Page 268 - КЛАСИФІКАЦІЯ ЛОКАЛІЗОВАНИХ ДЕФЕКТІВ ЗВАРНИХ ШВІВ НА РЕНТГЕНІВСЬКИХ ЗОБРАЖЕННЯХ ТРУБ
P. 268
268
використано для мінімізації впливу нерівномірного освітлення та підвищення
точності розпізнавання [173, 175]. У той же час для вирішення таких проблем
використовувались нейронні мережі, нечітка логіка, класифікація за допомогою
машин підтримки векторів [192].
Автори [193] стверджують, що кластери з двох чи трьох груп можуть
неправильно відображати інтенсивність іржі на зображенні. Вони пропонують
застосовувати підхід до розпізнавання інтенсивності іржі на основі штучних
нейронних мереж. Він інтегрує середньоквадратичне стандартне відхилення та
штучну нейронну мережу, щоб згенерувати зображення іржі.
Для поліпшення точності визначення ділянок ржавіння на сталевих мостах
Ляо і Лі [165] запропонували алгоритм розпізнавання цифрових зображень,
який складався з трьох різних методів виявлення: метод K-середніх у шарі H в
колірному просторі HSI, алгоритм центрального подвійного радіусу (DCDR) в
колірному просторі RGB та DCDR в колірному просторі HSI.
Автори [170] також використовували колірний простір HSI. Потім для
класифікації площі іржі застосовано алгоритм J48 рішення. Вони досягли
успіху 97,48% при визначенні областей з іржею.
Оцінка фрактальних розмірів корозійних зображень, що представляють
двовимірну та тривимірну морфологію корозійних властивостей пошкодженої
поверхні, була запропонована в [194].
Розвиток методів та інтелектуальних систем для діагностики пошкодження
захисних покриттів, що зменшить ризики для життя людей та мінімізує
економічні втрати на сервісних об'єктах, є важливим завданням.
У роботі використано набір тестових зображень різних об’єктів (див. рис.
6.4). Блок схема запропонованого методу наведена на рис.
