【技術實現步驟摘要】
本專利技術屬于計算機視覺檢測，具體涉及一種基于支持向量機的熱軋帶鋼表面缺陷分類方法。
技術介紹
1、在經濟水平和科學技術迅猛發展的今天，鋼鐵工業作為經濟發展的基礎產業和戰略產業將面臨新的挑戰和新的機遇。熱軋帶鋼的生產能力是評價國家工業能力的一個重要標桿，其以優異的表面質量和機器性能廣泛應用于高精尖行業領域。
2、在實際的熱軋帶鋼生產過程中，由于多種物理和化學因素以及復雜的熱軋工藝，帶鋼表面常容易出現多種缺陷，如氧化皮、劃痕、麻面、夾雜、斑塊、裂縫等，這些缺陷缺陷不僅降低了其表面質量，而且還會降低最終成品的抗腐蝕性、耐磨性和疲勞強度等性能，給生產企業帶來了不小的經濟損失。
3、經調研，熱軋帶鋼表面缺陷類型存在背景復雜，此外，熱軋帶鋼表面的缺陷形態多樣，類內差異大，類間相似性高，這增加了對其進行缺陷識別算法開發的難度。因此，開發一種高效的熱軋帶鋼表面缺陷分類方法具有重要的實際應用意義。
4、支持向量機在解決非線性、高維數據決策問題時具有較強的推廣能力，相比較傳統的人工目視方法，基于自定義核函數支持向量機模型的分類方法具有高效率和高準確率的特點，其結構也非常簡單，因而在實際功能應用中具有較強的優勢，為統計學習理論的實際應用提供了一種有效的工具。
技術實現思路
1、有鑒于此，本專利技術所要解決的技術問題是提供一種基于自定義核函數支持向量機的熱軋帶鋼缺陷分類方法來解決現有技術中傳統的熱軋帶鋼表面缺陷分類方法泛化性能差，過程耗時和模型數據樣本不足的問題。p>
2、為了解決以上技術問題，本專利技術的技術方案為：提供一種基于支持向量機的熱軋帶鋼表面缺陷分類方法，具體包括以下步驟：
3、s1、構建數據集，通過成像系統獲取熱軋帶鋼表面圖像，并對圖像中的缺陷進行精確標注，建立包含裂紋、夾雜、斑塊、麻點、壓入型氧化皮、劃痕及無缺陷狀態的圖像數據集；所述數據集中每種缺陷類型包含300張圖像，無缺陷圖像包含88張；所有圖像經過幾何歸一化處理至200×200像素的統一尺寸；
4、s2、構建二分類模型，開發一個二分類支持向量機模型，判斷熱軋帶鋼圖像是否包含缺陷，該模型采用線性核函數，并通過網格搜索確定最佳模型參數；
5、s3、進行圖像特征提取，從熱軋帶鋼表面缺陷圖像中提取包括紋理特征、灰度特征的多維特征，構建42維的特征數據集；
6、s4、進行特征優選，應用主成分分析法對提取的特征數據進行降維處理，減少特征冗余，將高維特征數據轉換為線性不相關的主成分，精簡數據的同時保留原始信息；
7、s5、構建缺陷六分類模型，采用自定義核函數的支持向量機分類模型，整合線性核、多項式核和高斯核函數的優勢，對優選后的特征數據進行識別和分類，利用粒子群算法對模型的核函數參數進行優化，確定最優參數配置；
8、s6、進行固定步長窗口檢測，采用固定步長窗口方法對新采集的熱軋帶鋼圖像進行逐幀檢測，結合步驟2構建的二分類模型和步驟5構建的六分類模型，實現對熱軋帶鋼表面缺陷的高效準確識別。
9、進一步地，所述步驟s2中，所述網格搜索用于優化二分類支持向量機模型的懲罰因子c，c的搜索范圍為[0.01,0.1,1,10,100]。
10、進一步地，包括對圖像進行紋理特征、灰度特征、幾何特征、投影特征和小波特征五個維度提取帶鋼表面缺陷圖像的多維特征。
11、進一步地，所述步驟s4中，應用主成分分析法保留95％的數據方差，對特征數據降維，通過模型訓練及交叉驗證的方法，識別出對缺陷識別最關鍵的特征。
12、進一步地，所述步驟s5中，自定義核函數的支持向量機分類模型采用的核函數為kcustom(x,y)＝αklinear(x,y)+βkpoly(x,y)+γkrbf(x,y)，其中，klinear(x,y)＝xty為線性核函數，kpoly(x,y)＝(γ1xty+coef0)degree為多項式核函數，krbf(x,y)＝exp(-γ2||x-y||2)為高斯核函數，α,β,γ為各自核函數在組合中的權重系數，滿足α+β+γ＝1，且α,β,γ∈[0,1]，degree是多項式核函數的次數，γ1是多項式核函數的縮放參數，coef0是多項式核函數的獨立項系數，γ2是高斯核函數的寬度參數，||x-y||2是x和y之間的歐式距離的平方。
13、進一步地，所述粒子群算法用于優化自定義核函數svm分類模型的參數，包括核函數的權重系數α，β，γ，多項式核函數的次數degree，縮放參數γ1，獨立項系數coef0，以及高斯核函數的寬度參數γ2和懲罰因子c，以尋找最佳的參數配置，確保分類性能最優化。
14、進一步地，所述步驟s6中，固定步長設置為50像素，以自左向右、自上而下的順序進行蛇形掃描。
15、本專利技術的有益效果為：
16、本專利技術利用自定義核函數的svm分類模型進行特征數據的精確識別和分類，模型整合了線性核、多項式核和高斯核函數的優勢，進一步使用粒子群算法(pso)優化核函數參數，實現最佳分類性能；本專利技術通過成像系統采集新的熱軋帶鋼圖像，使用固定步長窗口方法對圖像進行逐幀檢測，以識別和分類表面缺陷。此過程結合了二分類模型(識別是否存在缺陷)和六分類模型(具體缺陷類型)來實現高效準確的缺陷檢測。本專利技術的分類方法不僅提高了熱軋帶鋼表面缺陷識別的準確率和速度，而且適合應用于工業現場的實時檢測，對提升生產質量控制的自動化和智能化水平具有重要價值。
本文檔來自技高網...【技術保護點】
1.一種基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，包含以下步驟：
2.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，所述步驟S2中，所述網格搜索用于優化二分類支持向量機模型的懲罰因子C，C的搜索范圍為[0.01,0.1,1,10,100]。
3.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，所述步驟S3中，包括對圖像進行紋理特征、灰度特征、幾何特征、投影特征和小波特征五個維度提取帶鋼表面缺陷圖像的多維特征。
4.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，所述步驟S4中，應用主成分分析法保留95％的數據方差，對特征數據降維，通過模型訓練及交叉驗證的方法，識別出對缺陷識別最關鍵的特征。
5.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，所述步驟S5中，自定義核函數的支持向量機分類模型采用的核函數為Kcustom(x,y)＝αKlinear(x,y)+βKpoly(x,y)+γKrbf(x,y)，其中，Klinear(x,y
6.根據權利要求5所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，所述粒子群算法用于優化自定義核函數SVM分類模型的參數，包括核函數的權重系數α，β，γ，多項式核函數的次數degree，縮放參數γ1，獨立項系數coef0，以及高斯核函數的寬度參數γ2和懲罰因子C，以尋找最佳的參數配置，確保分類性能最優化。
7.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，所述步驟S6中，固定步長設置為50像素，以自左向右、自上而下的順序進行蛇形掃描。
...【技術特征摘要】
1.一種基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，包含以下步驟：
2.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，所述步驟s2中，所述網格搜索用于優化二分類支持向量機模型的懲罰因子c，c的搜索范圍為[0.01,0.1,1,10,100]。
3.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，所述步驟s3中，包括對圖像進行紋理特征、灰度特征、幾何特征、投影特征和小波特征五個維度提取帶鋼表面缺陷圖像的多維特征。
4.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，所述步驟s4中，應用主成分分析法保留95％的數據方差，對特征數據降維，通過模型訓練及交叉驗證的方法，識別出對缺陷識別最關鍵的特征。
5.根據權利要求1所述的基于支持向量機的熱軋帶鋼表面缺陷分類方法，其特征在于，所述步驟s5中，自定義核函數的支持向量機分類模型采用的核函數為kcustom(x,y)＝αklinear(x,y)+βkpoly(x,y)+γkrbf(x,y)...
【專利技術屬性】
技術研發人員：李忠奎，王智毅，謝蓄芬，李明益，
申請(專利權)人：大連益盛達智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。