基于多流形學習的帶鋼表面缺陷識別方法
【專利摘要】本發(fā)明涉及一種基于多流形學習的帶鋼表面缺陷識別方法。其技術方案是：對于任一副帶鋼表面缺陷圖像向量化的向量數據點Xi分別選擇類別相同和類別不同的K個近鄰點建立對應的同類數據子圖和異類數據子圖，計算同類數據子圖最小誤差線性表示系數矩陣Wintra和異類數據子圖最小誤差線性表示系數矩陣Winter；然后分別建立同類數據子圖散度Sinter和異類數據子圖散度Sintra；進而以最大化異類數據子圖散度Sinter與同類數據子圖散度Sintra之差來尋找低維投影矩陣A；經過低維投影后，采用最近鄰方法來判定未知類別的帶鋼表面缺陷圖像的類別。本發(fā)明通過局部線性表示來探測各流形的局部結構，能夠提高帶鋼表面缺陷圖像的識別率。
【專利說明】基于多流形學習的帶鋼表面缺陷識別方法
【技術領域】
[0001]本發(fā)明屬于帶鋼表面缺陷識別【技術領域】。特別是涉及一種基于多流形學習的帶鋼表面缺陷識別方法。
【背景技術】
[0002]帶鋼是鋼鐵工業(yè)的主要產品形式之一，是航空航天、汽車輪船制造等必備原材料。故帶鋼的質量檢測尤為重要，關系到許多制造行業(yè)的發(fā)展，而表面質量是帶鋼最為重要質量因素之一，是企業(yè)贏得市場的重要條件。因此，帶鋼表面質量的檢測由于其重要的實用價值正受到越來越多的重視。
[0003]鋼板表面質量檢測經歷了人工目測檢測、傳統(tǒng)無損檢測和基于機器視覺檢測的三個發(fā)展階段。人工目視檢測表面缺陷的方法效率低、容易漏檢、勞動強度大和實時性差。傳統(tǒng)無損檢測方法包括渦流檢測、紅外檢測、漏磁檢測和激光檢測等，這些方法檢到的缺陷類型少，檢測實時性不強，檢測的表面缺陷分辨率也不高，無法有效評估產品的表面質量狀況。目前，基于機器視覺的表面質量檢測方法是研究的熱點，該方法用攝相機采集鋼板表面圖像，然后通過圖像處理和分析提取缺陷圖像特征，進行缺陷的自動分類。但在進行分類時，依然采用比較傳統(tǒng)的數據分析方法如神經網絡、小波分析和核局部保持投影、獨立分量分析和主成分分析等方法，分類效果不好，應用效果不顯著。

【發(fā)明內容】

[0004]本發(fā)明旨在克服現有技術缺陷，目的在于提出一種效率高和效果好的基于多流形學習的帶鋼表面缺陷識別方法。
[0005]為實現上述技術方案，本發(fā)明采用的技術方案的具體步驟是:`[0006](I)對原始采集的帶鋼`表面缺陷圖像依次進行灰度化處理、平滑處理、歸一化處理和向量化，得到一副帶鋼表面缺陷圖像預處理后的向量數據點Xi，所有帶鋼表面缺陷圖像預處理后的向量數據Xi構成矩陣數據X。
[0007](2)對每一副帶鋼表面缺陷圖像預處理后的向量數據點Xi,從所有帶鋼表面缺陷圖像預處理后的矩陣數據X中尋找與一副帶鋼表面缺陷圖像預處理后的向量數據點Xi距離最小和類別相同的K個向量數據點，組成同類數據點的局部鄰域，由同類數據點的局部鄰域進行線性表示，計算最小誤差的線性表示系數(Wu)intra:
[0008]min X-YjWXj(I)
[0009]式(I)的解為
【權利要求】
1.一種基于多流形學習的帶鋼表面缺陷識別方法，其特征在于所述帶鋼表面缺陷識別方法的具體步驟是: (1)對原始采集的帶鋼表面缺陷圖像依次進行灰度化處理、平滑處理、歸一化處理和向量化，得到一副帶鋼表面缺陷圖像預處理后的向量數據點Xi,所有帶鋼表面缺陷圖像預處理后的向量數據Xi構成矩陣數據X ； (2)對每一副帶鋼表面缺陷圖像預處理后的向量數據點Xi，從所有帶鋼表面缺陷圖像預處理后的矩陣數據X中尋找與一副帶鋼表面缺陷圖像預處理后的向量數據點Xi距離最小和類別相同的K個向量數據點，組成同類數據點的局部鄰域，由同類數據點的局部鄰域進行線性表示，計算最小誤差的線性表示系數(Wu)intra:
k 2
2.根據權利要求1所述的基于多流形學習的帶鋼表面缺陷識別方法，其特征在于所述最近鄰法是，在低維空間進行分類時，采用K近鄰分類器，K為I。
【文檔編號】G06K9/46GK103514445SQ201310481527
【公開日】2014年1月15日 申請日期:2013年10月15日 優(yōu)先權日:2013年10月15日
【發(fā)明者】李波, 田貝貝, 張曉龍 申請人:武漢科技大學