System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于支持向量机的热轧带钢表面缺陷分类方法技术_技高网

一种基于支持向量机的热轧带钢表面缺陷分类方法技术

技术编号:41350901 阅读:12 留言:0更新日期:2024-05-20 10:04
一种基于支持向量机的热轧带钢表面缺陷分类方法,属于计算机视觉检测技术领域,具体步骤为:S1.构建数据集:收集热轧带钢表面图像,对图像中的缺陷进行精确标注,创建包含多种典型缺陷及无缺陷状态图像的数据集;S2.构建二分类支持向量机模型,用于区分图像中是否存在缺陷;S3.图像特征提取:从图像中提取多维特征;S4.执行特征优选提高分类的效率和准确度;S5.构建缺陷六分类模型;S6.固定步长窗口检测:利用固定步长窗口方法对新采集的热轧带钢图像进行逐帧检测,以高效准确地识别新采集图像中的表面缺陷。本发明专利技术的方法识别热轧带钢表面缺陷的准确率高,分类速度快,适用于现场实时检测,有效提升了热轧带钢生产质量控制的自动化和智能化水平。

【技术实现步骤摘要】

本专利技术属于计算机视觉检测,具体涉及一种基于支持向量机的热轧带钢表面缺陷分类方法


技术介绍

1、在经济水平和科学技术迅猛发展的今天,钢铁工业作为经济发展的基础产业和战略产业将面临新的挑战和新的机遇。热轧带钢的生产能力是评价国家工业能力的一个重要标杆,其以优异的表面质量和机器性能广泛应用于高精尖行业领域。

2、在实际的热轧带钢生产过程中,由于多种物理和化学因素以及复杂的热轧工艺,带钢表面常容易出现多种缺陷,如氧化皮、划痕、麻面、夹杂、斑块、裂缝等,这些缺陷缺陷不仅降低了其表面质量,而且还会降低最终成品的抗腐蚀性、耐磨性和疲劳强度等性能,给生产企业带来了不小的经济损失。

3、经调研,热轧带钢表面缺陷类型存在背景复杂,此外,热轧带钢表面的缺陷形态多样,类内差异大,类间相似性高,这增加了对其进行缺陷识别算法开发的难度。因此,开发一种高效的热轧带钢表面缺陷分类方法具有重要的实际应用意义。

4、支持向量机在解决非线性、高维数据决策问题时具有较强的推广能力,相比较传统的人工目视方法,基于自定义核函数支持向量机模型的分类方法具有高效率和高准确率的特点,其结构也非常简单,因而在实际功能应用中具有较强的优势,为统计学习理论的实际应用提供了一种有效的工具。


技术实现思路

1、有鉴于此,本专利技术所要解决的技术问题是提供一种基于自定义核函数支持向量机的热轧带钢缺陷分类方法来解决现有技术中传统的热轧带钢表面缺陷分类方法泛化性能差,过程耗时和模型数据样本不足的问题。p>

2、为了解决以上技术问题,本专利技术的技术方案为:提供一种基于支持向量机的热轧带钢表面缺陷分类方法,具体包括以下步骤:

3、s1、构建数据集,通过成像系统获取热轧带钢表面图像,并对图像中的缺陷进行精确标注,建立包含裂纹、夹杂、斑块、麻点、压入型氧化皮、划痕及无缺陷状态的图像数据集;所述数据集中每种缺陷类型包含300张图像,无缺陷图像包含88张;所有图像经过几何归一化处理至200×200像素的统一尺寸;

4、s2、构建二分类模型,开发一个二分类支持向量机模型,判断热轧带钢图像是否包含缺陷,该模型采用线性核函数,并通过网格搜索确定最佳模型参数;

5、s3、进行图像特征提取,从热轧带钢表面缺陷图像中提取包括纹理特征、灰度特征的多维特征,构建42维的特征数据集;

6、s4、进行特征优选,应用主成分分析法对提取的特征数据进行降维处理,减少特征冗余,将高维特征数据转换为线性不相关的主成分,精简数据的同时保留原始信息;

7、s5、构建缺陷六分类模型,采用自定义核函数的支持向量机分类模型,整合线性核、多项式核和高斯核函数的优势,对优选后的特征数据进行识别和分类,利用粒子群算法对模型的核函数参数进行优化,确定最优参数配置;

8、s6、进行固定步长窗口检测,采用固定步长窗口方法对新采集的热轧带钢图像进行逐帧检测,结合步骤2构建的二分类模型和步骤5构建的六分类模型,实现对热轧带钢表面缺陷的高效准确识别。

9、进一步地,所述步骤s2中,所述网格搜索用于优化二分类支持向量机模型的惩罚因子c,c的搜索范围为[0.01,0.1,1,10,100]。

10、进一步地,包括对图像进行纹理特征、灰度特征、几何特征、投影特征和小波特征五个维度提取带钢表面缺陷图像的多维特征。

11、进一步地,所述步骤s4中,应用主成分分析法保留95%的数据方差,对特征数据降维,通过模型训练及交叉验证的方法,识别出对缺陷识别最关键的特征。

12、进一步地,所述步骤s5中,自定义核函数的支持向量机分类模型采用的核函数为kcustom(x,y)=αklinear(x,y)+βkpoly(x,y)+γkrbf(x,y),其中,klinear(x,y)=xty为线性核函数,kpoly(x,y)=(γ1xty+coef0)degree为多项式核函数,krbf(x,y)=exp(-γ2||x-y||2)为高斯核函数,α,β,γ为各自核函数在组合中的权重系数,满足α+β+γ=1,且α,β,γ∈[0,1],degree是多项式核函数的次数,γ1是多项式核函数的缩放参数,coef0是多项式核函数的独立项系数,γ2是高斯核函数的宽度参数,||x-y||2是x和y之间的欧式距离的平方。

13、进一步地,所述粒子群算法用于优化自定义核函数svm分类模型的参数,包括核函数的权重系数α,β,γ,多项式核函数的次数degree,缩放参数γ1,独立项系数coef0,以及高斯核函数的宽度参数γ2和惩罚因子c,以寻找最佳的参数配置,确保分类性能最优化。

14、进一步地,所述步骤s6中,固定步长设置为50像素,以自左向右、自上而下的顺序进行蛇形扫描。

15、本专利技术的有益效果为:

16、本专利技术利用自定义核函数的svm分类模型进行特征数据的精确识别和分类,模型整合了线性核、多项式核和高斯核函数的优势,进一步使用粒子群算法(pso)优化核函数参数,实现最佳分类性能;本专利技术通过成像系统采集新的热轧带钢图像,使用固定步长窗口方法对图像进行逐帧检测,以识别和分类表面缺陷。此过程结合了二分类模型(识别是否存在缺陷)和六分类模型(具体缺陷类型)来实现高效准确的缺陷检测。本专利技术的分类方法不仅提高了热轧带钢表面缺陷识别的准确率和速度,而且适合应用于工业现场的实时检测,对提升生产质量控制的自动化和智能化水平具有重要价值。

本文档来自技高网...

【技术保护点】

1.一种基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,包含以下步骤:

2.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,所述步骤S2中,所述网格搜索用于优化二分类支持向量机模型的惩罚因子C,C的搜索范围为[0.01,0.1,1,10,100]。

3.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,所述步骤S3中,包括对图像进行纹理特征、灰度特征、几何特征、投影特征和小波特征五个维度提取带钢表面缺陷图像的多维特征。

4.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,所述步骤S4中,应用主成分分析法保留95%的数据方差,对特征数据降维,通过模型训练及交叉验证的方法,识别出对缺陷识别最关键的特征。

5.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,所述步骤S5中,自定义核函数的支持向量机分类模型采用的核函数为Kcustom(x,y)=αKlinear(x,y)+βKpoly(x,y)+γKrbf(x,y),其中,Klinear(x,y)=xTy为线性核函数,Kpoly(x,y)=(γ1xTy+coef0)degree为多项式核函数,Krbf(x,y)=exp(-γ2||x-y||2)为高斯核函数,α,β,γ为各自核函数在组合中的权重系数,满足α+β+γ=1,且α,β,γ∈[0,1],degree是多项式核函数的次数,γ1是多项式核函数的缩放参数,coef0是多项式核函数的独立项系数,γ2是高斯核函数的宽度参数,||x-y||2是x和y之间的欧式距离的平方。

6.根据权利要求5所述的基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,所述粒子群算法用于优化自定义核函数SVM分类模型的参数,包括核函数的权重系数α,β,γ,多项式核函数的次数degree,缩放参数γ1,独立项系数coef0,以及高斯核函数的宽度参数γ2和惩罚因子C,以寻找最佳的参数配置,确保分类性能最优化。

7.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,所述步骤S6中,固定步长设置为50像素,以自左向右、自上而下的顺序进行蛇形扫描。

...

【技术特征摘要】

1.一种基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,包含以下步骤:

2.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,所述步骤s2中,所述网格搜索用于优化二分类支持向量机模型的惩罚因子c,c的搜索范围为[0.01,0.1,1,10,100]。

3.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,所述步骤s3中,包括对图像进行纹理特征、灰度特征、几何特征、投影特征和小波特征五个维度提取带钢表面缺陷图像的多维特征。

4.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,所述步骤s4中,应用主成分分析法保留95%的数据方差,对特征数据降维,通过模型训练及交叉验证的方法,识别出对缺陷识别最关键的特征。

5.根据权利要求1所述的基于支持向量机的热轧带钢表面缺陷分类方法,其特征在于,所述步骤s5中,自定义核函数的支持向量机分类模型采用的核函数为kcustom(x,y)=αklinear(x,y)+βkpoly(x,y)+γkrbf(x,y)...

【专利技术属性】
技术研发人员:李忠奎王智毅谢蓄芬李明益
申请(专利权)人:大连益盛达智能科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1