[发明专利]识别特殊点状类缺陷的检测方法

权利要求书

1.一种识别特殊点状类缺陷的检测方法，其特征在于，包括以下步骤：

第1步骤、获取工业相机扫描识别后经过缺陷检测装置检测到的黑点与麻点缺陷数据，将黑点与麻点缺陷数据作为样本数据；

第2步骤、将样本数据进行中心标准化处理，去除样本数据中特征物理量之间的单位限制，转化为无量纲的纯数值数据；

第3步骤、使用模糊C均值聚类法对样本数据进行聚类；

第4步骤、使用间隔统计量来评价聚类结果：计算聚类后每一类中样本间彼此的欧式距离平方之和称为类内紧密度，类内紧密度用来表示，类内紧密度的计算公式是：

其中，表示第k个聚类中心；和是第k类中的样本；表示与之间的欧氏距离；

其中，表示聚类数为K时的间隔统计量；表示聚类中的聚类中心数；是的期望；表示的对数；

第5步骤、以不同的聚类中心数C值作为模糊C均值聚类数，其中，C∈[1,n]，n表示数据样本量个数，且n是大于等于1的正整数；重复第3步骤和第4步骤，这样就得到了n个Gap值，选择Gap值最大的C值作为模糊C均值最佳聚类数进行模糊C均值聚类；聚类结束后，将C类中样本量为1的类别判断为黑点缺陷，将C类中样本量大于1的类别判断为麻点缺陷。

2.根据权利要求1所述的识别特殊点状类缺陷的检测方法，其特征在于：在第4步骤中，越小，表示这类的类内距离越小，聚类越紧密；Gap值越大，表示在该聚类数下的聚类效果越好。

3.根据权利要求1所述的识别特殊点状类缺陷的检测方法，其特征在于：在第5步骤中，C的取值集合是2、3、4、……、n*2/3，其中，n表示数据样本量个数，且n是大于等于1的正整数，n*2/3向上取整，重复第3步骤和第4步骤，这样就得到了（n*2/3-1）个Gap值，其中n*2/3向上取整。

4.根据权利要求1所述的识别特殊点状类缺陷的检测方法，其特征在于：在第1步骤中，对样本数据集进行一致性检查，缺失值、异常值处理，检查数据有无缺失，若缺失则删除此条数据，检查数值是否在实际特征物理量取值范围之内，若超出范围则删除此条数据。

5.根据权利要求1所述的识别特殊点状类缺陷的检测方法，其特征在于：在第2步骤中，对某特征物理量序列进行标准化转换，其中，n表示数据样本量个数，且n是大于等于1的正整数，中心标准化处理的计算公式是：

其中，表示中心标准化转换后的特征物理量；为取值范围在[1,n]的正整数；表示某个特征物理量；表示某特征物理量第i个数值；表示特征物理量序列z的均值；表示标准差；

中心标准化后的某特征物理量序列为，去除标准差为0的特征物理量。

6.根据权利要求5所述的识别特殊点状类缺陷的检测方法，其特征在于：特征物理量序列z的均值的计算公式是：

其中，n表示数据样本量个数，且n是大于等于1的正整数；表示某特征物理量第i个数值。

7.根据权利要求5所述的识别特殊点状类缺陷的检测方法，其特征在于：标准差的计算公式是：

其中，n表示数据样本量个数，且n是大于等于1的正整数；表示某特征物理量第i个数值；表示特征物理量序列z的均值。

8.根据权利要求1所述的识别特殊点状类缺陷的检测方法，其特征在于：在第3步骤中，对每个样本和每个簇赋予一个权值，每个样本在哪个类的权值最大则归为哪个类，权值取值范围在[0,1]之间，越接近于1表示权值越大，越接近于0表示权值越小，对样本数据进行模糊C均值聚类法聚类之前需要确定聚类的簇数m和聚类中心数C，其中m是取值范围在[1,∞）的正整数。

9.根据权利要求8所述的识别特殊点状类缺陷的检测方法，其特征在于：聚类方法的具体步骤如下：

第3.1步骤、随机生成n*C的权值矩阵；

第3.2步骤、计算第j个聚类中心；

第3.3步骤、重新计算权值矩阵U，记为，t表示第t次迭代；

第3.4步骤、计算本次迭代的误差平方和，当误差平方和相对较小时，则达到较优聚类结果；

第3.5步骤、重复第3.1步骤、第3.2步骤、第3.3步骤以及第3.4步骤，迭代计算聚类中心和权值矩阵，迭代至第t+1次迭代计算出的误差平方和与第t次迭代计算出的误差平方和的结果几乎相同时，取第t次迭代中C个聚类中心和n*C的权值矩阵，根据第t次迭代后的权值矩阵按照模糊集合中的最大隶属原则确定每个样本的归属类别。