带钢表面缺陷分类的特征提取方法研究
发布时间：2021-10-22 07:10
钢铁行业是我国的支柱产业之一,而冷热轧带钢则是目前钢铁的主要产品形式。在2017年我国的钢铁年产量为11亿吨,其中46%为冷热轧带钢。然而由于原材料以及制作工艺等问题,带钢表面往往不可避免的存在一些缺陷。这些缺陷不仅仅会影响产品的美观性、还会影响产品的抗腐蚀能力、耐磨性、以及疲劳强度。由于带钢表面缺陷纹理存在复杂性和多样性,导致对带钢表面缺陷进行分类有一定的难度。为了提高对带钢表面缺陷的识别力,需混合运用各种类型特征;而大量特征的运用将增加冗余,降低计算效率,很难满足生产的实际效率需求。除此以外,缺陷的复杂外观导致部分提取的图像特征的弱判别性和弱鲁棒性。因此,从原始特征集中选择具有高判别力的特征是很重要的。在此背景下,本文对处理带钢表面质量缺陷的图像所运用的预处理技术、特征提取和特征选择技术以及最后的分类方法进行了研究。主要工作如下:（1）本文提出了一种基于鲸鱼群算法的自适应优化Gabor滤波器。首先,利用各项异性扩散滤波抑制缺陷图片之中的伪边缘,再以不同种类缺陷特征的类间差最大作为目标函数,Gabor滤波器的参数为优化变量,采用鲸鱼群算法对Gabor参数进行寻优,然后将所得到Gabo...
【文章来源】：湖北工业大学湖北省
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
滤波结果图：第一行为带钢表面缺陷原始图像、第二行为HOG梯度
湖北工业大学硕士学位论文20Ib,qF（3-14）F即为标准化之后的Gabor特征。3.3实验描述及结果分析3.3.1参数选择本章所用数据集与第二章所有数据集相同，因此在此就不重复描述。首先，为抑制缺陷图片之中存在的噪声，需要对缺陷图采用各向异性滤波。在对图片进行各向异性滤波之前需要确定2个参数。迭代次数t以及梯度阈值K，当梯度阈值过大时，容易将图片之中的边缘信息滤除，同样的当K的取值较小时不能有效的滤除图像之中包含的噪声。在本文的实验之中迭代次数t=5、梯度阈值K=10。各向异性滤波的效果图如图3.3所示。由图3-3可以直观的发现，采用各向异性扩散滤波之后所得到的带钢表面缺陷图片更加的平滑，在黑氧化皮以及污渍这两项缺陷之中由于带钢表面缺陷图片的背景部分与缺陷部分之间的像素的梯度值较小，因此该部分的背景部分被完全滤除掉了。a刮边b黑氧化皮c结疤d冲孔e污渍图3.3：各向异性扩散滤波效果图（其中第一行为原图，第二行为结果图）Figure3.3:Anisotropicdiffusionfilteringeffectdiagram(wherethefirstbehavioristheoriginalimage,andthesecondbehavioristheresultgraph)然后利用差分进化算法对Gabor参数进行优化。在Gabor滤波器的参数之中，本章令卷积方向为8个方向，卷积模板的大小选择为17*17，Gabor滤波器的尺度大小为64*64。鲸鱼群算法主要针对Gabor滤波器参数中的最大采样频率和空间频率这两个方面进行优化。其中鲸鱼群算法之中的种群规模N=30、
湖北工业大学硕士学位论文22a刮边b黑氧化皮c结疤d冲孔e污渍图3.4：滤波结果图：第一行为原始图片，第二行为LBP滤波结果图，第三行为Log_Gabor，第四行为Gabor滤波结果图，第五行为本文方式滤波结果图Figure3.4:Filteringresultgraph:firstbehaviororiginalpicture,secondbehaviorLBPfilteringresultgraph,thirdbehaviorLog_Gabor,fourthbehaviorGaborfilteringresultgraph,fifthbehavior由表3.1数据可知，利用SVM进行分类时HOG特征提取方式在结疤缺陷的分类之中取得了最优的分类精度，但是在刮边的分类之中精确度较差，总体的分类精确度为94%。GLCM特征提取方式在黑氧化条的分类之中取得了最优的分类精度，但是在污渍的分类之中表现较差，总体的分类精确度为94%。LBP特征提取虽然在每一项分类之中都没有取得最优的分类精度，但是总体分类精度均较好，分类的精确度为95%。Log_gabor特征提取方式在每一项缺陷分类之中都没有取得最优的分类精度，但刮边的分类上精度较差，总体的分类精确度为93.5%。Gabor特征提取方式在刮边、黑氧化皮这2项缺陷的分类之中取得了最优的分类精度，总体的分类精确度为95%。本章方式在刮边、冲孔、污渍、黑氧化条这4项缺陷的分类之中取得了最优的分类精度，总体的分类精确度达到97.5%，为最优分类准确度。表3.1：利用SVM分类器进行分类Table3.1:ClassificationusingtheSVMclassifier缺陷类别测试图像数量HOG识别率GLCM识别率LBP识别率Log_Gabor识别率Gabor识别率本章方式识别率冲孔4097.5%95%97.5%97.5%97.5%100%刮边4087.597.597.5%87.5%100%100%污渍4090%85%92.5%90%90%95%结疤40100%92.592.5%97.5%87.5%92.5%黑氧化条4095%100%95%95%100%100%总计20094%9
本文编号：3450618
【文章来源】：湖北工业大学湖北省
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
滤波结果图：第一行为带钢表面缺陷原始图像、第二行为HOG梯度
湖北工业大学硕士学位论文20Ib,qF（3-14）F即为标准化之后的Gabor特征。3.3实验描述及结果分析3.3.1参数选择本章所用数据集与第二章所有数据集相同，因此在此就不重复描述。首先，为抑制缺陷图片之中存在的噪声，需要对缺陷图采用各向异性滤波。在对图片进行各向异性滤波之前需要确定2个参数。迭代次数t以及梯度阈值K，当梯度阈值过大时，容易将图片之中的边缘信息滤除，同样的当K的取值较小时不能有效的滤除图像之中包含的噪声。在本文的实验之中迭代次数t=5、梯度阈值K=10。各向异性滤波的效果图如图3.3所示。由图3-3可以直观的发现，采用各向异性扩散滤波之后所得到的带钢表面缺陷图片更加的平滑，在黑氧化皮以及污渍这两项缺陷之中由于带钢表面缺陷图片的背景部分与缺陷部分之间的像素的梯度值较小，因此该部分的背景部分被完全滤除掉了。a刮边b黑氧化皮c结疤d冲孔e污渍图3.3：各向异性扩散滤波效果图（其中第一行为原图，第二行为结果图）Figure3.3:Anisotropicdiffusionfilteringeffectdiagram(wherethefirstbehavioristheoriginalimage,andthesecondbehavioristheresultgraph)然后利用差分进化算法对Gabor参数进行优化。在Gabor滤波器的参数之中，本章令卷积方向为8个方向，卷积模板的大小选择为17*17，Gabor滤波器的尺度大小为64*64。鲸鱼群算法主要针对Gabor滤波器参数中的最大采样频率和空间频率这两个方面进行优化。其中鲸鱼群算法之中的种群规模N=30、
湖北工业大学硕士学位论文22a刮边b黑氧化皮c结疤d冲孔e污渍图3.4：滤波结果图：第一行为原始图片，第二行为LBP滤波结果图，第三行为Log_Gabor，第四行为Gabor滤波结果图，第五行为本文方式滤波结果图Figure3.4:Filteringresultgraph:firstbehaviororiginalpicture,secondbehaviorLBPfilteringresultgraph,thirdbehaviorLog_Gabor,fourthbehaviorGaborfilteringresultgraph,fifthbehavior由表3.1数据可知，利用SVM进行分类时HOG特征提取方式在结疤缺陷的分类之中取得了最优的分类精度，但是在刮边的分类之中精确度较差，总体的分类精确度为94%。GLCM特征提取方式在黑氧化条的分类之中取得了最优的分类精度，但是在污渍的分类之中表现较差，总体的分类精确度为94%。LBP特征提取虽然在每一项分类之中都没有取得最优的分类精度，但是总体分类精度均较好，分类的精确度为95%。Log_gabor特征提取方式在每一项缺陷分类之中都没有取得最优的分类精度，但刮边的分类上精度较差，总体的分类精确度为93.5%。Gabor特征提取方式在刮边、黑氧化皮这2项缺陷的分类之中取得了最优的分类精度，总体的分类精确度为95%。本章方式在刮边、冲孔、污渍、黑氧化条这4项缺陷的分类之中取得了最优的分类精度，总体的分类精确度达到97.5%，为最优分类准确度。表3.1：利用SVM分类器进行分类Table3.1:ClassificationusingtheSVMclassifier缺陷类别测试图像数量HOG识别率GLCM识别率LBP识别率Log_Gabor识别率Gabor识别率本章方式识别率冲孔4097.5%95%97.5%97.5%97.5%100%刮边4087.597.597.5%87.5%100%100%污渍4090%85%92.5%90%90%95%结疤40100%92.592.5%97.5%87.5%92.5%黑氧化条4095%100%95%95%100%100%总计20094%9
本文编号：3450618
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3450618.html
