CN102253049B - 带钢生产过程表面质量在线精准检测方法 - Google Patents

Abstract

带钢生产过程表面质量在线精准检测方法，属于带钢表面质量在线检测技术领域，特别是涉及一种图像式带钢生产过程表面质量在线精准检测方法。本发明能够实现带钢表面缺陷的实时检测和精准分类。包括如下步骤：步骤一：读取计算机中存储的缺陷图像；步骤二：提取缺陷图像的图像特征；步骤三：根据步骤二中提取的缺陷图像的图像特征，采用支持向量机SVM与智能优化算法相结合的方法进行缺陷分类；步骤四：存储检测和分类结果，判断是否结束检测，若是，则执行步骤五；否则，返回执行步骤一；步骤五：结束。

Description

带钢生产过程表面质量在线精准检测方法

技术领域

本发明属于带钢表面质量在线检测技术领域，特别是涉及一种图像式带钢生产过程表面质量在线精准检测方法。

背景技术

带钢已成为汽车生产、机械制造、化工、航空航天、造船等工业不可缺少的原材料，但由于受轧制设备、加工工艺等方面因素的影响，带钢表面容易形成辊印、擦伤、孔洞等几十种不同类型的缺陷，这些缺陷严重影响了最终产品的性能和质量。

在实际工业生产过程中，由于技术条件的限制，带钢表面质量检测主要由人工完成。人工检测方法具有以下突出弊端：不适合在高速生产线上进行检测，为保证精度一般要求离线低速检测；对工人经验依赖性强，缺乏检测的一致性、科学性；工人劳动强度高，长期高强度劳动易造成检测精度下降。

国内也有企业及研究机构对于带钢表面质量检测问题进行了相关研究。申请号为200610117168.6的中国专利“基于机器视觉的带钢表面缺陷测试平台及其检测方法”、申请号为200510010049.6的中国专利“线阵图像式带钢表面在线缺陷检测装置及其检测方法”，分别公开了一种可以模拟带钢直线运动、通过像机和光源配合试验，从而获取带钢缺陷最佳图像的测试平台的构建方法和通过一种在线监测装置的结构实现在一台电脑上完成对带钢表面实时监测的方法，但没有提出新的检测和分类方法，不能实时、全面、精准的对带钢表面缺陷进行检测和分类。

申请号为200910092408.5的中国专利“一种连铸板坯表面裂纹在线检测方法”，公开了一种连铸板坯表面裂纹在线检测方法，该方法实现了对高温板坯的在线裂纹检测；但是该方法只能针对一种缺陷实现在线检测，而不能同时实现多种缺陷的在线检测与分类。

发明内容

针对现有技术存在的不足，本发明提供一种带钢生产过程表面质量在线精准检测方法，该方法能够实现带钢表面缺陷的实时检测和精准分类。

为了实现上述目的，本发明采用如下技术方案，一种带钢生产过程表面质量在线精准检测方法，包括如下步骤：

步骤一：读取计算机中存储的缺陷图像；

步骤二：提取缺陷图像的图像特征；

步骤三：根据步骤二中提取的缺陷图像的图像特征，采用支持向量机SVM与智能优化算法相结合的方法进行缺陷分类；

步骤四：存储检测和分类结果，判断是否结束检测，若是，则执行步骤五；否则，返回执行步骤一；

步骤五：结束。

步骤一中所述的读取计算机中存储的缺陷图像，其中，缺陷图像的在线获取，其具体步骤如下：

步骤a：在摄像机的摄像头上的感光元件感受到目标之后，感光元件将光的强度信号转化为电信号通过传输设备进行传输，每次传输一行的图像，计算机将成行的图像组合成一幅图像后存储在计算机的内存中；

步骤b：从计算机的内存中读取一幅图像；

步骤c：采用自适应阈值边缘检测方法判断该图像是否存在缺陷，若检测到边缘信息，则认为该图像存在缺陷，执行步骤d；若没有检测到边缘信息，则认为该图像不存在缺陷，转去执行步骤e；

步骤d：记录该图像的批号、位置信息，并存储该图像到计算机硬盘；

步骤e：判断是否停止在线获取图像，若是，则执行步骤f；否则，释放内存，读取下一幅图像，转去执行步骤c；

步骤f：结束。

步骤三中所述的根据步骤二中提取的缺陷图像的图像特征，采用支持向量机SVM与智能优化算法相结合的方法进行缺陷分类，其具体步骤如下：

步骤a：建立分类模型，

首先，对样本图像进行读取和特征提取的操作，建立SVM所需的样本数据；然后采用SVM与智能优化算法相结合的方法建立分类模型；

步骤(a)：初始化智能优化算法中的参数；

步骤(b)：根据每个个体的值，对特征值进行加权，并且将SVM分类算法的参数进行赋值；

步骤(c)：根据每个个体的值，用SVM方法利用加权后的特征值建立分类模型，对所建立的分类模型进行交叉检验，交叉检验的结果作为适应度值，按照智能优化算法的个体更新公式更新个体，判断是否达到终止条件，若达到终止条件，则输出分类模型的参数、特征加权的权重系数以及核函数的参数值，若没有达到，则转去执行步骤(b)；

所述的终止条件是指达到智能优化算法的最大迭代次数，或者交叉检验结果满足要求；

步骤b：根据步骤a所建立的分类模型进行分类，

提取需要分类图像的特征值，读入分类模型的参数、特征加权的权重系数以及核函数的参数值，根据提取到的特征值计算决策函数，得到分类结果。

本发明的有益效果：

1、本发明的检测方法能够实时、全面、精准的对带钢表面缺陷进行检测，检测方法和分类方法准确率能够满足生产要求，实现带钢表面缺陷的在线实时检测、自动识别及分类功能；

2、本发明的检测方法适用范围广，只需对特征图库进行相应更新，就可以应用到冷轧或者热轧生产线不同产品的质量检测当中，同时实现多种缺陷的在线检测与分类；

3、本发明的检测方法能够解决带钢生产表面质量检测准确率低的技术问题，迅速完成检测分类工作，提高缺陷识别率，实现检测数据的实时反馈，为设备的维修与维护以及产品的分卷、评级等提供参考。

附图说明

图1是本发明的检测方法的程序流程图；

图2是缺陷图像在线获取的程序流程图；

图3是缺陷分类的程序流程图；

(a)是建立分类模型的程序流程图；

(b)是分类的程序流程图；

图4是智能优化算法粒子的个体结构图；

图5是本发明的检测方法所采用的检测装置的结构示意图；

图6是采用支持向量机SVM与粒子群优化算法PSO相结合的方法进行缺陷分类的程序流程图；

图7是采用支持向量机SVM与差分进化算法DE相结合的方法进行缺陷分类的程序流程图；

在图5中，1-照明光源，2-摄像机，3-带钢，4-传输设备，5-计算机，6-服务器，7-传送辊。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的说明：

如图1所示，一种带钢生产过程表面质量在线精准检测方法，包括如下步骤：

步骤一：读取计算机中存储的缺陷图像；

如图2所示，缺陷图像的在线获取，其具体步骤如下：

步骤a：在摄像机的摄像头上的感光元件感受到目标之后，感光元件将光的强度信号转化为电信号通过传输设备进行传输，每次传输一行的图像，计算机将一定数目行数的图像组合成一幅图像后存储在计算机的内存中；

步骤b：从计算机的内存中读取一幅图像；

步骤c：采用自适应阈值边缘检测方法判断该图像是否存在缺陷，本发明中所提及的图像的缺陷是指图像对应的取像对象是否存在缺陷；若检测到边缘信息，则认为该图像存在缺陷，执行步骤d；若没有检测到边缘信息，则认为该图像不存在缺陷，转去执行步骤e；

所谓自适应阈值边缘检测方法是指根据图像直方图信息确定阈值，该阈值随着图像自适应改变，再采用图像处理中常用的sobel算子进行边缘检测。

步骤d：记录该图像的批号、位置等信息，并存储该图像到计算机硬盘；

步骤e：判断是否停止在线获取图像，若是，则执行步骤f；否则，释放内存，读取下一幅图像，转去执行步骤c；

步骤f：结束。

步骤二：提取缺陷图像的图像特征；

由于原始图像中存储位数太大，且有些图像特征在原始数据中不容易体现，为了使缺陷图像的图像特征更直接的表现出来、简化进一步计算，对缺陷图像进行特征提取。

总结以往知识与带钢缺陷检测的特点，本发明的检测方法采用了15种缺陷特征作为分类标准，具体特征及计算方法见表1；在提取特征值时，所指的感兴趣区域是指缺陷图像。在表1中，x，y分别表示x轴和y轴的坐标，g(x，y)表示(x，y)点的灰度值，f(x，y)表示点(x，y)是否在公式的定义域内，若在，则f(x，y)＝1，否则f(x，y)＝0。灰度图像的一阶概率分布为：P(b)＝P{g(x，y)＝b}(0≤b≤L-1)，在8位灰度图像中，L＝256；式中，b为灰度值的量化级，共有L级。相应的一阶直方图为：b＝0，1，2，L，L-1，其中，N表示图像的像素总个数，n(b)表示灰度值等于b的像素个数。P_δ(x，y)表示缺陷图像的灰度共生矩阵，μ_x，δ_x分别表示共生矩阵在水平方向上的行均值和行标准差，μ_y，δ_y表示列均值和列标准差，μ表示P_δ(x，y)的均值。

表1图像特征表

步骤三：根据步骤二中提取的缺陷图像的图像特征，采用支持向量机SVM与智能优化算法相结合的方法进行缺陷分类，智能优化算法进行特征加权以及SVM参数优化。其中，基于智能优化算法的特征加权体现出不同特征对分类结果的贡献大小，同时起到特征选择的作用，当特征权重为0时表示不选用该特征值，当为其他值时表示出不同特征值的权重大小。

如图3所示，所述缺陷分类分为建模和分类两个部分；其具体步骤如下：

步骤a：建立分类模型，

首先，对样本图像进行读取和特征提取的操作，建立SVM所需的样本数据；然后采用SVM与智能优化算法相结合的方法建立分类模型；智能优化算法是通过群体间相互配合在问题解空间内进行寻优的方法，在本发明中，智能优化算法粒子的个体结构如图4所示，其中，a₁，a₂，

a_num，表示特征值的权重；num表示特征值的个数；C，σ²表示SVM的参数。

步骤(a)：初始化智能优化算法中的参数；

步骤(b)：根据每个个体的值，对特征值进行加权，并且将SVM分类算法的参数进行赋值；

步骤(c)：根据每个个体的值，用SVM方法利用加权后的特征值建立分类模型，对所建立的分类模型进行交叉检验，交叉检验的结果作为适应度值，按照智能优化算法的个体更新公式更新个体，判断是否达到终止条件，若达到终止条件，则输出分类模型的参数、特征加权的权重系数以及核函数的参数值，若没有达到，则转去执行步骤(b)；

所述的终止条件是指达到智能优化算法的最大迭代次数，或者交叉检验结果满足要求。

步骤b：根据步骤a所建立的分类模型进行分类，

提取需要分类图像的特征值，读入分类模型的参数、特征加权的权重系数以及核函数的参数值，根据提取到的特征值计算决策函数，得到分类结果。

假设

是支持向量，SV表示支持向量的集合，那么，决策函数表示为

其中，

为本发明的检测方法中采用的径向基核函数，根据智能优化算法的解给特征值加权并给SVM参数赋值，从而建立优化模型。

步骤四：存储检测和分类结果，判断是否结束检测，若是，则执行步骤五；否则，返回执行步骤一；

将分类结果通过传输设备传输到服务器中，在服务器中详细记录缺陷的位置、带钢的批号、缺陷的大小、缺陷的形状、缺陷等级的信息，便于查阅及进一步处理。

步骤五：结束。

如图5所示，本发明的检测方法所采用的检测装置，包括传送辊7，在传送辊7的上方分别设置有具有感光元件的摄像机2和照明光源1，所述的摄像机2通过传输设备4与计算机5相连接，计算机5与服务器6相连接。

在本发明中，通过摄像机2实时获取在线检测所需要的图像。图像获取的精度直接影响检测的精度。在像机的选型方面，黑白像机能够满足系统要求，相对彩色像机价格较便宜，且所拍摄得到的灰度图像相比于所占存储量小。线阵像机扫描范围宽，扫描速度快，安装方便，能够达到较高精度，所以本发明采用线阵黑白像机。计算机5的作用是进行图像的预处理、特征提取和特征分类工作，要求计算机5稳定性好、计算速度快。服务器6的主要功能是存储计算机5所得到的计算结果，记录缺陷的位置、形状以及采集时间等信息，并对计算结果进行处理，将缺陷的分布情况准确的描述出来。因此对服务器6的要求是稳定性好、速度快、存储容量大、安全性高。照明光源1的选取直接影响到成像质量，进而影响检测结果的精度。LED光源具有发热量少，亮度便于控制，输出稳定，运行成本低的特点，因此本发明中的照明光源采用线性LED光源，并且选用红光和白光两种光源进行照明。

在装置运行时，摄像机2获得的数据通过传输设备4传输到计算机5中，计算机5经过前面所述的方法的处理之后将结果存储到服务器6当中。服务器6在SVM建模和离线检测的过程中给计算机5提供样本图像。通过计算机5可以随时调取检测信息，并且这些信息可以与其他环节共享，指导设备的维修与维护以及对带钢的进一步处理，为产品的分卷、评级等提供参考。

实施例1：

本实施例的智能优化算法采用粒子群优化算法PSO，缺陷分类采用支持向量机SVM与粒子群优化算法PSO相结合的方法。

步骤一：缺陷图像的在线获取，其具体步骤如下：

步骤a：在摄像机的摄像头上的感光元件感受到目标之后，感光元件将光的强度信号转化为电信号通过传输设备进行传输，每次传输一行的图像，计算机将一定数目行数的图像组合成一幅图像后存储在计算机的内存中；

步骤b：从计算机的内存中读取一幅图像；

步骤c：采用自适应阈值边缘检测方法判断该图像是否存在缺陷，本发明中所提及的图像的缺陷是指图像对应的取像对象是否存在缺陷；若检测到边缘信息，则认为该图像存在缺陷，执行步骤d；若没有检测到边缘信息，则认为该图像不存在缺陷，转去执行步骤e；

所谓自适应阈值边缘检测方法是指根据图像直方图信息确定阈值，该阈值随着图像自适应改变，再采用图像处理中常用的sobel算子进行边缘检测。

步骤d：记录该图像的批号、位置等信息，并存储该图像到计算机硬盘；

步骤e：判断是否停止在线获取图像，若是，则执行步骤f；否则，释放内存，读取下一幅图像，转去执行步骤c；

步骤f：结束。

步骤二：提取缺陷图像的图像特征；

总结以往知识与带钢缺陷检测的特点，本发明的检测方法采用了15种缺陷特征作为分类标准，具体特征及计算方法见表1。

步骤三：根据步骤二中提取的缺陷图像的图像特征，采用支持向量机SVM与智能优化算法相结合的方法进行缺陷分类，智能优化算法进行特征加权以及SVM参数优化。其中，基于智能优化算法的特征加权体现出不同特征对分类结果的贡献大小，同时起到特征选择的作用，当特征权重为0时表示不选用该特征值，当为其他值时表示出不同特征值的权重大小。

所述缺陷分类分为建模和分类两个部分；其具体步骤如下：

步骤a：建立分类模型，如图6所示，

首先，对样本图像进行读取和特征提取的操作，建立SVM所需的样本数据；然后采用粒子群优化算法PSO进行特征加权和对SVM参数进行优化。

在PSO算法的应用当中所用到的参数及其意义：

N-种群规模；M-粒子维数；p_ij-第i个粒子第j个特征量的值；其中，i＝1，2，L，N；j＝1，2，L，M，M＝num+2；num＝15；p_i-第i个粒子的位置，i＝1，2，L，N；v_i-第i个粒子的速度，i＝1，2，L，N；IterMax-最大循环代数；No Im proveMax-最优值最大不更新次数，指最优适应度值不改变的最大代数；p_gbest-计算到目前为止适应度函数最好的粒子；p_i，lbest-第i个粒子的历史最优解；rand1，rand2-[0，1]之间的随机数；w-惯性权重；c₁，c₂-权重因子，t-迭代次数。

PSO粒子的个体结构如图4所示，其中，a₁，a₂，L，a_num，表示特征值的权重；num表示特征值的个数；C，σ²表示SVM的参数。

步骤(a)：初始化算法中的参数，No Im proveMax＝10，IterMax＝1000，N＝20，M＝17，w＝0.7，c₁＝0.5，c₂＝0.5，随机产生20个个体p_i；

步骤(b)：根据粒子位置p_i的值，对特征值进行加权，并且将SVM分类算法的参数进行赋值；

步骤(c)：根据每个粒子的位置值，用SVM方法对加权后的特征值建立分类模型，对所建立的分类模型进行交叉检验，交叉检验的结果作为适应度值，根据适应度值更新p_gbest、p_i，lbest，判断是否达到最大迭代次数或者达到最优值最大不更新次数，满足，则终止计算并输出计算结果，不满足，继续执行步骤(d)；

步骤(d)：根据公式(1)和公式(2)更新粒子的位置，

v_i(t+1)＝w×v_i(t)+c₁×rand1×(p_gbest-p_i)+c₂×rand2×(p_i，lbest-p_i)    (1)

p_i(t+1)＝p_i(t)+v_i                                                     (2)

其中，v_i(t)-第i个粒子的速度，p_i(t)-第i个粒子的位置。

步骤(e)：根据粒子的新位置转去执行步骤(b)。

在步骤(c)中所指的输出计算结果是指建立的分类模型的参数、特征加权的权重值以及核函数参数取值。

假设

是支持向量，SV表示支持向量的集合，那么，决策函数表示为

其中，

为本发明的检测方法中采用的径向基核函数，根据智能优化算法的解给特征值加权并给SVM参数赋值，从而建立优化模型。

步骤b：根据步骤a所建立的分类模型进行分类，

提取需要分类图像的特征值，读入分类模型的参数、特征加权的权重系数以及核函数的参数值，根据提取到的特征值计算决策函数，得到分类结果。

在实验中得到的分类准确率，如表2所示。

表2PSO算法优化SVM方法与给定参数的SVM方法性能比较

	PSO算法优化SVM方法	给定参数方法
			2分类	99.6％	96％
7分类	93.52273％	92.04546％
			10分类	93.70079％	70.86614％
20分类	93.98148％	87.03704％
			平均	95.2013％	86.4872％

实验结果表明：本发明的检测方法与根据经验给定参数的方法相比，能够更好的实现精准分类，平均分类准确率提高了8.7141％。

由于分类模型的建立是离线完成的，所以在实际运行时在线检测的时间是由特征提取时间和预测时间两部分组成的。实验表明：一幅图像的特征提取平均时间为0.6303ms，特征提取完成后进行分类的时间为0.07906μs。一幅图像的检测平均时间在1ms以内，算法速度可以满足在线检测的需求。

步骤四：存储检测和分类结果，判断是否结束检测，若是，则执行步骤五；否则，返回执行步骤一；

将分类结果通过传输设备传输到服务器中，在服务器中详细记录缺陷的位置、带钢的批号、缺陷的大小、缺陷的形状、缺陷等级的信息，便于查阅及进一步处理。

步骤五：结束。

在本实施例中，检测装置所采用硬件的型号如表3所示。

表3实施例1中所采用硬件的型号

装置运行时，摄像机2距带钢3表面40cm，照明光源1距带钢3表面100cm。

在装置运行时，摄像机2获得的数据通过传输设备4传输到计算机5中，计算机5经过前面所述的方法处理之后将计算结果存储到服务器6当中。服务器6在SVM建模和离线检测的过程中给计算机5提供样本图像。

实施例2：

本实施例的智能优化算法采用差分进化算法DE，缺陷分类采用支持向量机SVM与差分进化算法DE相结合的方法。

步骤一：缺陷图像的在线获取，其具体步骤如下：

步骤a：在摄像机的摄像头上的感光元件感受到目标之后，感光元件将光的强度信号转化为电信号通过传输设备进行传输，每次传输一行的图像，计算机将一定数目行数的图像组合成一幅图像后存储在计算机的内存中；

步骤b：从计算机的内存中读取一幅图像；

步骤c：采用自适应阈值边缘检测方法判断该图像是否存在缺陷，本发明中所提及的图像的缺陷是指图像对应的取像对象是否存在缺陷；若检测到边缘信息，则认为该图像存在缺陷，执行步骤d；若没有检测到边缘信息，则认为该图像不存在缺陷，转去执行步骤e；

所谓自适应阈值边缘检测方法是指根据图像直方图信息确定阈值，该阈值随着图像自适应改变，再采用图像处理中常用的sobel算子进行边缘检测。

步骤d：记录该图像的批号、位置等信息，并存储该图像到计算机硬盘；

步骤e：判断是否停止在线获取图像，若是，则执行步骤f；否则，释放内存，读取下一幅图像，转去执行步骤c；

步骤f：结束。

步骤二：提取缺陷图像的图像特征；

总结以往知识与带钢缺陷检测的特点，本发明的检测方法采用了15种缺陷特征作为分类标准，具体特征及计算方法见表1。

步骤三：根据步骤二中提取的缺陷图像的图像特征，采用支持向量机SVM与智能优化算法相结合的方法进行缺陷分类，智能优化算法进行特征加权以及SVM参数优化。其中，基于智能优化算法的特征加权体现出不同特征对分类结果的贡献大小，同时起到特征选择的作用，当特征权重为0时表示不选用该特征值，当为其他值时表示出不同特征值的权重大小。

所述缺陷分类分为建模和分类两个部分；其具体步骤如下：

步骤a：建立分类模型，如图7所示，

首先，对样本图像进行读取和特征提取的操作，建立SVM所需的样本数据；然后采用差分进化算法DE进行特征加权和对SVM参数进行优化。

在DE算法的应用当中所用到的参数及其意义：

N-种群规模；M-个体维数；p_i，j，g-第g代第i个个体第j个特征量的值；p_ij-第i个个体第j个特征量的值，其中，i＝1，2，L，N；j＝1，2，L，M，M＝num+2；num＝15；p_i，g-第g代第i个个体，i＝1，2，L，N；temp1_i，g-第i个个体在第g代变异后的个体，i＝1，2，L，N；temp2_i，g-第i个个体在第g代交叉操作后的个体，i＝1，2，L，N；v_i，g-第i个个体第g代时的速度，i＝1，2，L，N；IterMax-最大循环代数；No Im proveMax-最优值最大不更新次数，指最优适应度值不改变的最大代数；p_gbest-计算到目前为止适应度函数最好的个体；rand1，rand2，rand3-3个[1，IterMax]之间不相同的随机数；F-变异因子；CR-交叉因子；g＝1，2，L，IterMax-迭代次数。

DE个体结构如图4所示，其中，a₁，a₂，L，a_num，表示特征值的权重；num表示特征值的个数；C，σ²表示SVM的参数。

DE的操作如下：

步骤(a)：初始化算法中的参数，IterMax＝1000，No Im proveMax＝10，M＝17，N＝20，F＝0.7，CR＝0.4，随机产生20个个体p_i，g，g＝0；

步骤(b)：根据个体p_i，g的值，对特征数值进行加权，并对SVM分类算法的参数进行赋值；

步骤(c)：根据每个粒子的位置值，用SVM方法对加权后的特征值建立分类模型，对所建立的分类模型进行交叉检验，交叉检验的结果作为适应度值，根据适应度值更新p_gbest，判断是否达到最大迭代次数或者达到最优值最大不更新次数，满足，则终止计算并输出计算结果，不满足，继续执行步骤(d)；

步骤(d)：根据公式(3)和公式(4)对个体进行变异和交叉操作，并根据p_i，g及temp2_i，g的适应度值进行选择操作，如果p_i，g适应度值较好，则p_i，g+1＝p_i，g，否则p_i，g+1＝temp2_i，g：

变异操作：

temp1_i，g＝prand_1，g+F×(p_gbest-p_i，g)+F×(p_rand2，g-p_rand3，g)       (3)

交叉操作： ${\mathrm{temp}2}_{i,j,g}=\left\{\begin{array}{c}\mathrm{temp}{1}_{i,j,g},\mathrm{if}\left((\mathrm{rand}4\left(j\right)\≤\mathrm{CR})\mathrm{or}(j=\mathrm{rand}5\left(i\right))\right)\\ p_{i,j,g},\mathrm{if}\left((\mathrm{rand}4\left(j\right)>\mathrm{CR})\mathrm{or}(j\≠\mathrm{rand}\left(i\right))\right)\end{array}\right.(j=\mathrm{1,2},L,M)---\left(4\right)$

步骤(e)：g＝g+1，根据新个体值转去执行步骤(b)；

在步骤(c)中所指的输出计算结果是指建立的分类模型的参数、特征加权的权重值以及核函数参数取值。

假设

是支持向量，SV表示支持向量的集合，那么，决策函数表示为

其中，

为本发明的检测方法中采用的径向基核函数，根据智能优化算法的解给特征值加权并给SVM参数赋值，从而建立优化模型。

步骤b：根据步骤a所建立的分类模型进行分类，

提取需要分类图像的特征值，读入分类模型的参数、特征加权的权重系数以及核函数的参数值，根据提取到的特征值计算决策函数，得到分类结果。

在实验中得到的分类准确率，如表4所示。

表4 DE算法优化SVM方法与给定参数的SVM方法性能比较

	DE算法优化SVM方法	给定参数方法
			2分类	99.8％	96％
7分类	93.06818％	92.04546％
			10分类	90.55118％	70.86614％
20分类	89.07407％	87.03704％
			平均	93.12336％	86.4872％

实验结果表明：本发明的检测方法与根据经验给定参数的方法相比，能够更好的实现精准分类，平均分类准确率提高了6.636197％。

由于分类模型的建立是离线完成的，所以在实际运行时在线检测的时间是由特征提取时间和预测时间两部分组成的。实验表明：一幅图像的特征提取平均时间为0.6303ms，特征提取完成后进行分类的时间为0.07906μs。一幅图像的检测平均时间在1ms以内，算法速度可以满足在线检测的需求。

步骤四：存储检测和分类结果，判断是否结束检测，若是，则执行步骤五；否则，返回执行步骤一；

将分类结果通过传输设备传输到服务器中，在服务器中详细记录缺陷的位置、带钢的批号、缺陷的大小、缺陷的形状、缺陷等级的信息，便于查阅及进一步处理。

步骤五：结束。

在本实施例中，检测装置所采用硬件的型号如表3所示。

装置运行时，摄像机2距带钢3表面40cm，照明光源1距带钢3表面100cm。

在装置运行时，摄像机2获得的数据通过传输设备4传输到计算机5中，计算机5经过前面所述的方法处理之后将计算结果存储到服务器6当中。服务器6在SVM建模和离线检测的过程中给计算机5提供样本图像。

Claims (2)

1.一种带钢生产过程表面质量在线精准检测方法，其特征在于，包括如下步骤：

步骤一：在线获取缺陷图像，将其存入计算机，并读取计算机中存储的缺陷图像；

步骤二：提取缺陷图像的图像特征；

步骤三：根据步骤二中提取的缺陷图像的图像特征，采用支持向量机SVM与智能优化算法相结合的方法进行缺陷分类，其具体步骤如下：

步骤a：建立分类模型，

首先，对样本图像进行读取和特征提取的操作，建立SVM所需的样本数据；然后采用SVM与智能优化算法相结合的方法建立分类模型；

步骤(a)：初始化智能优化算法中的参数；

步骤(b)：根据每个个体的值，对特征值进行加权，并且将SVM分类算法的参数进行赋值；

步骤(c)：根据每个个体的值，用SVM方法利用加权后的特征值建立分类模型，对所建立的分类模型进行交叉检验，交叉检验的结果作为适应度值，判断是否达到终止条件，若达到终止条件，则输出分类模型的参数、特征加权的权重系数以及核函数的参数值，若没有达到，则按照智能优化算法的个体更新公式更新个体,并转去执行步骤(b)；

所述的终止条件是指达到智能优化算法的最大迭代次数，或者交叉检验结果满足要求；

步骤b：根据步骤a所建立的分类模型进行分类，

提取需要分类图像的特征值，读入分类模型的参数、特征加权的权重系数以及核函数的参数值，根据提取到的特征值计算决策函数，得到分类结果；

步骤四：存储检测和分类结果，判断是否结束检测，若是，则执行步骤五；否则，返回执行步骤一；

步骤五：结束。

2.根据权利要求1所述的一种带钢生产过程表面质量在线精准检测方法，其特征在于步骤一中所述的在线获取缺陷图像，将其存入计算机，其中，缺陷图像的在线获取，其具体步骤如下：

步骤a：在摄像机的摄像头上的感光元件感受到目标之后，感光元件将光的强度信号转化为电信号通过传输设备进行传输，每次传输一行的图像，计算机将成行的图像组合成一幅图像后存储在计算机的内存中；

步骤b：从计算机的内存中读取一幅图像；

步骤c：采用自适应阈值边缘检测方法判断该图像是否存在缺陷，若检测到边缘信息，则认为该图像存在缺陷，执行步骤d；若没有检测到边缘信息，则认为该图像不存在缺陷，转去执行步骤e；

步骤d：记录该图像的批号、位置信息，并存储该图像到计算机硬盘；

步骤e：判断是否停止在线获取图像，若是，则执行步骤f；否则，释放内存，读取下一幅图像，转去执行步骤c；

步骤f：结束。

Images