CN104766097A - 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 - Google Patents

Abstract

本发明公开了基于BP神经网络和支持向量机的铝板表面缺陷分类方法，提取铝板表面缺陷的特征值作为BP神经网络分类模型的输入量，油斑和第一类缺陷作为输出量构建BP神经网络分类模型；第一类缺陷采用一对一的分类方法，构建多个支持向量机分类模型；获取学习样本并训练BP神经网络分类模型与支持向量机分类模型；利用BP神经网络分类模型进行油斑和第一类缺陷的分类，把BP神经网络分类模型认为是油斑的测试样本剔除，用支持向量机分类模型对剩下的第一类缺陷再进行分类；最后统计得到分类结果。该方法不仅提高了冷轧铝板表面油斑的识别分类率，同时也提高了冷轧铝板表面缺陷的整体识别率，也可用于其他金属表面缺陷的识别分类，且简单，易于实现。

Description

基于BP神经网络和支持向量机的铝板表面缺陷分类方法

技术领域

本发明涉及模式识别技术领域，尤其涉及一种基于BP神经网络和支持向量机的铝板表面缺陷分类方法。适用于金属表面缺陷检测系统对含有油斑等多类金属表面缺陷进行识别分类。

背景技术

冷轧铝板表面缺陷检测分类经历了人工目测分类、传统无损检测分类和基于机器视觉的检测分类3个发展阶段，人工目视检测分类表面缺陷的方法效率低、容易漏检、劳动强度大、实时性差。传统无损检测分类方法包括涡流检测分类、红外检测分类、漏磁检测分类、激光检测分类等,这些方法检出的缺陷种类少,并且检测分类的实时性不强,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分类方法是研究的热点,该方法采用CCD摄相机采集铝板表面图像,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。冷轧铝板表面缺陷的分类实质是模式识别，传统的模式识别或人工神经网络方法适合少类别分类，对多类别分类总体识别精度不高，算法耗时多，泛化能力差且需要较多的训练样本。支持向量机适合多类别分类，整体分辨率较高，但是对于个别类缺陷识别率不是很高，尤其是油斑。因此提高油斑缺陷识别分类率和整体识别分类率成为亟待解决的问题。

提高油斑缺陷识别分类率和整体识别分类率可以在硬件上进行改进，使铝板表面缺陷检测系统采用超高性能的CCD相机，并且通过改变硬件设施解决铝板表面高反光性对缺陷正确检测的影响。这种方案在一定程度上可以提高冷轧铝板表面单个缺陷识别分类率和整体识别分类率，却增加了硬件的复杂性，提高了成本，不利于在需求铝板表面缺陷检测系统的中小型冷轧铝板生产企业进行推广使用。

发明内容

本发明的目的就是为了解决上述问题，提供了一种基于BP神经网络和支持向量机的铝板表面缺陷分类方法，该方法不仅提高了冷轧铝板表面油斑的识别分类率，同时也提高了冷轧铝板表面缺陷的整体识别率，也可用于其他金属表面缺陷的识别分类，且简单，易于实现。

为了实现上述目的，本发明采用如下技术方案：

基于BP神经网络和支持向量机的铝板表面缺陷分类方法，利用神经网络的非线性映射功能，选择多输入双输出的前向神经网络，从冷轧铝板表面缺陷上提取的缺陷特征值作为学习样本数据，应用误差反向传播学习算法对网络进行训练，得到最优的BP神经网络分类模型，实现对油斑的高识别分类。

把BP神经网络分类模型认为不是油斑的第一类缺陷交由支持向量机进行再分类，支持向量机采用一对一的分类方法构建多个二分类支持向量机模型进行分类，每个支持向量机用所分的二分类所对应提取的缺陷特征值进行训练，训练完成后支持向量机分类模型则对BP神经网络认为不是油斑类的第一类缺陷进行分类；综合BP神经网络和支持向量机分类的结果输出，得到油斑及第一类缺陷的分类。

基于BP神经网络和支持向量机的铝板表面缺陷分类方法，提取铝板表面缺陷的特征值作为BP神经网络分类模型的输入量，油斑和非油斑的第一类缺陷作为输出量构建BP神经网络分类模型；

第一类缺陷采用一对一的分类方法，构建多个支持向量机分类模型；

获取学习样本并训练BP神经网络分类模型与支持向量机分类模型；

利用训练后的BP神经网络分类模型分出油斑和非油斑的第一类缺陷，把训练后的BP神经网络分类模型认为是油斑的测试样本剔除，只剩下第一类缺陷的测试样本；

用训练后的支持向量机分类模型对剩下的第一类缺陷再进行分类；最后统计得到分类结果；

利用BP神经网络分出油斑，再利用支持向量机对第一类缺陷进行细分，两类分类方法的融合实现了精准快速的分类。

所述第一类缺陷包括气泡、破皮、暗痕、亮痕、孔洞及黑线。

采用自适应阈值法对缺陷图进行分割，从几何特征、形状特征及灰度特征三类特征中提取得铝板表面缺陷的多个特征值，将每一个特征值归一化在[-1,1]之间，把归一化的特征值作为学习样本的数据。

获取学习样本的方法为：对铝板表面缺陷检测系统采集的缺陷图进行缺陷特征值数据的提取，得到学习样本数据。

得到学习样本后，采用BP算法训练BP神经网络分类模型并得到最优的BP神经网络分类模型参数。

最后的统计得到的分类类别包括油斑、气泡、破皮、暗痕、亮痕、孔洞及黑线。

BP神经网络分类模型的结构为三层，包括输入层、隐含层和输出层，输入层节点数与提取的缺陷特征值维数相同，输出层节点数为2，隐含层节点数为6～15。

所述的支持向量机分类模型采用带惩罚因子C的支持向量机类型，高斯径向基函数作为核函数，构建多个子分类模型。采用网格搜索法来确定支持向量机分类模型的最优参数。

所述支持向量机分类模型学习的样本包括气泡、破皮、暗痕、亮痕、孔洞及黑线。

本发明的有益效果：

(1)BP神经网络模型与支持向量机模型的相融合的方法充分结合了BP神经网络可以实现复杂的输入与输出间的非线性映射关系，能逼近任意非线性函数，分类速度快与支持向量机可以自动寻找那些对分类有较好区分能力的支持向量，构造出的分类器可以最大化类与类的间隔，有较好的推广性能和较好的分类准确率的优点。因此，采用此方法能提高冷轧铝板表面油斑以及其他类型缺陷的分类精度。

(2)本发明通过有机的结合，巧妙地综合了BP神经网络和支持向量机的优点。本发明除充分利用了BP神经网络分类器在油斑分类效果上表现尤其好的特点以及支持向量机对除油斑外其他类缺陷有较高分类准确率和较好的推广性能的特点外，还具有实现简单有效的特点。

(3)本发明的方法实现简单，成本低廉。通过BP神经网络对油斑缺陷样本进行学习，训练出的BP神经网络分类模型可以实现对油斑的高识别分类率。通过支持向量机对除油斑外的气泡、破皮、暗痕、亮痕、孔洞、黑线等类别样本的学习训练，可以实现高的整体识别分类率。单一的神经网络模型和支持向量机只能解决单一的问题，不能同时提高油斑缺陷识别分类率和整体识别分类率。本发明充分结合了两者的优点，并且以油斑和第一类缺陷为两大类缺陷，提高了分类的效率，又利用支持向量机对第一类缺陷进行细分，提高了分辨识别的准确度，得到了一加一不等于二的效果。

附图说明

图1为本发明流程示意图。

图2为本发明实施例流程示意图。

具体实施方式

如图1-2所示，以一个含油斑在内的七类冷轧铝板表面缺陷分类实施例说明本方法的具体实施方法，主要包括以下六个步骤：

(1)建立BP神经网络模型和支持向量机模型

为了实现油斑的高正确率分类，把除油斑外的其余的缺陷看做一类缺陷，为第一类缺陷。

取油斑的特征值和第一类缺陷的特征值作为输入量，油斑和第一类缺陷作为输出量来构建BP神经网络模型，因此选择三层(即输入层、隐含层、输出层)结构的BP神经网络。从灰度特征、几何特征及形状特征三大类特征中提取了缺陷的24个特征值作为输入量，输入层节点数定为24，输出层节点数为2，隐含层节点数为14。

建立支持向量机模型是为了把BP神经网络模型认为不是油斑的第一类缺陷进行细分类，即分为气泡、破皮、暗痕、亮痕、孔洞、黑线，对这些缺陷采用一对一的方法进行分类，需要构建15个支持向量机分类模型，图2中的n即为15，并且采用径向基核函数作为支持向量机的核函数。

(2)获取学习样本

用分类模型解决实际问题的首要工作是收集学习样本数据。为了使学习后的分类模型具有良好的性能，所收集的样本数据应该反映要解决问题的全部模式。利用冷轧铝板表面缺陷检测系统，获取大量铝板表面缺陷图，由于铝板反光性比较强，造成获取的缺陷图亮度不均匀，为了对缺陷进行准确的分割，本发明采用自适应阈值法对缺陷进行分割，从几何特征、形状特征、灰度特征及纹理特征等几大类型中选取了24个特征值进行提取，在进行提取后，提取出来的特征值范围变化很大，有的特征值达到负的几十次方数量级，有的达到正的几次方数量级，为了避免一组特征值中极大值和极小值对分类模型的影响，将每一个特征值归一化在[-1,1]之间，把归一化的特征值作为学习样本的数据。

(3)训练BP神经网络与支持向量机模型

只有训练后的分类模型才能实现其功能，本发明把步骤(2)得到的学习样本数据，采用BP算法训练由步骤(1)得到的神经网络，得到其模型参数。神经网络的训练过程是通过不断调整输入层与隐含层的权系数，隐含层与输出层的权系数使神经网络的输出与期望值的误差很小直到满足应用要求。支持向量机在最开始提出的时候，主要是进行二分的分类模型，本发明中采用一对一的方法进行多分类，对于支持向量机要分除油斑外的另外6类的缺陷，要训练15个二分类模型进行分类。

本发明选择带惩罚因子C的支持向量机类型和高斯径向基函数作为核函数，因此需要确定两个参数：惩罚因子C和参数γ，对此采用libsvm包中的网格搜索法进行确定参数，网格搜索法就是将参数C和γ分别设定一个范围，然后对两个参数取不同的值进行交叉验证，求出识别率最高的一个组合作为最优参数。最终我们训练出最优的支持向量机模型。

(4)BP神经网络分类模型进行油斑和其它缺陷分类

用训练好的BP神经网络模型对待分类的缺陷进行分类，把BP神经网络认为是油斑的缺陷输出分类结果，认为不是油斑的第一类缺陷交由支持向量机分类模型进行分类。采用OpenCV进行编程，实现把BP神经网络模型认为是油斑的缺陷样本进行删除，允许BP神经网络模型认为不是油斑的样本进入支持向量机模型进行分类。

(5)支持向量机进行第一类缺陷的再分类

对BP神经网络分类模型认为不是油斑的缺陷细分为气泡、破皮、暗痕、亮痕、孔洞、黑线，并输出分类结果。

(6)统计并综合分类结果

对BP神经网络分类模型和支持向量机模型输出结果进行综合统计，得出分类结果。

BP神经网络模型与支持向量机模型的结合一个重点在于如何避免BP神经网络分类模型认为是油斑的缺陷样本进入支持向量机分类模型进行再分类。本发明采用OpenCV进行编程，实现把BP神经网络模型认为是油斑的缺陷样本进行“删除”。把BP神经网络模型认为是油斑的缺陷样本图片存入文件夹1内，BP神经网络模型认为不是油斑的缺陷图存入文件夹2内，从文件夹2内读取缺陷样本输送给支持向量机分类模型，从而实现了允许BP神经网络模型认为不是油斑的样本进入支持向量机模型进行分类。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，

提取铝板表面缺陷的特征值作为BP神经网络分类模型的输入量，油斑和非油斑的第一类缺陷作为输出量构建BP神经网络分类模型；

第一类缺陷采用一对一的分类方法，构建多个支持向量机分类模型；

获取学习样本并训练BP神经网络分类模型与支持向量机分类模型；

利用训练后的BP神经网络分类模型分出油斑和非油斑的第一类缺陷，把训练后的BP神经网络分类模型认为是油斑的测试样本剔除，只剩下第一类缺陷的测试样本；

用训练后的支持向量机分类模型对剩下的第一类缺陷再进行分类；最后统计得到分类结果；

利用BP神经网络分出油斑，再利用支持向量机对第一类缺陷进行细分，两类分类方法的融合实现了精准快速的分类。

2.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，所述第一类缺陷包括气泡、破皮、暗痕、亮痕、孔洞及黑线。

3.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，获取学习样本的方法为：对铝板表面缺陷检测系统采集的缺陷图进行缺陷特征值数据的提取，得到学习样本数据。

4.如权利要求3所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，采用自适应阈值法对缺陷图进行分割，从几何特征、形状特征及灰度特征三类特征中提取得铝板表面缺陷的多个特征值，将每一个特征值归一化在[-1,1]之间，把归一化的特征值作为学习样本的数据。

5.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，得到学习样本后，采用BP算法训练BP神经网络分类模型并得到最优的BP神经网络分类模型参数。

6.如权利要求2所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，最后的统计得到的分类类别包括油斑、气泡、破皮、暗痕、亮痕、孔洞及黑线。

7.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，BP神经网络分类模型的结构为三层，包括输入层、隐含层和输出层，输入层节点数与提取的缺陷特征值维数相同，输出层节点数为2，隐含层节点数为6～15。

8.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，所述的支持向量机分类模型采用带惩罚因子C的支持向量机类型，高斯径向基函数作为核函数，构建多个子分类模型。

9.如权利要求8所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，采用网格搜索法来确定支持向量机分类模型的最优参数。

10.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，所述支持向量机分类模型学习的样本包括气泡、破皮、暗痕、亮痕、孔洞及黑线。