[发明专利]基于多流形学习的带钢表面缺陷识别方法

摘要

本发明涉及一种基于多流形学习的带钢表面缺陷识别方法。其技术方案是：对于任一副带钢表面缺陷图像向量化的向量数据点X_i分别选择类别相同和类别不同的K个近邻点建立对应的同类数据子图和异类数据子图，计算同类数据子图最小误差线性表示系数矩阵W_intra和异类数据子图最小误差线性表示系数矩阵W_inter；然后分别建立同类数据子图散度S_inter和异类数据子图散度S_intra；进而以最大化异类数据子图散度S_inter与同类数据子图散度S_intra之差来寻找低维投影矩阵A；经过低维投影后，采用最近邻方法来判定未知类别的带钢表面缺陷图像的类别。本发明通过局部线性表示来探测各流形的局部结构，能够提高带钢表面缺陷图像的识别率。

主权项

1.一种基于多流形学习的带钢表面缺陷识别方法，其特征在于所述带钢表面缺陷识别方法的具体步骤是：（1）对原始采集的带钢表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理和向量化，得到一副带钢表面缺陷图像预处理后的向量数据点X_i，所有带钢表面缺陷图像预处理后的向量数据X_i构成矩阵数据X；（2）对每一副带钢表面缺陷图像预处理后的向量数据点X_i，从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点X_i距离最小和类别相同的K个向量数据点，组成同类数据点的局部邻域，由同类数据点的局部邻域进行线性表示，计算最小误差的线性表示系数(W_ij)_intra：min||Xi-Σj=1kWijXj||2---(1)]]>式（1）的解为Wintra=ΣjGij-1/ΣijGij-1---(2)]]>式（2）中:X_i和X_j分别表示类别相同的不同副的带钢表面缺陷图像向量化的向量数据点，i和j分别表示自然数，i≠j，G_ij表示局部格莱姆矩阵，表示一副带钢表面缺陷图像预处理后的向量数据X_i在同类数据点局部邻域的均值，X‾i=[Xi-Xil,,...,Xi-Xik],]]>表示一副带钢表面缺陷图像预处理后的向量数据X_j在同类数据点局部邻域的均值，X‾j=[Xj-Xjl,,...,Xj-Xjk];]]>（3）对于每一副带钢表面缺陷图像预处理后的向量数据点X_i，从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一副带钢表面缺陷图像预处理后的向量数据点X_i距离最小和类别不同的K个向量数据点，组成异类数据点的局部邻域，由异类数据点的局部邻域进行线性表示，计算最小误差的线性表示系数(W_ij)_inter；ϵ(Winter)=min||Xi-Σj=1kWijXj||2---(3)]]>式（3）的解为Wintra=ΣjGij-1/ΣijGij-1---(4)]]>式（4）中:X_i和X_j分别表示类别不同且不同副的带钢表面缺陷图像向量化的向量数据点，i和j表示自然数，i≠j，G_ij表示局部格莱姆矩阵，表示一副带钢表面缺陷图像预处理后的向量数据X_i在异类数据点局部邻域的均值，X‾i=[Xi-Xil,,...,Xi-Xik],]]>表示一副带钢表面缺陷图像预处理后的向量数据X_j在异类数据点局部邻域的均值，X‾j=[Xj-Xjl,,...,Xj-Xjk];]]>（4）对于其余的任一副带钢表面缺陷图像预处理后的向量数据X_i都重复步骤（2）和步骤（3）；构建同类数据子图和异类数据子图，得到同类数据子图的最小误差线性表示矩阵W_intra和异类数据子图的最小误差线性表示矩阵W_inter；（5）计算同类数据子图散度S_intra和异类数据子图散度S_inter：S_intra＝X(I-W_intra)^T(I-W_intra)X^T        (5)S_inter＝X(I-W_inter)^T(I-W_inter)X^T         (6)式（5）和式（6）中：I表示单位矩阵；构建目标函数:maxA^T(S_inter-S_intra)A       (7)式（7）中：A表示低维投影矩阵；（6）对(S_inter-S_intra)进行特征值分解(S_inter-S_intra)f＝λf        (8)式（8）中：λ表示特征值，f表示特征向量；将特征值λ按照由大到小顺序进行排列，取前d个特征值对应特征向量f组成低维投影矩阵A；（7）对于未知类别的一副带钢表面缺陷图像预处理后的向量数据点X_i，在带钢表面缺陷图像预处理后的向量数据点X_i投影后的向量数据在低维空间内的投影Y_i＝A^TX_i       (9)式（9）中：T表示低维投影矩阵A的转置；（8）在低维空间内，采用最近邻法对未知类别的每一副带钢表面缺陷图像预处理后的向量数据点X_i的缺陷类别进行识别。