《表4 纹理特征算法结果对比》
在求取纹理特征基础上,Kumar等[38]提出了一种基于灰度共生矩阵(GLCM)的纹理特征提取技术和人工神经网络分类器对多类焊缝缺陷进行分类的新方法。该方法利用GLCM方法从每个数字化的焊接图像中获取了一组8、64和44个纹理特征向量。并用级联正反向传播神经网络对所获得的特征进行了分类。孙士保等[39]通过分析焊缝图像纹理的全局与局部特征,构造焊缝图像的全局与局部直方图特征,最后将这两种特征进行联合用于表示焊缝图像,用最近邻分类器对缺陷图像进行识别。周红明等[40]在进行二维小波变换的基础上,提取图像中多尺度全局和局部纹理特征参数,并结合模式识别技术实现焊缝缺陷类型的自动识别。吴焕新等[41]使用基于小波变换的主成分分析算法提取文理缺陷特征,使得缺陷的识别率更高。Muhtadan等[42]使用SVM分类器对表2中的纹理特征进行识别。Valavanis等[43]系统地总结了缺陷的43种特征,设计了基于神经网络的分类器,并通过实验验证了神经网络、支持向量机在7特征和43特征输入量时各类缺陷识别的正确率。Choi等[44]在对图像进行预处理后,从分割后的图像中提取出包含几何特征和纹理特征的一组特征向量,然后结合遗传算法,将SVM分类与ANN分类进行对比,与单类特征值识别精度对比。总结基于纹理特征的缺陷识别如表4所示。
图表编号 | XD00154233400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.10 |
作者 | 王思宇、高炜欣、张翔松 |
绘制单位 | 西安石油大学陕西省油气井测控技术重点实验室、西安石油大学光电油气测井与检测教育部重点实验室、西安石油大学陕西省油气井测控技术重点实验室、西安石油大学光电油气测井与检测教育部重点实验室、西安石油大学陕西省油气井测控技术重点实验室、西安石油大学光电油气测井与检测教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |