CN107784323B - 基于局部不相关约束的带钢表面缺陷图像分类方法 - Google Patents
基于局部不相关约束的带钢表面缺陷图像分类方法 Download PDFInfo
- Publication number
- CN107784323B CN107784323B CN201710956407.5A CN201710956407A CN107784323B CN 107784323 B CN107784323 B CN 107784323B CN 201710956407 A CN201710956407 A CN 201710956407A CN 107784323 B CN107784323 B CN 107784323B
- Authority
- CN
- China
- Prior art keywords
- data point
- surface defect
- vector data
- defect image
- matrix
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于局部不相关约束的带钢表面缺陷图像分类方法。其技术方案是:对于一幅带钢表面缺陷图像预处理后的向量数据点Xi分别从所有幅带钢表面缺陷图像预处理后的向量数据点构成矩阵数据X中寻找与一幅带钢表面缺陷图像预处理后的向量数据点Xi类别相同的2个近邻点建立同类局部近邻特征线LW(Xi)和类别不同的2个近邻点建立异类局部近邻特征线LB(Xi),然后计算局部同类散度矩阵SLW和局部异类散度矩阵SLB,构建局部边距SM,建立与局部同类散度矩阵SLW不相关约束,寻找正交和局部不相关的特征子空间,实现局部边距SM的最大化。本发明通过抽取带钢表面缺陷图像的判别特征并分类,具有带钢表面缺陷图像分类效果好的特点。
Description
技术领域
本发明属于带钢表面缺陷图像分类技术领域。特别是涉及一种基于局部不相关约束的带钢表面缺陷图像分类方法。
背景技术
带钢是钢铁工业的主要产品之一,是航空航天、汽车轮船制造等必备原材料,是影响到国民经济发展的重要产品。近年来,随着带钢的需求量不断增加,对带钢的质量也提出了更高的要求。而在其轧制过程中,由于设备和工艺等原因,导致带钢表面出现了裂纹、氧化铁皮、结疤、辊印、刮伤、孔洞和麻点等缺陷,这些缺陷不仅影响了产品外观,更重要的是降低了产品的抗腐蚀性、抗磨性及疲劳强度等使用性能,给产品埋下了安全隐患。因此有效地分类带钢表面缺陷将是关系到带钢质量的关键环节。
带钢表面质量检测经历了人工目测检测、传统无损检测和基于图像分类检测的三个发展阶段。目前,基于图像模式分类的带钢表面质量检测方法是研究的热点,其中带钢表面缺陷图像分类是冷轧带钢表面缺陷检测的关键,而带钢表面缺陷图像特征提取是其中最为重要的步骤,带钢表面缺陷图像特征提取的好坏直接影响着最终的检测效果。针对带钢表面缺陷图像特征提取及分类,一些专家和学者对其进行了较多研究:Wong et al.利用小波变化和神经网络对带钢表面缺陷进行识别(W.K.Wong,C.W.M.Yuen,D.D.Fan,L.K.Chan,E.H.K.Fung.Stitching defect detection and classification using wavelet d andBP neural network.Expert System and Applications,36(2009)3845-3856);Suvdaa etal.利用SVM对带钢表面缺陷分类(B.Suvdaa,J.Hn,J.Ko.Steel surface defectdetection and classification using SFIT and voting strategy.InternationalJournal of SoftwareEngineering and Its Applications,6(2)(2012)161-166);吴等利用流形学习方法对带钢表面缺陷识别(吴秀勇,徐科,徐金梧.基于Gabor小波和核保局投影算法的表面缺陷自动识别方法.自动化学报,36(3)(2010)438-441)。但是由于带钢表面缺陷种类繁多和特征复杂,基于这些传统的机器学习方法的分类率还不够理想,需要设计新型的带钢表面缺陷分类方法。
发明内容
本发明旨在克服现有技术不足,目的是提供一种能较大提高带钢表面缺陷图像分类效果的基于局部不相关约束的带钢表面缺陷图像分类方法。
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:
步骤一、对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,得到一幅带钢表面缺陷图像预处理后的向量数据点Xi,所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X。其中,i=1,2,...,n,n表示所有带钢表面缺陷图像预处理后的向量数据点的总数。
步骤二、从所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成的矩阵数据X中,寻找与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别相同的两幅带钢表面缺陷图像预处理后的向量数据点Xj和Xu,所述向量数据点Xj和Xu组成一幅带钢表面缺陷图像预处理后的向量数据点Xi的同类局部近邻特征线LW(Xi),得到一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影fW(p)(Xi)以及所述向量数据点Xj和Xu对应的线性表示系数lj和lu:
fW (p)(Xi)=ljXj+luXu (1)
式(1)和(2)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
Xj和Xu分别表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别相同的2幅带钢表面缺陷图像预处理后的向量数据点;
j和u为所述2幅带钢表面缺陷图像预处理后的向量数据点序数;
lj表示所述向量数据点Xj的线性表示系数;
lu表示所述向量数据点Xu的线性表示系数;
i、j和u均为1,2,…,n的自然数,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,i≠j≠u。
步骤三、构建与一幅带钢表面缺陷图像预处理后的向量数据点Xi关联的局部同类散度矩阵
式(3)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
fW (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
T表示转置运算。
步骤四、对于其余的任一幅带钢表面缺陷图像预处理后的向量数据点Xi,按照步骤二和步骤三,得到与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵SLW:
式(4)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
fW (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
T表示表示转置运算。
步骤五、从所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成的矩阵数据X中,寻找与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别不同的两幅带钢表面缺陷图像预处理后的向量数据点Xs和Xv,所述向量数据点Xs和Xv组成一幅带钢表面缺陷图像预处理后的向量数据点Xi的异类局部近邻特征线LB(Xi),得到一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影fB (p)(Xi)以及所述向量数据点Xs和Xv对应的线性表示系数ts和tv:
fB (p)(Xi)=tsXs+tvXv (5)
式(5)和(6)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
Xs和Xv分别表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别不同的2幅带钢表面缺陷图像预处理后的向量数据点;
s和v为所述2幅带钢表面缺陷图像预处理后的向量数据点序数;
ts表示所述向量数据点Xs的线性表示系数;
tv表示所述向量数据点Xv的线性表示系数;
i、s和v均为1,2,…,n的自然数,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,i≠s≠v。
步骤六、构建与一幅带钢表面缺陷图像预处理后的向量数据点Xi关联的局部异类散度矩阵
式(7)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
fB (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
T表示转置运算。
步骤七、对于其余的任一幅带钢表面缺陷图像预处理后的向量数据点Xi,按照步骤五和步骤六,得到与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵SLB:
式(8)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
fB (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数。
步骤八、建立局部边距矩阵SM
SM=SLB-SLW (9)
式(9)中:
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵;
SLB表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵;
步骤九、建立基于与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵SLW的不相关约束:
式(10)中:
Am表示组成低维投影矩阵A的第m个向量;
Ak表示组成低维投影矩阵A的第k个向量;
m和k均为1,2,…,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,m≠k;
T表示转置运算;
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵。
步骤十、建立约束目标函数
式(11)中:
A表示低维投影矩阵;
SM表示局部边距矩阵;
Am表示组成低维投影矩阵A的第m个向量;
Ak表示组成低维投影矩阵A的第k个向量;
m和k均为自然数,m≠k;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
T表示转置运算;
I表示单位矩阵;
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵。
步骤十一、用循环迭代方法处理约束目标函数
先进行特征值分解:
SMV=λV (12)
式(12)中:
SM表示局部边距矩阵;
λ表示特征值;
V表示特征向量。
再选取式(12)中最大特征值对应的特征向量作为低维投影矩阵A的第1个向量A1,然后进行广义特征值分解,获得低维投影矩阵A的第r个向量Ar:
(BSLB-SLW)Ar=αBAr (13)
式(13)中:
Ar表示低维投影矩阵A的第r个向量;
B=I-SLWHD-1HT;
H=[A1...Ar-1];
r=2,3,...,d,d表示低维投影矩阵A中向量的个数;
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵;
SLB表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵;
α表示所述广义特征分解的最大特征值。
直到获得低维投影矩阵A=[A1 A2...Ad]。
步骤十一、对于一幅带钢表面缺陷图像预处理后的向量数据点Xi,经过线性投影后的低维特征Yi为:
Yi=ATXi (14)
式(14)中:
A表示低维投影矩阵;
T表示矩阵转置;
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点。
步骤十二、在低维空间内,采用最近邻法对每一个待分类的带钢表面缺陷图像数据进行分类。
由于采用上述技术方案,本发明的有益效果是:
本发明采用基于局部不相关约束的方法分类带钢表面缺陷图像,首先利用样本类别和近邻关系,寻找同类局部近邻特征线LW(Xi)和异类近邻特征线FB(Xi),建立局部同类散度矩阵SLW和局部异类散度矩阵SLB,构建局部边距SM,同时建立与局部同类散度矩阵SLW不相关约束,寻找正交和局部不相关的特征子空间A,实现局部边距SM的最大化。本发明通过局部不相关和正交化约束,最大化局部边距SM,抽取带钢表面缺陷图像的判别特征并分类,具有带钢表面缺陷图像分类效果好的特点。
因此,本发明通过局部不相关正交约束,最大化局部边距SM,提取带钢表面缺陷图像的分类特征并分类,具有带钢表面缺陷图像分类效果好的特点。
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
一种基于局部不相关约束的带钢表面缺陷图像分类方法。本实施例所述分类方法的具体步骤是:
步骤一、对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,得到一幅带钢表面缺陷图像预处理后的向量数据点Xi,所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X。其中,i=1,2,...,n,n表示所有带钢表面缺陷图像预处理后的向量数据点的总数。
步骤二、从所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成的矩阵数据X中,寻找与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别相同的两幅带钢表面缺陷图像预处理后的向量数据点Xj和Xu,所述向量数据点Xj和Xu组成一幅带钢表面缺陷图像预处理后的向量数据点Xi的同类局部近邻特征线LW(Xi),得到一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影fW (p)(Xi)以及所述向量数据点Xj和Xu对应的线性表示系数lj和lu:
fW (p)(Xi)=ljXj+luXu (1)
式(1)和(2)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
Xj和Xu分别表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别相同的2幅带钢表面缺陷图像预处理后的向量数据点;
j和u为所述2幅带钢表面缺陷图像预处理后的向量数据点序数;
lj表示所述向量数据点Xj的线性表示系数;
lu表示所述向量数据点Xu的线性表示系数;
i、j和u均为1,2,…,n的自然数,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,i≠j≠u。
步骤三、构建与一幅带钢表面缺陷图像预处理后的向量数据点Xi关联的局部同类散度矩阵
式(3)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
fW (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
T表示转置运算。
步骤四、对于其余的任一幅带钢表面缺陷图像预处理后的向量数据点Xi,按照步骤二和步骤三,得到与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵SLW:
式(4)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
fW (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
T表示表示转置运算。
步骤五、从所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成的矩阵数据X中,寻找与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别不同的两幅带钢表面缺陷图像预处理后的向量数据点Xs和Xv,所述向量数据点Xs和Xv组成一幅带钢表面缺陷图像预处理后的向量数据点Xi的异类局部近邻特征线LB(Xi),得到一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影fB (p)(Xi)以及所述向量数据点Xs和Xv对应的线性表示系数ts和tv:
fB (p)(Xi)=tsXs+tvXv (5)
式(5)和(6)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
Xs和Xv分别表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别不同的2幅带钢表面缺陷图像预处理后的向量数据点;
s和v为所述2幅带钢表面缺陷图像预处理后的向量数据点序数;
ts表示所述向量数据点Xs的线性表示系数;
tv表示所述向量数据点Xv的线性表示系数;
i、s和v均为1,2,…,n的自然数,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,i≠s≠v。
步骤六、构建与一幅带钢表面缺陷图像预处理后的向量数据点Xi关联的局部异类散度矩阵
式(7)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
fB (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
T表示转置运算。
步骤七、对于其余的任一幅带钢表面缺陷图像预处理后的向量数据点Xi,按照步骤五和步骤六,得到与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵SLB:
式(8)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
fB (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数。
步骤八、建立局部边距矩阵SM
SM=SLB-SLW (9)
式(9)中:
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵;
SLB表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵;
步骤九、建立基于与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵SLW的不相关约束:
式(10)中:
Am表示组成低维投影矩阵A的第m个向量;
Ak表示组成低维投影矩阵A的第k个向量;
m和k均为1,2,…,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,m≠k;
T表示转置运算;
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵。
步骤十、建立约束目标函数
式(11)中:
A表示低维投影矩阵;
SM表示局部边距矩阵;
Am表示组成低维投影矩阵A的第m个向量;
Ak表示组成低维投影矩阵A的第k个向量;
m和k均为自然数,m≠k;
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
T表示转置运算;
I表示单位矩阵;
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵。
步骤十一、用循环迭代方法处理约束目标函数先进行特征值分解:
SMV=λV (12)
式(12)中:
SM表示局部边距矩阵;
λ表示特征值;
V表示特征向量。
再选取式(12)中最大特征值对应的特征向量作为低维投影矩阵A的第1个向量A1,然后进行广义特征值分解,获得低维投影矩阵A的第r个向量Ar:
(BSLB-SLW)Ar=αBAr (13)
式(13)中:
Ar表示低维投影矩阵A的第r个向量;
B=I-SLWHD-1HT;
H=[A1...Ar-1];
r=2,3,...,d,d表示低维投影矩阵A中向量的个数;
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵;
SLB表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵;
α表示所述广义特征分解的最大特征值。
直到获得低维投影矩阵A=[A1 A2...Ad]。
步骤十一、对于一幅带钢表面缺陷图像预处理后的向量数据点Xi,经过线性投影后的低维特征Yi为:
Yi=ATXi (14)
式(14)中:
A表示低维投影矩阵;
T表示矩阵转置;
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点。
步骤十二、在低维空间内,采用最近邻法对每一个待分类的带钢表面缺陷图像数据进行分类。
与现有技术相比,本具体实施方式的有益效果是:
本具体实施方式采用基于局部不相关约束的方法分类带钢表面缺陷图像,首先利用样本类别和近邻关系,寻找同类局部近邻特征线LW(Xi)和异类近邻特征线FB(Xi),建立局部同类散度矩阵SLW和局部异类散度矩阵SLB,构建局部边距SM,同时建立与局部同类散度矩阵SLW不相关约束,寻找正交和局部不相关的特征子空间A,实现局部边距SM的最大化。本具体实施方式通过局部不相关和正交化约束,最大化局部边距SM,抽取带钢表面缺陷图像的判别特征并分类,具有带钢表面缺陷图像分类效果好的特点。
因此,本具体实施方式通过局部不相关正交约束,最大化局部边距SM,提取带钢表面缺陷图像的分类特征并分类,具有带钢表面缺陷图像分类效果好的特点。
Claims (1)
1.一种基于局部不相关约束的带钢表面缺陷图像分类方法,其特征在于所述方法的具体步骤是:
步骤一、对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,得到一幅带钢表面缺陷图像预处理后的向量数据点Xi,所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X;其中,i=1,2,...,n,n表示所有带钢表面缺陷图像预处理后的向量数据点的总数;
步骤二、从所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成的矩阵数据X中,寻找与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别相同的两幅带钢表面缺陷图像预处理后的向量数据点Xj和Xu,所述向量数据点Xj和Xu组成一幅带钢表面缺陷图像预处理后的向量数据点Xi的同类局部近邻特征线LW(Xi),得到一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影fW (p)(Xi)以及所述向量数据点Xj和Xu对应的线性表示系数lj和lu:
fW (p)(Xi)=ljXj+luXu (1)
式(1)和(2)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点,
Xj和Xu分别表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别相同的2幅带钢表面缺陷图像预处理后的向量数据点,
j和u为所述2幅带钢表面缺陷图像预处理后的向量数据点序数,
lj表示所述向量数据点Xj的线性表示系数,
lu表示所述向量数据点Xu的线性表示系数,
i、j和u均为1,2,…,n的自然数,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,i≠j≠u;
步骤三、构建与一幅带钢表面缺陷图像预处理后的向量数据点Xi关联的局部同类散度矩阵
式(3)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点,
fW (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影,
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,
T表示转置运算;
步骤四、对于其余的任一幅带钢表面缺陷图像预处理后的向量数据点Xi,按照步骤二和步骤三,得到与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵SLW:
式(4)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点,
fW (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在同类局部近邻特征线LW(Xi)上的投影,
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,
T表示表示转置运算;
步骤五、从所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成的矩阵数据X中,寻找与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别不同的两幅带钢表面缺陷图像预处理后的向量数据点Xs和Xv,所述向量数据点Xs和Xv组成一幅带钢表面缺陷图像预处理后的向量数据点Xi的异类局部近邻特征线LB(Xi),得到一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影fB (p)(Xi)以及所述向量数据点Xs和Xv对应的线性表示系数ts和tv:
fB (p)(Xi)=tsXs+tvXv (5)
式(5)和(6)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点,
Xs和Xv分别表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小的类别不同的2幅带钢表面缺陷图像预处理后的向量数据点,
s和v为所述2幅带钢表面缺陷图像预处理后的向量数据点序数,
ts表示所述向量数据点Xs的线性表示系数,
tv表示所述向量数据点Xv的线性表示系数,
i、s和v均为1,2,…,n的自然数,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,i≠s≠v;
步骤六、构建与一幅带钢表面缺陷图像预处理后的向量数据点Xi关联的局部异类散度矩阵
式(7)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点,
fB (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影,
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,
T表示转置运算;
步骤七、对于其余的任一幅带钢表面缺陷图像预处理后的向量数据点Xi,按照步骤五和步骤六,得到与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵SLB:
式(8)中:
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点,
fB (p)(Xi)表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在异类局部近邻特征线LB(Xi)上的投影,
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数;
步骤八、建立局部边距矩阵SM
SM=SLB-SLW (9)
式(9)中:
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵,
SLB表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵,
步骤九、建立基于与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵SLW的不相关约束:
式(10)中:
Am表示组成低维投影矩阵A的第m个向量,
Ak表示组成低维投影矩阵A的第k个向量,
m和k均为1,2,…,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,m≠k,
T表示转置运算,
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵;
步骤十、建立约束目标函数
式(11)中:
A表示低维投影矩阵,
SM表示局部边距矩阵,
Am表示组成低维投影矩阵A的第m个向量,
Ak表示组成低维投影矩阵A的第k个向量,
m和k均为自然数,m≠k,
i=1,2,...,n,n为所有带钢表面缺陷图像预处理后的向量数据点的总数,
T表示转置运算,
I表示单位矩阵,
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵;
步骤十一、用循环迭代方法处理约束目标函数
先进行特征值分解:
SMV=λV (12)
式(12)中:
SM表示局部边距矩阵,
λ表示特征值,
V表示特征向量;
再选取式(12)中最大特征值对应的特征向量作为低维投影矩阵A的第1个向量A1,然后进行广义特征值分解,获得低维投影矩阵A的第r个向量Ar:
(BSLB-SLW)Ar=αBAr (13)
式(13)中:
Ar表示低维投影矩阵A的第r个向量,
B=I-SLWHD-1HT,
H=[A1...Ar-1],
r=2,3,...,d,d表示低维投影矩阵A中向量的个数,
SLW表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部同类散度矩阵,
SLB表示与所有幅带钢表面缺陷图像预处理后的向量数据点Xi构成矩阵数据X关联的局部异类散度矩阵,
α表示所述广义特征分解的最大特征值;
直到获得低维投影矩阵A=[A1 A2...Ad];
步骤十一、对于一幅带钢表面缺陷图像预处理后的向量数据点Xi,经过线性投影后的低维特征Yi为:
Yi=ATXi (14)
式(14)中:
A表示低维投影矩阵,
T表示矩阵转置,
Xi表示一幅带钢表面缺陷图像预处理后的向量数据点;
步骤十二、在低维空间内,采用最近邻法对每一个待分类的带钢表面缺陷图像数据进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710956407.5A CN107784323B (zh) | 2017-10-16 | 2017-10-16 | 基于局部不相关约束的带钢表面缺陷图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710956407.5A CN107784323B (zh) | 2017-10-16 | 2017-10-16 | 基于局部不相关约束的带钢表面缺陷图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107784323A CN107784323A (zh) | 2018-03-09 |
CN107784323B true CN107784323B (zh) | 2019-11-08 |
Family
ID=61433628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710956407.5A Active CN107784323B (zh) | 2017-10-16 | 2017-10-16 | 基于局部不相关约束的带钢表面缺陷图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784323B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146869B (zh) * | 2018-08-29 | 2021-06-25 | 马鞍山钢铁股份有限公司 | 一种镀锌线带钢镀锌缺陷跟踪方法 |
CN109615606B (zh) * | 2018-11-09 | 2023-01-06 | 华南理工大学 | 一种柔性ic基板点线面缺陷的快速分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514445A (zh) * | 2013-10-15 | 2014-01-15 | 武汉科技大学 | 基于多流形学习的带钢表面缺陷识别方法 |
CN103745234A (zh) * | 2014-01-23 | 2014-04-23 | 东北大学 | 一种带钢表面缺陷的特征提取与分类方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE1018132A3 (fr) * | 2008-05-14 | 2010-05-04 | Ct Rech Metallurgiques Asbl | Methode de mesure de la proprete des bandes d'acier. |
-
2017
- 2017-10-16 CN CN201710956407.5A patent/CN107784323B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514445A (zh) * | 2013-10-15 | 2014-01-15 | 武汉科技大学 | 基于多流形学习的带钢表面缺陷识别方法 |
CN103745234A (zh) * | 2014-01-23 | 2014-04-23 | 东北大学 | 一种带钢表面缺陷的特征提取与分类方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于支持向量机的带钢表面缺陷识别研究;向阳等;《工业控制计算机》;20151231;第25卷(第8期);99-101 * |
Also Published As
Publication number | Publication date |
---|---|
CN107784323A (zh) | 2018-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886330B (zh) | 基于半监督svm集成学习的分类方法 | |
CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
CN105957076A (zh) | 一种基于聚类的点云分割方法及系统 | |
CN105005565B (zh) | 现场鞋底痕迹花纹图像检索方法 | |
CN102324032B (zh) | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 | |
CN107784323B (zh) | 基于局部不相关约束的带钢表面缺陷图像分类方法 | |
CN102930300B (zh) | 一种飞机目标识别方法及系统 | |
CN104616319B (zh) | 基于支持向量机的多特征选择目标跟踪方法 | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
CN101866427A (zh) | 织物瑕疵检测与分类方法 | |
CN101866490B (zh) | 基于差分免疫克隆聚类的图像分割方法 | |
CN109146252A (zh) | 基于调节潜力指标的用户用电行为聚类分析方法和系统 | |
CN106599833B (zh) | 一种基于领域适应和流形距离度量的人脸识别方法 | |
CN104616291A (zh) | 一种基于稀疏编码的织物外观平整度评价方法 | |
CN109543723A (zh) | 一种鲁棒的图像聚类方法 | |
CN112232297B (zh) | 基于深度联合卷积激活的遥感图像场景分类方法 | |
CN111935629A (zh) | 一种基于环境特征迁移的自适配定位方法 | |
CN108427971A (zh) | 基于移动终端的烟叶评级的方法及系统 | |
CN103679207A (zh) | 一种手写体数字识别方法及系统 | |
CN110399814A (zh) | 一种基于局部线性表示领域适应度量的人脸识别方法 | |
CN103514445B (zh) | 基于多流形学习的带钢表面缺陷识别方法 | |
Azimi et al. | Performance evalution of 3D keypoint detectors and descriptors for plants health classification | |
CN104376566B (zh) | 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 | |
CN110399885B (zh) | 一种基于局部几何感知的图像目标分类方法 | |
CN109740692A (zh) | 一种基于主成分分析的逻辑斯蒂回归的目标归类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |