1.作者介绍
谭金鑫，男，西安工程大学电子信息学院，2025级研究生
研究方向：输电线路状态智能监测
电子邮件：18455094050@163.com
郭政，男，西安工程大学电子信息学院，2025级研究生，张宏伟人工智能课题组
研究方向：机器视觉与人工智能
电子邮件：1225301905@qq.com
2．算法介绍
2.1 PCA（主成分分析）
PCA是一种常用的降维算法。
核心思想：在尽量保留原始数据主要信息的前提下，把高维数据转换到低维空间中，用少量新的特征来表示原始数据。
目标:寻找一组新的坐标轴，使数据在这些方向上的方差最大。方差越大，说明这个方向包含的信息越多。通过保留前几个方差最大的方向，可以在减少特征维度的同时，尽量保留图像中的主要缺陷信息。
2.2 HOG（方向梯度直方图）
HOG是一种常用的图像局部纹理和边缘特征提取算法。
核心思想：图像中目标或缺陷的形状、边缘、纹理变化，可以通过局部区域内的梯度方向分布来描述。
对于钢带表面缺陷来说，不同缺陷在边缘方向、纹理分布和局部形态上存在差异，HOG特征可以有效表达划痕、裂纹、麻点等缺陷的局部结构信息。
3．关于实验过程的介绍
3.1数据集介绍
本次实验使用NEU-CLS热轧钢带表面缺陷数据集。该数据集包含1800个样本，共分为6类缺陷，每类包含300张缺陷图像。
- 来源：https://figshare.com/articles/dataset/NEU-CLS/28903550
- 类别：裂纹（crazing）、夹杂（inclusion）、斑块（patches）、麻点表面（pitted_surface）、氧化皮压入（rolled_in_scale）、划痕（scratches）
- 形式：灰度缺陷图像，实验中统一缩放到128x128
- 数据集展示图
3.2实验环境准备
Python 3.8
NumPy：数值计算与特征拼接
Matplotlib：实验结果可视化
Scikit-learn：PCA降维、SVM分类与评价指标
Scikit-image：图像处理与HOG特征提取
安装命令：
pip install numpy matplotlib scikit-learn scikit-image
3.3代码实现
PCA特征提取
PCA 部分先将二维图像矩阵展开成一维向量，然后使用 PCA 对高维像素特征进行降维，保留图像中主要的全局灰度变化信息。
HOG 特征提取
HOG 特征用于统计图像局部区域的梯度方向分布，可以描述缺陷区域的边缘、纹理和方向信息，适合识别划痕、裂纹等具有明显结构的缺陷。
其中 orientations=9 表示把梯度方向划分为 9 个区间，pixels_per_cell=(8,8) 表示每个 cell 是 8×8 像素，cells_per_block=(2,2) 用于局部归一化。最终输出的是一维 HOG 特征向量。
PCA+HOG 特征融合
若模式为 hog，只提取 HOG 特征；
若模式为 pca，只提取 PCA 特征；
若模式为 fusion，两个条件都会执行，程序会同时得到 HOG 特征和 PCA 特征。最后通过 np.concatenate(features, axis=1) 将两类特征在列方向拼接，形成融合特征，两者融合后可以同时利用局部信息和全局信息。
3.4测试结果
PCA
可视化效果：
PCA测试结果分析
从混淆矩阵可以看出，patches、pitted_surface、scratches的识别效果相对较好，其中pitted_surface识别正确20张，patches识别正确19张，scratches识别正确18张。
但PCA对局部纹理和边缘方向信息表达不足，因此部分类别容易混淆。例如inclusion有较多样本被误分为scratches，rolled_in_scale容易被误分为patches。说明单独使用PCA时，模型更依赖整体灰度差异，对细小缺陷纹理区分能力有限。
HOG
可视化效果：
HOG测试结果分析
从结果可以看出，HOG对rolled_in_scale和scratches的识别效果较好，两类均识别正确22张。这说明HOG对具有明显方向性、边缘变化明显的缺陷比较敏感。
相比PCA，HOG的整体识别效果有所提升。但对于patches、pitted_surface、crazing等纹理分布相近或边缘不够规则的类别，仍然存在一定误分类现象。例如crazing容易被分为patches，pitted_surface也会被分到多个类别中。
PCA+HOG特征融合
可视化效果：
PCA+HOG特征融合结果分析
PCA+HOG融合方法将PCA的全局灰度特征与HOG的局部纹理特征进行拼接，再输入分类器进行识别。从混淆矩阵可以看出，融合方法在多数类别上的识别结果比单独PCA或HOG更稳定。
其中rolled_in_scale识别正确23张，scratches识别正确22张，inclusion识别正确19张，整体表现最好。这说明融合特征能够同时利用图像的整体灰度变化和局部边缘纹理信息，提高模型对钢带缺陷的表达能力。
不过，crazing、patches、pitted_surface等类别之间仍存在一定混淆，说明这些缺陷在灰度纹理上具有相似性，仅依靠传统手工特征仍有一定局限。
输出结果：
三种方法对比结果分析：
单独PCA效果最低，说明仅使用全局灰度降维特征不足以充分描述钢带表面缺陷；
HOG方法效果优于PCA，说明局部边缘和纹理方向信息对缺陷识别更有效；
PCA+HOG融合方法取得最高准确率和最高F1值，说明两类特征具有互补性。
但部分类别仍存在混淆，主要原因是不同缺陷在灰度纹理和局部形态上较为相似。