基于多流形学习的带钢表面缺陷识别方法
【专利摘要】本发明涉及一种基于多流形学习的带钢表面缺陷识别方法。其技术方案是：对于任一副带钢表面缺陷图像向量化的向量数据点Xi分别选择类别相同和类别不同的K个近邻点建立对应的同类数据子图和异类数据子图，计算同类数据子图最小误差线性表示系数矩阵Wintra和异类数据子图最小误差线性表示系数矩阵Winter；然后分别建立同类数据子图散度Sinter和异类数据子图散度Sintra；进而以最大化异类数据子图散度Sinter与同类数据子图散度Sintra之差来寻找低维投影矩阵A；经过低维投影后，采用最近邻方法来判定未知类别的带钢表面缺陷图像的类别。本发明通过局部线性表示来探测各流形的局部结构，能够提高带钢表面缺陷图像的识别率。
【专利说明】基于多流形学习的带钢表面缺陷识别方法
【技术领域】
[0001]本发明属于带钢表面缺陷识别【技术领域】。特别是涉及一种基于多流形学习的带钢表面缺陷识别方法。
【背景技术】
[0002]带钢是钢铁工业的主要产品形式之一，是航空航天、汽车轮船制造等必备原材料。故带钢的质量检测尤为重要，关系到许多制造行业的发展，而表面质量是带钢最为重要质量因素之一，是企业赢得市场的重要条件。因此，带钢表面质量的检测由于其重要的实用价值正受到越来越多的重视。
[0003]钢板表面质量检测经历了人工目测检测、传统无损检测和基于机器视觉检测的三个发展阶段。人工目视检测表面缺陷的方法效率低、容易漏检、劳动强度大和实时性差。传统无损检测方法包括涡流检测、红外检测、漏磁检测和激光检测等，这些方法检到的缺陷类型少，检测实时性不强，检测的表面缺陷分辨率也不高，无法有效评估产品的表面质量状况。目前，基于机器视觉的表面质量检测方法是研究的热点，该方法用摄相机采集钢板表面图像，然后通过图像处理和分析提取缺陷图像特征，进行缺陷的自动分类。但在进行分类时，依然采用比较传统的数据分析方法如神经网络、小波分析和核局部保持投影、独立分量分析和主成分分析等方法，分类效果不好，应用效果不显著。
【发明内容】
[0004]本发明旨在克服现有技术缺陷，目的在于提出一种效率高和效果好的基于多流形学习的带钢表面缺陷识别方法。
[0005]为实现上述技术方案，本发明采用的技术方案的具体步骤是:`[0006](I)对原始采集的带钢`表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理和向量化，得到一副带钢表面缺陷图像预处理后的向量数据点Xi，所有带钢表面缺陷图像预处理后的向量数据Xi构成矩阵数据X。
[0007](2)对每一副带钢表面缺陷图像预处理后的向量数据点Xi,从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别相同的K个向量数据点，组成同类数据点的局部邻域，由同类数据点的局部邻域进行线性表示，计算最小误差的线性表示系数(Wu)intra:
[0008]min X-YjWXj(I)
[0009]式(I)的解为
【权利要求】
1.一种基于多流形学习的带钢表面缺陷识别方法，其特征在于所述带钢表面缺陷识别方法的具体步骤是: (1)对原始采集的带钢表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理和向量化，得到一副带钢表面缺陷图像预处理后的向量数据点Xi,所有带钢表面缺陷图像预处理后的向量数据Xi构成矩阵数据X ； (2)对每一副带钢表面缺陷图像预处理后的向量数据点Xi，从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点Xi距离最小和类别相同的K个向量数据点，组成同类数据点的局部邻域，由同类数据点的局部邻域进行线性表示，计算最小误差的线性表示系数(Wu)intra:
k 2
2.根据权利要求1所述的基于多流形学习的带钢表面缺陷识别方法，其特征在于所述最近邻法是，在低维空间进行分类时，采用K近邻分类器，K为I。
【文档编号】G06K9/46GK103514445SQ201310481527
【公开日】2014年1月15日 申请日期:2013年10月15日 优先权日:2013年10月15日
【发明者】李波, 田贝贝, 张晓龙 申请人:武汉科技大学