Модификация случайного леса на основе показателей эффективности для автоматизированного обнаружения дефектов при капиллярном контроле с использованием флуоресцентного пенетранта

Ранее было показано, что широко применяемый алгоритм машинного обучения «случайный лес» (RF) эффективен для автоматизированного обнаружения дефектов в образцах, прошедших капиллярный контроль с использованием флуоресцентного пенетранта (FPI). В представленной работе исследуются три метода — два ранее предложенных в других областях и один новый — модификации RF для FPI на основе индивидуальных показателей эффективности деревьев решений, входящих в состав RF. Оценка с использованием F2-меры, представляющей собой гармоническое среднее точности и полноты и придающей больший вес полноте, показала, что размер RF можно уменьшить до 50 %, повысив быстродействие и снизив требования к памяти при сохранении результатов, эквивалентных результатам полного RF. Однако введение взвешивания на основе показателей эффективности или переобучение деревьев решений, демонстрирующих эффективность ниже определённого уровня, не улучшает результаты по сравнению с дополнительными вычислительными затратами, необходимыми для реализации этих методов.