《表5 智能算法结果对比：X射线焊缝图像缺陷检测算法综述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《X射线焊缝图像缺陷检测算法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为避免分割带来的求取特征值误差问题，刘涵等[45]先采用基于排序点的聚类算法对焊缝中的疑似缺陷和噪声图像进行初步分割，然后对图像提取后进行数据增强，以及归一化操作，从而构建样本数据库，最后采用CNN与Softmax分类器相结合的算法，以缺陷和噪声图像而非特征值为输入样本训练CNN并进行了实际应用实验。杨志超等[46]同时采用学习率逐渐降低法、随机Dropout以及Relu激活函数以加快网络的收敛速度，避免了过拟合现象的发生。姚明海等[47]为了提高识别效率，提出了一种轻量级高效低延时的卷积神经网络架构MagnetNets，该方法可以满足工业生产线上的实时检测需求。Liu等[48]提出了一种改进的稀疏DropConnect算法，利用所提出的算法，对CNN进行了改进和优化，增强了CNN的特征稀疏性和鉴别能力。李清勇等[49]提出了缺陷图像的稀疏表示模型以及基于稀疏性的缺陷分解算法。该算法中，缺陷图像表示为图像背景、缺陷目标和噪声3种成分的叠加，并且图像背景和缺陷目标可以分别由对应的冗余字典稀疏表示。Gao等[50]将待检测图像视为样本图像的线性组合，通过求取系数向量来判断图像是否存在缺陷。为实现系数向量的稀疏化，提出利用罚函数的方法求解0范数最小问题的近似最优解，提出新的光滑可导的0～1惩罚项函数。在此基础上分别利用1范数最小和2范数最小求取系数向量，并利用混淆矩阵对所求结果进行分析。王侦倪等[51]在确定稀疏描述中字典矩阵样本图像的数量后，然后根据贪心算法求出字典矩阵的局部最优解，用局部解构造全局解组成字典矩阵，将待检测的图像表示为字典矩阵的线性组合，通过求解系数向量可以直接判断缺陷和噪声。总结这些无需求取特征值的缺陷检测方法，可得表5。