论文部分内容阅读
近年来我国钢铁工业虽然注重化解过剩产能和淘汰落后产能,但带钢产品产量整体上还是呈现出上升趋势。我国的钢铁产量常年位居世界第一,同时钢铁行业在装备水平、产品的种类和质量等都取得了巨大的进步,但目前市场对钢铁产品的质量要求越来越高,以往的粗狂型生产方式已经无法适应市场的发展,因此开展对钢板表面缺陷检测系统的研究势在必行。在次背景下,本文针对热轧钢板表面缺陷检测系统中的图像预处理技术、特征提取与选择技术以及缺陷识别算法进行了研究。(1)钢板表面缺陷图像预处理技术的选择与应用。对图像的预处理技术做了以下三个方面的工作:○1利用峰值信噪比对几种常见滤波算法在钢板表面缺陷图像上的效果进行了对比;○2利用直方图均衡化对图像进行增强,提升了图像清晰度;○3分析了几种经典边缘检测算子,并以运行效率为标准选择了Sobel算子作为图像的分割算子。(2)钢板表面缺陷特征的提取与选择。图像本身是一组高维数据,因此需要抓住主要信息,剔除冗余信息。首先从预处理之后的图像中提取出了包含几何特征、灰度特征、投影特征以及纹理特征的70维特征,随后采用Fisher判别准则,以0.15为阈值从中选取出了对类别可分离性贡献度最大的42维特征。(3)一种高精度、高稳定性缺陷识别算法的提出。传统AdaBoost算法由于弱分类器错误率的限制,使得能够组合的弱分类器数量不足,无法精确的识别钢板表面缺陷类别。针对这一问题,在AdaBoost.M1的基础上提出了迭代筛选“合适”弱分类器的AdaBoost.BK算法。(4)钢板表面缺陷识别算法的建模与验证。对包含6种钢板表面缺陷、1800张图像的钢板表面缺陷数据集先后进行了图像预处理、特征的提取与选择,并使用BP神经网络、传统AdaBoost算法以及本文提出的AdaBoost.BK算法对特征和缺陷标签进行了学习和测试。实验验证表明,相比于其他的传统方法,AdaBoost.BK算法取得了最高的85.89%的分类精度,同时稳定性也显著提高。