[发明专利]一种基于串/并行集成学习框架的带钢表面质量缺陷分类器及其分类方法

说明书

本发明提出了一种基于串/并行集成学习框架的带钢表面质量缺陷分类器及其分类方法，具体包含：一种基于串/并行集成学习框架的分类器结构，与该分类器结构相适应的缺陷合并和分级方法，以及缺陷规则表构建方法。与传统技术相比，本发明具有以下优点：基于串/并行集成学习框架的分类器改变常用的“将多个分类器简单并行，然后通过加权投票确定最终分类结果”的思路，把传统的并行分类器结构改造成独特的串/并行集成结构。通过充分融合最新的机器学习分类识别技术、缺陷产生机理和人工经验规则，辅以与分类器结构相适应的缺陷合并和分级方法，进一步提高了带钢表面质量缺陷分类识别的准确度，并改善了分类器的自学习能力、实时性能和泛化能力。

技术领域

本发明属于带钢表面质量缺陷检测和分类技术领域，涉及到计算机视觉和机器学习方法，特别涉及到一种基于串/并行集成学习框架的带钢表面质量缺陷分类方法。

背景技术

质量是现代企业的灵魂，是企业赖以生存和发展的基石。

在钢铁、造纸、纺织、印染和玻璃等多个国民经济的主流工业门类中，产品表面质量的优劣将直接影响产品最终的质量、性能和价值，同时，由于下游客户对产品表面质量的要求越来越严苛，良好的表面质量成为企业在激烈的市场竞争中胜出的重要法宝，因而，在这些行业中存在着广泛的产品表面质量检测需求。

本发明涉及的是钢铁工业的主要产品之一——带钢的表面质量缺陷检测分类问题。为了准确地识别出带钢表面质量缺陷，传统上一般采用人工目测或离线抽检，或者二者相结合的方式。但是，随着钢铁工业生产水平的发展，传统的检测方式显然已不能满足现代工业生产中高速、高产和高品质的要求，无法得到连续、稳定、多样的表面质量检测结果。机器视觉技术的广泛应用和人工智能理论的蓬勃发展为各行业中表面质量检测问题提供了崭新的思路和解决途径。也正是基于此，应用机器视觉和人工智能方法研究该问题已逐渐成为国内外学者、学术机构和企业研究的热点。

发明内容

带钢表面质量缺陷分类是一个复杂生产条件下的多特征、多类别的模式识别问题。提高分类识别的准确度和稳定性是分类器设计所面临的关键科学问题。已有的多分类器组合方法往往“将多个分类器简单并行，然后加权投票确定分类结果”，无任何预处理和中间介入的环节。针对传统的多分类器组合方法中存在的如分类准确率不高，分类器自学习能力和泛化能力弱、实时性能不佳等问题，本发明提出了一种基于串/并行集成学习框架的带钢表面质量缺陷分类方法。

本发明采用的技术方案包含以下技术内容：

一种基于串/并行集成学习框架的带钢表面质量缺陷分类器，其特征在于，分类器为自上而下分的三层串行结构，包含规则表和机器学习分类器，具体是：

上层是规则表，

中间层是多个并行的机器学习分类器，

下层是规则表或单一机器学习分类器。

规则表在结构上体现为一种二维表，具体包含两列，分别是序号和对规则具体内容的描述。规则表的行数由规则数量决定。

在上述的一种基于串/并行集成学习框架的带钢表面质量缺陷分类器，规则表是结合缺陷产生的工艺机理，并借鉴和吸收现场专家的经验和知识，经转化之后形成的分类判定规则。在选择中间层的多个并行学习分类器时，注重它们相互之间的互补性，规则表的构建步骤包括：

S201，寻找一个取值范围与其他所有类别零重叠的特征，如果找到了这样的特征，则将该特征加入上层规则表中，由该特征区分的缺陷类别为上层层级的缺陷。

S202，寻找一个取值范围与其他特定类别(非所有类别)零重叠的特征，如果找到了这样的特征，则将该特征加入下层规则表中，由该特征区分的缺陷类别为下层层级的缺陷。

S203，对所有的特征执行遍历比选，直至结束。