基于多特征融合的设备表面损伤智能检测方法

《Machines》：Intelligent Method for Detecting Equipment Surface Damage Based on Multi-Feature Fusion

　　

摘要：设备表面损伤的智能检测对于保障设备的安全稳定运行至关重要。针对传统单一特征损伤识别方法效率低、主观性强及表征能力不足的问题，研究人员提出了一种采用多特征融合(Multi-Feature Fusion)的智能设备表面损伤分类方法。该方法创新点在于构建了融合亮度、纹理、频域、边缘及形态学特征的七维模型(Seven-Dimensional Model)，以全面表征细裂纹(Fine Crazing)、夹杂物(Inclusions)、斑块(Patches)、麻点(Pitted Surfaces)、压入氧化皮(Rolled-in Oxide Scale)和划痕(Scratches)六类典型损伤的可视化特征；并应用基于自适应核密度估计(Adaptive Kernel Density Estimation, KDE)的贝叶斯概率分类模型(Bayesian Probabilistic Classification Model)来识别损伤类型并确定置信度。利用自制数据集（1619张训练样本、180张测试样本）实验结果表明，所提方法综合准确率达97.77%，显著优于传统深度神经网络(Deep Neural Networks, DNN)及蚁群算法优化森林(Ant Forest Algorithm, AFA)。该方法为设备表面损伤的智能高效检测提供了有效解决方案。

论文解读：基于多特征融合的设备表面损伤智能检测方法研究

《Machines》期刊刊载的该研究针对军事及工业用钢材（合金钢及特种钢）制装备（装甲、桥梁、火炮等）在服役过程中因环境侵蚀、载荷作用及材料老化产生的表面缺陷检测难题展开。当前自动化表面缺陷检测虽已由人工目检发展为智能检测，但仍存在明显局限：传统图像处理方法（如Canny算子边缘检测、Otsu阈值分割）依赖低层手工强度与梯度特征，易受不均光照、油污及高反光干扰导致误检；基于深度学习的目标检测网络（Faster R-CNN、Mask R-CNN）虽精度超90%，但对样本量要求高、样本分布敏感、实时性差、计算资源消耗大且模型可解释性差，难以满足军工装备对检测结果可追溯性的要求；而多数常规图像处理依赖单一特征提取，对多类型、多尺度损伤的适应性差。因此，研究人员开展本研究，旨在通过多维度特征融合与概率建模，在有限真实样本下实现可解释的高精度损伤分类，具有重要的工程应用价值。

研究人员开展研究采用的关键技术方法如下：构建包含1619张训练样本与180张测试样本的自制钢材表面损伤图像数据集，涵盖细裂纹、夹杂物、斑块、麻点、压入氧化皮及划痕六类，图像分辨率统一为200×200像素并转为灰度图；提取每幅图像的七维特征向量——平均灰度强度(Mean Intensity)、灰度强度标准差(Standard Deviation, STD of Intensity)、傅里叶高频能量(Fourier Energy)、边缘密度(Edge Density)、局部二值模式熵(Local Binary Pattern Entropy, LBP Entropy)、形态学梯度幅值(Gradient Magnitude)及分形维数(Fractal Dimension，采用盒计数法Box-Counting Method，尺度取2、4、8、16像素)；对特征进行Min-Max归一化至[0,1]区间；采用五折交叉验证遍历带宽候选范围[0.1, 2.0]选取最优带宽，基于自适应核密度估计(Kernel Density Estimation, KDE)计算各类损伤在七维特征空间的概率密度，结合贝叶斯定理(Bayes' Theorem)计算后验概率完成分类并输出置信度；以相同七维特征库分别训练五层全连接深度神经网络(Deep Neural Network, DNN)与蚁群算法优化随机森林(Ant Forest Algorithm, AFA)作对比实验。

1. Analysis of Equipment Surface Damage Features（设备表面损伤特征分析）

研究人员分析了六类钢材表面损伤的可视化特征差异：细裂纹呈宽0.1–0.5 mm细长线状、灰度对比度差；夹杂物呈与基体色纹明显不同的不规则块状；斑块呈大面积均匀异常亮度、纹理均一性差且边界模糊；麻点为密集离散腐蚀坑、具多不规则边缘；压入氧化皮呈不规则片状附着、具明显纹理方向性与层状结构；划痕为长于数毫米至厘米级的沟槽、灰度低于周边、边缘较清晰且梯度平缓。此分析为后续多维特征设计提供依据。

2. Construction of the Seven-Dimensional Feature Fusion Model（七维特征融合模型构建）

研究人员系统集成了前述七个关键特征构建特征向量以克服单特征局限性。平均灰度强度反映损伤区整体亮度；灰度强度标准差量化区内灰度离散度与均匀性（斑块与麻点高、压入氧化皮与划痕低）；傅里叶能量反映高频分量占比即纹理周期性（细裂纹与压入氧化皮高、夹杂物与划痕低）；边缘密度为单元面积内边缘像素占比（细裂纹高、宽浅划痕低）；LBP熵衡量纹理随机复杂性（斑块与麻点高、压入氧化皮与划痕低）；梯度幅值反映边缘强度与锐度（细裂纹与深麻点高、浅划痕低）；分形维数表征几何复杂度与空间填充能力（细裂纹与麻点高、压入氧化皮与划痕低）。统计各损伤类型的七维特征值分布范围并绘制直方图，证实仅凭单一特征无法区分损伤类型，多特征融合可提供可区分的特征向量作为分类算法标准化输入。

3. Design and Implementation of the Recognition Algorithm（识别算法设计与实现）

研究人员将流程分为三步：先将采集的彩色图像转为灰度图像以降低计算量并聚焦纹理结构特征，再提取上述七维特征组成综合特征向量；采用Min-Max归一化消除量纲差异；最后基于自适应KDE贝叶斯模型进行分类——对每类损伤利用训练样本通过高斯核函数堆叠估计七维连续概率密度，经五折交叉验证按平均对数似然最大准则选定最优带宽，计算待分类样本相对于每类的KDE联合概率（先验概率取各类训练样本占比/总样本数），由全概率公式求证据因子并计算后验概率，取最大后验概率对应类别为识别结果且其值为置信度，KDE密度下限设10^?10、证据因子下限设10^?20防数值错误。

4. Verification and Evaluation（验证与评估）

研究人员将1799张自建数据集按约9:1划分为训练集(1619张)与测试集(180张)。单张损伤图像七维特征值落入训练集各类特征分布区间的可视化显示，待测划痕样本七维值均落于训练集划痕分布内，验证了特征提取有效性及特征空间一致性。测试集上该方法正确识别176例、仅4例误判（1例夹杂物→麻点、1例麻点→夹杂物、2例斑块→细裂纹），总体准确率97.77%。混淆矩阵显示压入氧化皮与划痕识别精确率(Precision)、召回率(Recall)均为100%；细裂纹召回率100%但精确率94.12%；斑块精确率100%但召回率91.30%；夹杂物与麻点精确率及召回率均>95%。对比实验中，在相同七维特征库上DNN准确率为93.33%、AFA为95.55%，所提方法在准确率、精确率、召回率及F₁-score上均优于二者。单样本处理耗时约0.08 s（特征提取0.04 s＋分类推理0.04 s），特征库存储仅约500 KB，可在标准CPU平台运行。改变训练/测试集划分比为8:2时准确率仍保持97.77%，证明模型对数据切分不敏感且具良好泛化稳定性。模型支持新增标注样本入库重优化带宽实现动态更新。研究人员指出本方法针对已裁剪损伤区域做分类（先分类后定量检测），区别于像素级语义分割（如U-Net）。

讨论与结论翻译

本研究提出一种基于多特征融合与采用自适应核密度估计(KDE)贝叶斯概率模型的设备表面损伤智能检测方法。主要贡献与结论如下：（1）构建了七维特征模型，综合考虑平均强度、强度标准差(STD)、傅里叶能量、边缘密度、局部二值模式(LBP)熵、梯度幅值及分形维数特征，系统表征六类典型损伤，克服其他识别模型利用单一特征表征损伤的不足；（2）提出基于自适应KDE的贝叶斯分类器，通过带宽优化与贝叶斯决策机制准确识别损伤类型并提供置信度定量度量；（3）自制数据集实验表明所提方法综合识别准确率达97.77%，在多项指标上优于DNN与蚁群算法优化森林(AFA)损伤识别方法，验证了其优越性。本研究结果可为军用等易磨损退化钢制部件表面损伤检测方法的改进提供参考，七维特征区分多类型表面损伤的能力是既往损伤检测方法所欠缺的关键能力。但本研究使用背景简单、光照稳定的理想化数据集，方法在复杂背景、变光照及高反光表面的泛化能力尚待验证；未建立像素与物理尺寸标定关系限制了对损伤几何特征的定量评估；对弱特征早期微损伤（如宽<0.1 mm微裂纹）的检测能力需进一步探索。未来工作将扩展训练集多样性、建立成像系统像素—毫米映射、探索自适应特征选择机制并尝试将轻量级深度学习模型融入所提方法。