[发明专利]一种基于Legendre多小波变换的钢材表面缺陷分类方法

说明书

本发明公开了一种基于Legendre多小波变换的钢材表面缺陷分类方法，涉及人工智能与金属材料分类的交叉技术领域。本发明至少包括以下步骤：S1：对钢材表面缺陷数据集进行Legendre多小波变换，通过Legendre多小波变换将原始图片进行一个水平的分解，用两个具有不同正则性的小波能够将图片的缺陷特征表征的更明显；S2：对Legendre多小波变换处理后的数据进行特征提取，至少包括以下参数标准差、熵、均方根、偏度、峰度；S3：使用分类器对特征数据进行训练、分类，获取钢材表面缺陷分类。本发明采用Legendre多小波变换与支持向量机进行缺陷分类，其中，Legendre多小波变换主要完成对图片数据的Legendre多小波变化处理，支持向量机则用来对图片特征数据进行分类，该方法无需使用复杂的特征提取方法，缺陷图片经过Legendre多小波对处理过后特征纹理更加明显，大大减小了特征提取的难度。

技术领域

本发明涉及人工智能与金属材料分类的交叉技术领域，具体为一种基于Legendre多小波变换的钢材表面缺陷分类方法。

背景技术

随着钢铁材料在日常生活中的使用增加，对于钢铁产品的质量也随之不断提高，钢材已经广泛地应用于汽车工业、航空航天、国防、机械制造、化学工业、轻工业等多个领域，并且起着不可代替的作用，但是由于技术和原材料的问题，在钢材的生产过程会产生各种类型的缺陷，不同缺陷的钢材对产品的性能有不同程度的影响，因此，一个高效高速的钢材表面缺陷分类，对提高钢材质量有至关重要的作用；

人工检测分类作为最为传统的钢材表面缺陷分类有许多弊端，例如，主观性强、缺乏分类可信度，同时受生产环境的影响，该方法的误差较大甚至出现漏检，因此在实际中并不再使用人工检测分类；

智能的缺陷分类主要有三种方式：基于机器视觉的自动缺陷分类方法、基于机器学习的缺陷分类方法以及当下热门的深度学习缺陷检测分类方法；

基于机器视觉的自动缺陷检测技术相较于人工检测分类更为智能，并被证明在多分类任务中具有良好的性能，但是该方法依赖于特征模板的选择及提取，特征提取的好坏对整体检测分类系统的检测精度及性能有着决定性作用，同时传统机器视觉的分类方法需要人工提取特征信息，不具有自动提取全部有用特征信息的能力，此外该方法的分类准确率相对较低，因此，基于机器视觉的自动缺陷检测分类技术在实际检测分类时会有一定的困难；

基于机器学习的缺陷分类方法与基于机器视觉的自动缺陷检测方法类似，但是基于机器学习的缺陷分类技术更容易实现且相对高效，该方法要先对数据集进行特征提取再使用分类器对提取的特征进行分类。但是该方法提取特征复杂，特征提取的好坏影响分类的精度，而且该方法的分类准确率相对较低；

随着深度学习的不断发展与应用，基于深度学习的自动缺陷检测分类方法越来越受追捧，并逐步发展为最为常用的自动缺陷检测方法，现有技术中提出了一种将改进的ResNet50和增强得更快区域卷积神经网络(faster r-cnn)相结合的方法，对Kaggle竞赛提供的“Severstal:Steel Defect Detection”数据集进行检测，经过实验该模型的分类精度和速度为98.2％和63ms，还提出了一种应用连体卷积神经网络的一次性识别任务，该算法可以降低对训练数据的要求实时运行，并且在NEU钢材表面缺陷数据集上实现了92.55％，进一步地提出了一种改进的CNN模型，该模型在减少训练参数的同时在NEU钢材表面缺陷数据集上仍然有99.63％的分类准确率和333帧每秒(FPS)的速度。，且提出一种结合深度学习和传统图像处理的模型来进行缺陷检测，通过实验最终的在NUE数据集上得出99.27％的分类准确率，基于深度学习的自动缺陷检测分类方法不需要像机器视觉和传统机器学习那样来手工提取特征，而是真正做到了端到端，同时该方法的分类准确率也明显高于机器视觉和传统机器学习的分类方法，但是深度学习分类方法的结构复杂、调参困难、分类的速度相对传统机器学习的分类方法要慢，不适合设计为实时的在线检测系统，因此需要对以上问题提出一种新的解决方案。

发明内容