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