基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法
【專利摘要】由于識(shí)別鋼板表面缺陷的機(jī)理模型難以建立，不利于產(chǎn)品質(zhì)量的檢測(cè)與控制，本發(fā)明提出一種基于案例推理技術(shù)的鋼板表面缺陷的識(shí)別方法，實(shí)現(xiàn)對(duì)裂紋、鱗皮、結(jié)疤、凸起等七種缺陷的自動(dòng)識(shí)別；該方法通過(guò)建立案例庫(kù)、權(quán)重分配、獲取目標(biāo)案例、數(shù)值歸一化、案例檢索、案例重用及案例存儲(chǔ)等環(huán)節(jié)建立案例推理識(shí)別模型，并實(shí)現(xiàn)識(shí)別算法，從而提高識(shí)別的準(zhǔn)確率；解決了當(dāng)前分配案例推理特征變量權(quán)重的主觀性和不確定性而導(dǎo)致識(shí)別準(zhǔn)確率低的問(wèn)題；實(shí)驗(yàn)結(jié)果表明該方法能夠準(zhǔn)確識(shí)別鋼板表面的缺陷，具備良好的靈敏性和特異性，提高鋼板表面缺陷的處理效率和降低廢品率，對(duì)鋼板生產(chǎn)期間表面缺陷的成因分析、改進(jìn)生產(chǎn)操作方法、提高產(chǎn)品質(zhì)量具有重要意義。
【專利說(shuō)明】基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明利用人工智能領(lǐng)域的案例推理技術(shù)實(shí)現(xiàn)鋼板表面缺陷的種類識(shí)別，不同種類的表面缺陷決定了鋼板的等級(jí)劃分，對(duì)缺陷的識(shí)別與分類可以為成因分析、改進(jìn)操作方法提供積極的指導(dǎo)作用。鋼板是冶金行業(yè)生產(chǎn)的重要產(chǎn)品之一，對(duì)其表面缺陷的識(shí)別與分類是生產(chǎn)過(guò)程中的一個(gè)重要環(huán)節(jié)，既屬于人工智能領(lǐng)域，又屬于冶金生產(chǎn)領(lǐng)域。
【背景技術(shù)】
[0002]隨著國(guó)民經(jīng)濟(jì)的增長(zhǎng)和產(chǎn)品質(zhì)量意識(shí)的增強(qiáng)，冶金行業(yè)自動(dòng)化技術(shù)迎來(lái)了前所未有的發(fā)展機(jī)遇。國(guó)家中長(zhǎng)期科技發(fā)展規(guī)劃中提出要在制造業(yè)中研究并推廣應(yīng)用綠色化、數(shù)字化、智能化新技術(shù)。因此，本發(fā)明的研究成果具有廣闊的應(yīng)用前景。
[0003]鋼板是用鋼水澆注、冷卻后壓制而成的平板狀鋼材，按厚度可分為薄板、中板、厚板等幾種形式，其用途十分廣泛，比如橋梁、造船、裝甲、汽車等。鋼板表面產(chǎn)生局部物理或化學(xué)性質(zhì)不均勻的區(qū)域后形成表面缺陷，常常成為金屬腐蝕的始發(fā)處。通常來(lái)說(shuō)，表面缺陷的種類表現(xiàn)在裂紋、結(jié)疤、劃傷等情形。由于表面缺陷可能導(dǎo)致最終產(chǎn)品使用性能的急劇下降，因此，鋼板生產(chǎn)期間的表面質(zhì)量監(jiān)測(cè)及缺陷種類識(shí)別對(duì)成因分析、改進(jìn)操作方法、提高產(chǎn)品質(zhì)量具有重要意義。
[0004]近十年來(lái)，機(jī)器視覺(jué)、模式識(shí)別得到長(zhǎng)足的發(fā)展，利用這些技術(shù)識(shí)別產(chǎn)品的表面缺陷得到了廣泛關(guān)注。機(jī)器視覺(jué)檢測(cè)系統(tǒng)采用專用照相機(jī)將被檢測(cè)的目標(biāo)轉(zhuǎn)換成圖像信號(hào)，傳送給圖像處理系統(tǒng)，根據(jù)像素分布、亮度、顏色等信息，轉(zhuǎn)變成數(shù)字信號(hào)，圖像處理系統(tǒng)對(duì)這些數(shù)字信號(hào)進(jìn)行處理和運(yùn)算后，提取其特征信息，如面積、數(shù)量、位置、長(zhǎng)度等，再根據(jù)制定的方法輸出檢測(cè)結(jié)果，從而實(shí)現(xiàn)自動(dòng)識(shí)別功能。在機(jī)器視覺(jué)系統(tǒng)中，識(shí)別的準(zhǔn)確性和實(shí)時(shí)性受到照明設(shè)備的穩(wěn)定程度、照像機(jī)的分辨率、圖像處理技術(shù)等因素的影響，往往不能取得理想的識(shí)別效果。另外，從鋼板本身的技術(shù)參數(shù)來(lái)看，一些特征變量與缺陷種類之間存在一種非線性關(guān)系，難以建立特征變量與缺陷種類之間的精確機(jī)理模型。這些因素的存在給鋼板表面缺陷的識(shí)別帶來(lái)了不利影響，必須尋求新的處理方法，以滿足冶金行業(yè)生產(chǎn)過(guò)程的需要。準(zhǔn)確識(shí)別鋼板表面的缺陷是等級(jí)劃分、成因分析、改進(jìn)操作方法的關(guān)鍵。此外，通過(guò)先進(jìn)的識(shí)別方法，可以提高鋼板生產(chǎn)過(guò)程的自動(dòng)化水平，還可以有效地減少運(yùn)行管理和操作人員，降低設(shè)備的運(yùn)行費(fèi)用。
[0005]本發(fā)明設(shè)計(jì)了一種基于案例推理技術(shù)的鋼板表面缺陷的識(shí)別方法，實(shí)現(xiàn)對(duì)裂紋、Z刮傷、K刮傷、鱗皮、結(jié)疤、凸起、其它等缺陷種類的自動(dòng)識(shí)別。

【發(fā)明內(nèi)容】

[0006]本發(fā)明獲得一種鋼板表面缺陷的自動(dòng)識(shí)別方法，該方法采用案例推理技術(shù)，通過(guò)建立案例庫(kù)、權(quán)重分配、案例檢索、案例重用及案例存儲(chǔ)等環(huán)節(jié)建立案例推理識(shí)別模型，并實(shí)現(xiàn)識(shí)別算法；解決了當(dāng)前分配案例推理特征變量權(quán)重的主觀性和不確定性而導(dǎo)致識(shí)別準(zhǔn)確率低的問(wèn)題，通過(guò)特征變量的數(shù)值變化情況去識(shí)別缺陷種類；提高了鋼板表面缺陷的處理效率，為缺陷的成因分析、改進(jìn)生產(chǎn)操作方法、提高產(chǎn)品質(zhì)量具有積極的指導(dǎo)意義。
[0007]本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟:
[0008]1.一種基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于包括以下步驟:
[0009]步驟1:為了根據(jù)以往識(shí)別鋼板表面缺陷的特征數(shù)值去識(shí)別新的特征數(shù)值所包含的缺陷種類，建立識(shí)別案例庫(kù)；將從生產(chǎn)現(xiàn)場(chǎng)獲得的歷史數(shù)據(jù)表示成(鋼板缺陷問(wèn)題描述；鋼板缺陷種類)的序偶形式，并存儲(chǔ)于案例庫(kù)中，鋼板缺陷問(wèn)題描述共有27個(gè)特征變量，分別用Xl，…，X27表示，這27個(gè)特征變量包括X最小值、X最大值、Y最小值、Y最大值、像素區(qū)域、X周長(zhǎng)、Y周長(zhǎng)、光度和、最小光度、最大光度、輸送輥道長(zhǎng)度、鋼種(A300)、鋼種(A400)、鋼板厚度、邊緣指數(shù)、空指數(shù)、平方指數(shù)、外部X指數(shù)、邊緣X指數(shù)、邊緣Y指數(shù)、外部全局指數(shù)、面積記錄、X指數(shù)記錄、Y指數(shù)記錄、取向指數(shù)、光度指數(shù)和S狀彎曲面積，鋼板缺陷種類共7類，包括裂紋、Z刮傷、K刮傷、鱗皮、結(jié)疤、凸起或其它；其中第k個(gè)歷史數(shù)據(jù)構(gòu)成的源案例表示為
[0010]Ck = (Xk;Yk), k = I, 2,..., P
[0011]其中，P是源案例總數(shù)JkMxu,..., Xijk,…，x%k)是第k個(gè)源案例的問(wèn)題描述，Xi,k(i=l, 2，…，27)表示第k個(gè)源案例問(wèn)題描述中的第i個(gè)特征變量的數(shù)值，Yk是第k個(gè)源案例中的缺陷種類；
[0012]步驟2:為了客觀計(jì)算目標(biāo)案例與源案例之間的相似度，需確定各個(gè)特征變量的權(quán)重；采用遺傳算法( genetic algorithms, GA)對(duì)權(quán)重進(jìn)行迭代訓(xùn)練后分配,具體為:
[0013](I)獲取訓(xùn)練案例；設(shè)定訓(xùn)練權(quán)重的案例數(shù)量q,記為Ck’ = (Xk, ; Yk’)，k，=1，2，…，q ；
[0014](2)為了消除不同特征變量的量綱影響，將特征變量的數(shù)值歸一化；將訓(xùn)練案例問(wèn)題描述xk，中的每一個(gè)特征變量的數(shù)值進(jìn)行歸一化處理，如下式所示:
【權(quán)利要求】
1.基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于包括以下步驟: 步驟1:建立案例庫(kù)；將從生產(chǎn)現(xiàn)場(chǎng)獲得的歷史數(shù)據(jù)表示成(鋼板缺陷問(wèn)題描述；鋼板缺陷種類)的序偶形式，并存儲(chǔ)于案例庫(kù)中，鋼板缺陷問(wèn)題描述共有27個(gè)特征變量，分別用X1,…，X27表示，這27個(gè)特征變量包括X最小值、X最大值、Y最小值、Y最大值、像素區(qū)域、X周長(zhǎng)、Y周長(zhǎng)、光度和、最小光度、最大光度、輸送輥道長(zhǎng)度、鋼種(A300)、鋼種(A400)、鋼板厚度、邊緣指數(shù)、空指數(shù)、平方指數(shù)、外部X指數(shù)、邊緣X指數(shù)、邊緣Y指數(shù)、外部全局指數(shù)、面積記錄、X指數(shù)記錄、Y指數(shù)記錄、取向指數(shù)、光度指數(shù)和S狀彎曲面積，鋼板缺陷種類共7類，包括裂紋、Z刮傷、K刮傷、鱗皮、結(jié)疤、凸起或其它；其中第k個(gè)歷史數(shù)據(jù)構(gòu)成的源案例表示為
Ck= (Xk;Yk), k=l, 2，…，p 其中，P是源案例總數(shù)…，xi；k,…，x27；k)是第k個(gè)源案例的問(wèn)題描述，Xi,k(i=l, 2，…，27)表示第k個(gè)源案例問(wèn)題描述中的第i個(gè)特征變量的數(shù)值，Yk是第k個(gè)源案例中的缺陷種類； 步驟2:確定各個(gè)特征變量的權(quán)重；采用遺傳算法(genetic algorithms, GA)對(duì)權(quán)重進(jìn)行迭代訓(xùn)練后分配，具體為: (1)獲取訓(xùn)練案例；設(shè)定訓(xùn)練權(quán)重的案例數(shù)量q，記為Ck，=(Xk，； Yk，)，k’ =1，2，…，q ; (2)將訓(xùn)練案例問(wèn)題描述Xk，中的每一個(gè)特征變量的數(shù)值進(jìn)行歸一化處理，歸一化后每個(gè)訓(xùn)練案例可表示為4 =(足,;H k' =1,2,…，q，其中的尤,=(?.,---,?.,---,?'); (3)參數(shù)初始化；設(shè)定特征變量初始權(quán)重組合的組數(shù)m>1、迭代次數(shù)Iter>l、交叉概率Pc e⑴^入變異概率？?^ (O, I)以及對(duì)每一個(gè)權(quán)重進(jìn)行二進(jìn)制編碼的位數(shù)n，然后隨機(jī)產(chǎn)生由m組以η位二進(jìn)制編碼表示的特征變量權(quán)重組合組成的初始權(quán)重矩陣，如下矩陣形式:
2.根據(jù)權(quán)利要求1所述的基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于:步驟2 (2)中所述的歸一化的計(jì)算公式如下:

3.根據(jù)權(quán)利要求1所述的基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于:步驟2 (4)中所述的解碼公式如下:

4.根據(jù)權(quán)利要求1所述的基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于:步驟2 (4)中所述的映射變換具體為:根據(jù)Dy的值，將每個(gè)特征變量Xi的權(quán)重值映射至區(qū)間[O，1]，映射公式如下:
5.根據(jù)權(quán)利要求1所述的基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于:步驟2 (5)中所述的留一法進(jìn)行訓(xùn)練，具體為:從q個(gè)訓(xùn)練案例中取出任一個(gè)作為目標(biāo)案例，記為(尤，1:) ’其中^ = {xx,--,Xn--,X21),剩下的q_l個(gè)作為新的源案例，記為Ck,, = {Xk,,\Yk,\ k" =l，2，...，q-l，其中足,,=(X1 k,,...,Xiji,,,-.?.?”)，計(jì)算權(quán)重組合 Ω 工~Ωπ*別作用時(shí)目標(biāo)案例的問(wèn)題描述名與q_l個(gè)源案例問(wèn)題描述Aa的相似度，其中第j組權(quán)重組合Qj作用時(shí)，相似度的計(jì)算公式如下:

6.根據(jù)權(quán)利要求5所述的基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于，步驟2 (6)中所述的正確匹配次數(shù)的計(jì)算方法為:取權(quán)重組合的q-Ι個(gè)相似度中的最大值，該最大值對(duì)應(yīng)的源案例的缺陷種類即為目標(biāo)案例的匹配結(jié)果，遍歷q個(gè)訓(xùn)練案例，得到q個(gè)匹配結(jié)果，將匹配結(jié)果與正確的缺陷種類比對(duì)，并記錄正確匹配的次數(shù)q/ (j=l，…，m) ο
7.根據(jù)權(quán)利要求1所述的基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于，步驟2 (7)中所述的每個(gè)權(quán)重組合作用時(shí)的準(zhǔn)確率匕的計(jì)算公式如下:
Fj=Qj' /q, j=l, 2, ---,m 其中q/表示第j組權(quán)重組合Ω」作用時(shí)的正確匹配次數(shù)。
8.根據(jù)權(quán)利要求1所述的基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于:步驟2 (8)中所述的權(quán)重組合皮選擇的概率匕的計(jì)算公式如下:
9.根據(jù)權(quán)利要求1所述的基于案例推理的鋼板表面缺陷的自動(dòng)識(shí)別方法，其特征在于:步驟2 (8)中所述的采用輪盤賭法得到更新后的二進(jìn)制碼權(quán)重矩陣G’=[G/ -G/…G’m]T，更新方法包括:首先按下式計(jì)算出權(quán)重組合皮選擇的累加概率SPj:

【文檔編號(hào)】G06K9/66GK103971133SQ201410146944
【公開日】2014年8月6日 申請(qǐng)日期:2014年4月13日 優(yōu)先權(quán)日:2014年4月13日
【發(fā)明者】嚴(yán)愛(ài)軍, 黃曉倩, 王普 申請(qǐng)人:北京工業(yè)大學(xué)