[发明专利]一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法

说明书

技术领域

本发明涉及泡沫镍材料领域，具体涉及一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法。

背景技术

泡沫镍是通过对镍金属进行一系列物理化学加工后得到的多孔泡沫金属材料，它作为车用电池的基材，对电池性能的影响极大。在泡沫镍制备过程中，由于原料、工艺等方面因素，容易导致泡沫镍表面出现压痕、折痕、镍皮、裂纹、划线、漏镀、擦伤等不同类型的缺陷，而这些缺陷严重影响着泡沫镍的成品性能和质量。

目前，泡沫镍表面缺陷的检测与识别主要采用人工检测手段，即操作人员通过肉眼观察传送带上的泡沫镍，凭经验对泡沫镍的缺陷进行人工判决，从而进行相应的手动处理。这种方式存在劳动强度大、效率低，主观性强和检错率高。而这是因为这种质量检测分析的滞后，难以有效在线优化泡沫镍的生产工艺。

常见的缺陷分类识别方法有回归分析法、人工神经网络法、支持向量机以及组合等方法。如王典洪等人提出基于监督双限制连接方法的带钢表面缺陷图像降维方法，实验说明该方法适合含水，油渍等干扰较多的带钢表面缺陷的分类。Zhang等人对金属表面缺陷首先采用小波去噪，阈值分割，然后利用优化支持向量机(SVM)进行缺陷的分类，实验说明能有效识别七种类型的缺陷。张学武等人借鉴生物视觉仿生机理构建了对铜带表面缺陷检测模型，在多缺陷分类实验中取得较好的效果；徐科等人基于光度立体学的原理，采用明暗场的照明方式实现了金属板带表面微小缺陷在线检测。上述方法为泡沫镍过程的缺陷分类识别提供了借鉴，但由于泡沫镍表现出更为复杂的纹理状，缺陷与背景之间对比度低，不同缺陷形态特征相似性大，采用上述模型有一定的局限性。如回归分析法的识别率偏低，不能适用于具有复杂纹理的泡沫镍缺陷分类；神经网络模型在模式识别和分类中获得广泛应用，但其性能受参数影响较大，在算法执行过程中输入权值，隐含层节点阈值等都会影响最终的输出，另外对相似缺陷难以有效区分。

针对神经网络模型存在的诸多问题，新加坡南洋理工大学黄广斌教授提出一种单隐层前馈神经网络(single-hidden layer feed forward neural network, SLFN)学习算法-极限学习机(extreme learning machine, ELM)。该方法随机设定隐含层函数参数，经过一步计算可以直接得到输出权值，省去了传统的神经网络算法中迭代的步骤，因此学习速率较BP神经网络和支持向量机等机器学习算法大大提高。Huang等人提出通过一种标准优化方法，利用ELM解决分类问题，随后又证明了可以直接通过ELM解决任意多分类问题，取得了较好的实验效果。但是，一方面在实际应用中，受目标识别类别多，训练样本少以及单一特征描述不够充分等特点，使得该分类方法存在识别准确率不理想；另一方面由于初始权值随机赋值，ELM分类在临界边界区域操作工况识别结果不稳定。

发明内容

针对上述现有技术存在的不足，本发明的目的是提供一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法。该方法在分析泡沫镍生产工艺和表面缺陷类型的基础上，利用复合差分进化算法优化极限学习机的输入权值和隐层阈值，考虑每一个分类器输出值对最终结果的影响，提出概率极限学习机集成方法，为泡沫镍生产过程的自动检测和优化控制奠定基础。

为实现上述目的，本发明采用的技术方案是：一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法，其特征在于，包括如下步骤：

步骤1：获取各种泡沫镍表面缺陷图像，包括污染、折痕、裂纹、漏镀、刮伤这五种常见缺陷图像；

步骤2：分别提取泡沫镍图像的纹理特征，包括能量、熵、对比度和逆差矩，作为极限学习机多分类器的输入样本x；

步骤3：构建概率极限学习机集成策略；

步骤4：以样本x为输入，采用概率极限学习机集成策略构建泡沫镍缺陷分类模型，实时对多泡沫镍缺陷进行分类。

上述步骤2具体操作为：

（1）计算泡沫镍图像的灰度共生矩阵，

(1)

式中L是图像的灰度级数，本发明中L取值256，为两像素顺时针与x轴的夹角，其取值通常为0^o、45^o、90^o和135^o。通常，表示2个像素之间的距离为1；

（2）利用灰度共生矩阵计算能量、熵、对比度和逆差矩这些纹理特征，其中能量E为：

(2)