基于超球体的钢板表面缺陷多分类方法研究
发布时间：2021-06-06 19:21
近年来,我国钢铁产业在生产设备、生产工艺品种类和质量方面有了很大的改善,并且年产量常居世界第一。然而面对严峻的市场压力和严格的质量要求,仍然不能满足目前发展现状。钢板表面质量的好坏是衡量钢板是否合格的重要标准之一。其中,表面缺陷是阻碍钢铁企业提高钢产品质量的最重要的一个问题。因此,对钢板表面缺陷监测技术的研究成为了关键。大多数钢铁企业采用具有视觉采集装置的表面缺陷检查系统去监控钢板表面缺陷。在检测和识别过程中,缺陷分类是核心的任务,也是表面质量监控的最终目标之一,因为缺陷的类型是钢产品等级划分的重要依据。本文对钢板表面缺陷分类模型进行了研究,主要内容如下:（1）为了提高钢板表面缺陷分类精度,本文优先考虑以超球面作为分类面的分类模型。而且,为了抑制特征噪声对分类精度的影响,在孪生超球体支持向量机（THSVM）的基础上,本文提出了一种具有抗特征噪声能力的支持向量超球体多分类模型（ASVHs）。该分类模型通过引入新颖的抗噪属性,改变了原有的依靠边界样本点构造分类面的特点,从而达到抑制边界特征噪声的目的。（2）为了解决由于缺陷样本数据量大造成的储存空间大、效率低的问题。在ASVHs分类模型的基...
【文章来源】：辽宁科技大学辽宁省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
基于视觉CCD相机照明装置
2.钢板表面缺陷分类基础8利用基于视觉的采集系统，收集来自于不同钢生产线的缺陷图像。缺陷图像如图2.2所示。划痕结痂孔洞氧化铁皮压入脏物裂纹夹杂斑块麻点图2.2钢板表面缺陷图像Fig.2.2TheimagesofSteelsurfacedefects对于不同的缺陷类型，它们产生的原因也各不相同。如图2.2中，划痕缺陷指的是钢板表面产生的一道道印痕，它主要是由于钢板之间的相互摩擦或者其他坚硬物与钢板表面接触时产生的。划痕一般呈凹状，是一根连续或断续的直线型，分布在钢板的局部或全部。在黑白图像中，有金属光泽且呈灰白色。结疤缺陷指的是钢板表面上存在不规则形状翘起的金属薄片，与钢板相连或不相连，厚薄不均，大小不一。它主要是由于钢坯表面被溅的金属坯壳未清洗干净轧后残留在钢带表面上或者是钢坯表面留有火焰清理后的残渣经轧制压入钢带表面。
辽宁科技大学硕士学位论文23这种分类器。因此，为了解决钢表面缺陷分类过程中存在特征噪声的问题，一个具有抗噪声技术的多类分类模型被提出。图3.1二维空间下二类样本中的标签噪声Fig.3.1Thelabelnoisefortwoclassesofsamplesintwo-dimensionalspace图3.2二维空间下两类样本中的特征噪声Fig.3.2Thefeaturenoisefortwoclassesofsamplesintwo-dimensionalspace3.2抗噪声支持向量超球体新模型对于依靠边界样本的分类器会受到特征噪声的严重影响。为了克服特征噪声的不利影响，对于钢表面缺陷分类问题提出了一个新的分类器模型。在这个分类模型中使用了一个新颖的抗噪声支持向量超球体(Anti-noiseSupportVectorHyper-spheres,ASVHs)分类模型。ASVHs分类模型的构造与THSVM一样的超球体结构，不同于THSVM的是，ASVHs是对一个QPP问题求解。并且，ASVHs分类器在继承THSVM速度快、分类精度高、泛化性能好的优点外，通过引入了新颖的抗噪声属性具有特征噪声不敏感的优势。因此，本节采用THSVM的超球体结构重新构建
【参考文献】：
期刊论文
[1]基于遗传算法优化支持向量机的超声图像缺陷分类[J]. 张沫,郑慧峰,倪豪,王月兵,郭成成. 计量学报. 2019(05)
[2]基于加权Pin-SVM的钢板表面缺陷分类[J]. 王涓. 信息技术. 2019(07)
[3]一种改进遗传算法优化SVM的入侵检测方法[J]. 侯春雨,王戈文,王崇峻. 兵器装备工程学报. 2019(06)
[4]基于全局-局部SVM的钢板表面缺陷分类[J]. 董秀. 信息技术. 2019(06)
[5]灰狼优化算法研究综述[J]. 张晓凤,王秀英. 计算机科学. 2019(03)
[6]“一带一路”背景下我国钢铁行业发展现状及对策[J]. 王紫. 企业科技与发展. 2019(03)
[7]基于改进网格搜索法的SVM参数优化[J]. 刘小生,章治邦. 江西理工大学学报. 2019(01)
[8]基于支持向量机的钢板表面缺陷检测[J]. 郭慧,徐威,刘亚菲. 东华大学学报(自然科学版). 2018(04)
[9]基于粒子群算法的支持向量机的参数优化[J]. 陈晋音,熊晖,郑海斌. 计算机科学. 2018(06)
[10]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
博士论文
[1]钢板表面缺陷检测关键技术研究[D]. 储茂祥.东北大学 2014
硕士论文
[1]基于机器视觉的钢板表面缺陷识别研究[D]. 胡联亭.武汉科技大学 2018
[2]基于粒子群优化最小二乘支持向量机的建筑工程造价预测研究[D]. 王硕.青岛理工大学 2018
[3]钢板表面缺陷图像检测与分类技术研究[D]. 房敏.大连海事大学 2017
[4]基于改进DAGSVM的钢板表面缺陷检测系统设计与实现[D]. 李娇娇.重庆大学 2015
[5]连铸坯缺陷超声无损检测方法及实验研究[D]. 曾月斌.重庆大学 2014
本文编号：3214990
【文章来源】：辽宁科技大学辽宁省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
基于视觉CCD相机照明装置
2.钢板表面缺陷分类基础8利用基于视觉的采集系统，收集来自于不同钢生产线的缺陷图像。缺陷图像如图2.2所示。划痕结痂孔洞氧化铁皮压入脏物裂纹夹杂斑块麻点图2.2钢板表面缺陷图像Fig.2.2TheimagesofSteelsurfacedefects对于不同的缺陷类型，它们产生的原因也各不相同。如图2.2中，划痕缺陷指的是钢板表面产生的一道道印痕，它主要是由于钢板之间的相互摩擦或者其他坚硬物与钢板表面接触时产生的。划痕一般呈凹状，是一根连续或断续的直线型，分布在钢板的局部或全部。在黑白图像中，有金属光泽且呈灰白色。结疤缺陷指的是钢板表面上存在不规则形状翘起的金属薄片，与钢板相连或不相连，厚薄不均，大小不一。它主要是由于钢坯表面被溅的金属坯壳未清洗干净轧后残留在钢带表面上或者是钢坯表面留有火焰清理后的残渣经轧制压入钢带表面。
辽宁科技大学硕士学位论文23这种分类器。因此，为了解决钢表面缺陷分类过程中存在特征噪声的问题，一个具有抗噪声技术的多类分类模型被提出。图3.1二维空间下二类样本中的标签噪声Fig.3.1Thelabelnoisefortwoclassesofsamplesintwo-dimensionalspace图3.2二维空间下两类样本中的特征噪声Fig.3.2Thefeaturenoisefortwoclassesofsamplesintwo-dimensionalspace3.2抗噪声支持向量超球体新模型对于依靠边界样本的分类器会受到特征噪声的严重影响。为了克服特征噪声的不利影响，对于钢表面缺陷分类问题提出了一个新的分类器模型。在这个分类模型中使用了一个新颖的抗噪声支持向量超球体(Anti-noiseSupportVectorHyper-spheres,ASVHs)分类模型。ASVHs分类模型的构造与THSVM一样的超球体结构，不同于THSVM的是，ASVHs是对一个QPP问题求解。并且，ASVHs分类器在继承THSVM速度快、分类精度高、泛化性能好的优点外，通过引入了新颖的抗噪声属性具有特征噪声不敏感的优势。因此，本节采用THSVM的超球体结构重新构建
【参考文献】：
期刊论文
[1]基于遗传算法优化支持向量机的超声图像缺陷分类[J]. 张沫,郑慧峰,倪豪,王月兵,郭成成. 计量学报. 2019(05)
[2]基于加权Pin-SVM的钢板表面缺陷分类[J]. 王涓. 信息技术. 2019(07)
[3]一种改进遗传算法优化SVM的入侵检测方法[J]. 侯春雨,王戈文,王崇峻. 兵器装备工程学报. 2019(06)
[4]基于全局-局部SVM的钢板表面缺陷分类[J]. 董秀. 信息技术. 2019(06)
[5]灰狼优化算法研究综述[J]. 张晓凤,王秀英. 计算机科学. 2019(03)
[6]“一带一路”背景下我国钢铁行业发展现状及对策[J]. 王紫. 企业科技与发展. 2019(03)
[7]基于改进网格搜索法的SVM参数优化[J]. 刘小生,章治邦. 江西理工大学学报. 2019(01)
[8]基于支持向量机的钢板表面缺陷检测[J]. 郭慧,徐威,刘亚菲. 东华大学学报(自然科学版). 2018(04)
[9]基于粒子群算法的支持向量机的参数优化[J]. 陈晋音,熊晖,郑海斌. 计算机科学. 2018(06)
[10]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
博士论文
[1]钢板表面缺陷检测关键技术研究[D]. 储茂祥.东北大学 2014
硕士论文
[1]基于机器视觉的钢板表面缺陷识别研究[D]. 胡联亭.武汉科技大学 2018
[2]基于粒子群优化最小二乘支持向量机的建筑工程造价预测研究[D]. 王硕.青岛理工大学 2018
[3]钢板表面缺陷图像检测与分类技术研究[D]. 房敏.大连海事大学 2017
[4]基于改进DAGSVM的钢板表面缺陷检测系统设计与实现[D]. 李娇娇.重庆大学 2015
[5]连铸坯缺陷超声无损检测方法及实验研究[D]. 曾月斌.重庆大学 2014
本文编号：3214990
本文链接：https://www.wllwen.com/kejilunwen/jinshugongy/3214990.html
教材专著
