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