Page 100 - 城镇燃气管道检测与评估技术规程

Technical Regulations for Urban Gas Pipeline Detection and Evaluation
城镇燃气管道检测与评估技术规程

算法等。
（1）SVM 分类器
支持向量机（SVM）是一种典型的二分类模型。其核心思想是在给定的样

本空间里找出一个超平面，用来划分不同的样本类型。Iglesias 等结合自动编码
器（CA）和支持向量机进行纹理缺陷检测，通过将两种不同的分类信息融合在
一起，优化互补输出，可以有效地检测工业应用中常见的不同种类的缺陷。Sha
等人将方向梯度直方图（HOG）作为特征提取方法，并结合优化的支持向量机，

实现了对倒装芯片焊点的智能检测。Mustaqeem 等人提出了一种结合主成分分析
（PCA）和支持向量机的机器学习混合方法用于缺陷检测，通过主成分分析法找
到用于特征优化的主要成分，从而达到降低算法时间复杂度的目的。
（2）KNN 分类器

K- 近邻算法是通过测量不同特征值之间的距离进行分类。该算法的核心思
想是某个样本与数据集中的 k 个样本最相似，如果这 k 个样本中的大多数属于某
一个类别，则该样本也属于这个类别。KNN 算法所选择的邻居都是已经正确分
类的对象。这里的度量距离一般使用欧氏距离或曼哈顿距离等。Yildiz 等人利用

GLCM 提取织物缺陷图像的纹理特征，并采用 KNN 算法对缺陷图像进行分类。
Yildiz 等人采用主成分分析法对绒织物图像降维，并采用改进的对称中心局部
二值模式提取缺陷特征，结合 KNN 算法和贝叶斯分类器比较了欧氏距离度量和
相关距离度量在分类过程中的作用。Cetiner 等人采用小波矩提取特征，并基于

KNN 分类器实现木材缺陷分类。
（3）K-means 聚类算法
K-means 是聚类算法中的最常用的一种。该算法的核心思想是先从样本集中
随机选取 k 个样本作为簇中心，并计算所有样本与这 k 个“簇中心”的距离，对

于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中。Li 等人提
出了一种基于粒子群优化的 K-means 聚类图像分割算法，根据提取的图像特征数
据，采用粒子群优化算法对 K-means 算法的初始中心和迭代过程进行优化，提高
了 K-means 算法的聚类精度和计算效率，实现对密封零件表面缺陷区域的检测。

张缓缓等人将联合直方图与滑动窗口策略相结合来改进中值滤波，很好地抑制了
背景纹理的干扰，突出疵点信息，并通过 K-means 聚类算法将织物的疵点和非疵
点进行分类检测。

92