四川大学机械工程学院;
针对带钢表面缺陷位置分布不均、类型复杂多样的特点，为保证特征提取的维度丰富性与识别准确率，提出一种基于多纹理特征融合与gcForest集成学习相结合的带钢缺陷识别方法 MTF-gcForest。首先提取带钢表面的灰度共生矩阵、局部二值模式、灰度游程矩阵特征，以充分挖掘带钢表面的纹理信息。然后，将归一化处理后的特征进行融合，最后用gcForest分类器进行分类。实验比较了单纹理特征和多纹理特征的性能表现，以及多种分类器的分类精度。实验结果表明：基于MTF-gcForest方法的平均准确率达到97.22%，优于其他带钢表面缺陷检测算法，具有较强的推广意义。
| 112 | 3 | 26 |
| 下载次数 | 被引频次 | 阅读次数 |
[1]赵亚飞.基于涡流技术的钢板表面缺陷检测系统研究[D].沈阳：沈阳工业大学，2017.
[2]陈大鹏，毛宏霞，肖志河.红外热成像无损检测技术现状及发展[J].计算机测量与控制，2016,24(4):1-6.
[3]宋瑞祥.冷轧板的生产和最新检测系统[R].上海：上海宝钢集团公司钢研所科技信息中心，1995:21-26.
[4]郑梁，刘桂然，朱孝晗.多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用[J].机械，2023(3):1-7.
[5]周青山.面向带钢表面缺陷图像的特征提取算法研究[D].武汉：华中科技大学，2016.
[6]刘启浪，汤勃，孔建益，等.基于多尺度LBP特征的带钢表面缺陷图像SVM分类[J].组合机床与自动化加工技术，2020(12):27-30.
[7]王粟，李庚，曾亮.高斯差分空间的多尺度改进CLBP对带钢表面缺陷的分类[J].华侨大学学报（自然科学版），2020,41(4):534-540.
[8]ZHOU P,ZHOU G,LI Y,et al. A Hybrid Data-Driven Method for Wire Rope Surface Defect Detection[J]. IEEE Sensors Journal,2020(20):8297-8306.
[9]王杨，王杰，刘剑歌，等.基于机器视觉的电枢缺陷检测系统[J].组合机床与自动化加工技术，2021(4):116-120.
[10]杨婉琪.基于卷积神经网络的带钢表面缺陷图像分类算法研究与实现[D].武汉：华中科技大学，2019.
[11]叶之骞，钟紫鹏，邓永聪，等.基于Mixup数据增强的CNN-GRU深度学习电火花线切割放电状态识别[J].机械，2023,(9):8-15.
[12]ZHOU Z H,FENG,J. Deep forest:towards an alternative to deep neural networks[C]. IJCAI International Joint Conference on Artificial Intelligence,2017:3553-3559.
[13]OJALA T,PIETIK?INEN M,HARWOOD D. A comparative study of texture measures with classification based on featured distributions[J]. Pattern Recognition,1996,29(1):51-59.
[14]HARALICK,ROBERT M,SHANMUGAM,et al. Textural Features for Image Classification[J]. Systems, Man and Cybernetics,IEEE Transactions,1973(1):610-621.
[15]K. SONG,Y. YAN. A noise robust method based on completed local binary patterns for hot-rolled steel strip surface defects[J].Applied Surface Science,2013(285):858-864.
[16]Schonlau M,Zou RY. The random forest algorithm for statistical learning[J]. Stata Journal,2020(3):3-29.
[17]T. CHEN,C. GUESTRIN. Xgboost:A scalable tree boosting system[C]. In Proceedings of the 22NdACM SIGKDD International Conference on Knowledge Discovery and Data Mining,ACM,2016:785-794.
[18]ANNA VERONIKA DOROGUSH, VASILY ERSHOV,ANDREY GULIN. CatBoost:gradient boosting with categorical features support[C]. Workshop on ML Systems at NIPS 2017,2017.
[19]GUOLIN KE,QI MENG,THOMAS FINLEY,et al. LightGBM:A Highly Efficient Gradient Boosting Decision Tree[C]. Advances in Neural Information Processing Systems 30(NIPS 2017),2017:3149-3157.
基本信息:
DOI：
中图分类号:TP391.41;TG142.1
引用信息:
[1]马文杰,王杰.基于MTF-gc Forest的带钢表面缺陷分类方法研究[J].机械,2024,51(02):7-12+64.
基金信息:
四川省重点研发项目（2022YFG0058）