CN111079832B - 具有抗特征噪声性能的钢板表面缺陷分类方法 - Google Patents

具有抗特征噪声性能的钢板表面缺陷分类方法 Download PDF

Info

Publication number
CN111079832B
CN111079832B CN201911293856.1A CN201911293856A CN111079832B CN 111079832 B CN111079832 B CN 111079832B CN 201911293856 A CN201911293856 A CN 201911293856A CN 111079832 B CN111079832 B CN 111079832B
Authority
CN
China
Prior art keywords
hypersphere
samples
steel plate
support vector
sample
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
Application number
CN201911293856.1A
Other languages
English (en)
Other versions
CN111079832A (zh
Inventor
储茂祥
冯瑶
巩荣芬
杨永辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Liaoning USTL
Original Assignee
University of Science and Technology Liaoning USTL
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Liaoning USTL filed Critical University of Science and Technology Liaoning USTL
Priority to CN201911293856.1A priority Critical patent/CN111079832B/zh
Publication of CN111079832A publication Critical patent/CN111079832A/zh
Application granted granted Critical
Publication of CN111079832B publication Critical patent/CN111079832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/204—Structure thereof, e.g. crystal structure
    • G01N33/2045—Defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明属于模式识别技术领域，尤其是涉及一种具有抗特征噪声性能的钢板表面缺陷分类方法，建立一个支持向量数据描述子模型，其特征在于包括以下步骤：步骤1：构造大超球体和小超球体，并统计样本数目；步骤2：对惩罚参数进行比例迭代调整，训练相应的支持向量数据描述子模型；步骤3：剔除超球体内部的样本，获得稀疏的钢板表面缺陷样本集；步骤4：建立新的支持向量超球体多类分类器，改进目标函数；步骤5：对新的多类分类器模型进行训练；步骤6：完成缺陷的自动识别。本发明利用支持向量数据描述模型对原始的钢板表面缺陷样本集进行稀疏化处理，可降低新的多类分类器在时间上和存储空间上的开销。

Description

具有抗特征噪声性能的钢板表面缺陷分类方法
技术领域
本发明属于模式识别技术领域，尤其是涉及一种具有抗特征噪声性能的钢板表面缺陷分类方法。
背景技术
钢板表面缺陷是困扰钢铁企业提高产品质量和市场竞争力的主要问题之一。钢铁企业一般采用钢板表面缺陷检测系统监控钢材表面的质量。在整个检测系统中，检测算法是关键技术，其中的缺陷分类又是最重要的环节。
现有的分类方法特别是以支持向量机为代表的分类技术能够很好的完成缺陷识别的基本任务。但是，对于高端钢制产品表面质量监控的要求，现有的缺陷识别精度和效率并不能与之匹配。究其原因，噪声特别是特征噪声对分类性能的影响不容忽视。从实际生产线获取的钢板表面缺陷样本集很可能会存在噪声，这些噪声特别是特征噪声会严重影响以支持向量机为代表的分类器性能。特征噪声主要由测量仪器、测量模型、样本采样等错误引起，主要分布在正常样本的外围边界区域，难以与边界区域的正常样本相互区分。在钢板表面缺陷分类领域，已经存在一些抑制噪声的方法,它们主要通过增加样本权重来抑制噪声。这类方法对于远离决策边界的标签噪声具有好的效果，但对决策边界附近的特征噪声却无能为力。
另外，针对已有的钢板表面缺陷分类方法，支持向量机分类技术最具有代表性。但是，传统的支持向量机也存在着分类精度与效率的冲突。随着技术的发展，在模式识别领域学者们提出了性能得到提升的新型支持向量机。如：孪生支持向量机、孪生超球体支持向量机等。因此，在新型支持向量机模型基础上，研究具有抗特征噪声性能的新分类模型，以适合钢板表面缺陷的高精度与高效率的多类别分类要求。
发明内容
本发明的目的是提供一种具有抗特征噪声性能的钢板表面缺陷分类方法，包括针对原始的钢板表面缺陷样本集，每一类原始的缺陷样本子集建立一个支持向量数据描述子模型,其特征在于包括以下步骤：
步骤1：针对每一个支持向量数据描述子模型，构造大超球体和小超球体，并统计大超球体内部的样本数目和小超球体内部的样本数目；
步骤2：以大超球体内部的样本数目和小超球体内部的样本数目为初始条件，对惩罚参数进行比例迭代调整，并训练相应的支持向量数据描述子模型，获得具有抗特征噪声能力的最佳超球体；
步骤3：根据每一个最佳超球体，从原始的钢板表面缺陷样本集中剔除超球体内部的样本，从而获得稀疏的钢板表面缺陷样本集；
步骤4：建立新的具有抗特征噪声能力的支持向量超球体多类分类器，该分类器以孪生超球体支持向量机二类分类器为基础，引入新的抗特征噪声约束条件，并以最佳超球体的球心为辅助信息来改进目标函数；
步骤5：利用稀疏的钢板表面缺陷样本集和最佳超球体的球心对新的多类分类器模型进行训练；
步骤6：将钢板表面缺陷测试样本输入到新的多类分类器，完成缺陷的自动识别。
所述的步骤1构造大超球体和小超球体以及统计大超球体内部的样本数目和小超球体内部的样本数目，步骤如下：
步骤1-1：选择一个大惩罚参数
Figure BDA0002319926590000031
和一个小惩罚参数
Figure BDA0002319926590000032
步骤1-2：利用原始的缺陷样本子集
Figure BDA0002319926590000033
分别训练具有大惩罚参数和小惩罚参数的支持向量数据描述子模型，获得一个大超球体
Figure BDA0002319926590000034
和一个小超球体
Figure BDA0002319926590000035
步骤1-3：统计
Figure BDA0002319926590000036
和
Figure BDA0002319926590000037
内部的样本数目，分别为
Figure BDA0002319926590000038
和
Figure BDA0002319926590000039
所述的步骤2对惩罚参数进行比例迭代调整、训练支持向量数据描述子模型和获得具有抗噪声能力的最佳超球体，步骤如下：
步骤2-1：计算比例惩罚参数
Figure BDA00023199265900000310
其公式如下：
Figure BDA00023199265900000311
式中mn*是用户给定的第n类稀疏子集的样本数目；
步骤2-2：利用原始的缺陷样本子集
Figure BDA00023199265900000312
训练具有惩罚参数
Figure BDA00023199265900000313
的支持向量数据描述子模型，获得一个超球体
Figure BDA00023199265900000314
统计得到这个超球体内部的样本数目是
Figure BDA00023199265900000315
和外部的样本数目是
Figure BDA00023199265900000316
步骤2-3：判断条件mn(t)∈[mn*-Δmn,mn*+Δmn]是否成立，Δmn是实际稀疏集合的样本数目与给定稀疏集合的样本数目之间误差，如果条件不成立，进入下一步，如果条件成立，则最佳超球体
Figure BDA0002319926590000041
惩罚参数
Figure BDA0002319926590000042
通过外部所有的样本来抑制特征噪声的干扰，结束；
步骤2-4：如果
Figure BDA0002319926590000043
那么按照
Figure BDA0002319926590000044
和
Figure BDA0002319926590000045
更新
Figure BDA0002319926590000046
和
Figure BDA0002319926590000047
如果
Figure BDA0002319926590000048
那么按照
Figure BDA0002319926590000049
和
Figure BDA00023199265900000410
更新
Figure BDA00023199265900000411
和
Figure BDA00023199265900000412
然后返回步骤2-1。
所述的步骤3从原始的钢板表面缺陷样本集中剔除超球体内部的样本和获得稀疏的钢板表面缺陷样本集的过程如下：
第n类原始的缺陷样本子集
Figure BDA00023199265900000413
用于训练具有惩罚参数
Figure BDA00023199265900000414
的支持向量数据描述子模型，得到的是最佳超球体
Figure BDA00023199265900000415
当
Figure BDA00023199265900000416
满足
Figure BDA00023199265900000417
为
Figure BDA00023199265900000418
内部的样本，从
Figure BDA00023199265900000419
中这些样本剔除，剩余的样本组成稀疏的缺陷样本子集
Figure BDA00023199265900000420
是稀疏子集的第i个样本，mn是稀疏子集的样本数目。
所述的步骤4建立新的具有抗噪声能力的支持向量超球体多类分类器过程如下：
新的多类分类器具有N个子分类器模型，第n个子分类器依靠稀疏的缺陷样本子集
Figure BDA00023199265900000421
和对应的最佳超球体
Figure BDA00023199265900000422
的球心
Figure BDA00023199265900000423
建立，其多类分类器模型如下：
Figure BDA0002319926590000051
式中cn和vn是惩罚参数，Tn＝{1,…,n-1,n+1,…,N}，On和Rn是Ωn的球心和半径，Ωn是第n个子分类器构造的分类超球体，目标函数的项
Figure BDA0002319926590000052
是第u类原始的钢板表面缺陷样本子集对应的最佳超球体的球心
Figure BDA0002319926590000053
对应满足
Figure BDA0002319926590000054
的
Figure BDA0002319926590000055
值，
Figure BDA0002319926590000056
和
Figure BDA0002319926590000057
是缺陷样本
Figure BDA0002319926590000058
的间隔误差，新的约束条件
Figure BDA0002319926590000059
和
Figure BDA00023199265900000510
迫使分类超球体Ωn通过
Figure BDA00023199265900000511
中所有的样本构建，从而使Ωn获得抑制特征噪声干扰的性能；
对上述模型进行推导，可求得分类超球体Ωn的参数，其公式如下：
Figure BDA00023199265900000512
Figure BDA00023199265900000513
式中pn＝1/(1-vn(N-1))，
Figure BDA00023199265900000514
通过求解下面的凸二次规划问题获得，其凸二次规划问题描述如下：
Figure BDA00023199265900000515
所述的步骤6缺陷的自动预测识别过程如下：
新的多类分类器能够直接完成钢板表面缺陷测试样本的多类识别；对于一个未标签的样本x的预测，其预测公式如下：
Figure BDA0002319926590000061
本发明的优点：
(1)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，利用支持向量数据描述模型对原始的钢板表面缺陷样本集进行稀疏化处理，可降低新的多类分类器在时间上和存储空间上的开销；
(2)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，利用惩罚参数比例迭代调整方法来改进支持向量数据描述模型的稀疏化过程，可以提高稀疏化的效率；
(3)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，利用具有惩罚参数比例迭代调整的支持向量数据描述模型获得辅助信息最佳超球体，可以提高辅助信息抗特征噪声的性能；
(4)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，新的多类分类器采用新的约束条件，可以获得抗特征噪声的性能；
(5)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，新的多类分类器利用了原始的缺陷样本集的最佳超球体信息，可以在提高分类效率的基础上保证分类精度；
(6)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，新的多类分类器能直接完成钢板表面缺陷的多类识别。
附图说明
图1为本发明一种实施方式具有抗特征噪声性能的钢板表面缺陷分类方法的流程图。
图2为本发明一种实施方式构造大超球体和小超球体的步骤示意图。
图3为本发明一种实施方式具有惩罚参数比例迭代调整的支持向量数据描述子模型的训练示意图。
图4为本发明一种实施方式惩罚参数比例迭代调整的举例示意图。
图5为本发明一种实施方式新的多类分类器的训练示意图。
具体实施方式
下面结合附图进一步说明本发明的具体实施方式。
本发明实施例采用一种具有抗特征噪声性能的钢板表面缺陷分类方法对带钢的缺陷进行处理，流程如图1所示，包括针对原始的钢板表面缺陷样本集，每一类原始的缺陷样本子集建立一个支持向量数据描述子模型，本发明实施例中原始的钢板表面缺陷样本集，是由五类缺陷类型的样本子集组成，它们是：划痕、结疤、孔洞、氧化铁皮、压入脏污，并且这些集合中的样本是通过现场的带钢表面缺陷检测系统采集获得的。
定义原始的钢板表面缺陷样本集中的缺陷类型数目为N，第n(n＝1,2,…,N)类原始的缺陷样本子集建立的支持向量数据描述子模型如下：
Figure BDA0002319926590000081
式中第n类原始的缺陷样本子集是
Figure BDA0002319926590000082
是子集的第i个样本，
Figure BDA0002319926590000083
是子集的样本数目，d是样本的特征维度，
Figure BDA0002319926590000084
和
Figure BDA0002319926590000085
是对应于子集的超球体
Figure BDA0002319926590000086
的球心和半径，
Figure BDA0002319926590000087
是
Figure BDA0002319926590000088
外部的缺陷样本
Figure BDA0002319926590000089
的误差，
Figure BDA00023199265900000810
是惩罚参数，ψ(·)是特征空间映射函数，||·||表示范数。
对上述模型进行推导，可确定超球体
Figure BDA00023199265900000811
的球心和半径，其公式如下：
Figure BDA00023199265900000812
Figure BDA00023199265900000813
式中
Figure BDA00023199265900000814
是拉格朗日算子，
Figure BDA00023199265900000815
通过求解凸二次规划问题获得，其凸二次规划问题描述如下：
Figure BDA00023199265900000816
式中K(,)是用户给定的核函数，且满足
Figure BDA00023199265900000817
超球体
Figure BDA00023199265900000818
的参数
Figure BDA00023199265900000819
和
Figure BDA00023199265900000820
用核函数K(,)替换公式中的ψ(·)与ψ(·)点积项。
核函数K(,)一般采用线性函数、非线性多项式函数、非线性径向基函数等，本发明实施例中的核函数采用非线性径向基函数，其形式为：
Figure BDA0002319926590000091
式中
Figure BDA0002319926590000092
为非线性径向基函数的核半径。参数
Figure BDA0002319926590000093
值由用户给定，本发明实施例通过网格搜索和十折交叉验证确定最优的值。
凸二次规划问题的求解方法有多种，如：有效集法、序列二次规划法、内积法等。本发明实施例采用内积法求解
Figure BDA0002319926590000094
本发明实施例中N取值为5，根据n＝1,2,…,N和N＝5，建立了五个支持向量数据描述子模型。
步骤1：如图2所示，针对每一个支持向量数据描述子模型，构造大超球体和小超球体，并统计大超球体内部的样本数目和小超球体内部的样本数目；
步骤1-1：选择一个大惩罚参数
Figure BDA0002319926590000095
和一个小惩罚参数
Figure BDA0002319926590000096
初始值
Figure BDA0002319926590000097
要求超球体内部有大多数的样本。而
Figure BDA0002319926590000098
要求超球体内部有少量的样本。本发明实施例将
Figure BDA0002319926590000099
和
Figure BDA00023199265900000910
设定为
Figure BDA00023199265900000911
和
Figure BDA00023199265900000912
步骤1-2：利用原始的缺陷样本子集
Figure BDA00023199265900000913
分别训练具有大惩罚参数和小惩罚参数的支持向量数据描述子模型，获得一个大超球体
Figure BDA00023199265900000914
和一个小超球体
Figure BDA00023199265900000915
这里，训练指的是支持向量数据描述子模型利用
Figure BDA00023199265900000916
中的样本，通过内积法求解凸二次规划问题获得
Figure BDA00023199265900000917
的值，从而确定超球体的参数
Figure BDA00023199265900000918
和
Figure BDA00023199265900000919
步骤1-3：统计
Figure BDA0002319926590000101
和
Figure BDA0002319926590000102
内部的样本数目，分别为
Figure BDA0002319926590000103
和
Figure BDA0002319926590000104
原始的缺陷样本子集
Figure BDA0002319926590000105
被超球体
Figure BDA0002319926590000106
分成两个部分：超球体内部的样本和超球体外部的样本(含超球体边界的样本)，超球体
Figure BDA0002319926590000107
内部的样本数目记为
Figure BDA0002319926590000108
同样超球体
Figure BDA0002319926590000109
内部的样本记为
Figure BDA00023199265900001010
步骤2：如图3所示，以大超球体内部的样本数目和小超球体内部的样本数目为初始条件，对惩罚参数进行比例迭代调整，并训练相应的支持向量数据描述子模型，获得具有抗特征噪声能力的最佳超球体；
步骤2-1：计算比例惩罚参数
Figure BDA00023199265900001011
其公式如下：
Figure BDA00023199265900001012
式中mn*是用户给定的第n类稀疏子集的样本数目；
步骤2-2：利用原始的缺陷样本子集
Figure BDA00023199265900001013
训练具有惩罚参数
Figure BDA00023199265900001014
的支持向量数据描述子模型，获得一个超球体
Figure BDA00023199265900001015
统计得到这个超球体内部的样本数目是
Figure BDA00023199265900001016
和外部的样本数目是
Figure BDA00023199265900001017
步骤2-3：判断条件mn(t)∈[mn*-Δmn,mn*+Δmn]是否成立，Δmn是实际稀疏集合的样本数目与给定稀疏集合的样本数目之间误差，如果条件不成立，进入下一步，如果条件成立，则最佳超球体
Figure BDA00023199265900001018
惩罚参数
Figure BDA00023199265900001019
通过外部所有的样本来抑制特征噪声的干扰，结束；
当
Figure BDA00023199265900001020
满足
Figure BDA00023199265900001021
时
Figure BDA00023199265900001022
当
Figure BDA00023199265900001023
满足
Figure BDA0002319926590000111
时
Figure BDA0002319926590000112
当
Figure BDA0002319926590000113
满足
Figure BDA0002319926590000114
时
Figure BDA0002319926590000115
这意味着
Figure BDA0002319926590000116
的生成主要依靠
Figure BDA0002319926590000117
对应的所有缺陷样本，即依靠分布在超球体外部的样本(含超球体边界的样本)。这些样本的数目是mn(t)，只要用户给定的mn*不是很小的值，那么这些样本中少量的特征噪声比例会很小，对超球体的干扰也会很小。
步骤2-4：如果
Figure BDA0002319926590000118
那么按照
Figure BDA0002319926590000119
和
Figure BDA00023199265900001110
更新
Figure BDA00023199265900001111
和
Figure BDA00023199265900001112
如果
Figure BDA00023199265900001113
那么按照
Figure BDA00023199265900001114
和
Figure BDA00023199265900001115
更新
Figure BDA00023199265900001116
和
Figure BDA00023199265900001117
然后返回步骤2-1。
图4举例展示了对惩罚参数的比例迭代调整。
Figure BDA00023199265900001118
按照
Figure BDA00023199265900001119
Figure BDA00023199265900001120
之间的比例确定，对具有惩罚参数
Figure BDA00023199265900001121
的支持向量数据描述子模型训练得到
Figure BDA00023199265900001122
根据
Figure BDA00023199265900001123
的值调整
Figure BDA00023199265900001124
或
Figure BDA00023199265900001125
Figure BDA00023199265900001126
直至
Figure BDA00023199265900001127
按照上述相同的过程迭代调整，最终使
Figure BDA00023199265900001128
更加的靠近最佳超球体的惩罚参数
Figure BDA00023199265900001129
惩罚参数比例迭代调整方法具有快速收敛于最佳值的优势，提高了缺陷样本稀疏化的效率。
本发明实施例允许实际稀疏集合的样本数目mn与给定稀疏集合的样本数目mn*之间存在误差Δmn，这种误差不但不会影响分类器的分类性能，而且还会提升迭代调整的效率。样本数目的误差Δmn与样本总数有关，由用户给出，本发明实施例设定Δmn＝10。
步骤3：根据每一个最佳超球体，从原始的钢板表面缺陷样本集中剔除超球体内部的样本，从而获得稀疏的钢板表面缺陷样本集；
第n类原始的缺陷样本子集
Figure BDA00023199265900001130
用于训练具有惩罚参数
Figure BDA00023199265900001131
的支持向量数据描述子模型，得到的是最佳超球体
Figure BDA00023199265900001132
当
Figure BDA00023199265900001133
满足
Figure BDA0002319926590000121
为
Figure BDA0002319926590000122
内部的样本，从
Figure BDA0002319926590000123
中这些样本剔除，剩余的样本组成稀疏的缺陷样本子集
Figure BDA0002319926590000124
是稀疏子集的第i个样本，mn是稀疏子集的样本数目。
根据n＝1,2,…,N和N＝5，有五个最佳超球体，并且获得了五个稀疏的缺陷样本子集。
步骤4：建立新的具有抗特征噪声能力的支持向量超球体多类分类器，该分类器以孪生超球体支持向量机二类分类器为基础，引入新的抗特征噪声约束条件，并以最佳超球体的球心为辅助信息来改进目标函数；
新的多类分类器具有N个子分类器模型，第n个子分类器依靠稀疏的缺陷样本子集
Figure BDA0002319926590000125
和对应的最佳超球体
Figure BDA0002319926590000126
的球心
Figure BDA0002319926590000127
建立，其多类分类器模型描述如下：
Figure BDA0002319926590000128
式中cn和vn是惩罚参数，Tn＝{1,…,n-1,n+1,…,N}，On和Rn是Ωn的球心和半径，Ωn是第n个子分类器构造的分类超球体，目标函数的项
Figure BDA0002319926590000129
是第u类原始的钢板表面缺陷样本子集对应的最佳超球体的球心
Figure BDA00023199265900001210
对应满足
Figure BDA00023199265900001211
的
Figure BDA00023199265900001212
值，
Figure BDA00023199265900001213
和
Figure BDA00023199265900001214
是缺陷样本
Figure BDA00023199265900001215
的间隔误差，新的约束条件
Figure BDA00023199265900001216
和
Figure BDA00023199265900001217
迫使分类超球体Ωn通过
Figure BDA00023199265900001218
中所有的样本构建，从而使Ωn获得抑制特征噪声干扰的性能。
新的多类分类器改变了孪生超球体支持向量机二类分类器依靠边界样本的策略，约束条件
Figure BDA0002319926590000131
使得Ωn外部的样本被使用，约束条件
Figure BDA0002319926590000132
使得Ωn内部的样本被使用。因此，新的多类分类器依靠
Figure BDA0002319926590000133
中的所有样本生成分类超球体Ωn。集合中少量的特征噪声比例很很小，对于Ωn的干扰也会很小。
对上述模型进行推导，可求得分类超球体Ωn的参数，其公式如下：
Figure BDA0002319926590000134
Figure BDA0002319926590000135
式中pn＝1/(1-vn(N-1))，
Figure BDA0002319926590000136
通过求解下面的凸二次规划问题获得，其凸二次规划问题描述如下：
Figure BDA0002319926590000137
分类超球体Ωn的参数On·On和(Rn)2用核函数K(,)替换公式中的ψ(·)与ψ(·)点积项。
本发明实施例中的核函数采用非线性径向基函数，其形式为：
Figure BDA0002319926590000138
参数cn、vn、δn的值由用户给定，本发明实施例通过网格搜索和十折交叉验证确定最优的值。
本发明实施例采用内积法求解
Figure BDA0002319926590000141
根据n＝1,2,…,N和N＝5，新的多类分类器包含五个子分类器模型。
步骤5：如图5所示，利用稀疏的钢板表面缺陷样本集和最佳超球体的球心对新的多类分类器模型进行训练；
这里，训练指的是利用第n类稀疏的缺陷样本子集
Figure BDA0002319926590000142
和所有最佳超球体的球心
Figure BDA0002319926590000143
求解第n个新的子分类器，参数cn、vn、δn的值通过网格搜索和十折交叉验证给定，
Figure BDA0002319926590000144
的值通过内积法求解获得，最终确定子分类器生成的分类超球体Ωn的参数On·On和(Rn)2。
新多类分类器利用稀疏的缺陷样本集进行训练，可以降低分类器在时间上和存储空间上的开销。而且，新的多类分类器利用了最佳超球体信息，既能降低分类器在时间上和存储空间上的开销，又能保证分类器的分类精度。
根据n＝1,2,…,N和N＝5，新的多类分类器训练得到五个分类超球体。
步骤6：将钢板表面缺陷测试样本输入到新的多类分类器，完成缺陷的自动预测识别。
新的多类分类器能够直接完成钢板表面缺陷测试样本的多类识别。对于一个未标签的样本x的预测，其预测公式如下：
Figure BDA0002319926590000145
根据n＝1,2,…,N和N＝5，预测公式取决于五个分类超球体，公式中的ψ(·)与ψ(·)点积项用核函数K(,)替换。
本发明实施例实现了五种钢板表面缺陷的自动分类识别，同时降低了训练样本中特征噪声对分类器性能的影响。根据自动分类的缺陷信息，工作人员对钢板生产问题做出快速的反应，及时改进钢板生产的过程和调整钢板生产的工艺，形成有效的钢板产品质量监测与控制。
虽然以上描述了本发明的具体实施方式，但是本领域内的技术人员应当理解，这些仅是举例说明，可以在不背离本发明的原理和实质的基础上对这些实施方式做出多种修改或变更。本发明的范围仅由所附权利要求书限定。

Claims (6)

1.一种具有抗特征噪声性能的钢板表面缺陷分类方法，包括针对原始的钢板表面缺陷样本集，每一类原始的缺陷样本子集建立一个支持向量数据描述子模型,其特征在于包括以下步骤：
步骤1：针对每一个支持向量数据描述子模型，构造大超球体和小超球体，并统计大超球体内部的样本数目和小超球体内部的样本数目；
步骤2：以大超球体内部的样本数目和小超球体内部的样本数目为初始条件，对惩罚参数进行比例迭代调整，并训练相应的支持向量数据描述子模型，获得具有抗特征噪声能力的最佳超球体；
步骤3：根据每一个最佳超球体，从原始的钢板表面缺陷样本集中剔除超球体内部的样本，从而获得稀疏的钢板表面缺陷样本集；
步骤4：建立新的具有抗特征噪声能力的支持向量超球体多类分类器，该分类器以孪生超球体支持向量机二类分类器为基础，引入新的抗特征噪声约束条件，并以最佳超球体的球心为辅助信息来改进目标函数；
步骤5：利用稀疏的钢板表面缺陷样本集和最佳超球体的球心对新的多类分类器模型进行训练；
步骤6：将钢板表面缺陷测试样本输入到新的多类分类器，完成缺陷的自动识别。
2.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤1构造大超球体和小超球体以及统计大超球体内部的样本数目和小超球体内部的样本数目，步骤如下：
步骤1-1：选择一个大惩罚参数
Figure FDA0002319926580000021
和一个小惩罚参数
Figure FDA0002319926580000022
步骤1-2：利用原始的缺陷样本子集
Figure FDA0002319926580000023
分别训练具有大惩罚参数和小惩罚参数的支持向量数据描述子模型，获得一个大超球体
Figure FDA0002319926580000024
和一个小超球体
Figure FDA0002319926580000025
步骤1-3：统计
Figure FDA0002319926580000026
和
Figure FDA0002319926580000027
内部的样本数目，分别为
Figure FDA0002319926580000028
和
Figure FDA0002319926580000029
3.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤2对惩罚参数进行比例迭代调整、训练支持向量数据描述子模型和获得具有抗噪声能力的最佳超球体，步骤如下：
步骤2-1：计算比例惩罚参数
Figure FDA00023199265800000210
其公式如下：
Figure FDA00023199265800000211
式中mn*是用户给定的第n类稀疏子集的样本数目；
步骤2-2：利用原始的缺陷样本子集
Figure FDA00023199265800000212
训练具有惩罚参数
Figure FDA00023199265800000213
的支持向量数据描述子模型，获得一个超球体
Figure FDA00023199265800000214
统计得到这个超球体内部的样本数目是
Figure FDA00023199265800000215
和外部的样本数目是
Figure FDA00023199265800000216
步骤2-3：判断条件mn(t)∈[mn*-Δmn,mn*+Δmn]是否成立，Δmn是实际稀疏集合的样本数目与给定稀疏集合的样本数目之间误差，如果条件不成立，进入下一步，如果条件成立，则最佳超球体
Figure FDA00023199265800000217
惩罚参数
Figure FDA00023199265800000218
Figure FDA00023199265800000219
通过外部所有的样本来抑制特征噪声的干扰，结束；
步骤2-4：如果
Figure FDA0002319926580000031
那么按照
Figure FDA0002319926580000032
和
Figure FDA0002319926580000033
更新
Figure FDA0002319926580000034
和
Figure FDA0002319926580000035
如果
Figure FDA0002319926580000036
那么按照
Figure FDA0002319926580000037
和
Figure FDA0002319926580000038
更新
Figure FDA0002319926580000039
和
Figure FDA00023199265800000310
然后返回步骤2-1。
4.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤3从原始的钢板表面缺陷样本集中剔除超球体内部的样本和获得稀疏的钢板表面缺陷样本集的过程如下：
第n类原始的缺陷样本子集
Figure FDA00023199265800000311
用于训练具有惩罚参数
Figure FDA00023199265800000312
的支持向量数据描述子模型，得到的是最佳超球体
Figure FDA00023199265800000313
当
Figure FDA00023199265800000314
满足
Figure FDA00023199265800000315
Figure FDA00023199265800000316
为
Figure FDA00023199265800000317
内部的样本，从
Figure FDA00023199265800000318
中这些样本剔除，剩余的样本组成稀疏的缺陷样本子集
Figure FDA00023199265800000319
Figure FDA00023199265800000320
是稀疏子集的第i个样本，mn是稀疏子集的样本数目。
5.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤4建立新的具有抗噪声能力的支持向量超球体多类分类器过程如下：
新的多类分类器具有N个子分类器模型，第n个子分类器依靠稀疏的缺陷样本子集
Figure FDA00023199265800000321
和对应的最佳超球体
Figure FDA00023199265800000322
的球心
Figure FDA00023199265800000323
建立，其多类分类器模型如下：
Figure FDA0002319926580000041
式中cn和vn是惩罚参数，Tn＝{1,…,n-1,n+1,…,N}，On和Rn是Ωn的球心和半径，Ωn是第n个子分类器构造的分类超球体，目标函数的项
Figure FDA0002319926580000042
是第u类原始的钢板表面缺陷样本子集对应的最佳超球体的球心
Figure FDA0002319926580000043
Figure FDA0002319926580000044
对应满足
Figure FDA0002319926580000045
的
Figure FDA0002319926580000046
值，
Figure FDA0002319926580000047
和
Figure FDA0002319926580000048
是缺陷样本
Figure FDA0002319926580000049
的间隔误差，新的约束条件
Figure FDA00023199265800000410
和
Figure FDA00023199265800000411
迫使分类超球体Ωn通过
Figure FDA00023199265800000412
中所有的样本构建，从而使Ωn获得抑制特征噪声干扰的性能；
对上述模型进行推导，可求得分类超球体Ωn的参数，其公式如下：
Figure FDA00023199265800000413
Figure FDA00023199265800000414
式中pn＝1/(1-vn(N-1))，
Figure FDA00023199265800000415
Figure FDA00023199265800000416
通过求解下面的凸二次规划问题获得，其凸二次规划问题描述如下：
Figure FDA00023199265800000417
Figure FDA00023199265800000418
Figure FDA00023199265800000419
6.根据权利要求1所述的具有抗特征噪声性能的钢板表面缺陷分类方法，其特征在于所述的步骤6缺陷的自动预测识别过程如下：
新的多类分类器能够直接完成钢板表面缺陷测试样本的多类识别；对于一个未标签的样本x的预测，其预测公式如下：
Figure FDA0002319926580000051
CN201911293856.1A 2019-12-13 2019-12-13 具有抗特征噪声性能的钢板表面缺陷分类方法 Active CN111079832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911293856.1A CN111079832B (zh) 2019-12-13 2019-12-13 具有抗特征噪声性能的钢板表面缺陷分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911293856.1A CN111079832B (zh) 2019-12-13 2019-12-13 具有抗特征噪声性能的钢板表面缺陷分类方法

Publications (2)

Publication Number Publication Date
CN111079832A CN111079832A (zh) 2020-04-28
CN111079832B true CN111079832B (zh) 2023-04-18

Family

ID=70315096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911293856.1A Active CN111079832B (zh) 2019-12-13 2019-12-13 具有抗特征噪声性能的钢板表面缺陷分类方法

Country Status (1)

Country Link
CN (1) CN111079832B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949749B (zh) * 2021-03-25 2023-08-25 辽宁科技大学 一种面向不平衡钢卷外形缺陷数据的分类方法
CN116579654A (zh) * 2023-05-15 2023-08-11 苏州宝联重工股份有限公司 一种用于if钢的质量在线智能监测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011254084A (ja) * 2011-06-27 2011-12-15 Hitachi High-Technologies Corp 欠陥分類方法及びその装置
CN103323526A (zh) * 2013-05-30 2013-09-25 哈尔滨工业大学 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法
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
CN104766097A (zh) * 2015-04-24 2015-07-08 齐鲁工业大学 基于bp神经网络和支持向量机的铝板表面缺陷分类方法
CN108765412A (zh) * 2018-06-08 2018-11-06 湖北工业大学 一种带钢表面缺陷分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003344300A (ja) * 2002-05-21 2003-12-03 Jfe Steel Kk 表面欠陥判別方法
JP2013072788A (ja) * 2011-09-28 2013-04-22 Hitachi High-Technologies Corp 基板表面欠陥検査方法および検査装置
US9607233B2 (en) * 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011254084A (ja) * 2011-06-27 2011-12-15 Hitachi High-Technologies Corp 欠陥分類方法及びその装置
CN103323526A (zh) * 2013-05-30 2013-09-25 哈尔滨工业大学 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法
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
CN104766097A (zh) * 2015-04-24 2015-07-08 齐鲁工业大学 基于bp神经网络和支持向量机的铝板表面缺陷分类方法
CN108765412A (zh) * 2018-06-08 2018-11-06 湖北工业大学 一种带钢表面缺陷分类方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Chu M 等.Support vector machine with quantile hyperspheres for pattern classification.《PLoS ONE》.2019,全文. *
Maoxiang Chu 等.Steel Surface Defects Recognition Based on Multi-label Classifier with Hyper-sphere Support Vector Machine.《2017 29th Chinese Control And Decision Conference (CCDC)》.2017,全文. *
Mao-xiang Chu等.Multi-class classification method for strip steel surface defects based on support vector machine with adjustable hyper-sphere.《Journal of Iron and Steel Research International 》.2018,第25卷全文. *
Rongfen Gong等.Multi-class Classification Method Based on Support Vector Machine with Hyper-sphere for Steel Surface Defects.《Proceedings of the 37th Chinese Control Conference》.2018,全文. *
Rongfen Gong等.Steel surface defect classification using multiple hyper-spheres support vector machine with additional information.《Chemometrics and Intelligent Laboratory Systems》.2018,172全文. *
周崟.电梯钢索纹理缺陷的SVDD检测方法.《电脑编程技巧与维护》.2018,(04),全文. *
杨娟 ; 黄心汉 ; .基于SVDD和多分辨率的铸坯表面缺陷检测.《计算机与数字工程》.2012,(12),全文. *
许小润 ; 吴贵芳 ; .基于人工免疫系统的带钢表面缺陷检测技术.《计算机应用》.2010,(08),全文. *

Also Published As

Publication number Publication date
CN111079832A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
JP6817426B2 (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
CN111079832B (zh) 具有抗特征噪声性能的钢板表面缺陷分类方法
CN105629958B (zh) 一种基于子时段mpca‑svm的间歇过程故障诊断方法
CN107392128A (zh) 基于双低秩表示和局部约束矩阵回归的鲁棒图像识别方法
CN103971023B (zh) 研发过程质量自动评估系统和方法
CN102693452A (zh) 基于半监督回归学习的多模型软测量方法
CN107923731A (zh) 使用空间扭曲相似度的工具故障分析
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN117131767A (zh) 基于随机森林算法预测热轧四辊轧机工作辊热凸度的方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN110490496A (zh) 一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法
CN111914889A (zh) 一种基于简略核主元分析的精馏塔异常状态识别方法
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN110515836B (zh) 一种面向软件缺陷预测的加权朴素贝叶斯方法
CN114290503A (zh) T梁蒸汽养生发生器功率控制方法及其装置
CN102621953A (zh) 一种橡胶硬度的在线自动质量监控和预测模型更新的方法
CN109960146A (zh) 提高软测量仪表模型预测精度的方法
CN117829318A (zh) 一种基于大模型算法的数字孪生系统
CN109324595A (zh) 一种基于增量pca的工业监测数据分类方法
CN113673827A (zh) 一种区域水资源脆弱性预警系统及方法
CN115407753B (zh) 一种多变量加权集成学习的工业故障诊断方法
CN115202315A (zh) 一种基于dsksvm的高炉炼铁故障分类方法
CN107943916B (zh) 一种基于在线分类的网页异常检测方法
Chu et al. Multi-class classification method for steel surface defects with feature noise
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置

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