正在加载图片...
,1346. 北京科技大学学报 第31卷 表2与LPP降维分类测试结果相对应的分类混淆矩阵 Table 2 Confusion matrix corresponding to the test results of dimension reduction via LPP 缺陷 压痕 横向划伤 横向裂纹氧化铁皮纵向划伤 纵向裂纹 结疤 网纹 麻点 压痕 9 0 0 1 0 0 0 横向划伤 0 35 3 2 0 0 0 2 0 横向裂纹 0 0 125 3 0 1 3 0 氧化铁皮 0 2 1 91 3 0 1 纵向划伤 0 0 0 2 35 4 0 1 1 纵向裂纹 0 0 0 0 225 0 0 结疤 1 个 0 3 0 0 网纹 0 0 3 0 名 麻点 0 0 2 0 0 任何一种特征提取方法都是有其适用范围的，本文 适用于中厚板表面缺陷检测 提出的方法也不例外，要想提高这三种缺陷的识别 率，必须在特征向量中加入表面图像的纹理特征量 参考文献 (2)五种形状缺陷的识别率比较高，在降维前 [1]Song Q.Xu K.Xu J W.Recognition of surface defects on medi- um and heavy plates based on structure spectrum.J Univ Sci 后都有一两个百分点的正常浮动，横向划伤和纵向 Technol Beijing.2007.29(3):342 划伤的正确率低于90%.通过分析混淆矩阵发现， (宋强，徐科，徐金梧.基于结构谱的中厚板表面缺陷识别方 这两种缺陷分别被误识为横向裂纹和纵向裂纹，根 法.北京科技大学学报，2007,29(3)：342) 据它们在形状上相似可以解释这一结果， [2]Li W F.Xu K.Yang C L.et al.Classifier design of on-line sur- (③)横向裂纹被误分为氧化铁皮和网纹，甚至 face defect inspection system for plates.Iron Steel.2006.41(4). 47 被误识为纵向裂纹，这是因为待识样本表面氧化铁 (李文蜂，徐科，杨朝霖，等.中厚板表面缺陷在线检测系统的分 皮比较多，导致误判：有一个纵向裂纹被误分为横向 类器设计.钢铁，2006,41(4)：47) 划伤，是因为某些裂纹非常窄，而在裂纹的周围出现 [3]Xu K.Li W F,Yang C L,et al.Feateure extraction based on 了白色的带状区域，导致误判， amplitude spectrum and moment invariants and its application (4)结疤识别率最低，从混淆矩阵中可以看 Acta Autom Sin,2006,32(3):470 (徐科，李文峰，杨朝霖，等。基于幅值谱与不变矩的特征提取 到，结疤主要被错分到纵向裂纹、横向裂纹和氧化铁 方法及应用.自动化学报，2006.32(3)，470) 皮中，这是因为结疤与后三者的图像特征很类似， [4]Roweis S T.Saul K L.Nonlinear dimensionality reduction by lo- 而结疤的样本数目很少，训练不够充分 cally linear embedding.Science.2000.290:2323 (5)采用LPP算法降维，将识别率从88.43% [5]Mallat S.A Wavelet Tour of Signal Processing-California:Aca- 提高到91.60%.这是因为，LPP算法在降维的同 demic Press,1999 [6]Mallat S,Wen L H.Singularity detection and processing with 时，保持样本集流形的局部结构不变，有效地消除了 wavelets.IEEE Trans Inform Theory.1992.38(2):617 一些离群点的影响 [7]Xu Y S,Weaver J B.Healy D M,et al.Wavelet transform do- (6)总体识别率达到91.60%，说明本文的特征 main filters:A spatially selective noise filtration technique.IEEE 提取方法对中厚板表面缺陷识别是有效的， Trans Image Process.1994.3(6):747 [8]Donoho D L.De noising by softthresholding.IEEE Trans In- 6结论 form Theory,1995,41(3):613 [9]Hu MK.Visual pattern recognition by moment invariants.IEEE (1)由于LPP算法能够在降维的同时，保持样 Trans Inform Theory,1962,8(2):179 本集流形的局部结构不变，消除一些离群点的影响： [10]Hupkens T M.de Clippeleir J.Noise and intensity invariant mo- 因此LPP算法的加入，有效地提高了本文方法的识 ments.Pattern Recognit,1995.16(4):371 别率. [11]He X F,Cai D.Niyogi P.Locality preserving projections//Ad- (2)该方法对纵向裂纹和横向裂纹等出现频率 vances in Neural Information Processing Systems 18(NIPS). Vancouver.2005 最高的形状缺陷识别率非常高，分别达到了 [12]He X F.Locality Preserving Projections [Dissertation ]Chica- 93.98%和99.56%，总体识别率达到91.60%，非常 go:The University of Chicago.2005表2 与 LPP 降维分类测试结果相对应的分类混淆矩阵 Table2 Confusion matrix corresponding to the test results of dimension reduction via LPP 缺陷 压痕 横向划伤 横向裂纹 氧化铁皮 纵向划伤 纵向裂纹 结疤 网纹 麻点 压痕 9 0 1 1 0 1 0 0 0 横向划伤 0 35 3 2 0 0 0 2 0 横向裂纹 0 0 125 3 0 1 1 3 0 氧化铁皮 0 2 1 91 3 0 0 1 1 纵向划伤 0 0 0 2 35 4 0 1 1 纵向裂纹 0 1 0 0 0 225 0 0 0 结疤 1 0 2 1 0 3 3 0 0 网纹 0 2 0 3 0 3 0 44 0 麻点 0 1 0 0 0 2 0 0 11 任何一种特征提取方法都是有其适用范围的本文 提出的方法也不例外要想提高这三种缺陷的识别 率必须在特征向量中加入表面图像的纹理特征量． （2） 五种形状缺陷的识别率比较高在降维前 后都有一两个百分点的正常浮动横向划伤和纵向 划伤的正确率低于90％．通过分析混淆矩阵发现 这两种缺陷分别被误识为横向裂纹和纵向裂纹根 据它们在形状上相似可以解释这一结果． （3） 横向裂纹被误分为氧化铁皮和网纹甚至 被误识为纵向裂纹这是因为待识样本表面氧化铁 皮比较多导致误判；有一个纵向裂纹被误分为横向 划伤是因为某些裂纹非常窄而在裂纹的周围出现 了白色的带状区域导致误判． （4） 结疤识别率最低．从混淆矩阵中可以看 到结疤主要被错分到纵向裂纹、横向裂纹和氧化铁 皮中．这是因为结疤与后三者的图像特征很类似 而结疤的样本数目很少训练不够充分． （5） 采用 LPP 算法降维将识别率从88∙43％ 提高到91∙60％．这是因为LPP 算法在降维的同 时保持样本集流形的局部结构不变有效地消除了 一些离群点的影响． （6） 总体识别率达到91∙60％说明本文的特征 提取方法对中厚板表面缺陷识别是有效的． 6 结论 （1） 由于 LPP 算法能够在降维的同时保持样 本集流形的局部结构不变消除一些离群点的影响； 因此 LPP 算法的加入有效地提高了本文方法的识 别率． （2） 该方法对纵向裂纹和横向裂纹等出现频率 最高 的 形 状 缺 陷 识 别 率 非 常 高分 别 达 到 了 93∙98％和99∙56％总体识别率达到91∙60％非常 适用于中厚板表面缺陷检测． 参 考 文 献 ［1］ Song QXu KXu J W．Recognition of surface defects on medium and heavy plates based on structure spectrum．J Univ Sci Technol Beijing200729（3）：342 （宋强徐科徐金梧．基于结构谱的中厚板表面缺陷识别方 法．北京科技大学学报200729（3）：342） ［2］ Li W FXu KYang C Let al．Classifier design of on-line surface defect inspection system for plates．Iron Steel200641（4） 47 （李文峰徐科杨朝霖等．中厚板表面缺陷在线检测系统的分 类器设计．钢铁200641（4）：47） ［3］ Xu KLi W FYang C Let al．Feateure extraction based on amplitude spectrum and moment invariants and its application． Acta A utom Sin200632（3）：470 （徐科李文峰杨朝霖等．基于幅值谱与不变矩的特征提取 方法及应用．自动化学报2006．32（3）470） ［4］ Roweis S TSaul K L．Nonlinear dimensionality reduction by locally linear embedding．Science2000290：2323 ［5］ Mallat S．A Wavelet Tour of Signal Processing．California：Academic Press1999 ［6］ Mallat SWen L H．Singularity detection and processing with wavelets．IEEE T rans Inform Theory199238（2）：617 ［7］ Xu Y SWeaver J BHealy D Met al．Wavelet transform domain filters：A spatially selective noise filtration technique．IEEE T rans Image Process19943（6）：747 ［8］ Donoho D L．De-noising by soft-thresholding．IEEE T rans Inform Theory199541（3）：613 ［9］ Hu M K．Visual pattern recognition by moment invariants．IEEE T rans Inform Theory19628（2）：179 ［10］ Hupkens T Mde Clippeleir J．Noise and intensity invariant moments．Pattern Recognit199516（4）：371 ［11］ He X FCai DNiyogi P．Locality preserving projections∥ A dv ances in Neural Information Processing Systems 18（ NIPS）． Vancouver2005 ［12］ He X F．Locality Preserving Projections ［Dissertation］．Chicago：The University of Chicago2005 ·1346· 北 京 科 技 大 学 学 报 第31卷