基于特征组合与CNN的大坝缺陷识别与分类方法

摘要：

大坝缺陷识别分类技术是人类智能的基本表现,它是最典型、最困难的模式识别问题之一.由于大坝缺陷图像具有信噪比低、光照分布极度不均匀等特征,分类识别算法的识别率较低.针对这些问题,文中提出一种基于图像LBP特征和Gabor特征组合与CNN相结合(LBP and Gabor feature combination and CNN,LG-CNN)的缺陷图像识别方法,对采集到的大坝图像进行分析,实现对缺陷图像的识别和分类.该方法首先分别提取图像的LBP特征与Gabor特征;然后将得到的LBP特征和Gabor特征组合作为CNN的输入;最后通过逐层训练网络,实现大坝缺陷类型的分类识别.实验结果表明,LG-CNN的平均识别准确率为88.39％,缺陷召回率为92.75％,与相同参数设置下的CNN分类识别算法相比,识别准确率和缺陷召回率分别约提高了3.1％和2.5％,具有最优的结果.

关键词：缺陷图像、LBP特征、Gabor特征、CNN、分类

所属期刊栏目：46

分类号：TP311(计算技术、计算机技术)

资助基金：“十三五”国家重点研发计划项目2018YFC0407105;华能集团重点研发课题HNKJ17-21

在线出版日期：2019-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：267-274