基于SHAP可解释性的焊缝缺陷类型超声识别XGBoost模型
摘要：针对焊缝缺陷机器学习超声识别过程中存在特征冗余、可解释性差等问题,提出了一种基于SHAP可解释性的焊缝缺陷超声识别XGBoost（极限梯度提升）模型。在碳钢焊缝试样上加工4类典型缺陷,采用横波斜入射法采集超声反射回波信号,分别提取16个时域特征、16个频域特征以及3个信息熵特征。计算SHAP值并选择其前8个高贡献特征构建特征子集,利用交叉验证和网格搜索优化XGBoost模型进行缺陷识别。试验结果表明,4种缺陷识别的平均准确率为96.7%；其中,横通孔的识别效果最佳,精确率、召回率和F1-score均达到100%,三角槽次之,方形槽略差,矩形槽的识别结果最差,其精确率、召回率和F1-score均为93.3%。最后,讨论了高贡献特征与缺陷类别之间的相关性,并对特征贡献差异及其原因进行了分析。
标题：基于SHAP可解释性的焊缝缺陷类型超声识别XGBoost模型
作者：陈明良,马志远,张东辉,付冬欣,廖静瑜,林莉,
关键词：超声检测,缺陷分类,XGBoost模型,特征选择,SHAP,
发表日期：2024年6月
- 文件大小:
- 2.98 MB
- 下载次数:
- 60
-
高速下载
|
|
