D0I:10.13374/j.issn1001-053x.2005.06.023 第27卷第6期 北京科技大学学报 Vol.27 No.6 2005年12月 Journal of University of Science and Technology Beijing Dec.2005 基于LVQ神经网络的冷轧带钢表面缺陷分类方法 吴贵芳徐科徐金梧 北京科技大学机械工程学院,北京100083 摘要将LVQ神经网络用于冷轧带钢表面缺陷的自动分类中,解决了以往分类方法在多 缺陷模式类型情况下耗时多和准确率低的问题.对现场采集到的14种主要缺陷类型进行了 实验,实验结果表明,基于LVQ神经网络的分类器训练与分类的时间短,在多缺陷种类分类 的过程中准确率能得到保证 关键词冷轧带钢:表面缺陷:缺陷分类:LVQ神经网络 分类号TP249:TP391.4 目前冷轧带钢表面质量在线检测技术)得。 出维数影响特别敏感,随着输出类别的不断增 到了越来越多的钢铁企业的关注,缺陷的自动分 加,识别的准确率下降得很快,因此BP网络并不 类技术作为其中的一个关键性技术,一直以来都 适合用作实时处理,尤其在带钢表面缺陷这种多 没有得到很好的解决。在缺陷的自动分类过程 特征输入和多缺陷种类的输出的场合,为了克服 中,最常用的识别方法有统计模式识别方法和人 目前存在的这种困难,本文对基于LVQ神经网 工神经网络识别方法.其中统计模式识别是一种 络的方法进行了研究,发现LVQ神经网络在用 相对成熟的理论,简单易用,并且已经基于这种 于多缺陷类型分类时能很好地解决上述出现的 方法设计了许多商用的识别系统.然而统计模式 问题. 识别方法缺乏用于处理模式结构和它们之间关 系的合适形式,因而在实际应用时会遇到困难, 1LVQ神经网络工作原理 得不到满意的识别效果, 学习向量量化(简称LVQ)是Kohonen在1989 在人工神经网络中最常用的方法就是BP网 络,它的通用性广,在许多领域里面都可以使用. 年提出,,是在竞争网络的结构上实现监督学习 的.其拓扑结构如图1所示,包括一个输入层,一 在用BP网络对带钢表面缺陷进行分类的过程 个Kohonen层和一个输出层,其中Kohonen层也 中,它对特征量的输入维数有严格的要求,一般 称为竞争层 特征的选择只能在几十个左右,如果超出这个范 LVQ学习算法是一种“奖-惩”迭代式的算 围网络就会显得非常庞大.因此,只能对特征进 行优化和选择,这样势必导致信息的丢失,从而 输出层 达不到理想的分类效果,同时BP网络在带钢表 面缺陷识别的过程中,随着缺陷种类(即输出维 数)的增加,网络的复杂度也不断上升,于是只有 Kohonen层 简化系统,这样势必影响分类的精度.因此BP网 络的致命的弱点就是网络的复杂程度随着输入 与输出维数的增加而快速增加,从而在使用过程 中的时间消耗太大.同时网络识别的准确率受输 收稿日期:20041101修回日期:200501-17 ■ 基金项目:国家自然科学基金资助项目N0.50074010:国家 Bias 2 Tn输入层 “863"计划课题No.2003AA331080) 图1LVQ神经网络的拓扑结构 作者简介:吴贵芳(1978一,男,婢士研究生 Fig.1 Topol structure of LVQ neural network
第 2 7 卷 第 ` 期 2 0 0 5 年 1 2 月 北 京 科 技 大 学 学 报 JO u r n a l o f U o iv e rs i yt o f S e i e n ec a n d eT e h n o el yg B e ij i n g V d】 . 2 7 N 0 . 6 D ec . 2 0 5 基于 L V Q 神经网络的冷轧带钢表面缺陷分类方法 吴 贵芳 徐 科 徐金梧 北 京科技 大学机械 工 程 学 院 , 北京 10 0 0 83 摘 要 将 VL Q 神 经 网络 用 于冷轧 带钢 表面缺 陷 的 自动 分类 中 , 解 决 了以往 分类 方法在 多 缺陷模 式类 型情况下 耗时 多和准 确率低 的 问题 . 对现场 采集 到 的 14 种 主要 缺 陷类 型进 行 了 实验 . 实验 结果表 明 , 基于 L V Q 神经 网络 的分类 器 训练与 分类 的时 间短 , 在 多缺 陷种类 分类 的过程 中准 确率 能得到 保证 . 关键 词 冷轧 带钢 ; 表 面 缺陷 : 缺 陷 分类 ; L v Q 神 经 网 络 分类 号 T P 2 4 9 ; T P 3 9 1 . 4 目前冷 轧 带钢 表 面质 量在 线 检测 技术 `, .z] 得 到 了越 来越 多 的钢铁 企业 的关注 , 缺 陷的 自动分 类技 术作 为其 中的一 个关键 性技 术 , 一直 以来都 没有 得 到 很 好 的解 决 . 在 缺 陷 的 自动分 类 过 程 中 , 最常 用 的识别 方法 有统 计模 式识 别方法 和 人 工 神 经 网络 识 别方 法 . 其 中统 计模 式识 别是 一种 相 对 成 熟的 理论 , 简单 易用 , 并 且 己 经基 于这 种 方 法 设计 了许 多商用 的识 别系 统 . 然而统 计模 式 识 别 方法 缺 乏 用 于处 理 模 式 结构 和 它们 之 间 关 系 的合 适形 式 , 因而 在 实 际应用 时会 遇 到 困难 , 得 不 到满 意 的识 别 效果 . 在 人工 神 经 网 络 中最 常用 的方法 就是 B P 网 络 , 它的通 用性 广 , 在许 多领 域里面 都可 以使用 . 在 用 B P 网络 对 带 钢 表 面缺 陷进 行 分类 的过 程 中 , 它 对特 征 量 的输入维 数 有严 格的要求 , 一般 特 征 的选 择只 能在 几十 个左 右 , 如果超 出这 个 范 围 网 络就 会 显得 非 常庞 大 . 因此 , 只 能对 特征 进 行 优 化和 选择 , 这样 势 必 导致信 息 的 丢失 , 从 而 达 不到 理想 的分类 效 果 . 同时 B P 网 络 在带 钢表 面缺 陷识别 。 ,的过 程 中 , 随 着缺 陷种类 ( 即输出维 数 ) 的增加 , 网 络 的复杂度 也不断上 升 , 于是 只 有 简化 系统 , 这样 势必 影 响分类 的精度 . 因此 B P 网 络 的致命 的弱 点 就 是 网络 的 复杂 程 度 随着 输 入 与输 出维数的增 加而 快速增 加 , 从 而在使 用过 程 中的时间消耗 太 大 . 同时 网络识 别 的准确率 受 输 收稿 日期 : 2 0() 今11刁 l 修 回 日期 : 2 0 0 5刁 l 一 17 基 金项 目 : 国 家 自然 科学 基金资 助项 目N( .0 5 0 740 10) : 国家 “ 8 6 3 ” 计划课 题 (N o . 2 0 0 3A A 3 3 10 8 0 ) 作 者简 介 : 昊贵 芳( 19 78 一 ) , 男 , 博 士 研 究生 出维 数 影 响特 别敏 感 , 随 着 输 出类 别 的 不 断增 加 , 识 别 的准确 率 下 降得很 快 , 因此 B P 网 络 并不 适 合用作 实 时处理 , 尤 其在 带钢 表面 缺 陷这种 多 特 征输入和 多 缺陷种 类 的输 出 的场 合 . 为 了克 服 目前 存在 的这 种 困难 , 本文 对 基于 L V Q 神 经 网 络 的方法进 行 了研 究 , 发现 L V Q 神 经 网 络 在用 于 多 缺 陷类 型 分类 时能 很 好地 解 决 上 述 出现 的 问题 . 1 L V Q 神经 网 络 工作 原理 学 习 向量量 化 (简称 LV Q) 是 K o h o n e n 在 19 8 9 年 提 出` 4,51 , 是在 竞争网络 的结构 上实 现监督 学 习 的 . 其 拓扑 结构 如 图 l 所 示 , 包 括一 个 输入 层 , 一 个 K o h o n e n 层 和 一个 输 出层 , 其 中 K o h o n e n 层 也 称 为竞 争层 . VL Q 学 习 算 法 是一 种 “ 奖一 惩 ” 迭代 式 的算 输 出层 K o h o n e n 层 输 入层 图 1 L V Q 神经 网 络的拓 扑结 构 F i.g 1 OT p o l s t r u e t u 作 o f L V Q n e u ar l . e wt o r k DOI: 10. 13374 /j . issn1001 -053x. 2005. 06. 023
VoL27 No.6 吴贵芳等:基于LVQ神经网络的冷轧带钢表面缺陷分类方法 ·733· 法.令X为样本集,W为神经网络的神经元集,C 本文中所用到的数据都是从某钢厂的冷轧 代表获胜神经元,L代表输出类别集.LVQ神经网 带钢生产线上实时采集到的缺陷图像.根据生产 络的基本实现过程是:首先确定各网络参数,选 特点,对生产过程中出现频率最高的14种缺陷 择学习样本,然后选择一些具有代表性的样本对 进行了样本采集,主要包括了乳化液斑、锈斑、勒 权值进行初始化,这样可以大大地加快学习的过 辊印、边裂、粘结横纹、擦伤、划痕、点粘结、桔皮 程.接着就可以寻求获胜神经元C: 纹、辊印(压印)、严重辊印、白斑、平整液斑、折边 X-Wcll=lx-Will,i=1,2,..,M (1) 等14大类,另外还采集了现场一些暂时没有办 用L,代表与获胜神经元权值向量相关联的 法正式归类的缺陷。一些典型的样本如图2 类,用Lm代表与输入向量相关联的类 [Wc(+1=Wc(ntn)汇X-Wc(n】]LR=Lm (2) Wc(n+1)=Wc(n)-n(n)[X-Wc(n)]Lm.+Lm 其中,mO1-为)是学习速率,后来Kobonen 提出了几种改进算法:LVQ2,LVQ2.1,LVQ3.改 进算法的主要思想是通过引入一个次获胜神经 元来增加获得权值训练的神经元个数,从而缓解 学习矢量量化的内存矛盾,使网络实现正确分类 的可能性增大.对于LVQ2网络,将输入向量到获 胜神经元C与次获胜神经元R之间的距离分别 定义为d与d,用一个窗来表示,定义为: dc=1-6 d (3) 受-1e 其中,ε为给定阙值.当满足条件时,用下式调整 权值: (Wx(n+1)=Wx(n)+n[X-Ws(n)] (4) We(n+l)-We(n)--n[X-We(n)] 图2一些典型缺陷图像 在LVQ21中,假定次获胜神经元和获胜神经 Fig.2 Some typical defect images 元有一个代表输入的正确分类,设W形。,为代表正 所示. 确分类的神经元C的权值向量,而W。为代表错 对于缺陷的自动识别来说,必须通过输入 误分类的神经元C的权值向量,窗条件改为: 缺陷的特征量来实现自动识别.特征量是对缺陷 m受1-s 自身性质的一种描述,选择一些具有代表性的特 (5) r径ie 征量,并将其抽象出来,进而量化的过程就是特 征选择与提取.在本文中,对缺陷图像五种类型 于是在满足窗条件时,权值更改为: (Wc.(n+1)=Wc.(n)+n[X-Wc(n)] 特征,一共提取了84个特征量,其分布如下: (6) Wc(n+1)=Wc(n)-n[X-Wc.(n)] (1)几何形状特征.它是目标的基本特征,可 在LVQ3中,更改窗条件如下: 以通过简单描述符、形状描述符和不变矩等表 生话 (7) 示.在本文中一共提取几何形状特征量19个. (2)灰度值特征.它包括灰度的平均值、方差、 当满足窗条件时,权值按下式规则更改: 歪度、峭度、能量、熵等,可以通过图像的灰度直 Wc(n+1)=Wc(n)-B(X-Wc(n)) (8) 其中,B=me,m的范围是0.1<m<0.5,m可以选择为 方图得到.本文提取的灰度值特征,一共36个. 常数,也可以随ε的变化而变化,使得窗比较窄 (3)纹理特征.它是采用统计法,通过灰度共 生矩阵得到的,包括纹理的二阶矩、熵、对比度和 时学习速率B也较小, 均匀性,一共4个. 2实验数据来源与提取 (4)投影特征.它是把图像由二维信号转换成 一维信号进行分析提取的,包括波形特征、峰值
、 b L2 7 N O . ` 吴贵芳 等 : 基于 L VQ 神经 网络 的冷轧带钢表 面 缺陷分 类方 法 . , 33 . 法 . 令 X 为样 本集 , 砰 为神 经 网络 的神 经 元集 , C 代表 获胜 神经 元 , L 代表 输 出类 别集 . LV Q神 经 网 络 的基本实 现 过程 是 : 首 先 确 定各 网络 参 数 , 选 择 学习 样本 , 然后 选择 一 些具有 代 表性 的样 本对 权值 进行 初始 化 , 这样 可 以大大 地 加快 学 习 的过 程 . 接着就可 以寻求 获胜 神经元 :C 恤` 磷l卜 l比 ` . 班 11 , i = l , 2 , … , M ( l ) 用 L 二 代表 与 获胜 神经 元 权值 向量相 关 联 的 类 , 用 L 琳 代 表 与输入 向量 相 关联 的类 . 本 文 中所 用 到 的数 据 都 是 从 某 钢 厂 的冷 轧 带钢 生产 线 上实 时采 集 到 的缺陷 图像 . 根 据 生产 特 点 , 对生 产 过程 中出现 频 率 最 高的 14 种缺 陷 进行 了样 本采 集 , 主要 包 括 了乳化 液斑 、 锈 斑 、 勒 辊 印 、 边裂 、 粘 结 横纹 、 擦伤 、 划 痕 、 点粘 结 、 桔 皮 纹 、 辊 印 ( 压 印) 、 严 重辊 印 、 白斑 、 平整 液斑 、 折 边 等 14 大类 , 另外 还采 集 了现 场 一 些 暂 时没 有办 法 正 式 归 类 的 缺 陷 . 一 些 典 型 的 样 本 如 图 2 !叫+nl 卜界+(n) n( 些匹?.-()] 乙衬 、 l 麟切+ l 片哄叹川一 粉( n ) IX . 一 叽L n )」 L 只 羊 L 巩 (2 ) 其 中 , n( ) 一 n(0 平 一 刹是学 习 速 率 . 后 来 oK ho en 提 出了几 种 改进 算 法 : L v QZ , L v QZ . l , VL Q3 , 改 进算法 的主 要 思想 是 通 过 引 入一 个 次 获 胜 神经 元 来增 加获 得权值 训练 的神 经 元个 数 , 从而 缓解 学 习 矢 量量 化 的内存 矛盾 , 使 网络 实现 正确 分类 的可能 性增 大 . 对 于 L V Q Z网络 , 将输入 向量 到 获 胜 神经 元 C 与次获 胜神 经 元 R 之 间的距 离分 别 定 义 为 dc 与 峨 , 用 一 个窗 来表 示 , 定义 为 : 青 一 , 一 。 番 一 ,、 (3 ) 其 中 , 。 为给定闽值 . 当满 足 条件 时 , 用下 式调 整 权 值 : { 在 LV QZ 然 ( n+ l ) = 溅 ( n 卜叮〔才` 磷 ( n ) ] 磷 ( n + l 卜磷( n ) 一 叮比` 哄( , )〕 (4 ) . 1中 , 假 定 次获胜 神经 元 和获胜 神 经 图 2 一些 典型 缺陷 图像 n .g2 S o m e yt P ic a l d e fe c t 恤 a g e s 元有 一 个代表输 入 的正确 分 类 , 设 磷 . 为代 表 正 确分 类 的神经元 C J 的 权值 向量 , 而 叽 为代 表 错 误分 类 的神 经元 C 的权 值 向量 , 窗条 件 改 为 : m 。 !备 , 剖 > ,一 m ax !备剖 <“ “ (5 ) 于 是在 满足 窗条件 时 , 权值 更 改 为 : {磷 ( n + l ) “ 孔( n 卜叮【尤` 磷 . ( n )〕 lwc7 ( n十 1卜巩(n ) 一 。讲磷( n ); 在 VL Q3 中 , 更 改 窗条 件如 下 : m , 、 ` - f立 理日户卫 一l :dc ’ dcr 」 1枯 ( 7 ) 当满 足 窗条 件时 , 权值 按 一「式规 则 更 改 : 夙( n + l 卜琳( n 卜尹X( ` 孔( n ) ) ( 8 ) 其 中 , 户用: , m 的范 围是 0 . 1 < m 0< . 5 , m 可 以选 择 为 常数 , 也 可 以随 : 的变 化 而变 化 , 使 得 窗 比 较 窄 时学 习 速 率 刀也较 小 . 2 实 验 数据 来 源 与提 取 所示 . 对 于缺 陷 的 自动 识 别 来说 , 必须 通 过输 入 缺 陷的特征 量来 实现 自动识 别 . 特征 量 是对 缺陷 自身性质 的 一种 描述 . 选择 一 些具 有代 表性 的特 征量 , 并 将 其抽 象 出来 , 进 而 量化 的过程 就 是特 征 选择 与 提取 . 在本 文 中 , 对 缺 陷 图像 五种 类型 特 征 , 一 共 提取 了 84 个 特 征量 , 其分 布 如 下 : ( l) 几 何 形 状特 征 , 它 是 目标 的基 本特征 , 可 以通 过 简 单 描述 符 、 形状 描 述 符 和 不变 矩 等表 示 . 在本 文 中一 共提 取 几 何形 状特 征 量 19 个 . (2 )灰 度值 特 征 . 它包 括 灰度的平均 值 、 方差 、 歪度 、 峭 度 、 能量 、 嫡 等 , 可 以通 过 图像 的灰度直 方 图得 到 . 本 文 提取 的灰 度值 特征 , 一 共 36 个 . (3) 纹 理特征’[] . 它 是采用统 计法 , 通 过灰度 共 生矩 阵得 到 的 , 包 括 纹理 的 二阶矩 、 嫡 、 对 比度 和 均匀 性 , 一 共 4 个 , (4 )投 影特征 . 它是 把 图像由二 维信号转换成 一维 信 号进 行 分 析提 取 的 , 包 括 波 形特 征 、 峰值
·734· 北京科技大学学报 2005年第6期 特征、脉冲特征、裕度特征、歪度值、峭度值等.本 过程中,很难使每一类样本数目达到均衡.最后 文中一共提取投影特征量24个 根据实际情况选择了6000个典型的缺陷样本对 (⑤)分形特征m.它主要是通过研究缺陷的内 网络进行训练,每类缺陷的样本个数如表1 在的几何规律来得到的,包括分形维数等.本文 所示. 一共提取了1个分形特征量. (2)网络测试与结果分析.实验发现网络在训 练的时候,速度非常快.在利用样本对网络初 3LVQ神经网络设计与测试 始化以及初始化结果的调整阶段基本上只用 (1)LVQ设计与学习.本文采用LVQ3网络对 10-20s,网络的学习速度也相当快,经过多次 检测出来的缺陷进行识别,通过C+语言来实 反复的学习,发现整个学习过程用时只需要 现.利用前面提取的84个特征量作为输入,每一 138~178s.在分类过程中平均分类1000个样本, 个特征对应于一个神经元,对于Kohonen层,设 只需要1~2s的时间,以往BP网络一般都在20s 计2000个神经元组,每一神经元组与一组输入 以上,在时间消耗上至少是LVQ神经网络的10 特征结构对应,输出层根据现场数据的需求,设 倍以上.因此可以看出,从时间的节省程度上来 计15个神经元.具体的参数为:输入层神经元数 说,LVQ神经网络在冷轧带钢表面缺陷的自动分 为84;竞争层神经元数为2000×84:初始学习率 类过程中是有优势的. 0)0.05:相对学习率e=0.1:窗口宽度m=0.3:最 表2给出了识别结果.从分类结果上来看,测 大步数10.这些参数是在反复测试的基础上得 试数据集一共包括了15类别(包含未命名的“其 出来的一组优化参数, 他”缺陷类别),在这种多模式类型的识别过程 在训练前,将所有样本与权值都进行归一 中,以往的基于BP网络的算法会因为缺陷种类 化,使每一输入样本向量的模为1.然后通过对比 的增加,识别准确率会明显下降.而采用LVQ神 选择的过程,从样本中选择一些更典型的样本对 经网络的分类器,这个问题基本得到了解决,从 网络进行初始化,这样做的目的不但可以提高网 表2中可以看到,缺陷总数是6000个,缺陷种类 络的准确性,而且可以大大加快整个训练的过 15种,一共正确识别出5392个,整体识别率为 程.在训练的过程中,每一步都要对新产生的权 89.87%.在现场的实际应用上来看,利用基于 值进行归一化处理,在实验中,利用现场采集到 LVQ神经网络的方法,对经常出现的缺陷(包括 的14类缺陷数据,同时将那些采集的暂时没归 勒辊印、擦伤、粘结横纹、划痕、点粘结等)的识别 类的特征混杂的缺陷分为一类,用“其他”作为缺 率基本能保证在90%左右的范围内,对生产现场 陷类别名称,前面所提出的14种缺陷占据了该 有着实际的指导作用.从表2中还可以看到,依 厂冷轧带钢表面缺陷总数的98%以上.由于有些 然有几种缺陷的识别率还很低,比如乳化液斑、 缺陷是随钢板生产的批次出现的,所以在采样的 锈斑、边裂等,这主要是因为样本数量的不足造 表1训练缺陷样本分布表 Table I Distribution of training samples 缺陷类型 乳化液斑 锈斑 勒辊印 边裂 粘结横纹 擦伤 划痕 点粘结 峡路数量 84 122 1040 60 1277 436 679 1025 缺陷类型 桔皮纹 辊印压印严重提印 白斑 平整液斑 折边 其他 缺陷总数 缺陷数量 6 218 64 445 240 169 66 6000 表2识别结果分布表 Table 2 Distribution of recognition results 缺陷类型 乳化液斑 锈斑 勒辊印 边裂 粘结横纹 擦伤 划痕 点粘结 缺陷数量 84 122 1040 60 1277 436 679 1025 正确识别 48 76 977 27 1238 375 645 962 识别比率% 57.14 62.30 93.94 45.00 96.95 86.01 94.99 93.85 缺陷类型 桔皮纹 辊印压印 严重辊印 白斑 平整液斑 折边 其他 缺陷总数 缺陷数量 75 218 6 445 240 169 66 6000 正确识别 65 168 57 406 205 124 19 5392 识别比率% 86.67 77.06 89.06 91.23 85.42 73.37 28.79 89.87
北 京 科 技 大 学 学 报 2 0 5 年 第 ` 期 特 征 、 脉冲特征 、 裕度特征 、 歪度值 、 峭度值等 . 本 文 中一共 提取 投 影特征 量 24 个 . 5( ) 分 形特 征 口, . 它 主要 是通 过 研 究缺 陷 的 内 在的几 何 规律 来得 到 的 , 包 括 分形 维数 等 . 本 文 一共 提 取 了 1 个 分 形特征量 . 3 L V Q 神经 网络设 计 与测 试 ( l) LV Q 设 计 与学 习 . 本 文采 用 L V Q 3 网络对 检测 出来 的缺 陷 进行 识 别 , 通 过 C料语 言来 实 现 . 利用 前面提 取 的 84 个 特 征量 作为输入 , 每一 个 特征对 应 于一 个神 经 元 , 对 于 K o b o n e n 层 , 设 计 2 0 0 个 神经 元 组 , 每 一神经元 组 与一 组输入 特 征 结构对 应 , 输 出层根 据 现场 数据 的需求 , 设 计 巧 个 神经 元 . 具 体 的参 数 为 : 输 入层 神经 元 数 为 84 ; 竞 争层 神经 元数为 2 0 0 0 x 84 ; 初 始学 习 率 抓0) 刁.0 5 ; 相对 学 习 率 : = O , l ; 窗 口 宽度 m = .0 3 ; 最 大步 数 10 6 . 这 些参 数是 在 反复 测试 的 基础 上得 出来 的 一组 优化 参 数 . 在 训 练 前 , 将 所有 样本与 权 值 都进 行 归一 化 , 使每 一输 入 样本 向量 的模 为 1 . 然后 通过 对 比 选 择 的过 程 , 从 样本中选 择 一些更 典型 的样 本对 网络 进行 初始 化 , 这样 做 的 目的不但 可 以提 高网 络 的准 确 性 , 而且 可 以大 大加 快 整 个 训练 的过 程 . 在训练 的过程 中 , 每一 步 都要对 新产生 的权 值 进 行 归一 化处 理 . 在 实验 中 , 利用 现 场采 集 到 的 14 类缺 陷数 据 , 同 时将那 些 采集 的 暂 时没 归 类 的特征混 杂的缺 陷分为 一类 , 用 “ 其 他 ” 作为缺 陷 类别 名称 . 前 面所 提 出的 14 种 缺 陷 占据 了该 厂冷 轧 带钢 表 面缺 陷 总数 的 98 % 以上 . 由于 有些 缺 陷是 随钢板 生产 的批 次 出现 的 , 所 以在采样 的 过 程 中 , 很 难使每 一类样 本数 目达 到 均衡 . 最 后 根 据实 际情 况选择 了 6 0 0 个 典型 的缺 陷样 本对 网络 进 行 训 练 , 每 类 缺 陷 的 样 本 个 数 如 表 1 所 示 . (2 )网络 测试 与结 果分 析 . 实验 发现 网络 在训 练 的 时候 , 速度 非 常 快 . 在利用 样本对 网络 初 始化 以及 初 始 化 结 果 的 调 整 阶 段 基 本 上 只 用 l价20 5 , 网络 的 学 习 速 度 也 相 当 快 , 经 过 多 次 反复 的 学 习 , 发 现 整 个 学 习 过 程 用 时 只 需 要 13 8一 17 8 5 . 在 分类 过程中平 均 分类 1 0 0 个样 本 , 只 需 要 1~ 2 5 的时 间 , 以往 B P 网 络 一般 都 在 20 5 以上 , 在 时间 消耗 上 至少 是 LV Q 神 经 网络 的 10 倍 以上 . 因此 可 以看 出 , 从 时间 的节 省程 度上来 说 , L V Q神 经 网络 在冷 轧带 钢表 面缺 陷 的 自动分 类过 程 中是 有 优势 的 . 表 2 给 出 了识 别结 果 . 从分类 结 果上来 看 , 测 试 数 据集一 共包 括 了 15 类 别 ( 包 含未 命名 的 “ 其 他 ” 缺 陷类别 ) , 在这 种 多模 式类型 的 识别 过程 中 , 以往 的基 于 B P 网络 的算 法会 因为缺 陷种 类 的增 加 , 识 别准 确 率会 明显 下 降 . 而采 用 L V Q 神 经 网络 的分类 器 , 这 个 问题 基本 得 到 了解 决 . 从 表 2 中可 以看 到 , 缺 陷总数 是 6 0 0 个 , 缺 陷种 类 15 种 , 一 共正 确 识别 出 5 3 92 个 , 整 体识 别率 为 8.9 8 7% . 在 现 场 的 实 际应 用 上 来 看 , 利 用 基 于 L V Q 神 经 网络 的方 法 , 对 经 常 出现 的缺 陷 ( 包括 勒辊 印 、 擦伤 、 粘 结横 纹 、 划 痕 、 点粘 结等 ) 的识别 率 基本 能保 证在 90 % 左右 的范围 内 , 对 生产 现场 有 着 实际的指 导 作用 . 从表 2 中还 可 以看 到 , 依 然 有 几种 缺 陷的 识别 率还 很低 , 比如 乳化 液斑 、 锈 斑 、 边 裂等 . 这主 要 是 因为样 本 数量 的不足 造 表 1 训练 缺陷样本分 布表 介 b le 1 D ist d b u it o . of 仕 a in i n g s a . IP 。 缺陷类 型 缺 陷数 量 缺 陷类 型 缺 陷数量 乳 化液 斑 84 锈斑 12 2 勒辊 印 1 0 4 0 点粘结 1 02 5 桔 皮纹 7 5 辊 印压 印 2 18 严 重辊 印 64 边 裂 6 0 白斑 4 5 粘 结 横纹 1 2 7 7 平 整液斑 24 0 擦 伤 4 3 6 折边 16 9 划痕 6 79 其他 缺 陷总数 6 (扣旧 表 2 识别 结果 分布表 介b l e 2 D is itr b u 五o n o f 溉 。 朗iit o n 南川 妇 髓679645ó 缺 陷类 型 缺 陷数 量 正确识 别 识别 比率从 缺陷类型 缺 陷数量 正 确识 别 识别 比 率 oP/ 乳化液斑 84 锈斑 1 22 7 6 62 . 3 0 勒辊 印 1 0 4 0 9 7 7 9 3 . 9 4 边裂 6 0 5 7 . 14 桔皮纹 7 5 辊印压 印 2 18 86 6 7 7 .7 06 严 重辊 印 64 5 7 8 .9 06 4 5 . 0 0 白斑 科5 4 0 6 9 1 2 3 粘结 横纹 1 2 77 1 2 38 9 6 . 9 5 平整液斑 24 0 2 0 5 8 5 . 4 2 擦 伤 4 36 3 75 86 . 0 1 折 边 16 9 12 4 7 3 . 3 7 点粘 结 1 0 2 5 9 62 9 3 . 8 5 其他 66 l 9 2 8 . 7 9 缺 陷总数 6 〔K】0 5 3 92 8 9 8 7
Vol.27 No.6 吴贵芳等:基于LVQ神经网络的冷轧带钢表面缺陷分类方法 ·735· 成的学习不充分引起的;另外还需要对这些缺陷 分类需要, 的产生机理进行更深入的研究,以提取更能描述 参考文献 这些缺陷的特征类型,以期达到更好的检测 [1】徐科,徐金梧,粱治国,等,冷轧带钢表面质量自动检测系 效果 统的在线应用研究.治金自动化,2003(1):51 [2】徐科,徐金梧,鹿守理,等,冷轧带钢表面自动监测系统的 4结论 研究.钢铁,2000(10:63 [3】徐科,徐金梧,班晓娟.冷轧带钢表面质量自动监测系统 (I)基于LVQ神经网络的冷轧带钢表面缺陷 的模式识别方法研究.钢铁,20026):28 的分类方法在训练与分类的耗时上较以往的基 [4]Kohonen T.New Developments of learning vector quantization 于BP网络的分类方法大大减少,在分类速度上 and the self-organizing map.In:Symposium on Neural Net- 能适应现场的实时检测, works.Osaka:Alliances and Perspectives in Senri,1992 [)吴简彤,王建华.神经网络技术及其应用.哈尔滨:哈尔滨 (2)在多缺陷模式类型情况下,基于LVQ神 工程大学出版社,1998 经网络的冷轧带钢表面缺陷的分类方法能准确 [6]Wechsler.Texture analysis:a survey.Signal Process,1980(2): 地识别出大多数的主要缺陷类型,随着缺陷模式 271 [7刀张济忠.分形.北京:清华大学出版社,1995 类型的增加,系统的识别准确率依然能得到保 证,所以能适应现场生产中多缺陷模式类型下的 Classification of surface defects for cold rolled strips based on LVQ neural network WU Guifang,XU Ke,XU Jinwu Mechanical Engineering School,University of Science and Technology Beijing,Beijing 100083,China ABSTRACT A new method which uses LVO neural network in the automatic classification of surface defects for cold rolled strips was presented.The problems of long time and low accuracy in the classification of multi-defect pattern types with some traditional classification algorithms were resolved.Tested by 14 main defect types collected from online data,the results demonstrated that the method of surface defects for cold rolled strips based on LVQ neural network spent little time during training and classifying,and its accuracy could be assured on the recognition process of multi-defect pattern types. KEY WORDS cold rolled strips;surface defect;defect classification;LVQ neural network
V匕 L2 7 N o . 6 吴贵 芳等 :基 干 L v Q 神 经 网络 的冷 轧带钢 表面 缺 陷分 类方 法 73 5 成 的学 习不 充分 引起 的 ; 另外 还需 要 对这 些缺 陷 的产 生机 理进 行更 深 入 的研究 , 以提取 更 能描 述 这 些 缺 陷 的 特 征 类 型 , 以 期 达 到 更 好 的 检 测 效 果 . 4 结论 ( l) 基 于 VL Q 神经 网络 的冷 轧带 钢 表面 缺 陷 的 分类 方 法 在 训练 与 分 类 的 耗 时上 较 以往 的 基 于 B P 网络 的 分类 方法 大 大 减少 , 在 分类 速 度 上 能适 应现场的 实时检测 . (2 ) 在 多缺 陷模式类 型情 况 下 , 基 于 LV Q 神 经 网络 的冷 轧 带钢 表 面 缺 陷 的 分类 方 法 能 准 确 地识 别 出大 多数的主要 缺 陷类 型 , 随着 缺 陷模 式 类 型 的增 加 , 系统 的识 别准 确率 依 然 能 得 到保 证 , 所 以能适 应现 场 生产 中多缺 陷模 式类 型下 的 分 类 需要 . 参 考 文 献 川 徐 科 , 徐 金梧 , 梁 治 国 , 等 . 冷 轧带钢 表面 质量 自动 检测 系 统 的在线 应用研 究 . 冶金 自动 化 , 2 0 0 3 (:1) 51 2[ ] 徐 科 , 徐金梧 , 鹿 守理 , 等 . 冷 轧带钢 表面 自动 监测 系统 的 研 究 . 钢铁 , 20 O0( 1 0) : 63 3[ ] 徐 科 , 徐 金梧 , 班 晓娟 . 冷轧 带钢表 面质 量 自动监 测系统 的模式 识别 方法 研 究 . 钢 铁 , 2o 2( 6) : 28 1 4 ] K oh on en 工 N e w D ve l o P m e n ts o f l e 田旧 10 9 v e c otr q u a n t iaZ t i o n an d ht e se l-f o gZ 画 z ign 功 a P . ih : S ym P o s ~ 叨 N e 切旧 1 N at · w o rk s . O s ak a : lA il acn es a D d P ers P e c it ve s in S e n n , 19 92 侈] 吴 简彤 , 王建华 . 神经 网络 技术及其应 用 . 哈 尔滨 :哈尔滨 工程大 学 出版社 , 19 98 6[ ] W七e h s ler eT x t u le an ly s i s : a s u r v e .y s啥. a l P or e ” 、 , 19 8 0 (2 ) : 2 7 1 7[ ] 张济忠 . 分 形 . 北 京:清 华 大学 出版社 , 19 95 C l a s s iif c at i o n o f s ur af e e d e fe e t s of r e o ld or ll e d s itr P s b a s e d o n L V Q n e ur a l n e tw o rk 环 z U 伽如 尹答 刃乙厂 eK, X U iJ 儿 ,四 M e e h a n i c al E n g l n e ier gn S e h o o l , U n i v e rs ity o f s e i e n e e a n d eT e h n o l o gy B e ij i n g , B e ij in g 10 0() 8 3 , C hi an A B S T R A C T A n e w m e t h o d 、比i e h u s e s LV Q n e aur l n e 扒邢o rk in t h e au t o m at i e e l a s s iif e iat o n o f s ur af e e d e fe e ts of r e o ld or ll e d s itr P s w a s Pre s ent e d . T h e Por b le m s o f l o n g it m e an d l o w a e c u r a c y in hte e al s s iif e iat o n o f m u it i 一 de cfe t P a t e m ty P e s w iht s o me tr ad it i ( a)n 1 e l a s s iif e iat o n al g o ir t h m s w e re re s o Vl e d . eT st e d b y 14 am in d e fe ct ty P e s e o ll e ct e d 云U 功 o n lin e da at , ht e 抢 s u lt s d e m on s tr a t e d ht at ht e m e ht o d o f s ur fac e de fe e t s fo r e o l d or le d s tr i P s b a s e d o n VL Q n e uar l n e wt o kr s P e nt lit l e it m e d u ir n g tr a in i n g an d e las s ify ign , a n d it s ac e 山浓c y e ou ld b e a s s二d o n ht e ” e o gn i it o n Por e e s s o f m u ltl 一 d e fe e t P a t e m t y P e s · K E Y WO R D S e o ld or ll e d s 七i P s ; s u r fa e e d e fe c t ; d e fe ct c l a s s iif e iat on ; L V Q n e ur a l n e。刃以k