CN103514445A - 基于多流形学习的带钢表面缺陷识别方法 - Google Patents
基于多流形学习的带钢表面缺陷识别方法 Download PDFInfo
- Publication number
- CN103514445A CN103514445A CN201310481527.6A CN201310481527A CN103514445A CN 103514445 A CN103514445 A CN 103514445A CN 201310481527 A CN201310481527 A CN 201310481527A CN 103514445 A CN103514445 A CN 103514445A
- Authority
- CN
- China
- Prior art keywords
- surface defect
- steel strip
- strip surface
- vector data
- defect image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多流形学习的带钢表面缺陷识别方法。其技术方案是:对于任一副带钢表面缺陷图像向量化的向量数据点Xi分别选择类别相同和类别不同的K个近邻点建立对应的同类数据子图和异类数据子图,计算同类数据子图最小误差线性表示系数矩阵Wintra和异类数据子图最小误差线性表示系数矩阵Winter;然后分别建立同类数据子图散度Sinter和异类数据子图散度Sintra;进而以最大化异类数据子图散度Sinter与同类数据子图散度Sintra之差来寻找低维投影矩阵A;经过低维投影后,采用最近邻方法来判定未知类别的带钢表面缺陷图像的类别。本发明通过局部线性表示来探测各流形的局部结构,能够提高带钢表面缺陷图像的识别率。
Description
技术领域
本发明属于带钢表面缺陷识别技术领域。特别是涉及一种基于多流形学习的带钢表面缺陷识别方法。
背景技术
带钢是钢铁工业的主要产品形式之一,是航空航天、汽车轮船制造等必备原材料。故带钢的质量检测尤为重要,关系到许多制造行业的发展,而表面质量是带钢最为重要质量因素之一,是企业赢得市场的重要条件。因此,带钢表面质量的检测由于其重要的实用价值正受到越来越多的重视。
钢板表面质量检测经历了人工目测检测、传统无损检测和基于机器视觉检测的三个发展阶段。人工目视检测表面缺陷的方法效率低、容易漏检、劳动强度大和实时性差。传统无损检测方法包括涡流检测、红外检测、漏磁检测和激光检测等,这些方法检到的缺陷类型少,检测实时性不强,检测的表面缺陷分辨率也不高,无法有效评估产品的表面质量状况。目前,基于机器视觉的表面质量检测方法是研究的热点,该方法用摄相机采集钢板表面图像,然后通过图像处理和分析提取缺陷图像特征,进行缺陷的自动分类。但在进行分类时,依然采用比较传统的数据分析方法如神经网络、小波分析和核局部保持投影、独立分量分析和主成分分析等方法,分类效果不好,应用效果不显著。
发明内容
本发明旨在克服现有技术缺陷,目的在于提出一种效率高和效果好的基于多流形学习的带钢表面缺陷识别方法。
为实现上述技术方案,本发明采用的技术方案的具体步骤是:
(1)对原始采集的带钢表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理和向量化,得到一副带钢表面缺陷图像预处理后的向量数据点Xi,所有带钢表面缺陷图像预处理后的向量数据Xi构成矩阵数据X。
(2)对每一副带钢表面缺陷图像预处理后的向量数据点Xi,从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别相同的K个向量数据点,组成同类数据点的局部邻域,由同类数据点的局部邻域进行线性表示,计算最小误差的线性表示系数(Wij)intra:
式(1)的解为
式(2)中:Xi和Xj分别表示类别相同的不同副的带钢表面缺陷图像向量化的向量数据点;i和j分别表示自然数,i≠j;
表示一副带钢表面缺陷图像预处理后的向量数据Xi在同类数据点局部邻域的均值,
(3)对于每一副带钢表面缺陷图像预处理后的向量数据点Xi,从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别不同的K个向量数据点,组成异类数据点的局部邻域,由异类数据点的局部邻域进行线性表示,计算最小误差的线性表示系数(Wij)inter;
式(3)的解为
式(4)中:Xi和Xj表示类别不同且不同副的带钢表面缺陷图像向量化的向量数据点;i和j表示自然数,i≠j;
(4)对于其余的任一副带钢表面缺陷图像预处理后的向量数据Xi都重复步骤(2)和步骤(3)。
构建同类数据子图和异类数据子图,得到同类数据子图的最小误差线性表示矩阵Wintra和异类数据子图的最小误差线性表示矩阵Winter。
(5)计算同类数据子图散度Sintra和异类数据子图散度Sinter:
Sintra=X(I-Wintra)T(I-Wintra)XT (5)
Sinter=X(I-Winter)T(I-Winter)XT (6)
式(5)和式(6)中:I表示单位矩阵。
构建目标函数:
maxAT(Sinter-Sintra)A (7)
式(7)中:A表示低维投影矩阵。
(6)对(Sinter-Sintra)进行特征值分解
(Sinter-Sintra)f=λf (8)
式(8)中:λ表示特征值;
f表示特征向量。
将特征值λ按照由大到小顺序进行排列,取前d个特征值对应特征向量f组成低维投影矩阵A。
(7)对于未知类别的一副带钢表面缺陷图像预处理后的向量数据点Xi,在带钢表面缺陷图像预处理后的向量数据点Xi投影后的向量数据在低维空间内的投影
Yi=ATXi (9)
式(9)中:T表示低维投影矩阵A的转置。
(8)在低维空间内,采用最近邻法对未知类别的每一副带钢表面缺陷图像预处理后的向量数据点Xi的缺陷类别进行识别。
所述的从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别相同的K个向量数据点是:计算每一副带钢表面缺陷图像预处理后的向量数据点Xi与所有带钢表面缺陷图像预处理后的矩阵数据X中具有相同类别的向量数据点之间的欧式距离,按照由小到大进行排列,取前K个作为同类数据点局部邻域。
所述的从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别不同的K个向量数据点是:计算每一副带钢表面缺陷图像预处理后的向量数据点Xi与所有带钢表面缺陷图像预处理后的矩阵数据X中具有不同类别的向量数据点之间的欧式距离,按照由小到大进行排列,取前K个作为异类数据点局部邻域。
所述最近邻法是:在低维空间进行分类时,采用K近邻分类器,K为1。
由于采用上述技术方案,本发明的有益效果是:
本发明采用多流形学习方法提取带钢表面缺陷图像的特征,一方面利用向量数据的类别信息来建立同类数据子图和异类数据子图,另一方面在各子图中采用局部线性表示来计算各子图权值,保持了多流形的局部结构信息,同时以最大化表示异类数据的异类数据子图散度和表示同类数据的同类数据子图散度之差,寻找最佳分类子空间,提高带钢表面缺陷的识别效率。
最后计算测试样本的类别预测正确率,本发明与比较传统的方法如LPP相比,识别率提高了2.34%。
因此,本发明具有效率高和效果好的特点,
具体实施方式
下面结合具体实施方式对本发明作进一步的描述,并非对其保护范围的限制。
实施例1
一种基于多流形学习的带钢表面缺陷识别方法,其具体步骤是:
(1)对原始采集的带钢表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理和向量化,得到一副带钢表面缺陷图像预处理后的向量数据点Xi,所有带钢表面缺陷图像预处理后的向量数据Xi构成矩阵数据X。本实施例采集到4类带钢表面缺陷图像,4类带钢表面缺陷图像的缺陷类别是指焊缝、边缘锯齿、夹杂和抬头纹;每一类数据共40幅,每幅尺寸为100*100,一副带钢表面缺陷图像预处理后的向量数据点Xi为10000维,所有带钢表面缺陷图像预处理后的向量数据Xi构成160*10000的矩阵数据X。
(2)对每一副带钢表面缺陷图像预处理后的向量数据点Xi,从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别相同的K个向量数据点(K设为10),组成同类数据点的局部邻域。其中,同类是指如果一副带钢表面缺陷图像预处理后的向量数据点Xi是属于同一类别缺陷为同类,如焊缝缺陷类,那么一副带钢表面缺陷图像预处理后的向量数据点Xi的同类数据点的局部邻域也属于焊缝缺陷类型。由同类数据点的局部邻域进行线性表示,计算最小误差的线性表示系数(Wij)intra
式(1)的解为
式(2)中:Xi和Xj分别表示类别相同的不同副的带钢表面缺陷图像向量化的向量数据点;i和j分别表示小于或等于160的自然数,i≠j;
表示一副带钢表面缺陷图像预处理后的向量数据Xi在同类数据点局部邻域的均值,
(3)对于每一副带钢表面缺陷图像预处理后的向量数据点Xi,从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别不同的K个向量数据点(K设为10),组成异类数据点的局部邻域。其中,异类是指如果一副带钢表面缺陷图像预处理后的向量数据点Xi是属于不同类别缺陷为异类,如焊缝缺陷类和边缘锯齿缺陷类为异类,那么一副带钢表面缺陷图像预处理后的向量数据点Xi的异类数据点的局部邻域是除了焊缝缺陷外的其他类型。由异类数据点的局部邻域进行线性表示,计算最小误差的线性表示系数(Wij)inter
式(3)的解为
式(4)中:Xi和Xj分别表示类别不同且不同副的带钢表面缺陷图像向量化的向量数据点;i和j分别表示小于或等于160的自然数,i≠j;
表示一副带钢表面缺陷图像预处理后的向量数据Xj在异类数据点局部邻域的均值,
(4)对于其余的任一副带钢表面缺陷图像预处理后的向量数据Xi都重复步骤(2)和步骤(3)。
构建同类数据子图和异类数据子图,得到同类数据子图的最小误差线性表示矩阵Wintra和异类数据子图的最小误差线性表示矩阵Winter。
(5)计算同类数据子图散度Sintra和异类数据子图散度Sinter:
Sintra=X(I-Wintra)T(I-Wintra)XT (5)
Sinter=X(I-Winter)T(I-Winter)XT (6)
式(5)和式(6)中:I表示单位矩阵。
构建目标函数
maxAT(Sinter-Sintra)A (7)
式(7)中,A表示低维投影矩阵。
(6)对(Sinter-Sintra)进行特征值分解
(Sinter-Sintra)f=λf (8)
式(8)中:λ表示特征值;
f表示特征向量。
将特征值λ按照由大到小顺序进行排列,取前d个特征值对应特征向量f组成低维投影矩阵A,在设置K为10时,取前100个特征值对应的特征向量构成低维投影矩阵A为10000*100。
(7)对于未知类别的一副带钢表面缺陷图像预处理后的向量数据点Xi,在带钢表面缺陷图像预处理后的向量数据点Xi投影后的向量数据在低维空间内的投影
Yi=ATXi (9)
式(9)中:T表示低维投影矩阵A的转置。
(8)在低维空间内,采用最近邻法对未知类别的每一副带钢表面缺陷图像预处理后的向量数据点Xi的缺陷类别进行识别。
本具体实施方式采用多流形学习方法提取带钢表面缺陷图像的特征,一方面利用向量数据的类别信息来建立同类数据子图和异类数据子图,另一方面在各子图中采用局部线性表示来计算各子图权值,保持了多流形的局部结构信息,同时以最大化表示异类数据的异类数据子图散度和表示同类数据的同类数据子图散度之差,寻找最佳分类子空间,提高带钢表面缺陷的识别效率。
最后计算测试样本的类别预测正确率,本具体实施方式与比较传统的方法如LPP相比,识别率提高了2.34%。
因此,本发明具有效率高和效果好的特点。
Claims (2)
1.一种基于多流形学习的带钢表面缺陷识别方法,其特征在于所述带钢表面缺陷识别方法的具体步骤是:
(1)对原始采集的带钢表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理和向量化,得到一副带钢表面缺陷图像预处理后的向量数据点Xi,所有带钢表面缺陷图像预处理后的向量数据Xi构成矩阵数据X;
(2)对每一副带钢表面缺陷图像预处理后的向量数据点Xi,从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别相同的K个向量数据点,组成同类数据点的局部邻域,由同类数据点的局部邻域进行线性表示,计算最小误差的线性表示系数(Wij)intra:
式(1)的解为
式(2)中:Xi和Xj分别表示类别相同的不同副的带钢表面缺陷图像向量化
的向量数据点,i和j分别表示自然数,i≠j,
表示一副带钢表面缺陷图像预处理后的向量数据Xj在同类数据点局部邻域的均值,
(3)对于每一副带钢表面缺陷图像预处理后的向量数据点Xi,从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别不同的K个向量数据点,组成异类数据点的局部邻域,由异类数据点的局部邻域进行线性表示,计算最小误差的线性表示系数(Wij)inter;
式(3)的解为
式(4)中:Xi和Xj分别表示类别不同且不同副的带钢表面缺陷图像向量化的向量数据点,i和j表示自然数,i≠j,
(4)对于其余的任一副带钢表面缺陷图像预处理后的向量数据Xi都重复步骤(2)和步骤(3);
构建同类数据子图和异类数据子图,得到同类数据子图的最小误差线性表示矩阵Wintra和异类数据子图的最小误差线性表示矩阵Winter;
(5)计算同类数据子图散度Sintra和异类数据子图散度Sinter:
Sintra=X(I-Wintra)T(I-Wintra)XT (5)
Sinter=X(I-Winter)T(I-Winter)XT (6)
式(5)和式(6)中:I表示单位矩阵;
构建目标函数:
maxAT(Sinter-Sintra)A (7)
式(7)中:A表示低维投影矩阵;
(6)对(Sinter-Sintra)进行特征值分解
(Sinter-Sintra)f=λf (8)
式(8)中:λ表示特征值,
f表示特征向量;
将特征值λ按照由大到小顺序进行排列,取前d个特征值对应特征向量f组成低维投影矩阵A;
(7)对于未知类别的一副带钢表面缺陷图像预处理后的向量数据点Xi,在带钢表面缺陷图像预处理后的向量数据点Xi投影后的向量数据在低维空间内的投影
Yi=ATXi (9)
式(9)中:T表示低维投影矩阵A的转置;
(8)在低维空间内,采用最近邻法对未知类别的每一副带钢表面缺陷图像预处理后的向量数据点Xi的缺陷类别进行识别。
2.根据权利要求1所述的基于多流形学习的带钢表面缺陷识别方法,其特征在于所述最近邻法是,在低维空间进行分类时,采用K近邻分类器,K为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310481527.6A CN103514445B (zh) | 2013-10-15 | 2013-10-15 | 基于多流形学习的带钢表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310481527.6A CN103514445B (zh) | 2013-10-15 | 2013-10-15 | 基于多流形学习的带钢表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103514445A true CN103514445A (zh) | 2014-01-15 |
CN103514445B CN103514445B (zh) | 2016-09-14 |
Family
ID=49897139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310481527.6A Expired - Fee Related CN103514445B (zh) | 2013-10-15 | 2013-10-15 | 基于多流形学习的带钢表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103514445B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940767A (zh) * | 2014-05-07 | 2014-07-23 | 重庆大学 | 基于多流形学习的气体浓度反演方法 |
CN104376566A (zh) * | 2014-11-26 | 2015-02-25 | 武汉科技大学 | 基于局部特征空间距离的带钢表面缺陷图像特征提取方法 |
CN105787955A (zh) * | 2016-03-29 | 2016-07-20 | 河南森源电气股份有限公司 | 一种带钢缺陷的稀疏分割方法及其分割装置 |
CN107784323A (zh) * | 2017-10-16 | 2018-03-09 | 武汉科技大学 | 基于局部不相关约束的带钢表面缺陷图像分类方法 |
CN114723751A (zh) * | 2022-06-07 | 2022-07-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079105A (zh) * | 2007-06-14 | 2007-11-28 | 上海交通大学 | 基于流形学习的人脸识别方法 |
US20080014563A1 (en) * | 2004-06-04 | 2008-01-17 | France Teleom | Method for Recognising Faces by Means of a Two-Dimensional Linear Disriminant Analysis |
CN102024262A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 利用流形谱聚类进行图像分割的方法 |
CN103267764A (zh) * | 2013-05-30 | 2013-08-28 | 东北大学 | 基于邻域信息评估的热轧钢板表面缺陷图像识别方法 |
-
2013
- 2013-10-15 CN CN201310481527.6A patent/CN103514445B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080014563A1 (en) * | 2004-06-04 | 2008-01-17 | France Teleom | Method for Recognising Faces by Means of a Two-Dimensional Linear Disriminant Analysis |
CN101079105A (zh) * | 2007-06-14 | 2007-11-28 | 上海交通大学 | 基于流形学习的人脸识别方法 |
CN102024262A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 利用流形谱聚类进行图像分割的方法 |
CN103267764A (zh) * | 2013-05-30 | 2013-08-28 | 东北大学 | 基于邻域信息评估的热轧钢板表面缺陷图像识别方法 |
Non-Patent Citations (3)
Title |
---|
向阳等: "基于支持向量机的带钢表面缺陷识别研究", 《工业控制计算机》 * |
王宏等: "一种基于灰度投影的带钢表面缺陷检测算法", 《东北大学学报(自然科学版)》 * |
谭绍华: "基于机器视觉的带钢表面缺陷检测系统研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103940767A (zh) * | 2014-05-07 | 2014-07-23 | 重庆大学 | 基于多流形学习的气体浓度反演方法 |
CN103940767B (zh) * | 2014-05-07 | 2016-01-13 | 重庆大学 | 基于多流形学习的气体浓度反演方法 |
CN104376566A (zh) * | 2014-11-26 | 2015-02-25 | 武汉科技大学 | 基于局部特征空间距离的带钢表面缺陷图像特征提取方法 |
CN104376566B (zh) * | 2014-11-26 | 2017-08-08 | 武汉科技大学 | 基于局部特征空间距离的带钢表面缺陷图像特征提取方法 |
CN105787955A (zh) * | 2016-03-29 | 2016-07-20 | 河南森源电气股份有限公司 | 一种带钢缺陷的稀疏分割方法及其分割装置 |
CN107784323A (zh) * | 2017-10-16 | 2018-03-09 | 武汉科技大学 | 基于局部不相关约束的带钢表面缺陷图像分类方法 |
CN107784323B (zh) * | 2017-10-16 | 2019-11-08 | 武汉科技大学 | 基于局部不相关约束的带钢表面缺陷图像分类方法 |
CN114723751A (zh) * | 2022-06-07 | 2022-07-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
CN114723751B (zh) * | 2022-06-07 | 2022-09-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103514445B (zh) | 2016-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
Kitahara et al. | Microstructure cluster analysis with transfer learning and unsupervised learning | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN109800631A (zh) | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 | |
CN109658387A (zh) | 电力列车的受电弓碳滑板缺陷的检测方法 | |
Fernandes et al. | Pavement pathologies classification using graph-based features | |
CN103514445A (zh) | 基于多流形学习的带钢表面缺陷识别方法 | |
CN102654464A (zh) | 基于多特征模糊识别的铜带表面缺陷检测系统 | |
CN107369155A (zh) | 一种基于机器视觉的布匹表面疵点检测方法及其系统 | |
CN110197208A (zh) | 一种纺织品瑕疵智能检测分类方法及装置 | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
Jian et al. | Imbalanced defect classification for mobile phone screen glass using multifractal features and a new sampling method | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
Bahreini et al. | Point cloud semantic segmentation of concrete surface defects using dynamic graph CNN | |
Wu et al. | Particle swarm optimization-based optimal real Gabor filter for surface inspection | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
Li et al. | Wooden spoon crack detection by prior knowledge-enriched deep convolutional network | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
Guldur et al. | Automated classification of detected surface damage from point clouds with supervised learning | |
Ashraf et al. | Efficient Pavement Crack Detection and Classification Using Custom YOLOv7 Model | |
Mansano et al. | Inspection of metallic surfaces using local binary patterns | |
Dhivya et al. | Detection of structural defects in fabric parts using a novel edge detection method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160914 Termination date: 20181015 |
|
CF01 | Termination of patent right due to non-payment of annual fee |