基于支持向量機的冷軋鋁板表面缺陷分類算法的研究.pdf

1、隨著社會現(xiàn)代化工業(yè)快速發(fā)展以及市場競爭的加劇，人們對制造業(yè)生產(chǎn)線的要求越來越高，不僅要滿足高效而且也要保證產(chǎn)品的質量。金屬鋁在交通運輸、工具制造、航天科技應用、人們的衣食住行中起著重要的作用，然而在鋁板生產(chǎn)過程中，由于生產(chǎn)設備陳舊、生產(chǎn)原料批次或質量不同以及生產(chǎn)流程等原因的限制使鋁板表面產(chǎn)生一些缺陷，正是這些缺陷在很大程度上降低了產(chǎn)品的美觀度、抗腐蝕性和耐磨性，并給冷軋鋁板生產(chǎn)企業(yè)帶來了巨大的損失。因此，對冷軋鋁板表面缺陷的檢測分類此時

2、顯得尤為重要。
　　本文中對冷軋鋁板表面缺陷進行分類實驗的過程中，分別運用了支持向量機分類算法和BP神經(jīng)網(wǎng)絡分類算法，通過分析實驗結果發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡分類方法對冷軋鋁板表面六種缺陷的總體識別精度不高，分類過程需要時間較長，泛化能力差而且在對分類模型訓練時需要很多的缺陷樣本，但是該算法對油斑類缺陷的正確分類率較高；支持向量機分類算法對六種缺陷的整體分類正確率較高，但是對于像油斑這樣復雜類缺陷識別率卻達不到令人滿意的效果。為了使冷軋鋁

3、板表面缺陷整體和單類別的分類正確率都達到較高的水平，本論文中研究了一種基于支持向量機與BP神經(jīng)網(wǎng)絡相結合的分類算法用于對冷軋鋁板表面的缺陷進行分類。首先，采用減背景與中值濾波技術進行冷軋鋁板表面缺陷圖像的預處理；其次采用自適應閾值法將缺陷區(qū)域從冷軋鋁板表面缺陷圖像中分割出；在特征提取時，結合目標圖像和分割后缺陷圖像，提取了灰度特征、形狀特征、幾何特征三大類特征；訓練支持向量機和BP神經(jīng)網(wǎng)絡相結合的分類模型時，BP神經(jīng)網(wǎng)絡隱含層采用一層結

4、構，按照一定的規(guī)則通過對比多次實驗分類結果設置隱含層節(jié)點數(shù)；支持向量機選用徑向基函數(shù)作為核函數(shù)，通過交叉驗證法確定懲罰因子和核參數(shù)，并采用一對一的分類策略進行多種缺陷的分類；支持向量機與BP神經(jīng)網(wǎng)絡相結合的分類模型對測試樣本進行分類時，先由BP神經(jīng)網(wǎng)絡分類模型判斷測試樣本是否為油斑，若為油斑則輸出分類結果，若認為是第二類缺陷，則把該樣本交由支持向量機分類模型進行細分類，即分為氣泡、破皮、刮痕、孔洞、黑線，最終輸出分類結果。
　　本