[发明专利]一种面向不平衡钢卷外形缺陷数据的分类方法

说明书

一种面向不平衡钢卷外形缺陷数据的分类方法，1：针对钢卷外形缺陷图像数据组成的训练样本集，获取每一类缺陷样本子集在核映射空间上的稀疏化描述；2：在核映射空间上建立新的多类钢卷外形缺陷分类训练模型，新的多类分类训练模型由每一类钢卷外形缺陷的二分类子模型组成，3：建立新的多类钢卷外形缺陷分类预测模型；4：利用钢卷外形缺陷训练样本集和测试样本集对所有的钢卷外形缺陷二分类子模型和预测模型进行训练，获得模型的最优参数；5：将未知类别的钢卷外形缺陷样本输入到新的多类分类预测模型中，完成缺陷的自动识别。实现了小样本数据下的缺陷钢卷外形和正常钢卷外形的自动分类识别，同时解决了不平衡数据下的分类问题。

技术领域

本发明涉及模式识别技术领域，特别涉及一种面向不平衡钢卷外形缺陷数据的分类方法。

背景技术

钢板在前期的轧制卷取过程和后期的运输过程中可能会造成钢卷的外形缺陷，如：塔形、松卷、错层、吊坏、塌卷等。钢卷的外形缺陷会造成工序成材率降低，影响到机组作业率，给下游工序机组运行带来严重影响，严重的缺陷会导致整卷带钢报废。因此，钢卷的外形缺陷会严重影响成品带钢的品质。

为防止缺陷钢卷流入用户或者下游工序，目前国内钢厂主要采用人工目视的方法进行检测，即在卷取机旁配备端部拍摄设备，将边部图片通过系统传递到操作终端，由人工根据经验判定是否有缺陷。这种方式不仅消耗大量的人力资源且容易因质检员疏忽使缺陷产品流出，从而造成质量异议。为了替代人工检测，可采用模式识别技术实现钢卷外形缺陷的自动检测，即以钢卷的边部图像数据为样本，利用分类模型完成识别。

但是，钢卷外形缺陷的识别需要考虑实际的问题来选择适宜的分类模型。一方面，正常的钢卷外形图像很多，但具有缺陷的钢卷外形图像少，这就造成了钢卷外形缺陷的分类属于小样本学习。另一方面，具有不同类型缺陷的钢卷外形图像的数量存在大的差异，比如说松卷缺陷出现较多而塌卷缺陷出现较少，这就造成了钢卷外形缺陷的分类属于不平衡学习。而且，在检测初期，部分钢卷外形缺陷会非常稀缺。因此，针对小样本数据下的不平衡问题，提供一种分类方法，能够准确的完成钢卷外形缺陷识别。

发明内容

为了解决背景技术提出的技术问题，本发明提供一种面向不平衡钢卷外形缺陷数据的分类方法，实现了小样本数据下的缺陷钢卷外形和正常钢卷外形的自动分类识别，同时解决了不平衡数据下的分类问题。根据分类的缺陷信息，可替代人工检测，更准确更有效的自动监控钢卷的外形，避免缺陷钢卷流入用户或下游工序。

为了达到上述目的，本发明采用以下技术方案实现：

一种面向不平衡钢卷外形缺陷数据的分类方法，包括以下步骤：

步骤1：针对钢卷外形缺陷图像数据组成的训练样本集，获取每一类缺陷样本子集在核映射空间上的稀疏化描述；

步骤2：在核映射空间上建立新的多类钢卷外形缺陷分类训练模型，新的多类分类训练模型由每一类钢卷外形缺陷的二分类子模型组成，二分类子模型的正类样本是当前类稀疏化描述数据，负类样本是其它类稀疏化描述数据；

步骤3：建立新的多类钢卷外形缺陷分类预测模型；

步骤4：利用钢卷外形缺陷训练样本集和测试样本集对所有的钢卷外形缺陷二分类子模型和预测模型进行训练，获得模型的最优参数；

步骤5：将未知类别的钢卷外形缺陷样本输入到新的多类分类预测模型中，完成缺陷的自动识别。

进一步地，所述的步骤1获取每一类缺陷样本子集在核映射空间上的稀疏化描述的过程如下：

钢卷外形缺陷训练和测试样本集包括塔形、松卷、错层、吊坏和塌卷缺陷外形样本以及正常钢卷外形样本；

定义第n(n＝1,2,…,N)类缺陷样本子集为其中N是整个样本集中的钢卷外形缺陷类别数目，是子集的第i个样本，mⁿ是子集的样本数目，d是样本的维度。