基于案例推理的钢板表面缺陷的自动识别方法
【专利摘要】由于识别钢板表面缺陷的机理模型难以建立，不利于产品质量的检测与控制，本发明提出一种基于案例推理技术的钢板表面缺陷的识别方法，实现对裂纹、鳞皮、结疤、凸起等七种缺陷的自动识别；该方法通过建立案例库、权重分配、获取目标案例、数值归一化、案例检索、案例重用及案例存储等环节建立案例推理识别模型，并实现识别算法，从而提高识别的准确率；解决了当前分配案例推理特征变量权重的主观性和不确定性而导致识别准确率低的问题；实验结果表明该方法能够准确识别钢板表面的缺陷，具备良好的灵敏性和特异性，提高钢板表面缺陷的处理效率和降低废品率，对钢板生产期间表面缺陷的成因分析、改进生产操作方法、提高产品质量具有重要意义。
【专利说明】基于案例推理的钢板表面缺陷的自动识别方法
【技术领域】
[0001]本发明利用人工智能领域的案例推理技术实现钢板表面缺陷的种类识别，不同种类的表面缺陷决定了钢板的等级划分，对缺陷的识别与分类可以为成因分析、改进操作方法提供积极的指导作用。钢板是冶金行业生产的重要产品之一，对其表面缺陷的识别与分类是生产过程中的一个重要环节，既属于人工智能领域，又属于冶金生产领域。
【背景技术】
[0002]随着国民经济的增长和产品质量意识的增强，冶金行业自动化技术迎来了前所未有的发展机遇。国家中长期科技发展规划中提出要在制造业中研究并推广应用绿色化、数字化、智能化新技术。因此，本发明的研究成果具有广阔的应用前景。
[0003]钢板是用钢水浇注、冷却后压制而成的平板状钢材，按厚度可分为薄板、中板、厚板等几种形式，其用途十分广泛，比如桥梁、造船、装甲、汽车等。钢板表面产生局部物理或化学性质不均匀的区域后形成表面缺陷，常常成为金属腐蚀的始发处。通常来说，表面缺陷的种类表现在裂纹、结疤、划伤等情形。由于表面缺陷可能导致最终产品使用性能的急剧下降，因此，钢板生产期间的表面质量监测及缺陷种类识别对成因分析、改进操作方法、提高产品质量具有重要意义。
[0004]近十年来，机器视觉、模式识别得到长足的发展，利用这些技术识别产品的表面缺陷得到了广泛关注。机器视觉检测系统采用专用照相机将被检测的目标转换成图像信号，传送给图像处理系统，根据像素分布、亮度、颜色等信息，转变成数字信号，图像处理系统对这些数字信号进行处理和运算后，提取其特征信息，如面积、数量、位置、长度等，再根据制定的方法输出检测结果，从而实现自动识别功能。在机器视觉系统中，识别的准确性和实时性受到照明设备的稳定程度、照像机的分辨率、图像处理技术等因素的影响，往往不能取得理想的识别效果。另外，从钢板本身的技术参数来看，一些特征变量与缺陷种类之间存在一种非线性关系，难以建立特征变量与缺陷种类之间的精确机理模型。这些因素的存在给钢板表面缺陷的识别带来了不利影响，必须寻求新的处理方法，以满足冶金行业生产过程的需要。准确识别钢板表面的缺陷是等级划分、成因分析、改进操作方法的关键。此外，通过先进的识别方法，可以提高钢板生产过程的自动化水平，还可以有效地减少运行管理和操作人员，降低设备的运行费用。
[0005]本发明设计了一种基于案例推理技术的钢板表面缺陷的识别方法，实现对裂纹、Z刮伤、K刮伤、鳞皮、结疤、凸起、其它等缺陷种类的自动识别。
【发明内容】
[0006]本发明获得一种钢板表面缺陷的自动识别方法，该方法采用案例推理技术，通过建立案例库、权重分配、案例检索、案例重用及案例存储等环节建立案例推理识别模型，并实现识别算法；解决了当前分配案例推理特征变量权重的主观性和不确定性而导致识别准确率低的问题，通过特征变量的数值变化情况去识别缺陷种类；提高了钢板表面缺陷的处理效率，为缺陷的成因分析、改进生产操作方法、提高产品质量具有积极的指导意义。
[0007]本发明采用了如下的技术方案及实现步骤:
[0008]1.一种基于案例推理的钢板表面缺陷的自动识别方法，其特征在于包括以下步骤:
[0009]步骤1:为了根据以往识别钢板表面缺陷的特征数值去识别新的特征数值所包含的缺陷种类，建立识别案例库；将从生产现场获得的历史数据表示成(钢板缺陷问题描述；钢板缺陷种类)的序偶形式，并存储于案例库中，钢板缺陷问题描述共有27个特征变量，分别用Xl，…，X27表示，这27个特征变量包括X最小值、X最大值、Y最小值、Y最大值、像素区域、X周长、Y周长、光度和、最小光度、最大光度、输送辊道长度、钢种(A300)、钢种(A400)、钢板厚度、边缘指数、空指数、平方指数、外部X指数、边缘X指数、边缘Y指数、外部全局指数、面积记录、X指数记录、Y指数记录、取向指数、光度指数和S状弯曲面积，钢板缺陷种类共7类，包括裂纹、Z刮伤、K刮伤、鳞皮、结疤、凸起或其它；其中第k个历史数据构成的源案例表示为
[0010]Ck = (Xk;Yk), k = I, 2,..., P
[0011]其中，P是源案例总数JkMxu,..., Xijk,…，x%k)是第k个源案例的问题描述，Xi,k(i=l, 2，…，27)表示第k个源案例问题描述中的第i个特征变量的数值，Yk是第k个源案例中的缺陷种类；
[0012]步骤2:为了客观计算目标案例与源案例之间的相似度，需确定各个特征变量的权重；采用遗传算法( genetic algorithms, GA)对权重进行迭代训练后分配,具体为:
[0013](I)获取训练案例；设定训练权重的案例数量q,记为Ck’ = (Xk, ; Yk’)，k，=1，2，…，q ；
[0014](2)为了消除不同特征变量的量纲影响，将特征变量的数值归一化；将训练案例问题描述xk，中的每一个特征变量的数值进行归一化处理，如下式所示:
【权利要求】
1.基于案例推理的钢板表面缺陷的自动识别方法，其特征在于包括以下步骤: 步骤1:建立案例库；将从生产现场获得的历史数据表示成(钢板缺陷问题描述；钢板缺陷种类)的序偶形式，并存储于案例库中，钢板缺陷问题描述共有27个特征变量，分别用X1,…，X27表示，这27个特征变量包括X最小值、X最大值、Y最小值、Y最大值、像素区域、X周长、Y周长、光度和、最小光度、最大光度、输送辊道长度、钢种(A300)、钢种(A400)、钢板厚度、边缘指数、空指数、平方指数、外部X指数、边缘X指数、边缘Y指数、外部全局指数、面积记录、X指数记录、Y指数记录、取向指数、光度指数和S状弯曲面积，钢板缺陷种类共7类，包括裂纹、Z刮伤、K刮伤、鳞皮、结疤、凸起或其它；其中第k个历史数据构成的源案例表示为
Ck= (Xk;Yk), k=l, 2，…，p 其中，P是源案例总数…，xi；k,…，x27；k)是第k个源案例的问题描述，Xi,k(i=l, 2，…，27)表示第k个源案例问题描述中的第i个特征变量的数值，Yk是第k个源案例中的缺陷种类； 步骤2:确定各个特征变量的权重；采用遗传算法(genetic algorithms, GA)对权重进行迭代训练后分配，具体为: (1)获取训练案例；设定训练权重的案例数量q，记为Ck，=(Xk，； Yk，)，k’ =1，2，…，q ; (2)将训练案例问题描述Xk，中的每一个特征变量的数值进行归一化处理，归一化后每个训练案例可表示为4 =(足,;H k' =1,2,…，q，其中的尤,=(?.,---,?.,---,?'); (3)参数初始化；设定特征变量初始权重组合的组数m>1、迭代次数Iter>l、交叉概率Pc e⑴^入变异概率？?^ (O, I)以及对每一个权重进行二进制编码的位数n，然后随机产生由m组以η位二进制编码表示的特征变量权重组合组成的初始权重矩阵，如下矩阵形式:
2.根据权利要求1所述的基于案例推理的钢板表面缺陷的自动识别方法，其特征在于:步骤2 (2)中所述的归一化的计算公式如下:
3.根据权利要求1所述的基于案例推理的钢板表面缺陷的自动识别方法，其特征在于:步骤2 (4)中所述的解码公式如下:
4.根据权利要求1所述的基于案例推理的钢板表面缺陷的自动识别方法，其特征在于:步骤2 (4)中所述的映射变换具体为:根据Dy的值，将每个特征变量Xi的权重值映射至区间[O，1]，映射公式如下:
5.根据权利要求1所述的基于案例推理的钢板表面缺陷的自动识别方法，其特征在于:步骤2 (5)中所述的留一法进行训练，具体为:从q个训练案例中取出任一个作为目标案例，记为(尤，1:) ’其中^ = {xx,--,Xn--,X21),剩下的q_l个作为新的源案例，记为Ck,, = {Xk,,\Yk,\ k" =l，2，...，q-l，其中足,,=(X1 k,,...,Xiji,,,-.?.?”)，计算权重组合 Ω 工~Ωπ*别作用时目标案例的问题描述名与q_l个源案例问题描述Aa的相似度，其中第j组权重组合Qj作用时，相似度的计算公式如下:
6.根据权利要求5所述的基于案例推理的钢板表面缺陷的自动识别方法，其特征在于，步骤2 (6)中所述的正确匹配次数的计算方法为:取权重组合的q-Ι个相似度中的最大值，该最大值对应的源案例的缺陷种类即为目标案例的匹配结果，遍历q个训练案例，得到q个匹配结果，将匹配结果与正确的缺陷种类比对，并记录正确匹配的次数q/ (j=l，…，m) ο
7.根据权利要求1所述的基于案例推理的钢板表面缺陷的自动识别方法，其特征在于，步骤2 (7)中所述的每个权重组合作用时的准确率匕的计算公式如下:
Fj=Qj' /q, j=l, 2, ---,m 其中q/表示第j组权重组合Ω」作用时的正确匹配次数。
8.根据权利要求1所述的基于案例推理的钢板表面缺陷的自动识别方法，其特征在于:步骤2 (8)中所述的权重组合皮选择的概率匕的计算公式如下:
9.根据权利要求1所述的基于案例推理的钢板表面缺陷的自动识别方法，其特征在于:步骤2 (8)中所述的采用轮盘赌法得到更新后的二进制码权重矩阵G’=[G/ -G/…G’m]T，更新方法包括:首先按下式计算出权重组合皮选择的累加概率SPj:
【文档编号】G06K9/66GK103971133SQ201410146944
【公开日】2014年8月6日 申请日期:2014年4月13日 优先权日:2014年4月13日
【发明者】严爱军, 黄晓倩, 王普 申请人:北京工业大学