CN110674852A - 基于几何特征和AdaBoost算法的焊缝缺陷分类方法 - Google Patents

Abstract

本发明提出一种基于几何特征和AdaBoost算法的焊缝缺陷分类方法，可应用于运输管道检测、生产质量监测、管道自动维修等领域。该方法1.包括以下步骤，步骤S101，特征提取，X光图像背景减除后得到候选缺陷，采用区域比较法提取缺陷区域的几何特征和比较区域的灰度特性；步骤S102，使用AdaBoost算法进行特征选择，得到最优特征，使用带有惩罚项的AdaBoost算法，通过设置惩罚项，从大量候选缺陷区域中得到真实缺陷，并对真实缺陷进行分类。

Description

基于几何特征和AdaBoost算法的焊缝缺陷分类方法

技术领域

本发明涉及图像处理、人工智能和机器学习算法，更具体地，涉及一种基于几何特征和AdaBoost算法的焊缝缺陷分类方法，可应用于运输管道检测、生产质量监测、管道自动维修等领域。

背景技术

(1)前景候选缺陷区域中的缺陷与非缺陷的分类技术

对X光底片进行背景减除算法可以得到前景目标图像，即候选缺陷集合。候选缺陷中混杂有大量非缺陷，这会造成严重的缺陷误检。本研究在保证缺陷检测率的同时，去除非缺陷，降低误检率。一般来说，过度曝光、曝光不充分、字符区域、像质线条等干扰都是造成非缺陷产生的原因。考虑这些因素，常常需要构造丰富的负样本(非缺陷)集合。通过提取几何特征，再采用统计学习的方法，分类缺陷和非缺陷，实现非缺陷的去除。

机器学习广泛应用于图像分类，国内外的学者同样应用机器学习到焊缝缺陷分类领域。由于图像拍摄质量差，曝光不均匀，噪声等的影响，使用图像处理方法得到的缺陷区域可能混杂有大量的非缺陷。因此需要进一步的判别缺陷和非缺陷。现如今，有一部分学者展开了这一方面的工作。Mery提出了一种新方法来检测焊缝缺陷，使用了两种纹理特征：基于共生矩阵的特征和基于二维Gabor的特征，然后使用多项式分类器来分类缺陷和非缺陷。Shao 则使用了3维特征训练SVM分类器，实现真实缺陷的提取。

(2)AdaBoost算法介绍

在传统机器学习中，AdaBoost和SVM是并称的两大分类器。AdaBoost 属于集成式学习中的一种。集成式学习的主要有三种组成方式：bagging、boosting和stacking。Bagging技术是指在小样本总体中多次实施类似的学习算法，最终取其预测结果的平均值作为输出。Boosting是一种迭代算法，在训练过程中，通过一个分类器的预测情况调整观测值的权重，以此减少偏误构建有效的预测模型。Stacking算法中，采用一种学习算法对其他学习算法产生的结果进行整合。AdaBoost也就是adaptive boosting算法，将会在下面详细介绍。

在1995年，Freund和Schapire提出了AdaBoost算法。这种算法可以有效的提高分类性能并且避免过拟合的情况。Kearns是第一个提出是否可以组合弱学习算法成为一个强学习算法的问题。弱学习算法指识别错误率小于 50％的算法；而强学习算法是指识别准确率很高并且在较短时间内完成的学习算法。AdaBoost算法是一个组合多个弱学习算法成为一个强学习算法的方法。算法是通过改变训练样本的数据分布实现的。在训练过程中，每一个样本被赋予一个权重，样本权重会根据该样本是否被分类正确以及当前的分类正确率进行调节。然后将修改样本分布后的数据用于下一个分类器的训练，最终将每次训练得到的分类器按照一定规则融合起来，作为最后的决策分类器。

发明内容

本发明目的在于克服现有方法的不足，并解决过度曝光、曝光不充分、字符区域、像质线条干扰等问题。由于缺陷在图像中的亮度较暗，因而灰度分布是缺陷的一个重要特征，缺陷与周围区域在灰度上有明显的区别，因此本发明还提取了缺陷区域和水平比较区域的灰度特性。在特征分类时，采用了带有惩罚项的AdaBoost算法，提高了缺陷的检测率。在训练缺陷与非缺陷分类器时，通过调节惩罚项系数，偏重缺陷样本，提高了缺陷检测率。另外，使用AdaBoost作特征选择，筛选出更好表征缺陷特点的特征。

为实现上述目的，本发明提供了一种基于几何特征和AdaBoost算法的焊缝缺陷分类方法，包括以下步骤，

对前景图像进行缺陷分类，分为两个个过程：水平区域比较及特征提取、使用AdaBoost算法进行特征选择和分类。通过统计学习的方法，分类缺陷和非缺陷，实现非缺陷的去除。缺陷二分类过程主要通过水平区域比较法提取特征，采用改进AdaBoost算法进行缺陷的判定。

步骤S101，特征提取，X光图像背景减除后得到候选缺陷，采用区域比较法提取缺陷区域的几何特征和比较区域的灰度特性。

水平区域比较及特征提取。对X光图像进行背景减除之后，可以得到候选缺陷，而候选缺陷中混杂有大量非缺陷，这会造成严重的缺陷误检。本发明研究在保证缺陷检测率的同时，去除非缺陷，降低误检率。经过实验分析，过度曝光、曝光不充分、字符区域、像质线条等干扰都是造成非缺陷产生的原因。考虑这些因素，构造丰富的负样本(非缺陷)集合。通过统计学习的方法，分类缺陷和非缺陷，实现非缺陷的去除。

步骤S102，使用AdaBoost算法进行特征选择，得到最优特征，使用带有惩罚项的AdaBoost算法，通过设置惩罚项，从大量候选缺陷区域中得到真实缺陷，并对真实缺陷进行分类。

缺陷的分类过程主要通过水平区域比较法提取特征，采用改进AdaBoost 算法进行缺陷的判定。在AdaBoost训练过程中，需要确定两个参数，一个是分类器的阈值，另一个是分类器的权重；还要调整样本的分布，通过调整样本的分布，提高下一个弱分类器对于错分样本的重视程度。本发明提出的改进的AdaBoost算法在原始算法的基础，增加了对某一种分类情况的惩罚，以此改善分类器对于相应类别的分类性能。

与现有技术相比，本发明创新点及有益效果：结合水平区域比较法提取特征，并且采用AdaBoost算法进行特征选择；提出带有惩罚项的AdaBoost 算法，在缺陷与非缺陷二分类过程中，偏重缺陷样本。

附图说明

图1为水平区域选取示意图以及缺陷图像的候选缺陷选取图；

图2为几何特征示意图；

图3为分类器级联过程图；

图4为特征显著性及平均值误差、特征权重分布以及不同特征数目下的分类性能变化示意图；

图5为四种分类器对五种缺陷类型的查全率统计图。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

本发明提出的基于几何特征和AdaBoost算法的焊缝缺陷分类方法，包括以下步骤，

步骤S101，特征提取，X光图像背景减除后得到候选缺陷，采用区域比较法提取缺陷区域的几何特征和比较区域的灰度特性；

步骤S102，使用AdaBoost算法进行特征选择，得到最优特征，使用带有惩罚项的AdaBoost算法，通过设置惩罚项，从大量候选缺陷区域中得到真实缺陷，并对真实缺陷进行分类。

步骤S101，水平区域比较及特征提取。缺陷在图像中的亮度较暗，因而灰度分布是缺陷的一个重要特征。缺陷与周围区域在灰度上有明显的区别，而这种区别也是本发明判断缺陷的重要依据。本发明将缺陷特征分为两类：一类是灰度比较特征；另一类是缺陷几何特征。

水平区域比较是本发明采用的方法。焊缝在图像中是水平分布的，在同一条水平线上的灰度相似，因而采取水平区域作为比较区域。如图1中图(a) 所示，水平区域选取示意图，(b)为缺陷图像的候选缺陷选取图，中间为缺陷，在缺陷的左右各选一个比较区域。选择的比较区域与缺陷在同一水平线上，大小为缺陷的外接矩形，各距离20个像素的位置。选取左右两个方向上的比较区域可以在一定程度上消除偶然误差。提取缺陷区域和水平比较区域的灰度特性，比如平均灰度，灰度标准差，灰度中值，灰度极差等灰度特征。将比较区域和缺陷区域在这些灰度特性的差别作为比较特征。组成特征向量，作为下一步分类器的输入。

步骤S102，使用AdaBoost算法进行特征选择和分类。在训练过程中，需要确定两个参数，一个是分类器的阈值，另一个是分类器的权重；还要调整样本的分布，通过调整样本的分布，提高下一个弱分类器对于错分样本的重视程度。本发明提出的改进的AdaBoost算法在原始算法的基础，增加了对某一种分类情况的惩罚，以此改善分类器对于相应类别的分类性能。

本发明AdaBoost算法中，弱分类器选取了二分类决策树。决策树的形式如下

式中，x是特征，f(x)是对应的特征值，φ是极性(1或者-1)，θ是决策树的阈值。如此，本发明一共选取了61种特征(实施例一中有介绍)，针对每一个特征建立了一个弱分类器，最终由61个弱分类器组成强分类器。

AdaBoost分类器的具体训练过程为：

(1)初始化样本权重：当y_i＝1时，D₁(i)＝1/m_p；当y_i＝-1时，D₁(i)＝1/m_n； m_p是正样本的数目，m_n是负样本的数目。然后对权重进行归一化。

(2)训练T个弱分类器，对于第t个弱分类器：

①基于当前样本分布D_t训练第t个弱分类器，即上述的二分类决策树，找到合适的阈值θ，以达到最小的分类错误率。

②获得当前弱分类器下的预测标签h_t，并计算分类错误率为：

③根据分类器错误率，计算当前分类器的权重系数，记为：

④更新样本分布，更新规则为：

其中Z_t是一个归一化因子。可以看出，相比原始的训练过程，本发明针对缺陷被分类成非缺陷的情况，增加了一个乘法项即惩罚系数p，通过调节惩罚系数p的值，提高缺陷被分类成非缺陷的样本权重，以增加后续分类器对其的重视程度，最终提高缺陷被分类成缺陷的比值，即TPR参数。

(3)将各组合T个弱分类器为一个强分类器，表示为：

同时，采取了“cascade”级联的方法。级联是一种将多个强分类器连接起来的方法，如图3所示，为分类器级联过程图。每一级分类器将负样本分出去，剩余的样本进入下一级分类器，通过最后一个分类器的预测为正样本。

本发明提取了两类特征：灰度比较特征和几何特征。使用水平区域比较法计算比较特征，并且采用AdaBoost算法进行特征选择。结果表明垂直方向距焊缝中心距离、平均灰度、灰度标准差、与左比较区域平均灰度差、与右比较区域平均灰度差和相对灰度，是表征缺陷特性比较好的特征；同时，本发明增加了缺陷与非缺陷的分类过程，去除大量非缺陷的同时提高缺陷的检测率；不同类型的缺陷出现的概率不尽相同，因而采集到的数据难免出现类别不平衡问题。而AdaBoost在多分类中可以赋予不同的类别不同的偏重，在缺陷五分类过程中，AdaBoost算法对非均匀分布的样本有良好的分类性能。算法在管道焊缝图片的在线检测实现了应用，验证了本发明的有效性和实用性。

实施例一

管道焊缝缺陷可能造成油气泄漏等后果，严重危害管道的安全使用。因此本发明提出了一个基于几何特征和AdaBoost算法焊缝缺陷分类方法。

1.首先对X射线底片进行扫描得到数字图像，并使用中值滤波器实现图像降噪，采用直方图均衡化增强图像对比度、改善图像的亮度分别，采用高斯背景建模法获取背景模型，均值滤波器平滑背景模型，接着采用背景减除得到差分图像，使用区域滤波器对差分图像去除噪声，中值滤波器和均值滤波器均采用3×3的核函数。

利用高斯背景建模法对背景建模，并对建模后的图像进行平滑。对于输入的图像，计算出差分图像。其中，图像的分辨率为4000×1024，核尺寸h_w设置为30。

之后，对差分图像进行形态学运算，同时使用一个区域滤波器进行去噪，得到候选缺陷区域集合。

2.对候选缺陷区域进行特征提取。如图2所示，为缺陷的几何特征提取示意图。一共计算了61种特征编号1-7的特征是缺陷区域的灰度特征，编号 8-14的特征为左比较区域的灰度特征，编号15-21的特征为右比较区域的灰度特征。并且，缺陷与周围灰度上的差别，即灰度偏差也是描述是否为缺陷的一个重要属性。编号22-28的特征是缺陷与左比较区域的灰度偏差特征，编号28-35的特征是缺陷与右比较区域的灰度偏差特征，编号35-42是左偏差特征与右偏差特征的加和。另外还有一部分特征，编号为43-61的特征主要描述缺陷的黑度、大小和形状，例如对比度、紧密度、填充度、矩特征等。编号43-61所表述的特征如下：

(43)面积

面积是指缺陷的面积，是阴影部分的像素数。

(44)相对灰度

相对灰度定义为缺陷区域平均灰度与扩展矩形除缺陷外剩余部分平均灰度的比值。扩展矩形为外接矩形向外扩展5个像素的矩形区域。相对灰度描述的是缺陷相比于周围像素的明暗程度。

(45)周长

周长即缺陷的周长，是缺陷边缘像素数之和。

(46)紧密度

裂纹缺陷没有固定的形状。其他四类缺陷相比于裂纹，存在类似圆形、矩形的情况。紧密度E是形状描述的特征，其表达式为：

E＝C²/S(8)

其中C是缺陷的周长，S是缺陷的面积。E越小时，缺陷形状越趋近于圆形；E越大时，缺陷形状越加复杂。裂纹的形状较之其他缺陷要复杂，因而紧密度一般较高。

(47)垂直方向距焊缝中心的距离比

垂直方向距焊缝中心的距离比是在垂直方向上，缺陷中心到焊缝中心的距离与焊缝宽度的比值。

(48)长轴方向角

长轴方向角是长轴与水平轴X的夹角。长轴的计算采用主成分分析(PCA) 的方法。首先构建缺陷内每一个像素的坐标(x,y)的协方差矩阵；然后计算该协方差矩阵的特征值和特征向量；较大的特征值对应的特征向量是数据分布的主要方向，作为长轴方向。同理，较小的特征值对应的特征向量作为短轴的方向。

(49)缺陷长度

按上述方法计算出了长轴和短轴。然后使用拉东变换计算图像在某一个方向上的投影，拉东变换表示为：

其中(x,y)是像素的位置，φ是投影角。将缺陷投影在长轴方向上，在此方向的投影长度即为缺陷长度。

(50)缺陷宽度

同理，在短轴方向的投影长度即为缺陷宽度。

(51)长宽比

L_x、L_y分别表示缺陷的缺陷长度和缺陷宽度，长宽比即为L_x/L_y。当L_x/L_y≥3 时，不可能为圆形缺陷。

(52)填充度

填充度顾名思义是缺陷在其外接矩形的填充程度，表示为：

ρ＝S/(w×h)(10)

其中S是缺陷面积，w是缺陷外接矩形的宽，h是缺陷外接矩形的长。

(53)边缘平滑度

边缘平滑度是一个描述缺陷边缘和表面平滑程度的一个参数。设I(x,y) 是缺陷图像边缘，(x_g,y_g)是缺陷区域的重心。平滑度FS可表示为：

(54)尖锐度

尖锐度描述缺陷两端的尖锐程度。取一端端点到四分之一长度的面积为 S₁，取另一端端点到四分之一长度的面积为S₂，如图5所示，为缺陷几何特征示意图。尖锐度表示为为：

SP＝1-(S₁+S₂)/S (12)

尖锐度参数越大，说明两端尖锐程度越强。

(55)对称性

对称性描述缺陷形状以短轴为对称轴的对称性。对称程度越大，参数SYM 越接近0，可以表示为：

SYM＝|1-S₁/S₂| (13)

(56)偏离度

偏离度定义为缺陷重心偏离缺陷外接矩形几何中心的程度。偏离度σ的计算为：

其中(x_g,y_g)是缺陷区域的重心，(x_c,y_c)是缺陷外接矩形几何中心。

(57)长轴方向平整度

计算缺陷长度时，通过拉东变换可以获得主轴方向上的投影。定义投影值的标准差为长轴方向平整度。投影标准差可以表示投影的形状，值越大，表明形状越不规则，反映出长轴方向上像素分布的平滑程度。

(58)灰度均匀性

灰度均匀性定义为缺陷区域内的灰度标准差。未熔合的灰度分布不均匀，一侧较高而另一侧较低，因而灰度均匀性会相对较高。

(59)上下亮度比

上下亮度比定义为垂直方向上下两部分区域的亮度比值。将缺陷分为上下高度相等的两部分，上半部分的平均灰度为g₁，下半部分的平均灰度为g₂。上下亮度比为g₁/g₂，同灰度均匀性类似，可以描述未熔合上下两侧亮度不同的性质。

(60)水平方向距焊缝中心的距离比

水平方向距焊缝中心的距离比是在水平方向上，缺陷中心到焊缝中心的距离与焊缝长度的比例。

(61)中心矩

矩特征常用来描述轮廓特性，本文采用中心矩，中心矩μ的计算公式为：

3.将得到的特征向量送到AdaBoost分类器中进行分类。AdaBoost的一个典型应用是特征选择。特征选择是指从已有的M个特征中选择N个特征(N< M)，这N个有效特征可以很好的表示原特征向量。在增强每一类的特征个性的同时降低数据维度，简化计算，是提高算法学习性能的一个重要手段。

首先分析特征的显著性和变化范围。将数据进行归一化到(0,1)范围内，计算每一个特征的平均值和标准偏差。图4(a)显示了特征平均值、标准偏差和显著性级别。误差线显示的是将数据进行归一化之后的标准差。使用单因素方差分析特征显著性，假设s为计算出的显著性参数，显著性级别划分为：*:0.05<s≤0.1；**:0.01<s≤0.05；***:s≤0.01。从图4(a)中可以看出，显著性检验的结果为：除边缘平滑度、紧密度和上下亮度比之外，其他特征均具有显著性。另外，最大灰度，灰度极差等参数的变化范围比较大。

AdaBoost特征选择的依据是特征对分类的贡献。使用所有数据训练 AdaBoost分类器，不设置惩罚系数。每一个弱分类均有一个权重系数α_t，并且每一个弱分类器是由某一个特征形成的，从一定意义上讲，α_t可以代表相应的特征对于分类的贡献。因此将弱分类器的权重设置为对应特征的权重。

图4(b)是根据训练AdaBoost二分类获得的每一维特征的权重。权重越大，说明特征对于判定是否为缺陷更为重要。从图中可以看出，垂直方向距焊缝中心距离、平均灰度、灰度标准差、与左比较区域平均灰度偏差、右比较区域平均灰度偏差和相对灰度，是表征缺陷比较好的特征，能够较好的描述缺陷与非缺陷的区别。另外，同样验证了水平区域比较的有效性。而一些形状描述特征，比如周长和面积的权重较低，说明这些特征对于缺陷的提取贡献较小。以特征权重为依据进行特征降维。

最优特征个数的确定。首先按照特征权重从高到低进行排序，每次取前n 个特征组成分类器进行训练。使用3个参数对分类性能进行评价，ACC，TPR 和TNR。本发明从263张图像中提取了3951个候选缺陷样本，包括1067个缺陷和2884个非缺陷。图4(c)显示了不同特征数目下的评价参数变化曲线。决定特征数目时，偏重于TPR参数，同时兼顾到TNR参数，最终确定选取55个特征参数缺陷与非缺陷的二分类。

最后，将选择出的特征送入到分类器中，即可得到缺陷与非缺陷的分类结果。

该实施例处理五种典型缺陷：裂纹、未熔合、未焊透、条形缺陷和圆形缺陷。缺陷识别过程分为缺陷分割，缺陷与非缺陷的二分类和缺陷类型多分类。经过缺陷分割，得到了3951个候选缺陷，包含1067个缺陷和2884个非缺陷。

可以看出，图像分割得到的候选缺陷有3951个，其中70％以上都是非缺陷，因此必须进行非缺陷的去除。本发明增加了缺陷与非缺陷的分类过程，去除大量非缺陷的同时提高缺陷的检测率。本发明提出了带有惩罚项的 AdaBoost算法，在缺陷与非缺陷二分类过程中，偏重缺陷样本。

在级联过程中，每一级分类器的训练需要调整惩罚系数p。在图3的分类流程中，每一级分类器的输入样本不同，因而满足要求的p参数也不相同。因此需要更新惩罚系数p，更新公式为：

p＝p+Δp,Δp＝d×λ×(1.0-TPR)+d×(1.0-λ)×(0.5-FPR) (3.1)

其中d是调节步长，λ是偏重系数，λ越大则训练好的分类器的TPR参数越高。通过迭代公式，逐步调整惩罚系数的值，以期达到设置目标。

在实验中，每一级分类的训练结束条件为：

(1)当前分类器满足TPR接近于1.0，FPR小于0.5。

(2)迭代训练次数达到设置的最大迭代次数。

当训练过程中达到上述任一条件后，结束训练，当前分类器器训练完成，进入下一级分类器的训练。

扩展为多分类时，每一个子分类器将一类分出，未分出的进入下一个子分类器。如图5所示，A部分负责分出非缺陷，是缺陷与非缺陷的二分类过程。 B部分是分类缺陷类型，按照裂纹、未熔合、未焊透、条形缺陷和圆形缺陷的顺序依次分出来。实现用4个子分类器分类5种缺陷。

实验数据经过五折交叉验证，分类正确率为85.5％，缺陷检测率(TPR) 为91.66％。并且设置了3组对比试验：SVM、RandomForest和kNN，对其进行了最优设置。只考虑TP参数，本文提出方法比kNN增长了22.37％，比SVM增长了20.05％，比RF增长了10.13％，AdaBoost显示了其优越性。

AdaBoost在多分类中可以赋予不同的类别不同的偏重。裂纹、未熔合和未焊透这3种缺陷的危害程度较大并且样本数据量小。AdaBoost在这3种缺陷的分类中查全率高于SVM,RandomForest和kNN。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (6)

1.基于几何特征和AdaBoost算法的焊缝缺陷分类方法，其特征在于：包括以下步骤，

步骤S101，特征提取，X光图像背景减除后得到候选缺陷，采用区域比较法提取缺陷区域的几何特征和比较区域的灰度特性；

步骤S102，使用AdaBoost算法进行特征选择，得到最优特征，使用带有惩罚项的AdaBoost算法，通过设置惩罚项，从大量候选缺陷区域中得到真实缺陷，并对真实缺陷进行分类。

2.如权利要求1所述的基于几何特征和AdaBoost算法的焊缝缺陷分类方法，其特征在于：所述步骤S101中区域比较法采用水平区域比较法提取的特征包括平均灰度、灰度标准差、灰度中值、灰度极差。

3.如权利要求1所述的基于几何特征和AdaBoost算法的焊缝缺陷分类方法，其特征在于：所述步骤S102中AdaBoost算法中弱分类器选取了二分类决策树。

4.如权利要求1所述的基于几何特征和AdaBoost算法的焊缝缺陷分类方法，其特征在于：所述步骤S101得到的灰度差异组成特征向量，输入到Adaboost算法的分类器中。

5.如权利要求1所述的基于几何特征和AdaBoost算法的焊缝缺陷分类方法，其特征在于：所述步骤S102缺陷分类分为：裂纹、未熔合、未焊透、条形缺陷和圆形缺陷。

6.如权利要求1所述的基于几何特征和AdaBoost算法的焊缝缺陷分类方法，其特征在于：所述步骤S102AdaBoost算法的更新规则增加了一个乘法项即惩罚系数p，更新规则如下，

Images