Development of the Histogram of Oriented Gradients Method for Feature Extraction in Welding Defect Detection
Notice bibliographique
Résumé
Welding defect detection is a critical component of quality inspection systems in the manufacturing industry.This study proposes the Trigonometry and Adaptive Histogram of Oriented Gradients (TAHOG) method as an extension of the conventional Histogram of Oriented Gradients (HOG), incorporating logarithmic and adaptive exponential functions in the gradient angle decomposition process to enhance feature extraction sensitivity in Xray welding images.The methodology involves preprocessing, weld region segmentation, and feature extraction using both HOG and TAHOG on a dataset of 500 X-ray images, divided into training and testing sets.Comparatively, TAHOG demonstrates superior performance in detecting defect quantity, orientation, and defect area.The HOG method yields an average defect ratio of 7.58%, lower than 11.85% obtained using TAHOG, and tends to generate fragmented defect mappings, leading to less representative damage characterization.In contrast, TAHOG maintains higher sensitivity to variations in defect structure and orientation.Experimental results indicate that TAHOG achieves 99.77% accuracy, 100% precision, 99.54% recall, 99.77% F1-score, and 100% specificity, reflecting an optimal balance between defect detection capability and avoidance of misclassification in non-defective regions.Therefore, TAHOG effectively addresses the limitations of HOG in detecting low-intensity defects and contributes significantly to improving the accuracy and reliability of automated welding inspection systems in industrial environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».