基于动态联合加权的带钢表面缺陷分类方法
作者机构:江苏大学计算机科学与通信工程学院 上海宝信软件股份有限公司 宝山钢铁股份有限公司
出 版 物:《计算机工程》 (Computer Engineering)
年 卷 期:2024年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 080502[工学-材料学] 0805[工学-材料科学与工程(可授工学、理学学位)] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金资助项目(62276116,61976106) 江苏省六大人才高峰项目(DZXX-122)
主 题:表面缺陷分类 无监督分类 纹理特征 聚类算法 动态权重
摘 要:带钢表面质量是钢铁产品质量的重要指标之一,针对全流程表面缺陷分类研究,以减少表面缺陷的发生,同时能提升表面缺陷信息捕获的准确性。在实际生产过程中带钢缺陷样本的精准类别标签往往难以获取,无监督分类方法成为研究热点。现有传统机器学习无监督分类方法对噪声数据鲁棒性差,而基于深度学习的无监督方法对数据量依赖性较强。本文将传统的机器学习算法和深度学习算法相结合,提出了一种无监督动态加权联合的带钢表面缺陷分类方法(Dynamic Weight Joint Classification, DWJC)。首先,根据纹理特征聚类算法为缺陷图像分配初始类别标签;然后,通过卷积神经网络提取图像的深度特征;最后,基于KL散度提出了一种动态加权重标注方法,联合初始类别标签、Softmax和约束聚类多个分类方法在模型训练过程中不断地修正初始类别标签以获取更加稳定且精准的缺陷分类结果。在NEU公共数据集和上海宝钢缺陷数据集进行了大量实验,分别取得了99.5%和94.3%的平均精度。