Page 66 - 无损检测2025年第四期
P. 66
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
其中SVR训练模型时的样本向量形式为
（12）
式中： ξ orientation 为Gabor局部方向特征的匹配结果；
ω phase 为Gabor局部相位特征的匹配结果 [16] 。
（8） 至此，完成抗侧力支架缺陷识别。
式中：ε 为提取的实部特征；ε 为提取的虚部特征；ϕ
I
R
为二维Gabor滤波器频率参数；φ 为超像素的方差； 2 图像识别试验
2
α 为高斯窗函数的宽度；β 为高斯窗函数的长度；γ 为 利用设计方法针对某工程的装配式钢结构建筑
二维Gabor滤波器的方向 [15] 。 实施其抗侧力支架缺陷识别，测试其表现。使用无
ϕ 值的计算过程为 人机搭载高清相机对抗侧力支架实施多角度、多距
（9） 离拍摄，确保图像清晰，特别侧重于对每个支架的关
键部位（如连接点、焊缝等）实施拍摄。将拍摄图像
i
式中： ϕ 为二维Gabor滤波器频率；e（γ）为γ 的欧拉 作为测试图像实施图像旋转、错切变换、镜像翻转处
v
函数。
理来扩充试验数据集，数据扩充结果如图2所示。
ϕ 值的计算过程为
v
（10）
式中：K为两个相邻Gabor核间的频率差；g max 为最
大频率决定的能够达到的带宽。
提取超像素特征的Gabor局部相位特征， 即
（11）
图 2 数据集扩充结果示意
然后提取超像素特征的Gabor局部方向特征，
具体步骤如下：应用多方向的二维Gabor滤波器以 利用设计的基于多任务学习的图像超像素分割
不同的角度对超像素实施多次滤波，在滤波后的结 方法实施试验数据集的超像素生成。模型训练过
果中将响应强度最大的滤波器挑选出来，将其方向 程中的参数设置情况如下：Epochs为100；学习率为
作为该超像素的Gabor局部方向特征。 0. 001；优化器为Adam；patch为3×3； p为1 300； δ
依据提取的Gabor局部相位特征与Gabor局部 为0. 2～1. 0；损失函数为交叉熵损失函数。
方向特征，通过支持向量回归（SVR）实现抗侧力支 为获取最佳的超参数δ 取值，在不同的δ 取值下
架缺陷识别，具体流程如图1所示。 测试生成的超像素的U E 值，测试结果如图3所示。
图 1 抗侧力支架缺陷识别流程示意 图 3 不同δ 取值下 U E 值测试结果
36
2025 年 第 47 卷 第 4 期
无损检测
