《表1 不同归一化方式对比》

  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

《机器学习在桥梁病害检测识别中的研究应用进展》

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

支持向量机（SVM）的最大特点是能构造出最大间距的决策边界，从而提高分类算法的鲁棒性。陈飞飞等将IPT与SVM结合，实现了混凝土结构表面病害高效、准确的识别分类。在IPT阶段，选取混凝土桥梁病害数据库中的三种病害类型图像（裂缝、露筋锈蚀、缺损）各500张作为训练样本，对其进行灰度化、中值滤波等图像处理技术，在滤波的同时保护了图像的边界信息，并通过增强图像对比度，使图像特征更加明显，处理效果如图4所示；最后，对处理后的图像进行特征信息提取，包括纹理特征、灰度直方图特征、颜色矩等，形成融合多特征的样本，以体现病害图像的特征信息。在SVM阶段，构建支持向量机分类器，将上述的图像特征样本对分类机进行训练。为了提高分类机的准确率，采用不同的归一化方法处理特征样本以及选用三种不同的核函数，对其分类效果进行比较，如表1～2所示。结果表明，特征样本的归一化处理能够显著提高分类机的准确率，同时选取多项式作为SVM的核函数，其分类准确率更高，达到83%。