基于集成学习的铸件缺陷识别方法

作者：林庭武; 罗坤宇; 常建涛; 程涵; 冯世杰

来源：电子机械工程, 2020, 36(05): 55-61.

DOI：10.19659/j.issn.1008-5300.2020.05.014

• 缺陷识别
• 特征提取
• SVM-RFE
• Adaboost-RF
• 集成学习

针对铸件图像噪声多和对比度不足引起的缺陷识别困难的问题,文中提出了一种基于集成学习的铸件缺陷识别方法。首先,该方法采用灰度变换法、双边滤波以及自适应图像分割法对铸件图像进行预处理。然后,通过提取方向梯度直方图(Histogram of Oriented Gradients, HOG)特征、不变矩特征和局部二值模式(Local Binary Pattern, LBP)纹理特征构建全信息特征集,并结合支持向量机递归特征消除(Support Vector Machine-Recursive Feature Elimination, SVM-RFE)算法筛选铸件缺陷敏感特征。最后,利用Adaboost-RF(Adaptive Boosting-Random Forest)方法构建铸件缺陷识别模型。对比实验结果表明,该模型不仅可以有效提取缺陷敏感特征,而且相较于其他分类器具有更好的分类性能和泛化能力。

• 单位
  西安电子科技大学; 中兴通讯股份有限公司