[发明专利]基于BP神经网络和支持向量机的铝板表面缺陷分类方法

权利要求书

1.基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，

提取铝板表面缺陷的特征值作为BP神经网络分类模型的输入量，油斑和非油斑的第一类缺陷作为输出量构建BP神经网络分类模型；

第一类缺陷采用一对一的分类方法，构建多个支持向量机分类模型；

获取学习样本并训练BP神经网络分类模型与支持向量机分类模型；

利用训练后的BP神经网络分类模型分出油斑和非油斑的第一类缺陷，把训练后的BP神经网络分类模型认为是油斑的测试样本剔除，只剩下第一类缺陷的测试样本；

用训练后的支持向量机分类模型对剩下的第一类缺陷再进行分类；最后统计得到分类结果；

利用BP神经网络分出油斑，再利用支持向量机对第一类缺陷进行细分，两类分类方法的融合实现了精准快速的分类。

2.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，所述第一类缺陷包括气泡、破皮、暗痕、亮痕、孔洞及黑线。

3.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，获取学习样本的方法为：对铝板表面缺陷检测系统采集的缺陷图进行缺陷特征值数据的提取，得到学习样本数据。

4.如权利要求3所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，采用自适应阈值法对缺陷图进行分割，从几何特征、形状特征及灰度特征三类特征中提取得铝板表面缺陷的多个特征值，将每一个特征值归一化在[-1,1]之间，把归一化的特征值作为学习样本的数据。

5.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，得到学习样本后，采用BP算法训练BP神经网络分类模型并得到最优的BP神经网络分类模型参数。

6.如权利要求2所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，最后的统计得到的分类类别包括油斑、气泡、破皮、暗痕、亮痕、孔洞及黑线。

7.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，BP神经网络分类模型的结构为三层，包括输入层、隐含层和输出层，输入层节点数与提取的缺陷特征值维数相同，输出层节点数为2，隐含层节点数为6～15。

8.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，所述的支持向量机分类模型采用带惩罚因子C的支持向量机类型，高斯径向基函数作为核函数，构建多个子分类模型。

9.如权利要求8所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，采用网格搜索法来确定支持向量机分类模型的最优参数。

10.如权利要求1所述的基于BP神经网络和支持向量机的铝板表面缺陷分类方法，其特征是，所述支持向量机分类模型学习的样本包括气泡、破皮、暗痕、亮痕、孔洞及黑线。