Page 64 - 无损检测2025年第四期

刘晏长：
装配式钢结构建筑抗侧力支架缺陷超像素级 Gabor 识别方法

抗侧力支架常受制造、安装或材料老化等因素影响 1 缺陷超像素级Gabor识别方法设计
出现缺陷，这些缺陷若不及时发现和处理，将严重威
1.1 抗侧力支架缺陷图像归一化与数据增强
[3]
胁建筑安全 。因此，研究高效、精准的抗侧力支架
基于机器学习实施装配式钢结构建筑抗侧力支
缺陷识别方法，成为提升装配式钢结构建筑安全性
架缺陷识别时，直接输入图像可能会导致数值溢出，
的重要课题，旨在通过精细化分析支架表面特征，实
或可能导致目标函数、激活函数等与像素值不匹配，
[4]
现缺陷的早期发现和精确定位 。
因此需要对缺陷图像实施归一化处理，即
目前，缺陷识别技术正处于快速发展阶段。邓
-
勇等 在钢板缺陷检测领域，将超声波脉冲反射 ρ= ϑλ （1）
[5]
机制与Volterra级数模型相结合，开发了一种基于 η
Volterra级数与支持向量机技术的新型钢板缺陷识 式中： ϑ 为缺陷图像数据集；η 为数据集的标准差；λ
[9]
别方法，该方法经过系统的训练与验证流程，实现 为缺陷图像数据集的均值 。
了对钢板缺陷类别的辨识。姚浩等 聚焦于黏接 在运用机器学习技术来实施抗侧力支架缺陷的
[6]
层缺陷的识别挑战，提出了一种新的机器学习解决 识别时，为了显著提升模型的分类精确度并有效遏
方案。该研究首先采用直接接触式脉冲回波反射 制过拟合现象，一个关键策略是引入充足且多样化
的训练数据。鉴于现实中直接获取海量高质量图像
法，对黏钢构件实施有限元模拟；随后，通过对局部
数据需面临诸多挑战，采取了一种创新性的数据增
超声回波信号及其特性参数的分析，揭示了不同缺
强方法来间接增加训练样本量 [10] 。针对抗侧力支架
陷参数对超声信号响应模式的影响特性；在此基础
的缺陷图像数据集，实施图像旋转、错切变换、镜像
上，构建了黏钢构件的超声时程响应数据集，并通
翻转处理来扩充数据集。
过对比多种机器学习算法在缺陷尺寸与位置识别
上的表现，最终确立了一种高效、准确的黏接层缺 1.2 抗侧力支架缺陷图像超像素分割
[7]
陷识别方法。胡欣等 针对螺纹钢表面缺陷检测 提出一种基于多任务学习的图像超像素分割方
问题，对YOLOv5算法实施了深度优化与改进。在 法，该方法的架构由三个关键组件构成：多模态特征
改进版YOLOv5中，集成了多空间金字塔池化模块 抽取机制、鲁棒像素相似度评估、像素至超像素软映
射策略。
（M-SPP），通过增强网络深度来优化特征提取能力，
针对训练样本不足的问题，采取一种策略性的
从而提升了检测精度；同时，引入了改进的空间和坐
方法——引入多任务学习框架来训练特征提取器。
标注意力模块（SCA），该模块能够使模型更加聚焦
在此框架下，将辅助任务作为助推器，通过网络架构
于关键区域；此外，采用双采样过渡模块（TB）实施
与参数的共享策略，加速并优化主任务的学习进程。
下采样操作，确保了重要特征信息的完整保留；最
其中辅助任务的网络参数需要根据具体需求，在主
后，利用k-means++算法对锚框实施重聚类，生成
任务的网络参数上实施适应性微调 [11] 。将辅助任务
了更加贴合缺陷实际尺寸的预设锚框，进一步提升
定为图像分割，通过抗侧力支架缺陷图像分割数据
了算法的检测精度与适应性。LIU等 提出了一种
[8]
集实施辅助任务的训练。使用U-Net作为分割模型，
基于图像分割的中心多尺度局部二值模式（ISCM-
截取其卷积层当作特征提取器。其中使用的U-Net
LBP）和灰度共生矩阵（GLCM）特征融合方法，用
模型的网络结构和参数如表1所示。
于缺陷识别。该方法在局部二值模式算法中引入了
考虑到抗侧力支架缺陷图像超像素划分的复杂
图像分割和多尺度，提高了图像的细节描述；其次， 性，仅依赖深度语义信息远远不够，边缘信息的捕捉
将中心像素与邻域像素连接，以增强中心像素的鲁 同样至关重要。而所使用的U-Net通过跳跃式连接
棒性；同时对ISCM - LBP算法提取的特征进行主成 技术，实现了编码器与解码器特征的有效融合，确保
分分析（PCA）降维和GLCM特征融合， 并通过支持 了提取的特征既能涵盖低层次的细节信息，又能融
向量机分类器识别钢丝绳表面缺陷。然而，当前提 合高层次的语义理解 [12] 。U-Net的四次上采样过程
出的各种方法对于精细缺陷的识别效果仍然不佳， 也进一步细化了从深层特征中恢复出的边缘信息。
因此文章设计了装配式钢结构建筑抗侧力支架缺陷 尽管U-Net模型能够有效地从图像中提取出涵
超像素级Gabor识别方法。 盖低层次至高层次广泛语义信息的深度特征，但在
34
2025 年 第 47 卷 第 4 期
无损检测