org\/user\/ule-informationca-l-research-team-70u44cwj\/notebooks\/ARIEL_code.ipynb.“}”，{roboticaule\/ariel\u2013 Docker Hub。URL https:\/\/hub.docker.com/r\/roboticaule\/ariel。“}]，”container-title“：[”Neurocomputing“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S092523120316155？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，”{“URL”：“https:\//api.elsevier.com\/content\/article\/PII:S092523120316155？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[2021,12,24]]，“date-time”：“2021-12-24T10:44:18Z”，“timestamp”：1640342658000}，“score”：1，“resource”：{primary“：{”URL“https:”https:\\/linkinghub.elsevier.com/retrieve\/piii\/S09252312 20316155“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2021,10]]}，”references-count“：31，”alternative-id“：[”S092531220316155“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.neucom.2020.07.131“，”relation“：{}，“ISSN”：[“0925-2312”]，“ISSN-type”：[{“value”：“09252312”，“type”:“print”}]，“subject”：【]，“published”：{“date-parts”：[2021,10]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”}，{“value”：“使用计算机视觉和集成学习对铣削过程进行磨损识别的强大分类系统”，“name”：“articlettle”，“label”：“article Title”}，{“value”：“Neurocomputing”，“name”：“journaltitle”，“label”：“Journal Title”}，{“value”：“https:\/\/doi.org/10.1016\/j.neucom.2020.07.131“，”name“：”articlelink“，”label“：”CrossRef doi链接到出版商维护的版本“｝，｛”value“：”article“，”name“：”content_type“，”label“：”content type“｝，｛”value“：”\u00a9 2020 Elsevier B.V.保留所有权利。”，“name”：“copyright”，“label”：“copyright”｝]｝