基于聚類分析與RBF網(wǎng)絡(luò)的板帶材表面缺陷的識(shí)別與分類.pdf

1、采用圖像處理和識(shí)別的最新理論和技術(shù)，研究開發(fā)具有板帶材表面缺陷的模式識(shí)別和分類技術(shù)及其軟件系統(tǒng)。板帶材表面缺陷的識(shí)別與分類是板帶材表面缺陷智能化診斷的重要內(nèi)容之一。通過對(duì)板帶材表面缺陷的檢測(cè)與分類的有效方法和實(shí)用化技術(shù)；研制開發(fā)采用人工智能專家系統(tǒng)對(duì)板帶材表面缺陷進(jìn)行分類處理的智能化實(shí)用軟件。 不同的表面缺陷有著不同的圖像特征，必須對(duì)各類板帶材表面缺陷圖像特征進(jìn)行深入研究，才能獲得缺陷圖像的特征信息表征方法。板帶材的表面缺陷往往

2、具有多樣性、復(fù)雜性等特點(diǎn)。因此要達(dá)到高的識(shí)別率是比較困難的。概括來說，板帶材表面缺陷識(shí)別的難度主要表現(xiàn)在兩個(gè)方面：①某種類別缺陷包含其它類型的缺陷，比如抬頭紋中包含夾雜的缺陷成分。②同一類別缺陷之間的形態(tài)差別很大，比如抬頭紋1與抬頭紋2。很難將這些缺陷自動(dòng)規(guī)歸為同一類缺陷。通過對(duì)不同特征的提取和優(yōu)化選擇，發(fā)現(xiàn)采用紋理特征對(duì)幾類缺陷的分類效果比較好。本論文的紋理特征是采用統(tǒng)計(jì)法、通過灰度共生矩陣得到的，包括紋理的二階矩、對(duì)比度、相關(guān)、熵、

3、方差、逆差矩。 本文共收集了151幅板帶材缺陷圖像進(jìn)行識(shí)別分類研究。文中分別采用了K均值聚類算法、非線性BP(Back-Propagation)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法和非線性RBF(RadialBasisFunction)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法，對(duì)邊緣鋸齒、焊縫、夾雜、抬頭紋1、抬頭紋2進(jìn)行識(shí)別分類，并考慮預(yù)處理對(duì)識(shí)別分類的影響。本文采用三種識(shí)別方法對(duì)五類板帶材缺陷圖像進(jìn)行識(shí)別與分類，即邊緣鋸齒、焊縫、夾雜、抬頭紋1、抬頭紋2。結(jié)果

4、表明，依據(jù)缺陷圖像的紋理特征，K均值聚類算法、非線性BP(Back-Propagation)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法能夠?qū)ξ孱惾毕輰?shí)現(xiàn)識(shí)別和分類，BP(Back-Propagation)非線性識(shí)別效果較好，但訓(xùn)練時(shí)間較慢，RBF(RadialBasisFunction)人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法訓(xùn)練速度快，對(duì)邊緣鋸齒、焊縫、夾雜、抬頭紋2的識(shí)別準(zhǔn)確率較高，但對(duì)抬頭紋1，識(shí)別不出，易誤識(shí)為夾雜，可能的原因是缺陷圖片含有夾雜或劃痕等缺陷成份。