·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