CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2019/8097213gydF4y2Ba 8097213gydF4y2Ba 研究文章gydF4y2Ba 提供基于图像处理的检测管道腐蚀使用纹理分析和Metaheuristic-Optimized机器学习的方法gydF4y2Ba https://orcid.org/0000 - 0001 - 9450 - 4637gydF4y2Ba 黄平君gydF4y2Ba Nhat-DucgydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 7788 - 9627gydF4y2Ba TrangydF4y2Ba Van-DucgydF4y2Ba 2gydF4y2Ba Gomez-PulidogydF4y2Ba 胡安。gydF4y2Ba 1gydF4y2Ba 讲师gydF4y2Ba 土木工程学院gydF4y2Ba 研究所的研究和发展gydF4y2Ba Duy谭大学gydF4y2Ba R.809-No。03Quang Trung 岘港550000gydF4y2Ba 越南gydF4y2Ba duytan.edu.vngydF4y2Ba 2gydF4y2Ba 讲师gydF4y2Ba 国际学校gydF4y2Ba Duy谭大学gydF4y2Ba 254年越南总理阮晋勇(Nguyen Van灵gydF4y2Ba 岘港550000gydF4y2Ba 越南gydF4y2Ba duytan.edu.vngydF4y2Ba 2019年gydF4y2Ba 11gydF4y2Ba 7gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 27gydF4y2Ba 03gydF4y2Ba 2019年gydF4y2Ba 21gydF4y2Ba 05年gydF4y2Ba 2019年gydF4y2Ba 17gydF4y2Ba 06gydF4y2Ba 2019年gydF4y2Ba 11gydF4y2Ba 7gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 版权©2019 Nhat-Duc黄平君Van-Duc Tran。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

保持建筑物的可服务性,业主需要了解当前的水供应和废物处理系统的状况。因此,及时、准确的检测腐蚀管道表面上是一个至关重要的任务。传统的手工测量过程由人工核查人员耗费大量的时间和人力是出了名的。因此,本研究提出了一种自动化提供基于图像处理方法的管道腐蚀检测的任务。图像纹理包括统计测量的图像颜色、灰度共生矩阵、灰度运行管道表面的长度是用来提取特征。支持向量机优化通过微分花授粉然后用于构造决定边界可以识别腐蚀和完整的管道表面。2000数据集组成的图像样本收集和利用训练和测试提出的混合模型。实验结果支持的Wilcoxon符号秩检验证实,该方法非常适合感兴趣的任务与92.81%的准确率。因此,在这项研究中提出的模型可以是一个有前途的工具,协助建立维护代理商在管道系统调查的阶段。gydF4y2Ba

 1。介绍gydF4y2Ba

在高层建筑的维护,一个重要的目标是关注供水系统的完整性和预防水污染。铸铁广泛用于供水和废物处理系统由于强度高的优点。因为不锈钢管道通常逐渐淡出人们的视线在国内管道工程,因为他们的高费用gydF4y2Ba 1gydF4y2Ba),腐蚀是一种普遍观察到的结构性破坏。gydF4y2Ba

腐蚀(见图gydF4y2Ba 1gydF4y2Ba)可以被定义为一个化学过程由化学和电化学反应引起的。这种现象通常观察到在环境条件具有高水平的水分。有不同类型的通用发生腐蚀等腐蚀均匀分布nonprotective片生锈和点蚀是一个局部的腐蚀作用[gydF4y2Ba 2gydF4y2Ba]。腐蚀带来的破坏金属管道表面,因此导致减少管使用寿命,增加建设维护成本(gydF4y2Ba 3gydF4y2Ba]。在某些情况下,这一缺陷可能强烈影响住户的健康由于水质的恶化。因此,腐蚀应确认及时通过定期调查,确保管道系统的完整性和建立有效的维护策略。gydF4y2Ba

在管子表面腐蚀领域。gydF4y2Ba

在越南,以及在许多其他国家,人类检查员执行的手动方法通常用于供水条件评估/废物处置系统。明确指出,刘等人。gydF4y2Ba 4gydF4y2Ba和车队旅之行和Jahanshahi艾莎跟gydF4y2Ba 5gydF4y2Ba),这些手册的方法是劳动密集型的,耗费时间。腐蚀区域可以被忽视的管道系统,很难达到,观察视觉。此外,数据处理和报告的过程也很乏味的人类技术人员。因此,有一个实际的需要想出一个更有效率和准确管情况调查的方法。gydF4y2Ba

虽然有广泛的现有管道检验方法(如漏磁、超声波测试,和外部腐蚀直接评价),这些方法都有局限性包括设备成本高,限制范围的检查,和无能的检测小点蚀区域(gydF4y2Ba 3gydF4y2Ba]。考虑到大量的管道系统和有限的访问调查需要复杂的设备在发展中国家,迫切需要一个高效和低成本的解决方案,定期对管道系统的调查情况。最近,数字图像处理获得了一个伟大的关注在结构健康监测领域的(gydF4y2Ba 6gydF4y2Ba,gydF4y2Ba 7gydF4y2Ba]。gydF4y2Ba

特别是图像处理技术可以有效地用来调查检测缺陷管道的外表面或其他金属结构包括腐蚀和裂纹gydF4y2Ba 8gydF4y2Ba]。伊萨克·et al。gydF4y2Ba 9gydF4y2Ba]依赖统计测量的图像像素量化点状腐蚀。崔和金gydF4y2Ba 10gydF4y2Ba)确定基于形态学腐蚀表面的腐蚀;特征图像的颜色、纹理和形状是用于识别腐蚀。模型分类腐蚀和noncorroded表面使用纹理描述符从灰度共生矩阵法和图像颜色提出了Medeiros et al。gydF4y2Ba 11gydF4y2Ba]。gydF4y2Ba

基于分水岭分割方法被使用在gydF4y2Ba 12gydF4y2Ba腐蚀缺陷的评级);腐蚀区域的面积比例是用于确定缺陷的等级。伊德里斯和魔法师gydF4y2Ba 13gydF4y2Ba)图像基于过滤器图像增强和神经网络用于腐蚀检查。儿子et al。gydF4y2Ba 14gydF4y2Ba)提出了一种基于决策树算法的模型识别生锈的钢桥的表面积。基于图像颜色模型分析和k - means聚类桥锈识别构造和验证了廖和李gydF4y2Ba 15gydF4y2Ba]。gydF4y2Ba

Petricca et al。gydF4y2Ba 16gydF4y2Ba相比标准的计算机视觉技术和深铁锈和nonrust检测的神经网络。深层神经网络也被刘用于腐蚀检测et al。gydF4y2Ba 4gydF4y2Ba和车队旅之行和Jahanshahi艾莎跟gydF4y2Ba 5gydF4y2Ba]。Safari和Shoorehdeli [gydF4y2Ba 17gydF4y2Ba)应用人工神经网络、伽柏过滤器和熵过滤管道缺陷检测。Cheriet et al。gydF4y2Ba 18gydF4y2Ba)结合专家知识和现场数据构建一个以知识为基础的系统来评估腐蚀损伤对金属管道管道。吉本斯et al。gydF4y2Ba 19gydF4y2Ba)依赖的高斯混合模型概率分类腐蚀和noncorroded区域。Bondada et al。gydF4y2Ba 3gydF4y2Ba检测和定量评估对管道腐蚀损伤计算饱和值的图像像素的均值;通过图像分析,腐蚀管道可以分割区域。gydF4y2Ba

从上面的文献,可以看出,图像处理和机器学习一直是一个可行的替代方案取代人工调查的乏味的过程。根据最近的一个评论Ahuja和舒克拉(gydF4y2Ba 20.gydF4y2Ba],有增加趋势,应用计算机视觉技术对腐蚀检测。此外,由于该研究主题的重要性,探索其他图像处理和机器学习方法用于管道腐蚀检测可以在学术和实用方面非常有意义。gydF4y2Ba

在文献中报道,尽管图像纹理分析已经应用,一些先前的研究工作结合图像纹理描述符管腐蚀的认可。因此,本研究试图填补这一差距在文献中提出了一个方法用于分析相结合的水管表面纹理的统计测量颜色通道的灰度共生矩阵、灰度矩阵运行长度。基于上述特征提取的纹理描述符,支持向量机(SVM) [gydF4y2Ba 21gydF4y2Ba)是用来分类图像样本分为两类:noncorrosion(负)和腐蚀(积极的)。支持向量机用于这项研究是由于这样的事实,它已经被证实是一个健壮的工具在各种模式分类研究[gydF4y2Ba 22gydF4y2Ba- - - - - -gydF4y2Ba 24gydF4y2Ba]。此外,基于svm的训练过程优化腐蚀检测模型,微分花授粉(DFP) metaheuristic就业。组成的数据集收集2000份图像样本训练和验证该方法。gydF4y2Ba

研究的其余部分组织如下。部分gydF4y2Ba 2gydF4y2Ba回顾了研究材料和方法用于构造水管腐蚀检测方法。部分gydF4y2Ba 3gydF4y2Ba报告实验结果和讨论。部分gydF4y2Ba 4gydF4y2Ba本研究提供了一些结论。gydF4y2Ba

 2。材料和方法gydF4y2Ba 2.1。图像纹理分析gydF4y2Ba

确定腐蚀领域基于二维图像样本是一项具有挑战性的任务,由于复杂的和欺骗性的特性包含各种不规则的管表面污垢和油漆等对象。因此,使用一个像素所提供的信息是绝对不够的腐蚀检测。这是因为一个像素有类似的颜色值可以属于类别的noncorrosion和腐蚀。因此,纹理信息提取一定区域的管表面可用于识别感兴趣的缺陷。本节的研究描述了使用纹理描述符用于计算水管表面的特性。gydF4y2Ba

2.1.1。统计特性的颜色通道gydF4y2Ba

,三个颜色通道的统计特性(红、绿、蓝色)图像的样本可以用来表示图像纹理。因此,一个图像在RGB颜色空间描述。它指出,除了RGB,还有其他如HSV色彩空间也可以用于腐蚀检测的任务。然而,在这项研究中,我们依靠原始RGB颜色模型得到的数码相机。让gydF4y2Ba 我gydF4y2Ba是一个变量代表的颜色图像样本的水平。一阶直方图gydF4y2Ba PgydF4y2Ba(gydF4y2Ba 我gydF4y2Ba)计算如下gydF4y2Ba 25gydF4y2Ba]:gydF4y2Ba (1)gydF4y2Ba PgydF4y2Ba cgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba WgydF4y2Ba ×gydF4y2Ba HgydF4y2Ba ,gydF4y2Ba c代表一个颜色通道,gydF4y2Ba NgydF4y2Ba 我gydF4y2BacgydF4y2Ba是像素强度值的数量吗gydF4y2Ba 我gydF4y2Ba通道的cgydF4y2Ba HgydF4y2Ba和gydF4y2Ba WgydF4y2Ba代表图像的高度和宽度的样本,分别。gydF4y2Ba

因此,平均(gydF4y2Ba μgydF4y2Ba cgydF4y2Ba ),标准偏差(gydF4y2Ba σgydF4y2Ba cgydF4y2Ba )、偏态(gydF4y2Ba δgydF4y2Ba cgydF4y2Ba ),峰态(gydF4y2Ba ηgydF4y2Ba cgydF4y2Ba ),熵(gydF4y2Ba ρgydF4y2Ba cgydF4y2Ba )和范围(gydF4y2Ba ΔgydF4y2Ba cgydF4y2Ba 的颜色值计算如下:gydF4y2Ba (2)gydF4y2Ba μgydF4y2Ba cgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba ×gydF4y2Ba PgydF4y2Ba cgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba σgydF4y2Ba cgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba −gydF4y2Ba μgydF4y2Ba cgydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba PgydF4y2Ba cgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba δgydF4y2Ba cgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba −gydF4y2Ba μgydF4y2Ba cgydF4y2Ba 3gydF4y2Ba ×gydF4y2Ba PgydF4y2Ba cgydF4y2Ba 我gydF4y2Ba σgydF4y2Ba cgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba ηgydF4y2Ba cgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba cgydF4y2Ba −gydF4y2Ba μgydF4y2Ba cgydF4y2Ba 4gydF4y2Ba ×gydF4y2Ba PgydF4y2Ba cgydF4y2Ba 我gydF4y2Ba σgydF4y2Ba cgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba cgydF4y2Ba =gydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 问gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba PgydF4y2Ba cgydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba 日志gydF4y2Ba 2gydF4y2Ba PgydF4y2Ba cgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ΔgydF4y2Ba cgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba 我gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 最小值gydF4y2Ba 我gydF4y2Ba cgydF4y2Ba ,gydF4y2Ba 问在哪里= 256表示离散的颜色值的数量。gydF4y2Ba

 2.1.2。应用灰度共生矩阵建立灰度共生矩阵法()gydF4y2Ba

应用灰度共生矩阵建立的(gydF4y2Ba 26gydF4y2Ba)也是一个常用的纹理描述符。采用这种技术,一个彩色图像必须先转化为灰度。应用灰度共生矩阵建立的歧视不同的图像纹理的基础上反复出现的一些灰度模式存在的纹理(gydF4y2Ba 27gydF4y2Ba]。让gydF4y2Ba δgydF4y2Ba =gydF4y2Ba rgydF4y2Ba ,gydF4y2Ba θgydF4y2Ba 在极坐标矢量图像的样本。为每一个gydF4y2Ba δgydF4y2Ba 的联合概率双灰色的水平发生在两个点分开的关系gydF4y2Ba δgydF4y2Ba 计算(gydF4y2Ba 28gydF4y2Ba]。这是应用灰度共生矩阵建立简洁地显示在一个联合概率gydF4y2Ba PgydF4y2Ba δgydF4y2Ba 在这gydF4y2Ba PgydF4y2Ba δgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 代表两个灰色的水平的概率gydF4y2Ba 我gydF4y2Ba和gydF4y2Ba jgydF4y2Ba根据发生gydF4y2Ba δgydF4y2Ba 。最初的gydF4y2Ba PgydF4y2Ba δgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 通常是标准化通过以下方程:gydF4y2Ba (3)gydF4y2Ba PgydF4y2Ba δgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba =gydF4y2Ba PgydF4y2Ba δgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 年代gydF4y2Ba PgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba PgydF4y2Ba δgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 表示应用灰度共生矩阵建立规范化和gydF4y2Ba 年代gydF4y2BaPgydF4y2Ba是像素的数量。gydF4y2Ba

基于Haralick等的建议。gydF4y2Ba 29日gydF4y2Ba),四个GLCMsgydF4y2Ba rgydF4y2Ba= 1,gydF4y2Ba θgydF4y2Ba = 0°、45°、90°、135°可以建立。因此,角二阶矩(AM)、对比(有限公司)、相关(CR)和熵(ET)可以计算每个矩阵作为纹理描述符如下(gydF4y2Ba 28gydF4y2Ba,gydF4y2Ba 29日gydF4y2Ba]:gydF4y2Ba (4)gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ggydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ggydF4y2Ba PgydF4y2Ba δgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 有限公司gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba NgydF4y2Ba ggydF4y2Ba −gydF4y2Ba 1gydF4y2Ba kgydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba −gydF4y2Ba jgydF4y2Ba =gydF4y2Ba kgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ggydF4y2Ba PgydF4y2Ba δgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba CRgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ggydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ggydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba jgydF4y2Ba ×gydF4y2Ba PgydF4y2Ba δgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba −gydF4y2Ba μgydF4y2Ba XgydF4y2Ba μgydF4y2Ba YgydF4y2Ba σgydF4y2Ba XgydF4y2Ba σgydF4y2Ba YgydF4y2Ba ,gydF4y2Ba 等gydF4y2Ba =gydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ggydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ggydF4y2Ba PgydF4y2Ba δgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 日志gydF4y2Ba PgydF4y2Ba δgydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba NgydF4y2BaggydF4y2Ba和灰度值的数量吗gydF4y2Ba μgydF4y2Ba XgydF4y2Ba ,gydF4y2Ba μgydF4y2Ba YgydF4y2Ba ,gydF4y2Ba σgydF4y2Ba XgydF4y2Ba ,gydF4y2Ba σgydF4y2Ba YgydF4y2Ba 是边际分布的均值和标准差与应用灰度共生矩阵建立规范化(gydF4y2Ba 29日gydF4y2Ba]。gydF4y2Ba

 2.1.3。灰度运行长度(GLRL)gydF4y2Ba

加洛韦GLRL纹理描述方法提出的(gydF4y2Ba 30.gydF4y2Ba]。这个方法是非常有效地识别纹理不同的细度和已经成功地应用在各个领域的研究(gydF4y2Ba 31日gydF4y2Ba,gydF4y2Ba 32gydF4y2Ba]。是因为GLRL构造基于灰度运行更频繁地观察到在一个相对较长粗纹理,纹理通常有更多的短期运行(gydF4y2Ba 33gydF4y2Ba]。一个运行周期矩阵gydF4y2Ba pgydF4y2Ba(gydF4y2Ba i·jgydF4y2Ba)被定义为在某一方向上的次数,运行长度gydF4y2Ba jgydF4y2Ba灰色的水平gydF4y2Ba 我gydF4y2Ba是观察到的gydF4y2Ba 30.gydF4y2Ba]。gydF4y2Ba

使用这个矩阵,短期重点(行为),长期重点(LRE),灰度不均匀性(GLN),运行长度不均匀性(RLN),并运行百分比(RP) [gydF4y2Ba 30.gydF4y2Ba,gydF4y2Ba 33gydF4y2Ba可以计算)。此外,楚et al。gydF4y2Ba 34gydF4y2Ba)提出了指数的低灰度强调的重点(LGRE)和高灰度跑(HGRE)。Dasarathy和持有人gydF4y2Ba 35gydF4y2Ba)提出了计算短期的低灰度强调(SRLGE),短期内的高灰度强调(SRHGE),长期的低灰度强调(LRLGE),和长期的高灰度强调(LRHGE)。总结了以上指标表gydF4y2Ba 1gydF4y2Ba。指出,一个运行长度矩阵计算为每个方向的集合gydF4y2Ba 0gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba 45gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba 90年gydF4y2Ba °gydF4y2Ba ,gydF4y2Ba 135年gydF4y2Ba °gydF4y2Ba 和每个矩阵的结果在11 GLRL-based特性。因此,功能的总数从GLRL矩阵获得11×4 = 44。gydF4y2Ba

使用GLRL纹理描述符。gydF4y2Ba

描述符gydF4y2Ba 符号gydF4y2Ba 方程gydF4y2Ba
短期重点gydF4y2Ba 行为gydF4y2Ba 行为gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba /gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba
长期的重点gydF4y2Ba LREgydF4y2Ba LREgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ×gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba
灰度不均匀性gydF4y2Ba GLNgydF4y2Ba GLNgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba
运行长度不均匀性gydF4y2Ba RLNgydF4y2Ba RLNgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba
运行百分比gydF4y2Ba RPgydF4y2Ba RPgydF4y2Ba =gydF4y2Ba NgydF4y2Ba rgydF4y2Ba /gydF4y2Ba NgydF4y2Ba pgydF4y2Ba
低灰度运行的重点gydF4y2Ba LGREgydF4y2Ba LGREgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba /gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba
的高灰度运行重点gydF4y2Ba HGREgydF4y2Ba HGREgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba
短期的低灰度强调gydF4y2Ba SRLGEgydF4y2Ba SRLGEgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba /gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba
短期的高灰度强调gydF4y2Ba SRHGEgydF4y2Ba SRHGEgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba /gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba
长期的低灰度强调gydF4y2Ba LRLGEgydF4y2Ba LRLGEgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ×gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba /gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba
长期的高灰度强调gydF4y2Ba LRHGEgydF4y2Ba LRHGEgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba rgydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba jgydF4y2Ba 2gydF4y2Ba

请注意gydF4y2Ba。gydF4y2Ba 米gydF4y2Ba和gydF4y2Ba NgydF4y2Ba是灰色的数量水平和最大运行长度,分别。让gydF4y2Ba NgydF4y2BargydF4y2Ba和gydF4y2Ba NgydF4y2BapgydF4y2Ba运行的总数和图像中像素的数量,分别。gydF4y2Ba

 2.2。计算智能方法gydF4y2Ba 2.2.1。支持向量机(SVM)gydF4y2Ba

支持向量机,中描述gydF4y2Ba 21gydF4y2Ba),是一个健壮的模式识别方法建立在统计学习理论。由于手头的任务是将一组输入功能gydF4y2Ba xgydF4y2Ba kgydF4y2Ba分为两类的gydF4y2Ba ygydF4y2Ba kgydF4y2Ba=−1 (noncorrosion)和gydF4y2Ba ygydF4y2Ba kgydF4y2Ba= + 1(腐蚀),支持向量机模型构造决定表面分离输入空间分成两个独特的区域描述两种不同的两类。支持向量机算法旨在识别决策边界这类之间的差距是尽可能大gydF4y2Ba 36gydF4y2Ba]。此外,SVM使用内核方法将非线性分类任务转化为一个线性。SVM模型首先将输入数据从原始空间映射到一个高维特征空间内的数据可以由一个超平面(见图gydF4y2Ba 2gydF4y2Ba)。gydF4y2Ba

的数据分类过程支持向量机模型。gydF4y2Ba

SVM训练过程可以制定如下约束优化问题gydF4y2Ba 36gydF4y2Ba]:gydF4y2Ba (5)gydF4y2Ba 最小化gydF4y2Ba JgydF4y2Ba pgydF4y2Ba wgydF4y2Ba ,gydF4y2Ba egydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba wgydF4y2Ba TgydF4y2Ba wgydF4y2Ba +gydF4y2Ba cgydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba egydF4y2Ba kgydF4y2Ba 2gydF4y2Ba 受到gydF4y2Ba ygydF4y2Ba kgydF4y2Ba wgydF4y2Ba TgydF4y2Ba φgydF4y2Ba xgydF4y2Ba kgydF4y2Ba +gydF4y2Ba bgydF4y2Ba ≥gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba egydF4y2Ba kgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba egydF4y2Ba kgydF4y2Ba ≥gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba wgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba ngydF4y2Ba分类超平面的法向量,gydF4y2Ba bgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba模型偏差;gydF4y2Ba egydF4y2Ba kgydF4y2Ba≥0称为松弛变量;c代表一个点球的常数;和gydF4y2Ba φgydF4y2Ba xgydF4y2Ba 来自输入空间的非线性映射到高维特征空间。gydF4y2Ba

在构建的支持向量机模型,它不需要获得的显式形式gydF4y2Ba φgydF4y2Ba xgydF4y2Ba 。相反,只有的点积gydF4y2Ba φgydF4y2Ba xgydF4y2Ba 在输入空间是必需的,并表示通过核函数如下所示:gydF4y2Ba (6)gydF4y2Ba KgydF4y2Ba xgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba lgydF4y2Ba =gydF4y2Ba φgydF4y2Ba xgydF4y2Ba kgydF4y2Ba TgydF4y2Ba φgydF4y2Ba xgydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

径向基函数(RBF)内核函数(gydF4y2Ba 37gydF4y2Ba是通常用于数据分类;它的函数形式如下所示:gydF4y2Ba (7)gydF4y2Ba KgydF4y2Ba xgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba lgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba xgydF4y2Ba kgydF4y2Ba −gydF4y2Ba xgydF4y2Ba lgydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba σgydF4y2Ba 是一个免费的参数。gydF4y2Ba

因此,用于数据分类的支持向量机模型简洁地给出如下:gydF4y2Ba (8)gydF4y2Ba ygydF4y2Ba xgydF4y2Ba lgydF4y2Ba =gydF4y2Ba 标志gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba SVgydF4y2Ba αgydF4y2Ba kgydF4y2Ba ygydF4y2Ba kgydF4y2Ba KgydF4y2Ba xgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba lgydF4y2Ba +gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba αgydF4y2Ba kgydF4y2Ba 表示解决上述约束优化的对偶形式。SV是支持向量的个数的数量gydF4y2Ba αgydF4y2Ba kgydF4y2Ba >gydF4y2Ba 0gydF4y2Ba 。gydF4y2Ba

 2.2.2。微分花授粉(DFP)gydF4y2Ba

如前一节所示,模型训练和支持向量机模型的预测阶段依赖于一个适当的选择的hyperparameters包括惩罚系数(c)和核函数参数(gydF4y2Ba σgydF4y2Ba )。第一个hyperparameter影响刑罚对数据样本偏离既定的决定表面;后来hyperparameter指定的决定的光滑表面。因为这个问题hyperparameter选择可以制定一个优化问题(gydF4y2Ba 38gydF4y2Ba- - - - - -gydF4y2Ba 40gydF4y2Ba),本研究采用DFP metaheuristic优化支持向量机的模型训练阶段。gydF4y2Ba

DFP,提出了gydF4y2Ba 41gydF4y2Ba),是一个基于metaheuristic相结合的优势标准差分进化(DE)算法(gydF4y2Ba 42gydF4y2Ba(FPA)[]和花授粉算法gydF4y2Ba 43gydF4y2Ba]。采用混合metaheuristic包含三个主要步骤:初始化人口的成员,成员的位置改变,成本函数的评估。每个成员的DFP metaheuristic提出作为一个数值向量组成的两种SVM hyperparameters。在第一步中,所有人口成员中随机生成的可行域。在第二步中,群体成员的位置改变了局部和全局搜索阶段。在下一步中,每个成员的成本函数是计算和贪婪的选择算子执行更新DFP人口的位置。gydF4y2Ba

第二步的DFP包括FPA-based全球授粉算子和当地授粉DE-based算子。一个转换概率gydF4y2Ba pgydF4y2Ba =gydF4y2Ba 0.8gydF4y2Ba 用于管理这两个运营商的频率(gydF4y2Ba 43gydF4y2Ba]。FPA-based全球授粉和当地授粉DE-based运营商提出了如下:gydF4y2Ba

FPA-based全球授粉:gydF4y2Ba (9)gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 试验gydF4y2Ba =gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba +gydF4y2Ba lgydF4y2Ba ⋅gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba −gydF4y2Ba XgydF4y2Ba 最好的gydF4y2Ba ,gydF4y2Ba g是当代的索引,gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba 试验gydF4y2Ba 是一个试验方案,gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba 表示当前人口的一个解决方案,gydF4y2Ba XgydF4y2Ba 最好的gydF4y2Ba 代表的是最好的解决方案,gydF4y2Ba lgydF4y2Ba代表一个随机数产生的税收分布(gydF4y2Ba 43gydF4y2Ba]。gydF4y2Ba

当地授粉DE-based修改当前成员通过创建一个突变花和交叉花根据以下方程:gydF4y2Ba

创建一个突变花:gydF4y2Ba (10)gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba 突变gydF4y2Ba =gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba +gydF4y2Ba FgydF4y2Ba ⋅gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba −gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba rgydF4y2Ba1,gydF4y2Ba rgydF4y2Ba2,gydF4y2Ba rgydF4y2Ba3三个随机整数gydF4y2Ba FgydF4y2Ba代表一个突变的比例因子是从一个高斯分布= 0.5均值和标准差= 0.15 (gydF4y2Ba 41gydF4y2Ba]。gydF4y2Ba

创建一个交叉花:gydF4y2Ba (11)gydF4y2Ba XgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 交叉gydF4y2Ba =gydF4y2Ba XgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 突变gydF4y2Ba ,gydF4y2Ba 如果gydF4y2Ba rgydF4y2Ba 和gydF4y2Ba jgydF4y2Ba ≤gydF4y2Ba Cr或gydF4y2Ba jgydF4y2Ba =gydF4y2Ba rnbgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba DFPgydF4y2Ba ,gydF4y2Ba 如果gydF4y2Ba rgydF4y2Ba 和gydF4y2Ba jgydF4y2Ba >gydF4y2Ba Cr和gydF4y2Ba jgydF4y2Ba ≠gydF4y2Ba rnbgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 其中Cr = 0.8是交叉概率(gydF4y2Ba 44gydF4y2Ba]。gydF4y2Ba

2.3。收集图像样本gydF4y2Ba

因为SVM是一个监督机器学习算法,数据集组成的2000图像样本的收集管表面与地面真理标签构建基于SVM腐蚀检测模型。是适当的注意,两个标签的图像样本的数量noncorrosion(负类)和腐蚀(积极类)都是1000。已调查期间收集的数字图像样本的一些高层建筑在城市岘港(越南)。使用的数码相机是佳能EOS M10 18-megapixel决议,和图像手动通过人类的检查员。gydF4y2Ba

因此,图像样本的两个标签noncorrosion(标签=−1)和腐蚀(标签= + 1)已经准备基于svm分类过程。为了加速纹理计算过程,图像样本的大小已经将50×50像素。因此,图像裁剪操作执行生成图像样本用来训练支持向量机模型。收集到的图像设置如图gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

收集到的图像样本:(a) noncorrosion类和(b)腐蚀类。gydF4y2Ba

 2.4。提出杂交图像处理和Metaheuristic-Optimized支持向量机的管道腐蚀检测gydF4y2Ba

本节的研究描述了新开发的结构混合模型的图像处理和metaheuristic-optimized SVM对管道腐蚀检测。命名为MO-SVM-PCD,该模型是结合图像纹理分析和metaheuristic-optimized机器学习方法。正如前面提到的,颜色的统计测量通道,GLCM, GLRL用于从图像中提取texture-based特征样本。混合模型依赖于支持向量机分类数据样本的类别noncorrosion和腐蚀。此外,DFP metaheuristic被用来优化基于svm训练和预测阶段。MO-SVM-PCD模型的总体结构如图gydF4y2Ba 4gydF4y2Ba。模型结构可以划分为两个分开的模块:计算基于支持向量机的图像纹理和数据分类。第一个模块是在Visual c# . net构建;第二个模块是在MATLAB开发的。gydF4y2Ba

提出MO-SVM-PCD模型用于管道腐蚀检测。gydF4y2Ba

在第一个模块,基于统计分析的图像纹理描述符的颜色通道,GLCM, GLRL计算数值特征图像样本。为每个三个颜色通道(红、绿、蓝),六个统计测量的意思是,标准差,偏态、峰态,熵,计算范围。因此,数值特征的总数从上述统计指标中提取图像的样本6×3 = 18。随后,群特征从四个同现矩阵中提取对应的方向0°、45°、90°、135°计算。因为角二阶矩的四个指标,对比,相关性,熵是获得从一个同现矩阵,GLCM-based特性的总数是4×4 = 16。gydF4y2Ba

此外,每个GLRL矩阵收益率11行为的性质,LRE, GLN, RLN, RP, LGRE, HGRE, SRLGE, SRHGE LRLGE, LRHGE。因此,如前所述,GLRL-based特性的数量是4×11 = 44。因此,每个图像样本的特征是一个特征向量在18 + 16 + 44 = 78元素。这个模块可以计算纹理的图像用于说明目的,可以从一批图像提取特征构造训练和测试样本数值数据集。gydF4y2Ba

当计算模块的功能是完成,数据集组成的2000个数据样本和78输入功能准备进一步分析。这个数据集有两个类输出:−1意义noncorrosion(负类)和+ 1意义腐蚀(积极类)。此外,对于标准化的数据范围和提高数据建模过程,数值数据集预处理的z分数数据标准化gydF4y2Ba 45gydF4y2Ba]。z分数数据归一化方程给出如下:gydF4y2Ba (12)gydF4y2Ba XgydF4y2Ba 锌gydF4y2Ba =gydF4y2Ba XgydF4y2Ba ogydF4y2Ba −gydF4y2Ba 米gydF4y2Ba XgydF4y2Ba 年代gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba XgydF4y2BaogydF4y2Ba和gydF4y2Ba XgydF4y2Ba锌gydF4y2Ba代表原始和标准化的输入变量,分别gydF4y2Ba 米gydF4y2Ba XgydF4y2Ba和gydF4y2Ba 年代gydF4y2Ba XgydF4y2Ba的平均值和标准偏差表示原始输入变量,分别。gydF4y2Ba

随后,归一化数据集随机分为两个子集:培训组(70%)和测试组(30%)。第一个数据子集是用于模型训练;后来的数据子集被预留给模型测试。采用的训练数据集是基于svm数据分类模块概括腐蚀识别模型。此外,DFP整合利用SVM模型hyperparameters包括惩罚系数和RBF内核参数。值得一提的是,支持向量机模型运行通过MATLAB统计和机器学习的帮助工具箱(gydF4y2Ba 46gydF4y2Ba];此外,DFP和DFP的杂交和支持向量机模型在MATLAB构造的作者。gydF4y2Ba

如图gydF4y2Ba 4gydF4y2Ba,这两种SVM hyperparameters随机初始化第一代(gydF4y2Ba ggydF4y2Ba =gydF4y2Ba 1gydF4y2Ba )。使用本地和全球授粉运营商,SVM的DFP算法逐步引导人口hyperparameters探索搜索空间,并找出更好的解决方案。基于先前的研究中参数设置的指导(gydF4y2Ba 44gydF4y2Ba,gydF4y2Ba 47gydF4y2Ba)、人口规模和DFP搜索代选择的数量是12和100年。可行域的支持向量机的惩罚系数和内核参数(100)和(0.1,100)。阶段的解决方案评估,每个成员的人口质量评价通过以下成本函数:gydF4y2Ba (13)gydF4y2Ba fgydF4y2Ba CFgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba KgydF4y2Ba 2gydF4y2Ba /gydF4y2Ba PPVgydF4y2Ba kgydF4y2Ba +gydF4y2Ba 净现值gydF4y2Ba kgydF4y2Ba KgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba KgydF4y2Ba= 5表示的数量数据折叠和PPV和NPV是阳性预测值和阴性预测值。PPV和NPV是用来表达模型的性能与一组SVM hyperparameters有关。gydF4y2Ba

PPV和NPV计算按照下列方程(gydF4y2Ba 48gydF4y2Ba]:gydF4y2Ba (14)gydF4y2Ba PPVgydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ,gydF4y2Ba 净现值gydF4y2Ba =gydF4y2Ba TNgydF4y2Ba TNgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba ,gydF4y2Ba TP、TN、FP和FN是真正积极的,真正的负面,假阳性和假阴性值,分别。gydF4y2Ba

是指出,计算模型的成本函数,gydF4y2Ba KgydF4y2Ba倍交叉验证过程gydF4y2Ba KgydF4y2Ba= 5是就业。使用这种交叉褶皱验证、原始数据集分为5互斥的子集。因此,支持向量机模型训练和评估重复5次。在每一次,4子集用于模型训练和一个子集用于模型验证。通过平均模型的整体性能得到预测结果5数据的折线。这个过程已经被证明是一个健壮的方法模型hyperparameter选择(gydF4y2Ba 49gydF4y2Ba]。值得注意的是,在每一代,根据计算出的成本函数,群体成员的位置更新和停止准则检查来验证是否一代数量超过容许值。如果停止准则,DFP-based优化进程终止和优化的支持向量机模型准备预测腐蚀状态的小说形象样本。gydF4y2Ba

 3所示。实验结果和讨论gydF4y2Ba

如前所述,数据集2000个样本和78图像纹理变量分为训练和测试子集。训练和测试原始数据集的子集占领70%和30%,分别。第一部分是用于训练模型。第二个子集是用于测试该模型预测能力的新颖的图像样本预测腐蚀状态的时候没有遇到训练子集。此外,可靠地评估模型的性能和减少随机性引起的数据采集过程,本研究工作已经进行了一个随机二次抽样的原始数据集组成的20分。在每次运行,30%的数据是随机提取构成了测试子集;其余的数据用于模型的训练。因此,性能可靠地评估的整体模型平均预测结果的重复数据采样。gydF4y2Ba

除了上述PPV和NPV,分类准确率(汽车),回忆,和F1的分数也用于表达模型的预测精度。这些指标计算如下gydF4y2Ba 50gydF4y2Ba]:gydF4y2Ba (15)gydF4y2Ba 分类准确率:汽车gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba +gydF4y2Ba TNgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba TNgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba +gydF4y2Ba FNgydF4y2Ba ×gydF4y2Ba One hundred.gydF4y2Ba %gydF4y2Ba ,gydF4y2Ba 回忆gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba ,gydF4y2Ba FgydF4y2Ba 1gydF4y2Ba 分数gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba TPgydF4y2Ba 2gydF4y2Ba TPgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba +gydF4y2Ba FNgydF4y2Ba ,gydF4y2Ba TP、TN、FP和FN是真正积极的,真正的负面,假阳性和假阴性的价值观。gydF4y2Ba

演示计算样本纹理图像的特征提取阶段在图提供gydF4y2Ba 5gydF4y2Ba。78,为每个图像样本特征表示图像的统计测量颜色,GLCM, GLRL达到和用于数据分类的目的。此外,进化过程的DFP metaheuristic-based SVM模型优化如图gydF4y2Ba 6gydF4y2Ba显示了最好,平均成本函数值在每一代。惩罚系数的最优值和RBF核函数参数发现4.30和8.86最好的成本函数= 1.08。gydF4y2Ba

特征提取过程的说明:(a) noncorrosion案例和(b)腐蚀情况。gydF4y2Ba

DFP优化过程。gydF4y2Ba

的性能MO-SVM-PCD训练和测试阶段的报告在表gydF4y2Ba 2gydF4y2Ba。这个表所示,该模型已经获得良好的两阶段预测精度与汽车> 90%。在细节,MO-SVM-PCD取得汽车= 91.17%,PPV = 0.91,回忆= 0.92,净现值= 0.92,F1得分= 0.91测试阶段。有一个专注于MO-SVM-PCD性能在测试阶段,因为这反映了模型的泛化能力。gydF4y2Ba

平均预测MO-SVM-PCD的性能。gydF4y2Ba

指数gydF4y2Ba 培训阶段gydF4y2Ba 测试阶段gydF4y2Ba
汽车(%)gydF4y2Ba 98.382gydF4y2Ba 92.808gydF4y2Ba
PPVgydF4y2Ba 0.982gydF4y2Ba 0.922gydF4y2Ba
回忆gydF4y2Ba 0.986gydF4y2Ba 0.936gydF4y2Ba
净现值gydF4y2Ba 0.986gydF4y2Ba 0.935gydF4y2Ba
F1的分数gydF4y2Ba 0.984gydF4y2Ba 0.929gydF4y2Ba

此外,腐蚀检测基于大型的MO-SVM-PCD图像样本可以通过实现块图像分离过程。这幅图像分离过程如图gydF4y2Ba 7(一)gydF4y2Ba。在这个图中,每个块对应一个样本有50×50的大小。整个图像的分类结果进行结合MO-SVM-PCD-based腐蚀检测每个图像块(见图gydF4y2Ba 7 (b)gydF4y2Ba)。一个图像块分类所需的计算时间是4秒;因此,整个大型图像的腐蚀检测(800×600像素)大约需要768秒。指出,积极发现类(类)腐蚀样品用红色突出显示方块。从这个图我们可以看到,该方法可以取得相对较好的分类结果。然而,一些积极的样本位于腐蚀区域的边界没有被正确识别。gydF4y2Ba

MO-SVM-PCD-based腐蚀检测结果:(a)块图像分离过程和(b)与大型图像样品检测结果。gydF4y2Ba

此外,为了更好地展示的预测能力新建MO-SVM-PCD用于检测金属管道腐蚀,其性能比较的最小二乘支持向量机(LSSVM) [gydF4y2Ba 51gydF4y2Ba),分类树(CTree) [gydF4y2Ba 52gydF4y2Ba),反向传播人工神经网络(BPANN) [gydF4y2Ba 53gydF4y2Ba),而卷积神经网络(CNN) (gydF4y2Ba 54gydF4y2Ba]。选择这些基准模型的原因是,他们已经证实能够为模式分类方法之前的研究(gydF4y2Ba 5gydF4y2Ba,gydF4y2Ba 40gydF4y2Ba,gydF4y2Ba 55gydF4y2Ba- - - - - -gydF4y2Ba 57gydF4y2Ba]。gydF4y2Ba

作者LSSVM模型在MATLAB编程;它的调优参数包括正则化系数和核函数参数也自动被DFP metaheuristic。CTree是由MATLAB提供的内置函数统计和机器学习工具箱(gydF4y2Ba 46gydF4y2Ba]。BPANN模型在MATLAB环境下编程的作者。通过实验,采用的合适参数的最小叶大小CTree模型已经发现2。根据希顿的建议gydF4y2Ba 58gydF4y2Ba)和几个试错,隐层神经元的数量BPANN模型的选择是2×gydF4y2Ba NgydF4y2Ba我gydF4y2Ba/ 3 +gydF4y2Ba NgydF4y2BaOgydF4y2Ba= 54,gydF4y2Ba NgydF4y2Ba我gydF4y2Ba= 78是输入的数量和特性gydF4y2Ba NgydF4y2BaOgydF4y2Ba= 2类标签的数量。此外,学习速率和训练神经网络的时代将是0.1和1000年,分别。gydF4y2Ba

此外,CNN模型用于腐蚀检测是由MATLAB的图像处理工具箱(gydF4y2Ba 59gydF4y2Ba];随机梯度下降的势头(个)和mini-batch模式用于模型训练阶段。通过实验运行,适当的深度学习的配置方法如下:输入图像大小50×50像素。卷积是4层的数量。过滤器的大小20×20日8×8,16×16日和4×4的1gydF4y2Ba圣gydF4y2Ba,2gydF4y2BandgydF4y2Ba3gydF4y2Ba理查德·道金斯gydF4y2Ba和4gydF4y2BathgydF4y2Ba卷积层,分别。过滤器在每一层的数量是36。批处理大小是训练数据的20%。此外,1000年CNN模型训练时期。在CNN,特征提取阶段是自动执行的卷积层;因此,CNN模型不需要做的特性计算三个图像纹理描述符。gydF4y2Ba

所有的模型的预测结果从重复数据采样获得20分总结表gydF4y2Ba 3gydF4y2Ba报道的平均值和标准偏差(Std)模型的性能。显著地,MO-SVM-PCD达到最理想的预测准确性的车,其次是BPANN, CNN, CTree LSSVM。提出了管道腐蚀方法也实现了PPV的最高价值,记得,NPV, F1的分数。模型性能的比较以图形方式显示在图中gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

腐蚀检测结果的机器学习模型。gydF4y2Ba

阶段gydF4y2Ba 指数gydF4y2Ba MO-SVM-PCDgydF4y2Ba LSSVMgydF4y2Ba CTreegydF4y2Ba BPANNgydF4y2Ba 美国有线电视新闻网gydF4y2Ba
的意思是gydF4y2Ba 性病gydF4y2Ba 的意思是gydF4y2Ba 性病gydF4y2Ba 的意思是gydF4y2Ba 性病gydF4y2Ba 的意思是gydF4y2Ba 性病gydF4y2Ba 的意思是gydF4y2Ba 性病gydF4y2Ba
火车gydF4y2Ba 汽车(%)gydF4y2Ba 98.382gydF4y2Ba 0.236gydF4y2Ba 96.432gydF4y2Ba 0.435gydF4y2Ba 97.018gydF4y2Ba 0.532gydF4y2Ba 94.593gydF4y2Ba 1.674gydF4y2Ba 90.890gydF4y2Ba 1.649gydF4y2Ba
PPVgydF4y2Ba 0.982gydF4y2Ba 0.004gydF4y2Ba 0.937gydF4y2Ba 0.008gydF4y2Ba 0.970gydF4y2Ba 0.006gydF4y2Ba 0.937gydF4y2Ba 0.020gydF4y2Ba 0.891gydF4y2Ba 0.024gydF4y2Ba
回忆gydF4y2Ba 0.986gydF4y2Ba 0.004gydF4y2Ba 0.996gydF4y2Ba 0.002gydF4y2Ba 0.971gydF4y2Ba 0.008gydF4y2Ba 0.956gydF4y2Ba 0.016gydF4y2Ba 0.933gydF4y2Ba 0.020gydF4y2Ba
净现值gydF4y2Ba 0.986gydF4y2Ba 0.004gydF4y2Ba 0.995gydF4y2Ba 0.002gydF4y2Ba 0.971gydF4y2Ba 0.007gydF4y2Ba 0.956gydF4y2Ba 0.016gydF4y2Ba 0.930gydF4y2Ba 0.019gydF4y2Ba
F1gydF4y2Ba 0.984gydF4y2Ba 0.002gydF4y2Ba 0.965gydF4y2Ba 0.004gydF4y2Ba 0.970gydF4y2Ba 0.005gydF4y2Ba 0.947gydF4y2Ba 0.016gydF4y2Ba 0.911gydF4y2Ba 0.016gydF4y2Ba
测试gydF4y2Ba 汽车(%)gydF4y2Ba 92.808gydF4y2Ba 1.094gydF4y2Ba 87.467gydF4y2Ba 1.121gydF4y2Ba 85.825gydF4y2Ba 1.467gydF4y2Ba 88.733gydF4y2Ba 1.721gydF4y2Ba 87.258gydF4y2Ba 1.571gydF4y2Ba
PPVgydF4y2Ba 0.922gydF4y2Ba 0.015gydF4y2Ba 0.886gydF4y2Ba 0.016gydF4y2Ba 0.854gydF4y2Ba 0.016gydF4y2Ba 0.877gydF4y2Ba 0.022gydF4y2Ba 0.855gydF4y2Ba 0.028gydF4y2Ba
回忆gydF4y2Ba 0.936gydF4y2Ba 0.017gydF4y2Ba 0.860gydF4y2Ba 0.016gydF4y2Ba 0.864gydF4y2Ba 0.021gydF4y2Ba 0.902gydF4y2Ba 0.026gydF4y2Ba 0.899gydF4y2Ba 0.022gydF4y2Ba
净现值gydF4y2Ba 0.935gydF4y2Ba 0.016gydF4y2Ba 0.864gydF4y2Ba 0.014gydF4y2Ba 0.863gydF4y2Ba 0.019gydF4y2Ba 0.899gydF4y2Ba 0.024gydF4y2Ba 0.894gydF4y2Ba 0.018gydF4y2Ba
F1gydF4y2Ba 0.929gydF4y2Ba 0.011gydF4y2Ba 0.873gydF4y2Ba 0.011gydF4y2Ba 0.859gydF4y2Ba 0.015gydF4y2Ba 0.889gydF4y2Ba 0.017gydF4y2Ba 0.876gydF4y2Ba 0.014gydF4y2Ba

结果比较。gydF4y2Ba

此外,Wilcoxon符号秩检验(gydF4y2Ba 60gydF4y2Ba)是利用在这一节中更好地确认统计显著性差异模型的表现。这是一种非参数统计检验通常用于模型的比较(gydF4y2Ba 61年gydF4y2Ba]。的显著性水平测试= 0.05,如果gydF4y2Ba pgydF4y2Ba 值计算的Wilcoxon符号秩检验低于这一显著性水平,它能够拒绝零假设的微不足道的差异两个预测因子的预测结果。因此,它有信心认为两个管道腐蚀检测模型的预测结果在统计上是不同的。使用这辆车值,结果Wilcoxon符号秩测试报告在表gydF4y2Ba 4gydF4y2Ba。这个测试指出MO-SVM-PCD统计比LSSVM, CTree BPANN, CNNgydF4y2Ba pgydF4y2Ba 值< 0.05。在此基础上统计测试,它能够说明该方法是最适合的方法感兴趣的任务。gydF4y2Ba

pgydF4y2Ba 值从Wilcoxon获得符号秩检验。gydF4y2Ba

模型gydF4y2Ba MO-SVM-PCDgydF4y2Ba LSSVMgydF4y2Ba CTreegydF4y2Ba BPANNgydF4y2Ba 美国有线电视新闻网gydF4y2Ba
MO-SVM-PCDgydF4y2Ba - - - - - -gydF4y2Ba 0.00009gydF4y2Ba 0.00009gydF4y2Ba 0.00009gydF4y2Ba 0.00009gydF4y2Ba
LSSVMgydF4y2Ba 0.00009gydF4y2Ba - - - - - -gydF4y2Ba 0.00427gydF4y2Ba 0.01407gydF4y2Ba 0.48933gydF4y2Ba
CTreegydF4y2Ba 0.00009gydF4y2Ba 0.00427gydF4y2Ba - - - - - -gydF4y2Ba 0.00022gydF4y2Ba 0.01185gydF4y2Ba
BPANNgydF4y2Ba 0.00009gydF4y2Ba 0.01407gydF4y2Ba 0.00022gydF4y2Ba - - - - - -gydF4y2Ba 0.01954gydF4y2Ba
美国有线电视新闻网gydF4y2Ba 0.00009gydF4y2Ba 0.48933gydF4y2Ba 0.01185gydF4y2Ba 0.01954gydF4y2Ba - - - - - -gydF4y2Ba
4所示。结论gydF4y2Ba

腐蚀是一种常见的管道缺陷。及时发现腐蚀是非常重要的,以确保供水系统的完整性,避免水污染。此外,信息管道腐蚀部分周期期间获得建筑调查可以极大地帮助业主建立有效的维护策略。本研究提出了一个基于图像处理的自动方法和机器学习对管道腐蚀的认可。图像处理技术已经被用来从图像中提取有用的特性管表面的腐蚀状况。总共有78特性是使用三个纹理描述符提取图像颜色的统计特性,GLCM, GLRL。gydF4y2Ba

支持向量机的机器学习方法结合DFP metaheuristic是用来构造一个决策边界用于分类管表面图像分为两类noncorrosion和腐蚀。2000数据集组成的图像样本已经被用于训练和验证MO-SVM-PCD提出的混合模型。实验结果支持的Wilcoxon符号秩检验指出,新开发的方法优于其他基准方法平均车= 92.81%。因此,新开发的模型可以是一个有用的工具来构建维护人员快速评估管道系统的状态。进一步扩展当前的研究可能包括利用其他先进机器学习对数据分类、就业的其他metaheuristic模型优化,就业的高阶统计特性作为输入基于机器学习的分类器,提高检测精度的图像样本位于腐蚀区域的边界,改善当前方法的计算效率,采用先进的图像分割技术,和收集更多的图像样本来提高当前MO-SVM-PCD模型的推广。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 补充材料gydF4y2Ba

这项研究包含了数据集的补充材料用于构建基于机器学习模型。78年第一列的数据集提取的纹理特征。最后一列是标签的类腐蚀noncorrosion (0, 1)。gydF4y2Ba

 弗莱明gydF4y2Ba E。gydF4y2Ba 施工工艺:说明介绍gydF4y2Ba 2005年gydF4y2Ba 美国新泽西州霍博肯gydF4y2Ba 布莱克威尔出版有限公司gydF4y2Ba Bonnin-PascualgydF4y2Ba F。gydF4y2Ba 奥尔蒂斯gydF4y2Ba 一个。gydF4y2Ba 腐蚀检测自动化视觉检测、防腐的发展gydF4y2Ba 腐蚀防护的发展gydF4y2Ba 2014年gydF4y2Ba 英国伦敦gydF4y2Ba IntechOpengydF4y2Ba 620年gydF4y2Ba 632年gydF4y2Ba 10.5772/57209gydF4y2Ba BondadagydF4y2Ba V。gydF4y2Ba PratihargydF4y2Ba d·K。gydF4y2Ba 库马尔gydF4y2Ba c·S。gydF4y2Ba 检测和定量评估腐蚀管道通过图像分析gydF4y2Ba Procedia计算机科学gydF4y2Ba 2018年gydF4y2Ba 133年gydF4y2Ba 804年gydF4y2Ba 811年gydF4y2Ba 10.1016 / j.procs.2018.07.115gydF4y2Ba 2 - s2.0 - 85051353111gydF4y2Ba 刘gydF4y2Ba lgydF4y2Ba 棕褐色gydF4y2Ba E。gydF4y2Ba 郑ydF4y2Ba Y。gydF4y2Ba 阴gydF4y2Ba x J。gydF4y2Ba 蔡gydF4y2Ba z Q。gydF4y2Ba AI-facilitated涂层腐蚀评估体系对生产率的提高gydF4y2Ba 学报2018年IEEE会议13日工业电子设备和应用程序(ICIEA)gydF4y2Ba 2018年5月gydF4y2Ba 德国慕尼黑gydF4y2Ba 606年gydF4y2Ba 610年gydF4y2Ba 10.1109 / ICIEA.2018.8397787gydF4y2Ba 2 - s2.0 - 85050078854gydF4y2Ba AthagydF4y2Ba d . J。gydF4y2Ba JahanshahigydF4y2Ba m·R。gydF4y2Ba 深度学习的评估方法基于卷积神经网络用于腐蚀检测gydF4y2Ba 结构健康监测gydF4y2Ba 2018年gydF4y2Ba 17gydF4y2Ba 5gydF4y2Ba 1110年gydF4y2Ba 1128年gydF4y2Ba 10.1177 / 1475921717737051gydF4y2Ba 2 - s2.0 - 85042103996gydF4y2Ba DorafshangydF4y2Ba 年代。gydF4y2Ba 托马斯。gydF4y2Ba r . J。gydF4y2Ba 马奎尔gydF4y2Ba M。gydF4y2Ba 比较深的卷积神经网络和基于图像的裂纹检测混凝土边缘检测器gydF4y2Ba 建筑和建筑材料gydF4y2Ba 2018年gydF4y2Ba 186年gydF4y2Ba 1031年gydF4y2Ba 1045年gydF4y2Ba 10.1016 / j.conbuildmat.2018.08.011gydF4y2Ba 2 - s2.0 - 85051379739gydF4y2Ba 荣格gydF4y2Ba Y。gydF4y2Ba 哦gydF4y2Ba H。gydF4y2Ba 宋gydF4y2Ba M . M。gydF4y2Ba 结构失效的自动检测方法使用时间图像分析在临时结构gydF4y2Ba 国际施工管理杂志》上gydF4y2Ba 2019年gydF4y2Ba 19gydF4y2Ba 2gydF4y2Ba 178年gydF4y2Ba 185年gydF4y2Ba 10.1080 / 15623599.2017.1411457gydF4y2Ba 2 - s2.0 - 85040968471gydF4y2Ba MaattagydF4y2Ba 人类。gydF4y2Ba VannegydF4y2Ba J。gydF4y2Ba HamalainengydF4y2Ba T。gydF4y2Ba NikkanengydF4y2Ba J。gydF4y2Ba 通用软件框架line-buffer-based图像处理管道gydF4y2Ba IEEE消费类电子产品gydF4y2Ba 2011年gydF4y2Ba 57gydF4y2Ba 3gydF4y2Ba 1442年gydF4y2Ba 1449年gydF4y2Ba 10.1109 / TCE.2011.6018905gydF4y2Ba 2 - s2.0 - 80052960403gydF4y2Ba 伊扎克。gydF4y2Ba D。gydF4y2Ba 汀斯坦gydF4y2Ba 我。gydF4y2Ba ZilberberggydF4y2Ba T。gydF4y2Ba 点状腐蚀评估通过计算机图像处理gydF4y2Ba 腐蚀科学gydF4y2Ba 1981年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 17gydF4y2Ba 22gydF4y2Ba 10.1016 / 0010 - 938 x (81) 90059 - 7gydF4y2Ba 2 - s2.0 - 0019438274gydF4y2Ba 崔gydF4y2Ba k . Y。gydF4y2Ba 金gydF4y2Ba 美国年代。gydF4y2Ba 类型的表面腐蚀损伤的形态分析和分类,数字图像处理gydF4y2Ba 腐蚀科学gydF4y2Ba 2005年gydF4y2Ba 47gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 15gydF4y2Ba 10.1016 / j.corsci.2004.05.007gydF4y2Ba 2 - s2.0 - 4744367928gydF4y2Ba MedeirosgydF4y2Ba f·n·S。gydF4y2Ba RamalhogydF4y2Ba g . l . B。gydF4y2Ba 盒饭gydF4y2Ba m P。gydF4y2Ba MedeirosgydF4y2Ba L . c . L。gydF4y2Ba 评价的纹理和颜色特征对无损检测腐蚀gydF4y2Ba EURASIP在信号处理的发展》杂志上gydF4y2Ba 2010年gydF4y2Ba 2010年gydF4y2Ba 1gydF4y2Ba 817473年gydF4y2Ba 10.1155 / 2010/817473gydF4y2Ba 2 - s2.0 - 77956817214gydF4y2Ba 霁gydF4y2Ba G。gydF4y2Ba 朱gydF4y2Ba Y。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 锅gydF4y2Ba Z。gydF4y2Ba 涂层材料的腐蚀缺陷评级系统基于计算机视觉gydF4y2Ba 交易象娱乐一样八世gydF4y2Ba 2012年gydF4y2Ba 柏林,德国gydF4y2Ba 施普林格gydF4y2Ba 210年gydF4y2Ba 220年gydF4y2Ba 10.1007 / 978 - 3 - 642 - 31439 - 1 - _19gydF4y2Ba 2 - s2.0 - 84863944781gydF4y2Ba 伊德里斯gydF4y2Ba 美国一个。gydF4y2Ba 的魔法师gydF4y2Ba f。gydF4y2Ba 图像增强基于软件滤波器优化腐蚀检查gydF4y2Ba -gydF4y2Ba 学报2014年第五届国际会议在智能系统中,建模和仿真gydF4y2Ba 2014年1月gydF4y2Ba 兰卡威岛、马来西亚gydF4y2Ba 345年gydF4y2Ba 350年gydF4y2Ba 10.1109 / ISMS.2014.65gydF4y2Ba 2 - s2.0 - 84959879155gydF4y2Ba 儿子gydF4y2Ba H。gydF4y2Ba 黄gydF4y2Ba N。gydF4y2Ba 金gydF4y2Ba C。gydF4y2Ba 金gydF4y2Ba C。gydF4y2Ba 快速和自动确定生锈的表面区域的钢桥机器人维护系统gydF4y2Ba 自动化建设gydF4y2Ba 2014年gydF4y2Ba 42gydF4y2Ba 13gydF4y2Ba 24gydF4y2Ba 10.1016 / j.autcon.2014.02.016gydF4y2Ba 2 - s2.0 - 84896531443gydF4y2Ba 廖gydF4y2Ba K.-W。gydF4y2Ba 李gydF4y2Ba Y.-T。gydF4y2Ba 钢桥上的锈蚀缺陷的检测涂料通过数字图像识别gydF4y2Ba 自动化建设gydF4y2Ba 2016年gydF4y2Ba 71年gydF4y2Ba 294年gydF4y2Ba 306年gydF4y2Ba 10.1016 / j.autcon.2016.08.008gydF4y2Ba 2 - s2.0 - 84991247571gydF4y2Ba PetriccagydF4y2Ba lgydF4y2Ba 莫斯gydF4y2Ba T。gydF4y2Ba 菲格罗亚gydF4y2Ba G。gydF4y2Ba BroengydF4y2Ba 年代。gydF4y2Ba 腐蚀检测使用人工智能:一个比较标准的计算机视觉技术和深度学习模型gydF4y2Ba 91 - 99gydF4y2Ba 学报第六届国际会议上计算机科学、工程和信息技术gydF4y2Ba 2016年12月gydF4y2Ba 美国新泽西州皮斯卡塔韦gydF4y2Ba IEEEgydF4y2Ba SafarigydF4y2Ba 年代。gydF4y2Ba ShoorehdeligydF4y2Ba m·A。gydF4y2Ba 内部缺陷的检测和隔离基于图像处理和神经网络gydF4y2Ba HDPE管道案例研究管道系统工程和实践杂志》上gydF4y2Ba 2018年gydF4y2Ba 9gydF4y2Ba 2gydF4y2Ba 05018001gydF4y2Ba 10.1061 /(第3期)ps.1949 - 1204.0000311gydF4y2Ba 2 - s2.0 - 85041834054gydF4y2Ba CherietgydF4y2Ba N。gydF4y2Ba BachagydF4y2Ba n E。gydF4y2Ba 外长gydF4y2Ba 一个。gydF4y2Ba 知识库系统(KBS)应用在金属结构腐蚀损伤评估管道gydF4y2Ba HeliyongydF4y2Ba 2018年gydF4y2Ba 4gydF4y2Ba 10gydF4y2Ba e00865gydF4y2Ba 10.1016 / j.heliyon.2018.e00865gydF4y2Ba 2 - s2.0 - 85054848387gydF4y2Ba 吉本斯gydF4y2Ba T。gydF4y2Ba 皮尔斯gydF4y2Ba G。gydF4y2Ba 沃顿gydF4y2Ba K。gydF4y2Ba AntoniadougydF4y2Ba 我。gydF4y2Ba 高斯混合模型在再制造自动化的腐蚀检测gydF4y2Ba 生产技术的进步第十七届gydF4y2Ba 2018年gydF4y2Ba 8gydF4y2Ba 荷兰阿姆斯特丹gydF4y2Ba IOS的新闻gydF4y2Ba 63年gydF4y2Ba 68年gydF4y2Ba 10.3233 / 978-1-61499-902-7-63gydF4y2Ba 2 - s2.0 - 85057425470gydF4y2Ba AhujagydF4y2Ba 美国K。gydF4y2Ba 舒克拉gydF4y2Ba m·K。gydF4y2Ba 基于计算机视觉的腐蚀检测的调查方法gydF4y2Ba 2gydF4y2Ba 程序信息和通信技术的智能系统(icti 2017)gydF4y2Ba 2018年8月gydF4y2Ba 可汗、瑞士gydF4y2Ba 施普林格国际出版gydF4y2Ba 55gydF4y2Ba 63年gydF4y2Ba VapnikgydF4y2Ba v . N。gydF4y2Ba 统计学习理论gydF4y2Ba 1998年gydF4y2Ba 美国新泽西州霍博肯gydF4y2Ba 约翰威利& SonsgydF4y2Ba ISBN-10: 0471030031gydF4y2Ba HadjidemetriougydF4y2Ba g . M。gydF4y2Ba 船帆座gydF4y2Ba p。gydF4y2Ba ChristodoulougydF4y2Ba s E。gydF4y2Ba 自动人行道上补丁使用支持向量机检测和量化gydF4y2Ba 计算机在土木工程杂志》上gydF4y2Ba 2018年gydF4y2Ba 32gydF4y2Ba 1gydF4y2Ba 04017073gydF4y2Ba 10.1061 /(第3期)cp.1943 - 5487.0000724gydF4y2Ba 2 - s2.0 - 85034242749gydF4y2Ba 王gydF4y2Ba M。gydF4y2Ba 王ydF4y2Ba Y。gydF4y2Ba 叶gydF4y2Ba Z。gydF4y2Ba 赖gydF4y2Ba X。gydF4y2Ba 遥感图像分类是基于最优支持向量机和修改二进制编码的蚁群优化算法gydF4y2Ba 信息科学gydF4y2Ba 2017年gydF4y2Ba 402年gydF4y2Ba 50gydF4y2Ba 68年gydF4y2Ba 10.1016 / j.ins.2017.03.027gydF4y2Ba 2 - s2.0 - 85016408940gydF4y2Ba 周gydF4y2Ba Y。gydF4y2Ba 苏gydF4y2Ba W。gydF4y2Ba 丁gydF4y2Ba lgydF4y2Ba 罗gydF4y2Ba H。gydF4y2Ba 爱gydF4y2Ba p . e . D。gydF4y2Ba 预测安全风险在地铁深基坑基础设施项目:支持向量机方法gydF4y2Ba 计算机在土木工程杂志》上gydF4y2Ba 2017年gydF4y2Ba 31日gydF4y2Ba 5gydF4y2Ba 04017052gydF4y2Ba 10.1061 /(第3期)cp.1943 - 5487.0000700gydF4y2Ba 2 - s2.0 - 85021674122gydF4y2Ba TheodoridisgydF4y2Ba 年代。gydF4y2Ba KoutroumbasgydF4y2Ba K。gydF4y2Ba 模式识别gydF4y2Ba 2009年gydF4y2Ba 美国剑桥,马gydF4y2Ba 学术出版社gydF4y2Ba ISBN 978-1-59749-272-0gydF4y2Ba HaralickgydF4y2Ba r·M。gydF4y2Ba 夏皮罗gydF4y2Ba l·G。gydF4y2Ba 电脑和机器人视觉gydF4y2Ba 1992年gydF4y2Ba 波士顿,美国gydF4y2Ba addison - wesley朗文出版有限公司有限公司gydF4y2Ba ISBN 0201569434gydF4y2Ba SonkagydF4y2Ba M。gydF4y2Ba HlavacgydF4y2Ba V。gydF4y2Ba 博伊尔gydF4y2Ba R。gydF4y2Ba 图像处理、分析与机器视觉gydF4y2Ba 2013年gydF4y2Ba 波士顿,美国gydF4y2Ba Cengage学习gydF4y2Ba 获利,gydF4y2Ba F。gydF4y2Ba 信gydF4y2Ba 年代。gydF4y2Ba 计算机视觉纹理分析gydF4y2Ba 1990年gydF4y2Ba 柏林,德国gydF4y2Ba 施普林格gydF4y2Ba HaralickgydF4y2Ba r·M。gydF4y2Ba ShanmugamgydF4y2Ba K。gydF4y2Ba 汀斯坦gydF4y2Ba i . H。gydF4y2Ba 纹理特征的图像分类gydF4y2Ba IEEE系统,人,控制论gydF4y2Ba 1973年gydF4y2Ba SMC-3gydF4y2Ba 6gydF4y2Ba 610年gydF4y2Ba 621年gydF4y2Ba 10.1109 / TSMC.1973.4309314gydF4y2Ba 2 - s2.0 - 0015680481gydF4y2Ba 加洛韦gydF4y2Ba M . M。gydF4y2Ba 使用灰度纹理分析运行长度gydF4y2Ba 计算机图形学和图像处理gydF4y2Ba 1975年gydF4y2Ba 4gydF4y2Ba 2gydF4y2Ba 172年gydF4y2Ba 179年gydF4y2Ba 10.1016 / s0146 - 664 x (75) 80008 - 6gydF4y2Ba 亚伯拉罕gydF4y2Ba B。gydF4y2Ba 奈尔gydF4y2Ba m . S。gydF4y2Ba 计算机辅助分类前列腺癌的年级组通过MRI图像纹理特性和稀疏autoencoder不利gydF4y2Ba 计算机医学影像和图形gydF4y2Ba 2018年gydF4y2Ba 69年gydF4y2Ba 60gydF4y2Ba 68年gydF4y2Ba 10.1016 / j.compmedimag.2018.08.006gydF4y2Ba 2 - s2.0 - 85052954845gydF4y2Ba MookiahgydF4y2Ba m·r·K。gydF4y2Ba 鲍姆gydF4y2Ba T。gydF4y2Ba 梅gydF4y2Ba K。gydF4y2Ba 减少辐射剂量对纹理的影响骨小梁微结构的措施:一项体外研究gydF4y2Ba 骨和矿物质代谢》期刊上gydF4y2Ba 2018年gydF4y2Ba 36gydF4y2Ba 3gydF4y2Ba 323年gydF4y2Ba 335年gydF4y2Ba 10.1007 / s00774 - 017 - 0836 - 5gydF4y2Ba 2 - s2.0 - 85017145957gydF4y2Ba XiaoougydF4y2Ba T。gydF4y2Ba 在运行周期矩阵纹理信息gydF4y2Ba IEEE图像处理gydF4y2Ba 1998年gydF4y2Ba 7gydF4y2Ba 11gydF4y2Ba 1602年gydF4y2Ba 1609年gydF4y2Ba 10.1109/83.725367gydF4y2Ba 2 - s2.0 - 0032206479gydF4y2Ba 楚gydF4y2Ba 一个。gydF4y2Ba SehgalgydF4y2Ba c . M。gydF4y2Ba 另一则gydF4y2Ba j·F。gydF4y2Ba 使用灰度值分布运行长度进行纹理分析gydF4y2Ba 模式识别的字母gydF4y2Ba 1990年gydF4y2Ba 11gydF4y2Ba 6gydF4y2Ba 415年gydF4y2Ba 419年gydF4y2Ba 10.1016 / 0167 - 8655 (90)90112 - fgydF4y2Ba 2 - s2.0 - 0025585326gydF4y2Ba DasarathygydF4y2Ba b . V。gydF4y2Ba 持有人gydF4y2Ba e . B。gydF4y2Ba 基于联合灰色level-run长度分布的图像特征gydF4y2Ba 模式识别的字母gydF4y2Ba 1991年gydF4y2Ba 12gydF4y2Ba 8gydF4y2Ba 497年gydF4y2Ba 502年gydF4y2Ba 10.1016 / 0167 - 8655 (91)80014 - 2gydF4y2Ba 2 - s2.0 - 0026276969gydF4y2Ba 哈默尔gydF4y2Ba lgydF4y2Ba 知识发现与支持向量机gydF4y2Ba 2009年gydF4y2Ba 美国新泽西州霍博肯gydF4y2Ba 约翰威利& SonsgydF4y2Ba ISBN: 978-0-470-37192-3gydF4y2Ba 程gydF4y2Ba M.-Y。gydF4y2Ba 黄平君gydF4y2Ba N.-D。gydF4y2Ba Typhoon-induced边坡坍塌评估使用小说蜂蚁群优化支持向量分类器gydF4y2Ba 自然灾害gydF4y2Ba 2015年gydF4y2Ba 78年gydF4y2Ba 3gydF4y2Ba 1961年gydF4y2Ba 1978年gydF4y2Ba 10.1007 / s11069 - 015 - 1813 - 8gydF4y2Ba 2 - s2.0 - 84938998538gydF4y2Ba 妞妞gydF4y2Ba D。gydF4y2Ba 戴gydF4y2Ba 年代。gydF4y2Ba 短期负荷预测模型的改进粒子群优化算法和最小二乘支持向量机基于经验模态分解的去噪方法和灰色关联分析gydF4y2Ba 能量gydF4y2Ba 2017年gydF4y2Ba 10gydF4y2Ba 3gydF4y2Ba 408年gydF4y2Ba 10.3390 / en10030408gydF4y2Ba 2 - s2.0 - 85024398136gydF4y2Ba PrayogogydF4y2Ba D。gydF4y2Ba SusantogydF4y2Ba y . T . T。gydF4y2Ba 优化摩擦驱动桩能力的预测精度粘性土使用一种新型自调优最小二乘支持向量机gydF4y2Ba 土木工程的发展gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 9gydF4y2Ba 6490169gydF4y2Ba 10.1155 / 2018/6490169gydF4y2Ba 2 - s2.0 - 85059647367gydF4y2Ba 易gydF4y2Ba T。gydF4y2Ba 郑gydF4y2Ba H。gydF4y2Ba 田gydF4y2Ba Y。gydF4y2Ba 刘gydF4y2Ba j。gydF4y2Ba 智能输电线路项目成本预测基于最小二乘支持向量机优化粒子群优化gydF4y2Ba 数学问题在工程gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 11gydF4y2Ba 5458696gydF4y2Ba 10.1155 / 2018/5458696gydF4y2Ba 2 - s2.0 - 85059536385gydF4y2Ba 黄平君gydF4y2Ba N.-D。gydF4y2Ba Tien中方gydF4y2Ba D。gydF4y2Ba 廖gydF4y2Ba K.-W。gydF4y2Ba Groutability估计与水泥灌浆过程的水泥浆使用微分花授粉优化的支持向量机gydF4y2Ba 应用软计算gydF4y2Ba 2016年gydF4y2Ba 45gydF4y2Ba 173年gydF4y2Ba 186年gydF4y2Ba 10.1016 / j.asoc.2016.04.031gydF4y2Ba 2 - s2.0 - 84966318936gydF4y2Ba StorngydF4y2Ba R。gydF4y2Ba 价格gydF4y2Ba K。gydF4y2Ba 微分进化简单和高效的启发式全局优化的连续空间gydF4y2Ba 杂志的全局优化gydF4y2Ba 1997年gydF4y2Ba 11gydF4y2Ba 4gydF4y2Ba 341年gydF4y2Ba 359年gydF4y2Ba 10.1023 /:1008202821328gydF4y2Ba 2 - s2.0 - 0142000477gydF4y2Ba 杨gydF4y2Ba X.-S。gydF4y2Ba 花授粉全局优化算法gydF4y2Ba 非传统的计算和自然计算gydF4y2Ba 2012年gydF4y2Ba 柏林,德国gydF4y2Ba 施普林格gydF4y2Ba 240年gydF4y2Ba 249年gydF4y2Ba 价格gydF4y2Ba K。gydF4y2Ba StorngydF4y2Ba r·M。gydF4y2Ba LampinengydF4y2Ba j . A。gydF4y2Ba 微分进化实用的全局优化方法gydF4y2Ba 2005年gydF4y2Ba 柏林,德国gydF4y2Ba 斯普林格出版社gydF4y2Ba NhugydF4y2Ba V.-H。gydF4y2Ba 黄平君gydF4y2Ba N.-D。gydF4y2Ba DuonggydF4y2Ba V.-B。gydF4y2Ba VugydF4y2Ba 》。gydF4y2Ba Tien中方gydF4y2Ba D。gydF4y2Ba 混合计算智能方法为预测土壤抗剪强度城市住房建设:一个案例研究在Vinhomes统帅权项目,海防港城市(越南)gydF4y2Ba 与计算机工程gydF4y2Ba 2019年gydF4y2Ba 10.1007 / s00366 - 019 - 00718 - zgydF4y2Ba 2 - s2.0 - 85061192451gydF4y2Ba MathWorkgydF4y2Ba 统计和机器学习工具箱用户指南gydF4y2Ba 2017年gydF4y2Ba 纳蒂克,妈,美国gydF4y2Ba MathWork Inc .)gydF4y2Ba https://www.mathworks.com/help/pdf_doc/stats/stats.pdfgydF4y2Ba 郭gydF4y2Ba Z。gydF4y2Ba 邵gydF4y2Ba X。gydF4y2Ba 徐gydF4y2Ba Y。gydF4y2Ba 宫崎骏gydF4y2Ba H。gydF4y2Ba OhiragydF4y2Ba W。gydF4y2Ba ShibasakigydF4y2Ba R。gydF4y2Ba 鉴定村庄建筑通过谷歌地球图片和监督机器学习方法gydF4y2Ba 遥感gydF4y2Ba 2016年gydF4y2Ba 8gydF4y2Ba 4gydF4y2Ba 271年gydF4y2Ba 10.3390 / rs8040271gydF4y2Ba 2 - s2.0 - 84971665307gydF4y2Ba 奥特曼gydF4y2Ba d·G。gydF4y2Ba 平淡无奇gydF4y2Ba j . M。gydF4y2Ba 统计数据指出:诊断测试2:预测值gydF4y2Ba BMJgydF4y2Ba 1994年gydF4y2Ba 309年gydF4y2Ba 6947年gydF4y2Ba 102年gydF4y2Ba 10.1136 / bmj.309.6947.102gydF4y2Ba 2 - s2.0 - 84970846412gydF4y2Ba 川崎gydF4y2Ba T。gydF4y2Ba IwamotogydF4y2Ba T。gydF4y2Ba 松本gydF4y2Ba M。gydF4y2Ba 交通标志的检测方法损害天体相机连接到汽车的一半gydF4y2Ba 12 EAI学报》国际会议上移动和无处不在的系统:计算、网络和服务gydF4y2Ba July2015gydF4y2Ba Coimbra、葡萄牙gydF4y2Ba 黄平君gydF4y2Ba N.-D。gydF4y2Ba 阮gydF4y2Ba Q.-L。gydF4y2Ba Metaheuristic优化边缘检测混凝土墙裂缝的识别:罗伯茨的性能比较研究,普瑞维特,精明的,sobel算法gydF4y2Ba 土木工程的发展gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 16gydF4y2Ba 7163580gydF4y2Ba 10.1155 / 2018/7163580gydF4y2Ba 2 - s2.0 - 85057367220gydF4y2Ba SuykensgydF4y2Ba J。gydF4y2Ba GestelgydF4y2Ba j . V。gydF4y2Ba 布拉班特省gydF4y2Ba j . D。gydF4y2Ba 沼泽gydF4y2Ba b D。gydF4y2Ba ”gydF4y2Ba J。gydF4y2Ba 最小二乘支持向量机gydF4y2Ba 2002年gydF4y2Ba 新加坡gydF4y2Ba 世界科学出版有限公司Pte。gydF4y2Ba ISBN-13: 978 - 9812381514gydF4y2Ba BreimangydF4y2Ba lgydF4y2Ba 弗里德曼gydF4y2Ba j . H。gydF4y2Ba OlshengydF4y2Ba r。gydF4y2Ba 石头gydF4y2Ba c·J。gydF4y2Ba 分类和回归树gydF4y2Ba 1984年gydF4y2Ba 蒙特利、钙、美国gydF4y2Ba 沃兹沃思和布鲁克斯gydF4y2Ba ISBN-13: 978 - 0412048418gydF4y2Ba RumelhartgydF4y2Ba d E。gydF4y2Ba 辛顿gydF4y2Ba g . E。gydF4y2Ba 威廉姆斯gydF4y2Ba r . J。gydF4y2Ba 学习back-propagating错误的陈述gydF4y2Ba 自然gydF4y2Ba 1986年gydF4y2Ba 323年gydF4y2Ba 6088年gydF4y2Ba 533年gydF4y2Ba 536年gydF4y2Ba 10.1038 / 323533 a0gydF4y2Ba 2 - s2.0 - 0022471098gydF4y2Ba 勒存gydF4y2Ba Y。gydF4y2Ba BengiogydF4y2Ba Y。gydF4y2Ba 辛顿gydF4y2Ba G。gydF4y2Ba 深度学习gydF4y2Ba 自然gydF4y2Ba 2015年gydF4y2Ba 521年gydF4y2Ba 7553年gydF4y2Ba 436年gydF4y2Ba 444年gydF4y2Ba 10.1038 / nature14539gydF4y2Ba 2 - s2.0 - 84930630277gydF4y2Ba KhosravigydF4y2Ba K。gydF4y2Ba 范教授gydF4y2Ba b . T。gydF4y2Ba ChapigydF4y2Ba K。gydF4y2Ba 比较评估的决策树算法在Haraz流域洪水易感性建模,伊朗北部gydF4y2Ba 科学的环境gydF4y2Ba 2018年gydF4y2Ba 627年gydF4y2Ba 744年gydF4y2Ba 755年gydF4y2Ba 10.1016 / j.scitotenv.2018.01.266gydF4y2Ba 2 - s2.0 - 85041459267gydF4y2Ba 非政府组织gydF4y2Ba P.-T。gydF4y2Ba 黄平君gydF4y2Ba N.-D。gydF4y2Ba 普拉丹gydF4y2Ba B。gydF4y2Ba 一种新颖的混合群体优化的多层神经网络的空间预测洪水在热带地区使用sentinel-1 SAR图像和地理空间数据gydF4y2Ba 传感器gydF4y2Ba 2018年gydF4y2Ba 18gydF4y2Ba 11gydF4y2Ba 3704年gydF4y2Ba 10.3390 / s18113704gydF4y2Ba 2 - s2.0 - 85055904880gydF4y2Ba 通gydF4y2Ba Z。gydF4y2Ba 高gydF4y2Ba J。gydF4y2Ba 沙gydF4y2Ba 一个。gydF4y2Ba 胡gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba 年代。gydF4y2Ba 卷积神经网络对沥青路面表面纹理分析gydF4y2Ba 计算机辅助土木与基础设施工程gydF4y2Ba 2018年gydF4y2Ba 33gydF4y2Ba 12gydF4y2Ba 1056年gydF4y2Ba 1072年gydF4y2Ba 10.1111 / mice.12406gydF4y2Ba 2 - s2.0 - 85052403858gydF4y2Ba 希顿gydF4y2Ba J。gydF4y2Ba 介绍神经网络为c#gydF4y2Ba 2008年gydF4y2Ba 圣路易斯,密苏里州,美国gydF4y2Ba 希顿研究公司。gydF4y2Ba MathWorksgydF4y2Ba 图像处理工具箱的用户指南gydF4y2Ba 2016年gydF4y2Ba 纳蒂克,妈,美国gydF4y2Ba MathWork Inc .)gydF4y2Ba https://www.mathworks.com/help/pdf_doc/images/images_tb.pdfgydF4y2Ba 西德尼gydF4y2Ba 年代。gydF4y2Ba 非参数统计行为科学gydF4y2Ba 1988年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 麦格劳-希尔gydF4y2Ba ISBN 0070573573gydF4y2Ba 黄平君gydF4y2Ba N.-D。gydF4y2Ba 中方通过gydF4y2Ba d . T。gydF4y2Ba 预测土壤液化震陷基于杂交的内核Fisher判别分析和最小二乘支持向量机:multi-dataset研究gydF4y2Ba 《工程地质和环境gydF4y2Ba 2018年gydF4y2Ba 77年gydF4y2Ba 1gydF4y2Ba 191年gydF4y2Ba 204年gydF4y2Ba 10.1007 / s10064 - 016 - 0924 - 0gydF4y2Ba 2 - s2.0 - 84979995365gydF4y2Ba