基于仿真数据的辐射成像分类学习方法研究

工业辐射成像领域中,系统获取的数据往往难以直接用于区分被检物体性质。分类学习作为机器学习的重要方向之一,可以充分挖掘不同类型的数据特征,在辐射成像领域有着巨大的应用潜力。然而工业辐射成像图像内容物和照射条件复杂,通过实际测量获取分类学习所需的完备训练集样本成本高、时间长。基于此背景提出使用数值模拟方法获得相应场景下的仿真数据,并通过仿真数据建立分类学习训练集的方法。分别采用基于集成学习的袋装树方法和基于K近邻分类方法对由仿真数据建立的训练集进行训练,抽取部分仿真数据作为测试集、实际工业数字辐射成像数据作为验证集对模型进行准确性验证。袋装树方法对测试集和验证集数据预测准确率分别为99.6%和81.25%;K近邻分类方法对测试集和验证集数据预测准确率分别为89.1%和50%。结果表明:袋装树方法对基于仿真数据的辐射成像分类学习具有较好的效果。