《表2 图像预处理及分割阶段算法具体参数设置》

  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

《基于集成学习的铸件缺陷识别方法》

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

首先，在图像预处理及分割阶段，通过灰度变换增加铸件图像缺陷与背景之间的对比度。以铸件裂纹缺陷为例，铸件原始图像如图3（a）所示，灰度变换后的铸件图像如图3（b）所示。为了进一步处理铸件图像噪声，采用双边滤波对铸件图像进行降噪处理。降噪处理后的铸件图像如图3（c）所示。双边滤波具体参数设置见表2。最后，采用自适应阈值图像分割技术对铸件图像进行图像分割操作。自适应阈值分割后的铸件图像如图3（d）所示。自适应阈值分割具体参数设置见表2。由图3（d）可见，分割后的图像与处理前相比，缺陷更为明显。在特征提取与筛选阶段，主要提取该图像的HOG特征、LBP特征以及不变矩特征。其中HOG特征提取后维度过大，采用PCA对该特征进行降维处理。将提取的HOG特征、LBP特征以及不变矩特征共同组成全信息特征集。随后，使用SVM-RFE算法对全信息特征集中的各个特征进行评价，选择全信息特征集中重要性排名的前20%组成关键敏感特征集。在缺陷分类阶段，本文设置模型迭代次数为1 000，并采用十折交叉验证对本文方法的泛化能力进行验证[23]。