基于多向剪切特性的热轧带钢表面缺陷分类

(整期优先)网络出版时间:2022-04-24
/ 3

基于多向剪切特性的热轧带钢表面缺陷分类

陈宪辉

日照钢铁控股集团有限公司, 山东 日照 276800

【摘要】基于视觉的钢表面检测系统在过去的二十年中获得了越来越多的兴趣,因为与传统的基于人类视觉的方法相比,它们提供了在时间、成本和精度方面满足制造商要求的可能性。本文的主要目标是提出一种基于机器视觉技术和多分类器组合的高效检测系统,对钢铁产品中不同类型的缺陷进行检测和分类。该系统基于两个独立的分类器:支持向量机和模糊近邻,利用灰度共生矩阵和梯度直方图提取特征。为了减少描述子的大小,避免特征冗余导致的过拟合,对这些特征进行主成分分析。将每组特征分别输入支持向量机和模糊近邻,形成四个并行分类器,证明了该方法对钢表面缺陷进行分级的有效性。

【关键词】机器视觉;分类器组合;表面缺陷;支持向量机;模糊最近邻


一、介绍

机器视觉对钢铁产品的自动化检测是许多制造业提高生产率和保持高产品质量的基本技术之一。事实上,工业愿景在生产线上的整合,确保了高精度、可靠、客观、快速和无接触的质量控制。任何检测到的缺陷将导致产品被标记或弹出,甚至停止过程。在过去的十年中,通过大量的研究,已经发展出了几种不同条件下的钢产品检测方法,这些研究的结果已经作为一种应用于实际系统的检测工具。检测系统通过摄像机在特定的光照条件下捕捉钢材产品的图像;然后应用各种图像处理算法对图像进行处理,利用机器学习算法对钢产品缺陷进行定位和分类,这些算法对检测系统至关重要。

在带钢生产过程中,由于各种原因会产生不同类型的缺陷。这些缺陷不仅影响产品的视觉外观,还会不同程度地降低产品的基本性能,如耐蚀性、耐磨性和疲劳强度。因此,检验系统对这些缺陷进行分类是调整生产线、提高钢铁产品质量的重要手段。

在过去的十年中,许多研究都在研究机器视觉技术在不同应用环境下对不同类型钢材表面缺陷的分类。关于钢铁产品自动化检测的各个方面的调查已经被报道。,胡瑞提出了一种支持向量机模型,利用几何特征、灰度特征和形状特征三种特征来表示带钢表面图像中的5种缺陷。实验结果表明,该支持向量机模型比传统的反向传播神经网络模型具有更高的平均分类精度[1]

基于局部二值模式的检测方法及其各种变体在钢铁产品检测领域得到了广泛的应用。采用新的局部二值模式算法作为特征描述符,采用决策树和不同核的支持向量机作为分类方法,对钢铁行业常见的4种缺陷类型进行分类。

杜塔提出了一种新的抗噪声特征描述子——相邻评价完成局部二值模式,用于对热轧带钢产品中6种不同类型的表面缺陷进行分类。

辛普森构建了一种基于广义完备局部二值模式框架的钢表面缺陷分类系统。作者认为,新的描述子不同于传统的局部二值模型的变体,它能够创造性地从非均匀模式中挖掘隐含的描述信息。

阿格达姆开发了一种混合染色体遗传算法,将支持向量机核函数选择、视觉特征选择和支持向量机参数优化相结合,建立支持向量机多分类模型,对从带钢生产线获取的5种典型表面缺陷图像进行分类。

另一种广泛应用于各种模式识别的技术是多尺度几何分析方法。提出了一种基于曲线变换和核局部保持投影实现的多尺度几何分析的热轧钢板表面缺陷分类系统。该方法具有多尺度、多方向分析的特点,能够在多个多尺度方向子带上雕刻目标实体[2]

阿舒尔开发了一套基于离散剪切波变换和灰度共生矩阵的热轧带钢表面缺陷分类系统。从每幅缺陷图像中提取多向剪切特征,形成特征向量。然后对所有提取的子带进行灰度共生矩阵计算,从中提取一组统计特征[3]。然后对得到的特征向量进行主成分分析,以减少描述符的大小和避免特征冗余导致的过拟合。最后形成多类支持向量机分类器,对六种表面缺陷进行分类。

在过去的几年里,深度学习作为一种在图像分割、目标检测和分类等大量图像处理任务的准确性方面最好的技术之一出现了。提出了一种基于最大池化卷积神经网络的钢缺陷分类系统,该系统能够以监督的方式直接从钢缺陷图像的像素表示中学习获得最佳分类精度的视觉特征。提出了热轧带钢表面6种不同缺陷的整体分类方法,该系统由三个不同的深度卷积神经网络模型组成,分别训练,并使用平均策略来组合它们的输出。作者的结论是,所提出的方法在精度方面已成为钢表面检测问题的一种先进的性能[4]。但他们也提到了该方法存在的一些缺点,如计算量大,不能处理存在噪声和缺陷图像质量不高的情况。

在模式识别领域,有大量的分类器和特征提取方法。然而,尽管在这一领域取得了进步,我们意识到,在所有问题和所有情况下,没有一种分类器可以显示出无可争议的优于其他分类器。研究人员发现,与其通过为给定问题选择最佳特征来优化单个分类器,不如将识别方法结合起来更有趣。事实上,本文的主要目标是在我们对离线手写阿拉伯语单词识别工作的启发下,提出一种基于分类器组合的高效检测系统,对热轧带钢的6种典型表面缺陷进行分类。该系统由采集、预处理、特征提取、分类和组合几个阶段组成

[5]。预处理阶段结束后,利用灰度共生矩阵和梯度直方图提取特征。此外,对这些特征进行主成分分析,以降低特征空间的维数。然后将每个集合分别输入支持向量机模型和模糊近邻,形成四个并行分类器。最后,在最后阶段,使用一套规则来给出最终的决策。

二、建议系统

(一)预处理

缺陷图像由相机或任何其他合适的数字设备采集,然后提交到预处理阶段,以减少数字设备引入的噪声,去除无用的信息,并纠正不规则/变化。该系统采用的预处理方法是对缺陷图像进行对比度增强,以提高缺陷图像的质量,直方图均衡化是一种常用的调整图像强度以增强对比度的方法。

(二)特征提取

在对输入图像应用预处理模块后,我们必须进行特征提取步骤,将表面缺陷图像表示为固定大小的特征向量。对于钢表面缺陷的分类问题,我们选择用判别特征来表示缺陷图像。对于每个缺陷图像,我们提取一组基于灰度共生矩阵和梯度直方图的特征,以下各节将讨论这些特性。

1灰度共生矩阵方法

该方法也被称为灰度依赖矩阵,被许多研究者认为是纹理分析的参考,并经常被用作新方法的比较方法。事实上,由于纹理信息丰富,它易于实现,并提供了良好的性能。共现矩阵方法是研究由一个给定的平移分离的像素对的联合行为。为了只考虑非常局部的邻域信息,平移的振幅一般不会超过几个像素。与直接使用灰度共生矩阵作为特征描述符不同,可以从该矩阵中提取一些二阶统计纹理特征,如:自相关、相关、能量、熵、对比度等[7]

2定向梯度直方图

方向梯度直方图是由达拉尔在行人检测框架中首先提出的一种基于梯度的特征提取方法。此后,它已广泛应用于计算机视觉的广泛应用,如:人脸识别、手势识别、阿拉伯手写识别等,有向梯度描述子直方图是通过灰度梯度或边缘方向的分布来描述图像中局部物体的外观和形状。

(三)分类器

分类包括确定缺陷图像的类别。从训练示例中提取的特征用于学习分类器,以区分不同的类。选择了支持向量机和模糊近邻作为基分类器,从训练库的图像中计算出基于灰度共生矩阵和定向梯度直方图的特征,并将其呈现给每个分类器,形成四个基分类器,使用不同的组合规则进行组合。

(四)分类器组合

我们的钢铁缺陷检测系统采用的分类器组合规则包括多数投票规则、最小规则、最大规则、总和规则、平均规则、乘积规则和贝叶斯方法。下面将简要讨论这些组合规则。

1多数投票:分配多数分类器同意输入模式的类。

2最小值规则:在每个分类器的输出中寻找最小的分数,将得分最高的类分配给输入的模式。

3最大规则:在每个分类器的输出中寻找最大的分数,将得分最高的类分配给输入的图案。

4求和规则:将每个分类器提供的分数相加,将得分最高的标签分配给输入的模式。

5平均规则:将分类器集合提供的各类分数取平均值,将最高分赋给输入的模式。

6乘积规则:将每个分类器提供的分数相乘,将得分最高的类标签赋给输入的图案。

7贝叶斯方法:假设分类器是相互独立的。它是一种统计融合方法,可以利用成员分类器的混淆矩阵在抽象层次上组合输出。

三、结论

本研究提出了一种基于多分类器组合的简单高效的钢表面缺陷分类系统。该系统主要由支持向量机和模糊近邻两个基本分类器组成,它们使用相同的模式从表面缺陷数据库中进行分类[8]。利用灰度共生矩阵和定向梯度直方图从训练数据库中提取四组特征,将每个特征集分别输入支持向量机和模糊近邻,形成四个并行分类器。首先,对四个分类器进行的测试表明,不管使用的是什么特征,无论是灰度共生矩阵还是定向梯度直方图特征,支持向量机分类器都优于模糊近邻。当支持向量机与灰度共生矩阵特征匹配时,准确率较高。其次,采用多数投票、最小值规则、最大值规则、求和规则、乘积规则和贝叶斯方法对四个分类器的输出进行融合;试验结果表明,贝叶斯方法优于其他组合方法。

参考文献

  1. 徐海卫.锰硫比对SPHC热轧薄板边部舌状裂纹的影响[J].轧钢,2011,28(5):14-16.

  2. 刘宁.济钢1700mm热轧带钢精轧机平衡力研究[J].轧钢,2011,28(2):22-24.

  3. 杨景明.基于改进自适应遗传算法的轧制规程优化设计[J].轧钢,2011,28(1):24-27.

  4. 何永辉.宝钢带钢表面检测技术研发与应用[C]//钢材质量控制技术,形状,尺度精度,表面质量控制与改善学术研讨会.2010.

  5. 谭文.CSP工艺生产C-Mn-Cr,C-Mn-Si双相钢组织性能对比[J].轧钢,2010,27(6):25-27.

  6. 田冲.织构预处理对高强IF钢性能的影响[J].轧钢,2010,27(1):24-27.

  7. 陈其安.当前扁平材与长材轧制领域的几个热点技术[J].轧钢,2009,26(2):1-5.

[8]王春梅,周东东,徐科,张海宁.综述钢铁行业智能制造的相关技术[J].中国冶金,2018,28(7):1-7.