具有抗特征噪声性能的钢板表面缺陷分类方法与流程

本发明属于模式识别技术领域，尤其是涉及一种具有抗特征噪声性能的钢板表面缺陷分类方法。

背景技术：

钢板表面缺陷是困扰钢铁企业提高产品质量和市场竞争力的主要问题之一。钢铁企业一般采用钢板表面缺陷检测系统监控钢材表面的质量。在整个检测系统中，检测算法是关键技术，其中的缺陷分类又是最重要的环节。

现有的分类方法特别是以支持向量机为代表的分类技术能够很好的完成缺陷识别的基本任务。但是，对于高端钢制产品表面质量监控的要求，现有的缺陷识别精度和效率并不能与之匹配。究其原因，噪声特别是特征噪声对分类性能的影响不容忽视。从实际生产线获取的钢板表面缺陷样本集很可能会存在噪声，这些噪声特别是特征噪声会严重影响以支持向量机为代表的分类器性能。特征噪声主要由测量仪器、测量模型、样本采样等错误引起，主要分布在正常样本的外围边界区域，难以与边界区域的正常样本相互区分。在钢板表面缺陷分类领域，已经存在一些抑制噪声的方法,它们主要通过增加样本权重来抑制噪声。这类方法对于远离决策边界的标签噪声具有好的效果，但对决策边界附近的特征噪声却无能为力。

另外，针对已有的钢板表面缺陷分类方法，支持向量机分类技术最具有代表性。但是，传统的支持向量机也存在着分类精度与效率的冲突。随着技术的发展，在模式识别领域学者们提出了性能得到提升的新型支持向量机。如：孪生支持向量机、孪生超球体支持向量机等。因此，在新型支持向量机模型基础上，研究具有抗特征噪声性能的新分类模型，以适合钢板表面缺陷的高精度与高效率的多类别分类要求。

技术实现要素：

本发明的目的是提供一种具有抗特征噪声性能的钢板表面缺陷分类方法，包括针对原始的钢板表面缺陷样本集，每一类原始的缺陷样本子集建立一个支持向量数据描述子模型,其特征在于包括以下步骤：

步骤1：针对每一个支持向量数据描述子模型，构造大超球体和小超球体，并统计大超球体内部的样本数目和小超球体内部的样本数目；

步骤2：以大超球体内部的样本数目和小超球体内部的样本数目为初始条件，对惩罚参数进行比例迭代调整，并训练相应的支持向量数据描述子模型，获得具有抗特征噪声能力的最佳超球体；

步骤3：根据每一个最佳超球体，从原始的钢板表面缺陷样本集中剔除超球体内部的样本，从而获得稀疏的钢板表面缺陷样本集；

步骤4：建立新的具有抗特征噪声能力的支持向量超球体多类分类器，该分类器以孪生超球体支持向量机二类分类器为基础，引入新的抗特征噪声约束条件，并以最佳超球体的球心为辅助信息来改进目标函数；

步骤5：利用稀疏的钢板表面缺陷样本集和最佳超球体的球心对新的多类分类器模型进行训练；

步骤6：将钢板表面缺陷测试样本输入到新的多类分类器，完成缺陷的自动识别。

所述的步骤1构造大超球体和小超球体以及统计大超球体内部的样本数目和小超球体内部的样本数目，步骤如下：

步骤1-1：选择一个大惩罚参数和一个小惩罚参数

步骤1-2：利用原始的缺陷样本子集分别训练具有大惩罚参数和小惩罚参数的支持向量数据描述子模型，获得一个大超球体和一个小超球体

步骤1-3：统计和内部的样本数目，分别为和

所述的步骤2对惩罚参数进行比例迭代调整、训练支持向量数据描述子模型和获得具有抗噪声能力的最佳超球体，步骤如下：

步骤2-1：计算比例惩罚参数其公式如下：

式中m^n*是用户给定的第n类稀疏子集的样本数目；

步骤2-2：利用原始的缺陷样本子集训练具有惩罚参数的支持向量数据描述子模型，获得一个超球体统计得到这个超球体内部的样本数目是和外部的样本数目是

步骤2-3：判断条件mⁿ(t)∈[m^n*-δmⁿ,m^n*+δmⁿ]是否成立，δmⁿ是实际稀疏集合的样本数目与给定稀疏集合的样本数目之间误差，如果条件不成立，进入下一步，如果条件成立，则最佳超球体惩罚参数通过外部所有的样本来抑制特征噪声的干扰，结束；

步骤2-4：如果那么按照和更新和如果那么按照和更新和然后返回步骤2-1。

所述的步骤3从原始的钢板表面缺陷样本集中剔除超球体内部的样本和获得稀疏的钢板表面缺陷样本集的过程如下：

第n类原始的缺陷样本子集用于训练具有惩罚参数的支持向量数据描述子模型，得到的是最佳超球体当满足为内部的样本，从中这些样本剔除，剩余的样本组成稀疏的缺陷样本子集是稀疏子集的第i个样本，mⁿ是稀疏子集的样本数目。

所述的步骤4建立新的具有抗噪声能力的支持向量超球体多类分类器过程如下：

新的多类分类器具有n个子分类器模型，第n个子分类器依靠稀疏的缺陷样本子集和对应的最佳超球体的球心建立，其多类分类器模型如下：

式中cⁿ和vⁿ是惩罚参数，tⁿ＝{1,…,n-1,n+1,…,n}，oⁿ和rⁿ是ωⁿ的球心和半径，ωⁿ是第n个子分类器构造的分类超球体，目标函数的项是第u类原始的钢板表面缺陷样本子集对应的最佳超球体的球心对应满足的值，和是缺陷样本的间隔误差，新的约束条件和迫使分类超球体ωⁿ通过中所有的样本构建，从而使ωⁿ获得抑制特征噪声干扰的性能；

对上述模型进行推导，可求得分类超球体ωⁿ的参数，其公式如下：

式中pⁿ＝1/(1-vⁿ(n-1))，通过求解下面的凸二次规划问题获得，其凸二次规划问题描述如下：

所述的步骤6缺陷的自动预测识别过程如下：

新的多类分类器能够直接完成钢板表面缺陷测试样本的多类识别；对于一个未标签的样本x的预测，其预测公式如下：

本发明的优点：

(1)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，利用支持向量数据描述模型对原始的钢板表面缺陷样本集进行稀疏化处理，可降低新的多类分类器在时间上和存储空间上的开销；

(2)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，利用惩罚参数比例迭代调整方法来改进支持向量数据描述模型的稀疏化过程，可以提高稀疏化的效率；

(3)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，利用具有惩罚参数比例迭代调整的支持向量数据描述模型获得辅助信息最佳超球体，可以提高辅助信息抗特征噪声的性能；

(4)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，新的多类分类器采用新的约束条件，可以获得抗特征噪声的性能；

(5)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，新的多类分类器利用了原始的缺陷样本集的最佳超球体信息，可以在提高分类效率的基础上保证分类精度；

(6)本发明的具有抗特征噪声性能的钢板表面缺陷分类方法，新的多类分类器能直接完成钢板表面缺陷的多类识别。

附图说明

图1为本发明一种实施方式具有抗特征噪声性能的钢板表面缺陷分类方法的流程图。

图2为本发明一种实施方式构造大超球体和小超球体的步骤示意图。

图3为本发明一种实施方式具有惩罚参数比例迭代调整的支持向量数据描述子模型的训练示意图。

图4为本发明一种实施方式惩罚参数比例迭代调整的举例示意图。

图5为本发明一种实施方式新的多类分类器的训练示意图。

具体实施方式

下面结合附图进一步说明本发明的具体实施方式。

本发明实施例采用一种具有抗特征噪声性能的钢板表面缺陷分类方法对带钢的缺陷进行处理，流程如图1所示，包括针对原始的钢板表面缺陷样本集，每一类原始的缺陷样本子集建立一个支持向量数据描述子模型，本发明实施例中原始的钢板表面缺陷样本集，是由五类缺陷类型的样本子集组成，它们是：划痕、结疤、孔洞、氧化铁皮、压入脏污，并且这些集合中的样本是通过现场的带钢表面缺陷检测系统采集获得的。

定义原始的钢板表面缺陷样本集中的缺陷类型数目为n，第n(n＝1,2,…,n)类原始的缺陷样本子集建立的支持向量数据描述子模型如下：

式中第n类原始的缺陷样本子集是是子集的第i个样本，是子集的样本数目，d是样本的特征维度，和是对应于子集的超球体的球心和半径，是外部的缺陷样本的误差，是惩罚参数，ψ(·)是特征空间映射函数，||·||表示范数。

对上述模型进行推导，可确定超球体的球心和半径，其公式如下：

式中是拉格朗日算子，通过求解凸二次规划问题获得，其凸二次规划问题描述如下：

式中k(,)是用户给定的核函数，且满足

超球体的参数和用核函数k(,)替换公式中的ψ(·)与ψ(·)点积项。

核函数k(,)一般采用线性函数、非线性多项式函数、非线性径向基函数等，本发明实施例中的核函数采用非线性径向基函数，其形式为：

式中为非线性径向基函数的核半径。参数值由用户给定，本发明实施例通过网格搜索和十折交叉验证确定最优的值。

凸二次规划问题的求解方法有多种，如：有效集法、序列二次规划法、内积法等。本发明实施例采用内积法求解

本发明实施例中n取值为5，根据n＝1,2,…,n和n＝5，建立了五个支持向量数据描述子模型。

步骤1：如图2所示，针对每一个支持向量数据描述子模型，构造大超球体和小超球体，并统计大超球体内部的样本数目和小超球体内部的样本数目；

步骤1-1：选择一个大惩罚参数和一个小惩罚参数

初始值要求超球体内部有大多数的样本。而要求超球体内部有少量的样本。本发明实施例将和设定为和

步骤1-2：利用原始的缺陷样本子集分别训练具有大惩罚参数和小惩罚参数的支持向量数据描述子模型，获得一个大超球体和一个小超球体

这里，训练指的是支持向量数据描述子模型利用中的样本，通过内积法求解凸二次规划问题获得的值，从而确定超球体的参数和

步骤1-3：统计和内部的样本数目，分别为和

原始的缺陷样本子集被超球体分成两个部分：超球体内部的样本和超球体外部的样本(含超球体边界的样本)，超球体内部的样本数目记为同样超球体内部的样本记为

步骤2：如图3所示，以大超球体内部的样本数目和小超球体内部的样本数目为初始条件，对惩罚参数进行比例迭代调整，并训练相应的支持向量数据描述子模型，获得具有抗特征噪声能力的最佳超球体；

步骤2-1：计算比例惩罚参数其公式如下：

式中m^n*是用户给定的第n类稀疏子集的样本数目；

步骤2-2：利用原始的缺陷样本子集训练具有惩罚参数的支持向量数据描述子模型，获得一个超球体统计得到这个超球体内部的样本数目是和外部的样本数目是

步骤2-3：判断条件mⁿ(t)∈[m^n*-δmⁿ,m^n*+δmⁿ]是否成立，δmⁿ是实际稀疏集合的样本数目与给定稀疏集合的样本数目之间误差，如果条件不成立，进入下一步，如果条件成立，则最佳超球体惩罚参数通过外部所有的样本来抑制特征噪声的干扰，结束；

当满足时当满足时当满足时这意味着的生成主要依靠对应的所有缺陷样本，即依靠分布在超球体外部的样本(含超球体边界的样本)。这些样本的数目是mⁿ(t)，只要用户给定的m^n*不是很小的值，那么这些样本中少量的特征噪声比例会很小，对超球体的干扰也会很小。

步骤2-4：如果那么按照和更新和如果那么按照和更新和然后返回步骤2-1。

图4举例展示了对惩罚参数的比例迭代调整。按照之间的比例确定，对具有惩罚参数的支持向量数据描述子模型训练得到根据的值调整或直至按照上述相同的过程迭代调整，最终使更加的靠近最佳超球体的惩罚参数惩罚参数比例迭代调整方法具有快速收敛于最佳值的优势，提高了缺陷样本稀疏化的效率。

本发明实施例允许实际稀疏集合的样本数目mⁿ与给定稀疏集合的样本数目m^n*之间存在误差δmⁿ，这种误差不但不会影响分类器的分类性能，而且还会提升迭代调整的效率。样本数目的误差δmⁿ与样本总数有关，由用户给出，本发明实施例设定δmⁿ＝10。

步骤3：根据每一个最佳超球体，从原始的钢板表面缺陷样本集中剔除超球体内部的样本，从而获得稀疏的钢板表面缺陷样本集；

第n类原始的缺陷样本子集用于训练具有惩罚参数的支持向量数据描述子模型，得到的是最佳超球体当满足为内部的样本，从中这些样本剔除，剩余的样本组成稀疏的缺陷样本子集是稀疏子集的第i个样本，mⁿ是稀疏子集的样本数目。

根据n＝1,2,…,n和n＝5，有五个最佳超球体，并且获得了五个稀疏的缺陷样本子集。

步骤4：建立新的具有抗特征噪声能力的支持向量超球体多类分类器，该分类器以孪生超球体支持向量机二类分类器为基础，引入新的抗特征噪声约束条件，并以最佳超球体的球心为辅助信息来改进目标函数；

新的多类分类器具有n个子分类器模型，第n个子分类器依靠稀疏的缺陷样本子集和对应的最佳超球体的球心建立，其多类分类器模型描述如下：

式中cⁿ和vⁿ是惩罚参数，tⁿ＝{1,…,n-1,n+1,…,n}，oⁿ和rⁿ是ωⁿ的球心和半径，ωⁿ是第n个子分类器构造的分类超球体，目标函数的项是第u类原始的钢板表面缺陷样本子集对应的最佳超球体的球心对应满足的值，和是缺陷样本的间隔误差，新的约束条件和迫使分类超球体ωⁿ通过中所有的样本构建，从而使ωⁿ获得抑制特征噪声干扰的性能。

新的多类分类器改变了孪生超球体支持向量机二类分类器依靠边界样本的策略，约束条件使得ωⁿ外部的样本被使用，约束条件使得ωⁿ内部的样本被使用。因此，新的多类分类器依靠中的所有样本生成分类超球体ωⁿ。集合中少量的特征噪声比例很很小，对于ωⁿ的干扰也会很小。

对上述模型进行推导，可求得分类超球体ωⁿ的参数，其公式如下：

式中pⁿ＝1/(1-vⁿ(n-1))，通过求解下面的凸二次规划问题获得，其凸二次规划问题描述如下：

分类超球体ωⁿ的参数oⁿ·oⁿ和(rⁿ)²用核函数k(,)替换公式中的ψ(·)与ψ(·)点积项。

本发明实施例中的核函数采用非线性径向基函数，其形式为：

参数cⁿ、vⁿ、δⁿ的值由用户给定，本发明实施例通过网格搜索和十折交叉验证确定最优的值。

本发明实施例采用内积法求解

根据n＝1,2,…,n和n＝5，新的多类分类器包含五个子分类器模型。

步骤5：如图5所示，利用稀疏的钢板表面缺陷样本集和最佳超球体的球心对新的多类分类器模型进行训练；

这里，训练指的是利用第n类稀疏的缺陷样本子集和所有最佳超球体的球心求解第n个新的子分类器，参数cⁿ、vⁿ、δⁿ的值通过网格搜索和十折交叉验证给定，的值通过内积法求解获得，最终确定子分类器生成的分类超球体ωⁿ的参数oⁿ·oⁿ和(rⁿ)²。

新多类分类器利用稀疏的缺陷样本集进行训练，可以降低分类器在时间上和存储空间上的开销。而且，新的多类分类器利用了最佳超球体信息，既能降低分类器在时间上和存储空间上的开销，又能保证分类器的分类精度。

根据n＝1,2,…,n和n＝5，新的多类分类器训练得到五个分类超球体。

步骤6：将钢板表面缺陷测试样本输入到新的多类分类器，完成缺陷的自动预测识别。

新的多类分类器能够直接完成钢板表面缺陷测试样本的多类识别。对于一个未标签的样本x的预测，其预测公式如下：

根据n＝1,2,…,n和n＝5，预测公式取决于五个分类超球体，公式中的ψ(·)与ψ(·)点积项用核函数k(,)替换。

本发明实施例实现了五种钢板表面缺陷的自动分类识别，同时降低了训练样本中特征噪声对分类器性能的影响。根据自动分类的缺陷信息，工作人员对钢板生产问题做出快速的反应，及时改进钢板生产的过程和调整钢板生产的工艺，形成有效的钢板产品质量监测与控制。

虽然以上描述了本发明的具体实施方式，但是本领域内的技术人员应当理解，这些仅是举例说明，可以在不背离本发明的原理和实质的基础上对这些实施方式做出多种修改或变更。本发明的范围仅由所附权利要求书限定。