[发明专利]一种基于半监督深度聚类的钢材表面质量检测方法

权利要求书

1.一种基于半监督深度聚类的钢材表面质量检测方法，其特征在于，包括以下步骤：

1)钢材表面损耗图片的预处理：

采用超像素分割算法对原始钢材表面损耗图片进行分割，提取损耗的边界信息，进行损耗与背景的区分；

利用迭代的ostu最优阈值分割方式进行超像素的分类；

采用最近特征距离合并策略将相似的超像素类别进行合并，得到预处理后的钢材表面损耗图片；

2)钢材损耗图片的识别：

构建集成学习模型，用预处理后的图片进行集成学习模型的非监督学习训练；利用k-means聚类将集成学习模型输出进行聚类，同簇中没有标记的图片的类别与有标记的图片一致，以此得到更多可信度高的带标记图片；利用带标记图片进行集成学习模型的半监督训练。

2.根据权利1要求的一种基于半监督深度聚类的钢材表面质量检测技术，其特征在于，所述迭代ostu最多进行3次，将所有超像素分割为8类。

3.根据权利1要求的一种基于半监督深度聚类的钢材表面质量检测技术，其特征在于，所述最近特征距离合并(最多)进行4次，得到最终类别(最少)为4的钢材表面损耗预处理图片。

4.根据权利1要求的一种基于半监督深度聚类的钢材表面质量检测技术，其特征在于，所述集成学习模型中基模型为Ladder networks网络结构，其是包含两个编码器(一个带噪声，一个不带噪声)和一个解码器(输入为带噪编码器输出)的深度降噪自编码器。

5.根据权利1要求的一种基于半监督深度聚类的钢材表面质量检测技术，其特征在于，所述非监督学习过程损失函数包括三部分：不带噪声编码器与解码器输出的重构损失(reconstructionloss)，两个编码器输出与输入的互信息损失(mutual informationloss)，两个编码器输出的相对熵(KL divergence)。

6.根据权利1要求的一种基于半监督深度聚类的钢材表面质量检测技术，其特征在于，所述半监督学习过程损失函数包括四部分：不带噪声编码器与解码器输出的重构损失(reconstructionloss)，两个编码器输出与输入的互信息损失(mutual informationloss)，两个编码器输出的相对熵(KL divergence)和带噪声编码器输出的交叉熵损失(cross entropy loss)。