基于并行分类器集成的板带钢表面缺陷图像识别

摘要

随着经济的发展，带钢已成为汽车、家电、机械制造、航空航天、化工、造船等工业不可缺少的原材料，在国民经济中占据重要地位。在生产过程，由于连铸钢坯、轧制设备、加工工艺等多方面的原因，导致带钢表面形成边缘锯齿、焊缝、夹杂、抬头纹等各种不同类型的缺陷。这些缺陷不仅影响产品的外观质量，还会降低产品的抗腐性、耐磨性和其它强度性能，成为影响带钢表面质量的一个重要因素。欲提高板带钢的表面质量，必须首先解决板带钢表面缺陷的检测与分类问题，继而分析相应缺陷产生的原因，最终提出消除缺陷的解决方案。
　　板带钢表面缺陷识别的难度主要表现在两个方面:
　　①某种类别缺陷包含其它类型的缺陷，比如抬头纹中包含夹杂的缺陷成分;
　　②同一类别缺陷之间的形态差别很大，比如抬头纹之间、夹杂之间相差较大等，这就对分类器提出了较高的要求。
　　本文针对现有板带钢表面缺陷检测方法存在的问题，如单个分类器在算法上很难有新的突破，单个分类器及串行分类器集成识别时对训练样本依赖性较高的缺点，给出了基于并行多分类器集成的板带钢缺陷图像识别方法。
　　多分类器集成是指构建一个分类器的集合，并通过基分类器预测进行（权重）投票给出新的分类结果。分类器集成的目的是希望能充分利用每个基分类器的长处，从而获得比任何单个基分类器都要高的识别率。
　　本文用灰度直方图统计特征等26维特征降维后的11维特征作为输入，将常用的BP神经网络、LVQ神经网络、RBF神经网络和支持向量机作为基分类器，对经常出现的边缘锯齿、焊缝、夹杂、抬头纹等四类缺陷进行分类识别。将基分类器进行差异性度量后，选择最终的基分类器，用投票法及加权投票法进行集成。实验表明并行多分类器集成方法在板带钢表面缺陷图像的分类识别中应用是可行的，对120张缺陷图像的总体识别率达到95％以上。
　　文中选取基于PCNN神经网络特征提取与降维的结果作为输入特征，进行分类器集成识别，识别率达到了97.5％。另外，实验还用差异性较大的夹杂和抬头纹作为样本进行分类识别，结果表明并行分类器集成系统不但能够提高识别率，而且对训练样本的依赖性较小，泛化性较高。

目录

声明

摘要

第1章 绪论

1．1 课题背景

1．2 研究的现状

1．2．1 带钢检测的国内外发展现状

1．2．2 多分类器集成的国外研究进展

1．2．3 多分类器集成的国内研究进展

1．3 存在的主要问题

1．4 研究的意义

1．5 研究的主要内容

第2章 特征提取与选择

2．1 带钢的表面缺陷特征提取

2．1．1 直方图统计特征

2．1．2 小波变换特征

2．1．3 灰度共生矩阵特征

2．1．4 不变矩特征

2．2 特征的组合选择

2．3 本章小结

第3章 模式识别分类器研究

3．1 线性判别分析

3．2 近邻分类器

3．2．1 最近邻法

3．2．2 K最近邻分类器

3．3 人工神经网络研究

3．3．1 BP神经网络

3．3．2 LVQ神经网络

3．3．3 RBF神经网络

3．4 支持向量机

3．4．1 支持向量机原理

3．4．2 支持向量机算法实现

3．5 本章小结

第4章 多分类器集成系统研究

4．1 多分类器集成系统成功的原因

4．2 分类器的输出模式

4．2．1 输出为决策层的多分类器集成

4．2．2 输出为排序层的多分类器集成

4．2．3 输出为度量层的多分类器集成

4．3 基分类器差异性度量

4．3．1 差异性度量的概念

4．3．2 基分类器差异性度量

4．4 本章小结

第5章 实验设计与结果分析

5．1 初级检测模型

5．2 本文主要研究的几类带钢缺陷

5．3 带钢缺陷并行分类器集成的研究

5．4 实验结果与分析

5．4．1 单个分类器实验

5．4．2 并行分类器集成识别实验

5．4．3 基于PCNN特征的分类器集成实验

5．4．4 研究样本对分类器的影响实验

5．5 软件系统编制

5．5．1 开发环境

5．5．2 软件系统介绍

5．6 本章小结

第6章 结论

参考文献

致谢

攻读硕士期间发表论文