[发明专利]基于案例推理的钢板表面缺陷的自动识别方法

摘要

由于识别钢板表面缺陷的机理模型难以建立，不利于产品质量的检测与控制，本发明提出一种基于案例推理技术的钢板表面缺陷的识别方法，实现对裂纹、鳞皮、结疤、凸起等七种缺陷的自动识别；该方法通过建立案例库、权重分配、获取目标案例、数值归一化、案例检索、案例重用及案例存储等环节建立案例推理识别模型，并实现识别算法，从而提高识别的准确率；解决了当前分配案例推理特征变量权重的主观性和不确定性而导致识别准确率低的问题；实验结果表明该方法能够准确识别钢板表面的缺陷，具备良好的灵敏性和特异性，提高钢板表面缺陷的处理效率和降低废品率，对钢板生产期间表面缺陷的成因分析、改进生产操作方法、提高产品质量具有重要意义。

主权项

一种基于案例推理的钢板表面缺陷的自动识别方法，其特征在于包括以下步骤：步骤1：建立案例库；将从生产现场获得的历史数据表示成序偶形式，并存储于案例库中，钢板缺陷问题描述共有27个特征变量，分别用x1,…,x27表示，这27个特征变量包括X最小值、X最大值、Y最小值、Y最大值、像素区域、X周长、Y周长、光度和、最小光度、最大光度、输送辊道长度、钢种A300、钢种A400、钢板厚度、边缘指数、空指数、平方指数、外部X指数、边缘X指数、边缘Y指数、外部全局指数、面积记录、X指数记录、Y指数记录、取向指数、光度指数和S状弯曲面积，钢板缺陷种类共7类，包括裂纹、Z刮伤、K刮伤、鳞皮、结疤、凸起或其它；其中第k个历史数据构成的源案例表示为Ck＝(Xk；Yk),k＝1,2,…,p其中，p是源案例总数；Xk＝(x1,k,…,xi,k,…,x27,k)是第k个源案例的问题描述，xi,k(i＝1,2,…,27)表示第k个源案例问题描述中的第i个特征变量的数值，Yk是第k个源案例中的缺陷种类；步骤2：确定各个特征变量的权重；采用遗传算法GA对权重进行迭代训练后分配，具体为：(1)获取训练案例；设定训练权重的案例数量q，记为Ck'＝(Xk'；Yk'),k'＝1,2,…,q；(2)将训练案例问题描述Xk'中的每一个特征变量的数值进行归一化处理，归一化后每个训练案例可表示为其中的(3)参数初始化；设定特征变量初始权重组合的组数m>1、迭代次数Iter>1、交叉概率Pc∈(0,1)、变异概率Pmu∈(0,1)以及对每一个权重进行二进制编码的位数n，然后随机产生由m组以n位二进制编码表示的特征变量权重组合组成的初始权重矩阵，如下矩阵形式：其中，Gj是以二进制码表示的第j组权重组合，Gj,i表示第j组权重组合Gj中第i个特征变量xi的二进制码权重，表示Gj,i中的第l位数据；(4)对权重矩阵中的每一组二进制码权重组合进行十进制解码，得到以十进制表示的权重矩阵D，然后经过映射变换得到映射变换后的权重矩阵Ω，所述的权重矩阵D如下所示：其中，Dj是以十进制表示的第j组权重组合，Dj,i是十进制解码；所述的权重矩阵Ω如下所示：其中，Ωj是映射变换后的第j组权重组合，ωj,i∈[0,1]是第j组权重组合中特征变量xi的权重；(5)计算相似度；将上步中得到的解码后的m组权重组合Ω1～Ωm分别用q个训练案例并采用留一法进行训练，计算得到每组权重组合的q‑1个相似度；(6)利用相似度，依次计算权重组合Ω1～Ωm分别作用时的正确匹配次数q′j(j＝1,2,…,m)；(7)利用正确匹配次数q′j，依次计算权重组合Ω1～Ωm分别作用时的准确率Fj(j＝1,2,…,m)，并记录本次迭代的最高准确率max(F1,F2,…,Fm)；(8)利用准确率Fj，依次计算权重组合Ω1～Ωm被选择的概率，然后根据权重组合Ω1～Ωm被选择的概率，采用轮盘赌法得到选择操作后的二进制码权重矩阵G'＝[G′1 … G'j … G'm]T，其中，T表示矩阵转置，G'j是Gj经过选择操作后的第j组二进制码权重组合；(9)交叉：将上步选择后的权重矩阵G'中的m个权重组合从第一个开始，两两配对交叉，m是奇数时，最后一权重组合不参与交叉，具体为：比较设定的交叉概率Pc∈(0,1)和随机产生的实数rpc∈(0,1)大小关系，如果随机数rpc小于Pc，则产生一个随机整数Cpoint∈(0,27n)，以此整数为分界点将两两配对的权重组合分别分为左右两部分，右边不含分界点处的二进制数，然后将它们的右边部分互相交换；否则，保持原来的值不变，重复此过程，一直到所有权重组合均执行上述操作，从而形成交叉后的权重矩阵，如下式所示：其中，G″j是G'j经过交叉操作后的第j组二进制码权重组合，G″j,i表示第j组权重组合G″j中第i个特征变量xi的二进制码权重；(10)变异：根据设定的变异概率Pmu∈(0,1)，对上步交叉后的权重矩阵中的每一个二进制位产生一个随机数rpm∈(0,1)，如果随机数rpm小于Pmu，则将该二进制位取反；否则，保持原来的值不变，从而形成变异后的权重矩阵，如下式所示：其中，G″j是G″j经过变异操作后的第j组二进制码权重组合，G″j,i表示第j组权重组合G″j中第i个特征变量xi的二进制码权重；(11)获取权重；若未达到设定的迭代次数Iter，则针对上步变异后的权重矩阵，重复上述的步骤(4)～步骤(10)，直至达到设定的迭代次数Iter时为止，此时，将每次迭代过程中步骤(7)记录的最高准确率max(F1,F2,…,Fm)按降序排列，处于第1位的准确率所对应的那一组权重即为所求，记为ω1～ω27，从而完成通过GA迭代训练后分配权重的过程；步骤3：获取目标案例；记目标案例的问题描述数据是Xp+1＝(x1,p+1,…,xi,p+1,…,x27,p+1)，待识别的结果记为Yp+1；步骤4：数值归一化；将源案例问题描述Xk＝(x1,k,…,xi,k,…,x27,k)，k＝1,2,…,p和目标案例问题描述Xp+1＝(x1,p+1,…,xi,p+1,…,x27,p+1)中的特征变量的数值进行归一化处理，如下式所示：其中，为归一化后第k个源案例的问题描述中第i个特征变量的数值；为归一化后目标案例的问题描述中第i个特征变量的数值；步骤5：案例检索；根据目标案例问题描述与源案例问题描述中归一化后的各个钢板缺陷特征变量的数值以及获得的权重ω1～ω27，计算各源案例与目标案例的相似度sk：可以得到p个相似度，分别是s1～sp；步骤6：案例重用；取出s1～sp中的最大相似度，它对应的源案例的缺陷种类即为目标案例的识别结果Yp+1：步骤7：案例存储；将目标案例的识别结果Yp+1及归一化前的目标案例问题描述Xp+1＝(x1,p+1,…,xi,p+1,…,x27,p+1)组成新的源案例存储于案例库中，源案例总数p增1，实现案例库的增量式学习过程。