鋼鐵行業(yè)是我國(guó)的支柱產(chǎn)業(yè)之一,而冷熱軋帶鋼則是目前鋼鐵的主要產(chǎn)品形式。在2017年我國(guó)的鋼鐵年產(chǎn)量為11億噸,其中46%為冷熱軋帶鋼。然而由于原材料以及制作工藝等問(wèn)題,帶鋼表面往往不可避免的存在一些缺陷。這些缺陷不僅僅會(huì)影響產(chǎn)品的美觀性、還會(huì)影響產(chǎn)品的抗腐蝕能力、耐磨性、以及疲勞強(qiáng)度。由于帶鋼表面缺陷紋理存在復(fù)雜性和多樣性,導(dǎo)致對(duì)帶鋼表面缺陷進(jìn)行分類有一定的難度。為了提高對(duì)帶鋼表面缺陷的識(shí)別力,需混合運(yùn)用各種類型特征;而大量特征的運(yùn)用將增加冗余,降低計(jì)算效率,很難滿足生產(chǎn)的實(shí)際效率需求。除此以外,缺陷的復(fù)雜外觀導(dǎo)致部分提取的圖像特征的弱判別性和弱魯棒性。因此,從原始特征集中選擇具有高判別力的特征是很重要的。在此背景下,本文對(duì)處理帶鋼表面質(zhì)量缺陷的圖像所運(yùn)用的預(yù)處理技術(shù)、特征提取和特征選擇技術(shù)以及最后的分類方法進(jìn)行了研究。主要工作如下:（1）本文提出了一種基于鯨魚群算法的自適應(yīng)優(yōu)化Gabor濾波器。首先,利用各項(xiàng)異性擴(kuò)散濾波抑制缺陷圖片之中的偽邊緣,再以不同種類缺陷特征的類間差最大作為目標(biāo)函數(shù),Gabor濾波器的參數(shù)為優(yōu)化變量,采用鯨魚群算法對(duì)Gabor參數(shù)進(jìn)行尋優(yōu),然后將所得到Gabo... 

【文章來(lái)源】：湖北工業(yè)大學(xué)湖北省

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

濾波結(jié)果圖：第一行為帶鋼表面缺陷原始圖像、第二行為HOG梯度

湖北工業(yè)大學(xué)碩士學(xué)位論文20Ib,qF（3-14）F即為標(biāo)準(zhǔn)化之后的Gabor特征。3.3實(shí)驗(yàn)描述及結(jié)果分析3.3.1參數(shù)選擇本章所用數(shù)據(jù)集與第二章所有數(shù)據(jù)集相同，因此在此就不重復(fù)描述。首先，為抑制缺陷圖片之中存在的噪聲，需要對(duì)缺陷圖采用各向異性濾波。在對(duì)圖片進(jìn)行各向異性濾波之前需要確定2個(gè)參數(shù)。迭代次數(shù)t以及梯度閾值K，當(dāng)梯度閾值過(guò)大時(shí)，容易將圖片之中的邊緣信息濾除，同樣的當(dāng)K的取值較小時(shí)不能有效的濾除圖像之中包含的噪聲。在本文的實(shí)驗(yàn)之中迭代次數(shù)t=5、梯度閾值K=10。各向異性濾波的效果圖如圖3.3所示。由圖3-3可以直觀的發(fā)現(xiàn)，采用各向異性擴(kuò)散濾波之后所得到的帶鋼表面缺陷圖片更加的平滑，在黑氧化皮以及污漬這兩項(xiàng)缺陷之中由于帶鋼表面缺陷圖片的背景部分與缺陷部分之間的像素的梯度值較小，因此該部分的背景部分被完全濾除掉了。a刮邊b黑氧化皮c結(jié)疤d沖孔e污漬圖3.3：各向異性擴(kuò)散濾波效果圖（其中第一行為原圖，第二行為結(jié)果圖）Figure3.3:Anisotropicdiffusionfilteringeffectdiagram(wherethefirstbehavioristheoriginalimage,andthesecondbehavioristheresultgraph)然后利用差分進(jìn)化算法對(duì)Gabor參數(shù)進(jìn)行優(yōu)化。在Gabor濾波器的參數(shù)之中，本章令卷積方向?yàn)?個(gè)方向，卷積模板的大小選擇為17*17，Gabor濾波器的尺度大小為64*64。鯨魚群算法主要針對(duì)Gabor濾波器參數(shù)中的最大采樣頻率和空間頻率這兩個(gè)方面進(jìn)行優(yōu)化。其中鯨魚群算法之中的種群規(guī)模N=30、

湖北工業(yè)大學(xué)碩士學(xué)位論文22a刮邊b黑氧化皮c結(jié)疤d沖孔e污漬圖3.4：濾波結(jié)果圖：第一行為原始圖片，第二行為L(zhǎng)BP濾波結(jié)果圖，第三行為L(zhǎng)og_Gabor，第四行為Gabor濾波結(jié)果圖，第五行為本文方式濾波結(jié)果圖Figure3.4:Filteringresultgraph:firstbehaviororiginalpicture,secondbehaviorLBPfilteringresultgraph,thirdbehaviorLog_Gabor,fourthbehaviorGaborfilteringresultgraph,fifthbehavior由表3.1數(shù)據(jù)可知，利用SVM進(jìn)行分類時(shí)HOG特征提取方式在結(jié)疤缺陷的分類之中取得了最優(yōu)的分類精度，但是在刮邊的分類之中精確度較差，總體的分類精確度為94%。GLCM特征提取方式在黑氧化條的分類之中取得了最優(yōu)的分類精度，但是在污漬的分類之中表現(xiàn)較差，總體的分類精確度為94%。LBP特征提取雖然在每一項(xiàng)分類之中都沒(méi)有取得最優(yōu)的分類精度，但是總體分類精度均較好，分類的精確度為95%。Log_gabor特征提取方式在每一項(xiàng)缺陷分類之中都沒(méi)有取得最優(yōu)的分類精度，但刮邊的分類上精度較差，總體的分類精確度為93.5%。Gabor特征提取方式在刮邊、黑氧化皮這2項(xiàng)缺陷的分類之中取得了最優(yōu)的分類精度，總體的分類精確度為95%。本章方式在刮邊、沖孔、污漬、黑氧化條這4項(xiàng)缺陷的分類之中取得了最優(yōu)的分類精度，總體的分類精確度達(dá)到97.5%，為最優(yōu)分類準(zhǔn)確度。表3.1：利用SVM分類器進(jìn)行分類Table3.1:ClassificationusingtheSVMclassifier缺陷類別測(cè)試圖像數(shù)量HOG識(shí)別率GLCM識(shí)別率LBP識(shí)別率Log_Gabor識(shí)別率Gabor識(shí)別率本章方式識(shí)別率沖孔4097.5%95%97.5%97.5%97.5%100%刮邊4087.597.597.5%87.5%100%100%污漬4090%85%92.5%90%90%95%結(jié)疤40100%92.592.5%97.5%87.5%92.5%黑氧化條4095%100%95%95%100%100%總計(jì)20094%9


本文編號(hào)：3450618