面向航空航天结构缺陷分类的特征提取与软计算方法
计算机视觉与模式识别
2016-11-16 v1
摘要
本研究关注多种信号处理与数据解释技术及方法在航空航天结构缺陷诊断中的有效性。通过应用不同的已知特征提取方法，以及一种新的基于内容的图像检索 (CBIR) 方法，并结合一些软计算技术，包括最近在无损检测数据上实现的 U-BRAIN 学习算法的高性能并行 (HPC) 实现，来完成这项工作。所得检测系统的性能通过准确率、灵敏度、特异度和精确率来衡量。其有效性通过马修斯相关系数、曲线下面积 (AUC) 和 F 值进行评估。在飞机结构涡流信号样本的标准数据集上进行了多项实验。我们的实验结果表明，成功的缺陷分类器的关键在于特征提取方法——即新颖的基于 CBIR 的方法优于所有竞争者——并且它们说明了在此类应用中，U-BRAIN 算法和 MLP 神经网络在软计算方法中具有更高的有效性。
引用
@article{arxiv.1611.04782,
title = {Feature Extraction and Soft Computing Methods for Aerospace Structure Defect Classification},
author = {Gianni D'Angelo and Salvatore Rampone},
journal= {arXiv preprint arXiv:1611.04782},
year = {2016}
}