14、图像采集预处理与原油饱和烃超声处理研究

图像采集预处理与原油饱和烃超声处理研究

在工业生产和科学研究中，图像数据处理以及原油性质的改善是两个重要的研究方向。本文将围绕带钢缺陷图像的数据增强算法以及超声波对卡斯蒂利亚原油中饱和烃的影响展开探讨。

带钢缺陷图像的数据增强算法

在机器学习领域，标准的机器学习算法通常基于样本充足且类别均匀分布的假设。然而，实际传感器收集的数据往往存在类别不平衡的问题，即每个类别的样本数量不同，这种数据集呈现典型的长尾分布。当样本数据呈长尾分布时，会导致分类器出现偏差，更倾向于识别样本量充足且特征多样的类别。解决小样本长尾分布问题的方法主要有两类：
1. 小样本数据增强
2. 基于建模数据特征的小样本学习

在工业图像采集过程中，由于生产线高速运行和诸多干扰因素，图像背景复杂，CCD 相机拍摄的图像分辨率低且合格图像少。传统的图像数据增强技术，如水平或垂直翻转、随机缩放、添加各种噪声等，主要基于采样图像的感兴趣区域（ROI）具有局部几何相关性和语义相关性的假设。但工业图像的各种缺陷并不满足这些假设，因此对于这类数据，数据增强方法主要基于数据变形，以图像局部随机擦除为代表的几何变换方法被用于工业图像数据增强。

随机擦除是一种受随机失活归一化启发的简单正则化技术，其原理是在训练过程中随机擦除部分图像区域，迫使模型学习更多关于图像的描述性特征，以防止对特定视觉特征的过拟合。然而，这种方法也存在明显缺点，局部随机擦除可能会篡改原始图像的语义信息，导致模型丢失目标和特征，尤其是小目标和局部特征，重要局部信息被擦除后，模型可能无法识别图像。

为克服现有局部随机擦除图像数据增强技术的局限性，提出了 ROI 区域随机局部擦除的图像数据增强算法。其原理是从