Page 67 - 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

从图3可以发现，当δ 的值为0. 6时，所生成的
超像素的U E 值达到最高，因此将δ 取值定为0. 6。
通过二维Gabor滤波器对生成的图像超像素实
施Gabor滤波，提取超像素特征。二维Gabor滤波
器的参数设置情况如下：波长值为5，10，15，20，25；
方向为0°，45°，90°，135°。
依据提取的Gabor局部相位特征与Gabor局
部方向特征，通过SVR实现抗侧力支架缺陷识别，
SVR的参数设置情况如下：核函数为径向基函数；
惩罚参数c 取0. 01， d取0. 5；交叉验证参数选择方
法为k折交叉验证。
测试设计方法的识别性能，其具体表现如图4所
示，可见，设计方法能够识别各种抗侧力支架缺陷， 图 4 识别性能的具体表现
证明其具有优秀的识别性能。 腐蚀等；稍大一些的缺陷为10~50 mm大小的腐蚀
接着分别测试设计方法对于各种尺寸缺陷的识 区域、焊缝开裂、材料局部损伤等；较大缺陷涉及结
别假阳性百分比，在测试中，将文献[5]、[6]作为对 构件的严重变形、大面积腐蚀、断裂等，大小通常为
比方法。其中，精细缺陷指的是长度小于1 mm的 50~100 mm；大型缺陷是结构件的完全断裂、大面
微小裂纹、表面锈蚀初期、焊缝细微不连续；中等尺 积缺失或严重变形等，大小超过100 mm。各方法的
度缺陷包括1~10 mm的焊缝缺陷、螺栓松动或轻微 缺陷识别测试结果如表2所示。

表2 各方法对不同尺寸缺陷的识别测试结果
识别假阳性
缺陷尺寸 设计方法
文献[5] 文献[6]
二维Gabor滤波器波长值 识别假阳性
精细缺陷 5 0.025 4.96 6.06
中等尺度缺陷 10 0.020 1.36 2.02
稍大一些的缺陷 15 0.016 1.20 1.95
较大的缺陷 20 0.013 1.04 1.96
大型缺陷 25 0.009 1.03 1.26
从表2中可以看出，对于所有尺寸的缺陷，设计 割超像素的同时考虑多个相关任务的信息，如图像
方法的假阳性率均显著低于文献[5]和文献[6]方法 的全局结构和局部细节，从而生成更加准确和有意
的。这表明设计的方法在减少错误地将非缺陷区域 义的超像素区域。这种多任务学习策略有助于提升
识别为缺陷区域方面表现出色，提高了识别的准确 后续特征提取和缺陷识别的效果。以及设计方法选
性和可靠性。通过实施归一化处理、图像旋转、错
择SVR作为分类器，利用其在小样本、高维数据和
切变换和镜像翻转等数据增强技术，设计的方法能 非线性问题上的优势，找到最优的分类边界，减少噪
够更有效地处理各种尺寸和形态的缺陷，显示出对
声和异常值对识别结果的影响。
数据多样性的强大适应能力。这种能力对于提高模
型的泛化能力和减少过拟合至关重要。同时设计方 3 结语
法采用二维Gabor滤波器对超像素实施Gabor滤波，
文章深入探索装配式钢结构建筑抗侧力支架缺
并提取局部相位和方向特征，这些特征能够捕获图
像中缺陷的细微变化和空间结构信息，从而提高了 陷识别技术，提出基于超像素级Gabor特征识别的
缺陷识别的准确性。与传统的特征提取方法相比， 方法。该方法整合归一化处理、数据增强技术、多任
Gabor特征更适合于描述图像中的纹理和边缘信息， 务学习框架以及Gabor滤波器在特征提取中的优势，
有助于区分缺陷区域和正常区域。设计方法还利用 构建出高效且高鲁棒性的缺陷识别方案。该方法能
基于多任务学习的图像超像素分割方法，可以在分 在超像素级别精准捕捉支架缺陷细微特征，有效降

37
2025 年 第 47 卷 第 4 期
无损检测