[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

说明书

本发明公开了一种钢材表面质量检测技术，包括钢材损耗图片的预处理和识别两个步骤。第一个步骤中首先通过超像素分割得到钢材表面损耗的细节描述，然后采用迭代的ostu最优阈值分割方法将超像素分割结果分为多类，最后采用一种最近特征合并策略将多类中相似的超像素进行合并，得到最终的预处理图片。第二个步骤中构建了基于半监督深度聚类的钢材表面损耗识别模型。模型主体结构由集成学习构成，首先利用第一步得到的钢材表面损耗预处理结果进行集成学习模型的非监督学习训练，然后采用k‑means聚类对集成学习模型输出进行聚类，并借助同一簇中有标记图片确定其余不含标记图片的类别划分，得到更多可信度高的标记图片，进一步利用此标记图片进行集成学习模型的半监督训练。本模型识别率高，稳定可靠，对于缺少标记的钢材表面质量检测应用具有较好的实际应用价值。

技术领域

本发明涉及钢材表面质量检测的技术，尤其是一种进行钢材表面损耗图片预处理，构建半监督深度聚类模型进行钢材表面损耗识别的方法。

背景技术

表面质量检测对于钢材表面至关重要，不仅体现在后续钢材产品的生产流程中，也影响最终的产品质量好坏。然而，由于钢材表面损耗出现位置的不确定性和损耗的多样性，钢材表面质量检测一直都是一个棘手的问题。传统的钢材表面检测技术多为人工检测，不仅消耗人力成本，而且人工识别主观性强，识别率受限。随着神经网络的发展，深度学习模型在图片识别分类等任务中的优势得到了极大地体现，尤其是当深度学习模型训练数据集极大的时候。现有一些基于监督学习的钢材表面质量检测算法取得了较好的钢材表面损耗识别效果，但是考虑到实际应用中钢材表面损耗图片标记难以获取，或获取样本的成本极高。

发明内容

针对现有一些基于监督学习的钢材表面质量检测算法在实际应用中钢材表面损耗图片标记难以获取，获取样本的成本极高的情况，本发明设计了一种基于半监督深度聚类的钢材表面质量检测方法，即使在标记图片极少的情况下也可以很准确高效的完成钢材表面质量检测的任务。

本发明目的是解决钢材表面损耗图片标记难以获取，数量极少情况下的钢材表面质量检测问题，提供一种新的进行钢材表面质量检测方法。

为实现上述技术目的，本发明采用如下技术方案实现：

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。

所述超像素分割算法采用ERS进行。

所述迭代ostu最多进行3次，将所有超像素分割为8类。

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。

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。