基于多特征融合与集成学习的风机叶片缺陷检测方法
摘要：
针对无人机在风机叶片表面缺陷检测中遇到的复杂特征处理和多形式缺陷表现不佳的问题,提出了一种基于多特征融合与集成学习的风机叶片缺陷检测方法.该方法通过提取局部LBP特征、HOG特征以及胶囊网络的高级特征,并将其进行有效融合,构建了一个多特征提取模型,以获取更深入的细节信息.同时,选择了 3种具有不同偏差和方差特性的基础分类器——支持向量机(SVM)、k近邻算法(KNN)和决策树(DT),通过整合不同基模型的优势,建立异质集成学习模型,从而提升了模型的整体性能.在风机叶片表面缺陷图像数据集上对模型(MFEM)进行了验证,实验结果表明,该方法的平均精确度(MAP)最高达到98％,相比于YOLOv7和Faster R-CNN分别提高了 3.1％和5.8％,对比SVM,KNN和DT 3类基模型有较大提升.此外,通过消融实验对不同模块的有效性进行了验证.实验结果表明,提出的多特征融合与集成学习模型(MFEM)在风机叶片缺陷检测任务中表现出了优良的性能.
展开
-
作者：
王瑞,汤占军
-
刊名：
计算机科学
-
年期：
2025.z1
在线阅读
收藏