《表2 图像预处理及分割阶段算法具体参数设置》
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]。
图表编号 | XD00220277900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.01 |
作者 | 林庭武、罗坤宇、常建涛、程涵、冯世杰 |
绘制单位 | 中兴通讯股份有限公司、西安电子科技大学、西安电子科技大学、西安电子科技大学、西安电子科技大学 |
更多格式 | 高清、无水印(增值服务) |