品種可選擇的表面缺陷圖像分類系統的制作方法
【技術領域】
[0001] 本發明屬于材料表面的光學檢測技術領域，特別是設及一種品種可選擇的表面缺 陷圖像分類系統，主要應用于鋼種表面缺陷檢測。
【背景技術】
[0002] 帶鋼是鋼鐵工業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， 關系到許多制造行業的發展。近年來，帶鋼的需求量不斷增加，并要求具有較高的表面質 量。而在其社制過程中，由于連鑄鋼巧、社制設備及社制工藝等原因，導致社制鋼板表面出 現了裂紋、氧化鐵皮、結瘤、漉印、刮傷、孔桐和麻點等缺陷，運些缺陷不僅影響了產品外觀， 更重要的是降低了產品的抗腐蝕性、抗磨性及疲勞強度等使用性能，因此給產品埋下了安 全隱患。故帶鋼的表面質量檢測尤為重要。
[0003] 由于現有國外各大公司表面缺陷檢測系統一套分類器只能針對一個鋼種進行缺 陷檢測，而國內一條生產線通常生產多類鋼種，為此需要一種新的分類器，W適應生產線上 多個鋼種表面缺陷的高識別率分類。
【發明內容】
[0004] 本發明的目的在于提供一種品種可選擇的表面缺陷圖像分類系統，W克服現有技 術中只能針對一個鋼種進行缺陷檢測的技術問題。
[0005] 為實現上述目的，本發明提供如下技術方案：
[0006] 本申請實施例公開了一種品種可選擇的表面缺陷圖像分類系統，包括：
[0007] 第一級分類子系統，識別環境突變產生的部分未知類型的缺陷、有明顯固定規律 的缺陷和非缺陷圖像，獲得第一級分類結果，并將無法識別圖像的常見圖像特征W及原始 圖像歸一化后圖像傳輸給第二級分類子系統，同時將第一級分類結果傳輸給第=級分類子 系統；
[000引第二級分類子系統，將第一級分類子系統無法識別的圖像通過主分類器獲得所有 缺陷圖像的類型，獲得第二級分類結果，并將第二級分類結果傳輸給第=級分類子系統，該 主分類器為基于固定特征的決策樹分類器、或基于圖像Isomap降維的SVM分類器；
[0009] 第=級分類子系統，將第一級分類子系統和第二級分類子系統識別的結果進行再 次分類，將已分類的缺陷進一步細分至可用于實際產品分級判次的程度。
[0010] 優選的，在上述的品種可選擇的表面缺陷圖像分類系統中，所述常見圖像特征至 少包括形狀、顏色、位置和質屯、。
[0011] 優選的，在上述的品種可選擇的表面缺陷圖像分類系統中，所述第=級分類子系 統將已分類的缺陷至少按照長度、寬度、嚴重度特征進行細分。
[0012] 優選的，在上述的品種可選擇的表面缺陷圖像分類系統中，所述的基于固定特征 的決策樹分類器，在特征提取后再經過決策樹算法獲得分類規則，測試圖像通過同樣的特 征提取后進入分類規則，并預測獲得結果。
[0013] 優選的，在上述的品種可選擇的表面缺陷圖像分類系統中，所述的基于圖像 Isomap降維的SVM子分類器訓練圖像和測試圖像分別經過dls-Isomap算法和增量GR順擬合 的降維過程，分類算法使用的是SVM算法。
[0014] 優選的，在上述的品種可選擇的表面缺陷圖像分類系統中，所述的dls-Isomap算 法流程包括：
[0015] 步驟1:構造鄰域圖，給定參數k或者是6,使用k-nn方法或者e半徑方法建立加權鄰 接圖G，采用監督k-nn和e半徑鄰域圖連接方式，其具體內容如下：
[0016] (1)如果13661(。= 13661〇'），其中1，_]'￡1時，鄰域連接方式滿足^下兩個條件： 首先d(xi，xi'）<e，其中i，i' EM;其次iENk(t)或i' eNk(t)，Nk(t)是t的k個最鄰近點；
[0017] (2)如果label (i)辛label (j)，其中i，j eL時，類間鄰域圖的連接方式為保持類間 點最小歐式距離。計算不同類Ll和L2間的最小距離Dmin( i，j ) =HlimeLl JEL2(d(Xi，Xj))，定義 矩陣LM存儲最小類間距離，即111=化1。。，^}，1，托^111為對稱矩陣;循環判斷(1佔，刮）， 如果(1佔，刮）=0。1。(1^)，建立點巧日點^'之間的邊界連接;如果兩類間有多組點間距離同時 等于最小距離，則建立多個邊界連接；
[0018] 步驟2:計算每對點之間的最短路徑近似計算測地距，假設流形中兩點之間的測地 距可用鄰域圖中相關點之間的最短路徑來表示，設gU為Vi和Vj最短路徑的長度，最短路徑 用Floyd算法，那么gu可W近似Vi和V么間的測地距，記錄對稱矩陣；
[0019]步驟3:用MDS方法將RD嵌入到較低的空間Rd中，找到嵌入向量Zi; iEM，定義Z = (Z1;……；Zn)，K是內積矩陣，滿足條件：
[0020] (1)
[0021] K = -HSH/2 (2)
[0022] 其中H=化ij}，hij = Sij-l/n，Sij為KroneckeW,那么S= {gij2};然后在非遞增序列 中找出K的前d維特征向量化1，k2，? ? ?，kd}，W及其相關特征值{Vi，V2，? ? ?，Vd};在新的空間的 第i個點的第P個分量為：
[0023] ^=原''古其中口 = 1，2，...，(1(3)
[0024] 通過上述步驟獲得dls-Isomap算法兩類數據降維圖，區分2組及其W上品種的分 類任務。
[0025] 所述第一級分類子系統為過濾器，用W過濾掉噪聲型缺陷。
[0026] 優選的，在上述的品種可選擇的表面缺陷圖像分類系統中，所述系統應用于冷社 用熱社帶鋼時，所述噪聲型缺陷種類至少包括高亮度、高暗度、水潰干澗、正常周期缺、極小 缺陷、極大缺陷。
[0027] 優選的，在上述的品種可選擇的表面缺陷圖像分類系統中，所述系統應用于冷社 用熱社帶鋼時，所述第=級分類子系統用于區分翅皮和夾雜次品。
[0028] 與現有技術相比，本發明的優點在于:本發明系統可W針對多個鋼種進行檢測，另 外采用dls-Isomap降維算法聯合SVM分類算法能夠在帶有水潰、氧化等非固定形態圖像干 擾的分類中獲得更好的結果。
【附圖說明】
[0029] 為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 申請中記載的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下， 還可W根據運些附圖獲得其他的附圖。
[0030] 圖1所示為本發明具體實施例中表面缺陷圖像分類系統的原理方框圖；
[0031] 圖2所示為本發明具體實施例中基于固定特征的決策樹子分類器的原理方框圖；
[0032] 圖3所示為本發明具體實施例中基于圖像Isomap降維的SVM子分類器的原理方框 圖；
[0033] 圖4所示為本發明具體實施例中dls-Isomap算法兩類數據降維圖；
[0034] 圖5所示為本發明具體實施例中冷社用熱社帶鋼表面缺陷圖像分類實驗結果表。
【具體實施方式】
[0035] 結合圖1至4所示，本實施例公開一種品種可選擇的表面缺陷圖像分類器，該分類 器主要由=級帶鋼表面缺陷分類子系統組成：
[0036] 第一級通過主觀評價機制識別環境突變產生的部分未知類型的缺陷、有明顯固定 規律的缺陷和非缺陷圖像，而且運些缺陷一定是能被主觀評價機制描述的；
[0037] 第二級是將第一級無法識別的圖像通過主分類器獲得所有缺陷圖像的類型，其分 類規則可W選擇由基于固定特征的決策樹分類器實現，也可W選擇基于圖像Isomap降維的 SVM分類器實現；
[0038] 第=級是第一級和第二級識別的結果進行再次分類，通過主觀評價機制將已分類 的缺陷按照長度、寬度、嚴重度等特征進一步細分至可用于實際產品分級判次的程度。
[0039] 進一步地，分類器之間數據傳輸為：
[0040] 第一級和第二級之間數據的傳送為第一級未分類圖像提取的形狀、顏色、位置和 質屯、等常見圖像特征W及原始圖像歸一化后圖像的傳輸；
[0041] 第一級和第=級之間的數據傳輸為常見圖像特征及其分類結果的傳輸；
[0042] 第二級和第=級之間數據的傳輸為常見圖像特征及其分類結果的傳輸;因此在編 程實現時，數據的調用較為簡單，僅僅調用各級分類結果、常見圖像特征和歸一化的原始圖 像即可。
[0043] 進一步，所述的基于固定特征的決策樹分類器在特征提取后再經過決策樹算法獲 得分類規則，測試圖像通過同樣的特征提取后進入分類規則，并預測獲得結果。
[0044] 進一步，所述的基于圖像Isomap降維的SVM子分類器訓練圖像和測試圖像分別經 過d 1S -1S omap算法和增量GRNN擬合的降維過程，分類算法使用的是SVM算法。
[0045] 更進一步地的，所述的dls-Isomap算法流程包括：
[0046] 步驟1:構造鄰域圖，給定參數k或者是e，使用k-nn方法或者e半徑方法建立加權鄰 接圖G，采用監督k-nn和e半徑鄰域圖連接方式，其具體內容如下：
[0047] (1)如果13661(。= 13661〇'），其中1，_]'￡1時，鄰域連接方式滿足^下兩個條件： 首先d(xi,xi'）<e，其中i，i