典型文献
基于特征融合的风机叶片表面缺陷检测模型
文献摘要：
针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点.提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法.利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合.用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别.通过实验,在自建数据集训练后的分类准确率达到了 97.5％,kappa系数达到95.1.相比利用单一特征检测,分类准确率有明显的提高.经风电场实际验证,本模型的平均分类准确率为96.3％,Kappa系数为94.5,漏报率明显降低.
文献关键词：
图像处理;卷积神经网络;核极限学习机;麻雀搜索算法
中图分类号：
作者姓名：
汤占军;孙栋钦;李英娜;陆鹏
作者机构：
昆明理工大学信息工程与自动化学院 昆明650000;云南龙源风力发电有限公司 曲靖655000
文献出处：
引用格式：
[1]汤占军;孙栋钦;李英娜;陆鹏-.基于特征融合的风机叶片表面缺陷检测模型)[J].电子测量技术,2022(11):161-166
A类：
B类：
特征融合,风机叶片,表面缺陷检测,检测模型,检测识别,识别率,网络特征,局部二值模式特征,核极限学习机,缺陷检测方法,注意力机制,纹理信息,主成分分析方法,串行,改进的麻雀搜索算法,算法优化,训练模型,最优模型,缺陷识别,自建数据集,集训,分类准确率,kappa,比利,特征检测,风电场,平均分,Kappa,漏报率
AB值：
0.273144
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
