留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

混合特征集与MK-SVM的带钢表面缺陷辨识

陈法法 邓斌 刘莉莉 陈保家 肖文荣

陈法法,邓斌,刘莉莉, 等. 混合特征集与MK-SVM的带钢表面缺陷辨识[J]. 机械科学与技术,2023,42(5):785-792 doi: 10.13433/j.cnki.1003-8728.20230143
引用本文: 陈法法,邓斌,刘莉莉, 等. 混合特征集与MK-SVM的带钢表面缺陷辨识[J]. 机械科学与技术,2023,42(5):785-792 doi: 10.13433/j.cnki.1003-8728.20230143
CHEN Fafa, DENG Bin, LIU Lili, CHEN Baojia, XIAO Wenrong. Identification of Surface Defect for Steel Strip via Multi-feature Set and MK-SVM[J]. Mechanical Science and Technology for Aerospace Engineering, 2023, 42(5): 785-792. doi: 10.13433/j.cnki.1003-8728.20230143
Citation: CHEN Fafa, DENG Bin, LIU Lili, CHEN Baojia, XIAO Wenrong. Identification of Surface Defect for Steel Strip via Multi-feature Set and MK-SVM[J]. Mechanical Science and Technology for Aerospace Engineering, 2023, 42(5): 785-792. doi: 10.13433/j.cnki.1003-8728.20230143

混合特征集与MK-SVM的带钢表面缺陷辨识

doi: 10.13433/j.cnki.1003-8728.20230143
基金项目: 国家自然科学基金项目(51975324)、湖北省教育厅科研项目(B2021036)、宜昌市自然科学研究项目(A21-3- 002)及水电机械设备设计与维护湖北省重点实验室开放基金项目(2021KJX07)
详细信息
    作者简介:

    陈法法(1983−),教授,硕士生导师,博士,研究方向机电装备动态测试与故障诊断, chenfafa2005@126.com

    通讯作者:

    陈保家,教授,博士,cbjia@126.com

  • 中图分类号: TP319.3;TH132.2

Identification of Surface Defect for Steel Strip via Multi-feature Set and MK-SVM

  • 摘要: 针对带钢表面缺陷难以有效辨识的问题,设计基于混合域特征集与多核支持向量机的带钢表面缺陷分类辨识方法。首先基于灰度特征、纹理特征计算带钢表面缺陷的图像特征指标量,构造混合域特征集,再将混合域特征集输入给多核支持向量机实现带钢表面缺陷的分类辨识。实验结果表明,该方法能够有效提取带钢表面缺陷的低维敏感特征,辨识精度高,泛化能力强,可以应用于工程企业带钢表面缺陷的分类辨识。
  • 图  1  带钢表面缺陷分类模型

    图  2  各类缺陷图像示例

    图  3  不同带钢表面缺陷图像的灰度分布直方图

    图  4  各类带钢表面缺陷的灰度特征数值分布情况

    图  5  各类带钢表面缺陷的纹理特征数值分布情况

    图  6  3种SVM对带钢表面各类缺陷分类准确度

    图  7  多核支持向量机的混淆矩阵

    表  1  带钢表面的缺陷类型及特征描述

    缺陷类型特征描述
    划痕 在形态上,其宽度比较均匀、多为平行于轧制方向的浅痕。
    补丁 补丁在钢板表面分布无特定规律,形状也比较多样,缺陷面积较大。
    夹杂物 一般为非金属夹杂物,其形貌多样,常沿轧制方向排列。
    麻点 麻点沿带钢纵向连续成片分布,单个缺陷面积较大,形成初期呈凹坑状,在后期脱落后在带钢表面会留下凹坑。
    银纹 通常表现为一系列长短不同、深浅不一的细小裂口,一般呈水波纹或鱼鳞状。
    轧制鳞片 该缺陷形貌多样,主要为鱼鳞状,还有部分呈方块状、条形状。
    下载: 导出CSV

    表  2  带钢表面不同缺陷图像的灰度特征参数

    缺陷类型平均值方差倾斜度峭度能量
    划痕70.702970.1603.028112.29250.02985.6890
    补丁145.6313452.3410.33761.87850.00807.4572
    夹杂物73.14092.9340.25842.09490.02875.2754
    麻点214.731785.248−0.31342.09490.01356.5417
    银纹161.577800.2080.22852.99100.01006.8486
    轧制鳞片118.677238.850−0.09212.99280.01825.9884
    下载: 导出CSV

    表  3  带钢表面不同缺陷的纹理特征参数

    缺陷类型2阶矩对比度相关度纹理熵纹理方差逆差矩
    划痕 0.3629 0.2954 0.2498 1.7656 27.701 0.9099
    补丁 0.0256 1.7315 0.0708 4.0453 104.350 0.6177
    夹杂物 0.3484 0.0990 2.0231 1.3565 25.828 0.9505
    麻点 0.1130 0.2290 0.3251 2.4813 194.814 0.8928
    银纹 0.0384 1.6364 0.2339 3.5672 114.698 0.5917
    轧制鳞片 0.1275 0.4558 0.7637 2.3827 63.179 0.7930
    下载: 导出CSV

    表  4  基于混合域特征集的特征向量.

    缺陷类型归一化特征向量
    平均值方差能量2阶矩对比度相关度纹理熵纹理方差逆差矩
    划痕 0.2059 0.2576 0.6097 0.3662 0.6807 0.1203 0.1128 0.2607 0.1067 0.4614
    补丁 0.4242 0.9167 0.1637 0.4800 0.0480 0.7049 0.0320 0.5972 0.4019 0.3132
    夹杂物 0.2130 0.0247 0.5872 0.3396 0.6535 0.0403 0.9136 0.2003 0.0995 0.4820
    麻点 0.6255 0.2085 0.2762 0.4211 0.2120 0.0932 0.1468 0.3663 0.7503 0.4527
    银纹 0.4707 0.2125 0.2046 0.4408 0.0720 0.6662 0.1056 0.5266 0.4417 0.3000
    轧制鳞片 0.3457 0.0634 0.3723 0.3855 0.2392 0.1856 0.3449 0.3518 0.2433 0.4021
    下载: 导出CSV

    表  5  3种SVM对各类缺陷的正确分类量

    缺陷
    类型
    分类精度/%
    多项式SVM径向基SVM多核SVM
    划痕 64 71 91
    补丁 94 96 96
    夹杂物 98 97 97
    麻点 96 93 88
    银纹 95 96 99
    轧制鳞片 100 100 100
    下载: 导出CSV
  • [1] MENTOURI Z, MOUSSAOUI A, BOUDJEHEM D, et al. Steel strip surface defect identification using multiresolution binarized image features[J]. Journal of Failure Analysis and Prevention, 2020, 20(6): 1917-1927. doi: 10.1007/s11668-020-01012-7
    [2] FENG X L, LUO L, GAO X W. SDDA: a method of surface defect data augmentation of hot-rolled strip steel[J]. Journal of Electronic Imaging, 2022, 31(3): 033002.
    [3] SUN X H, GU J N, TANG S X, et al. Research progress of visual inspection technology of steel products-A review[J]. Applied Sciences, 2018, 8(11): 2195. doi: 10.3390/app8112195
    [4] CHEN Y J, DING Y Y, ZHAO F, et al. Surface defect detection methods for industrial products: a review[J]. Applied Sciences, 2021, 11(16): 7657. doi: 10.3390/app11167657
    [5] WANG W Y, LU K, WU Z H, et al. Surface defects classification of hot rolled strip based on improved convolutional neural network[J]. ISIJ International, 2021, 61(5): 1579-1583. doi: 10.2355/isijinternational.ISIJINT-2020-451
    [6] 赵朗月, 吴一全. 基于机器视觉的表面缺陷检测方法研究进展[J]. 仪器仪表学报, 2022, 43(1): 198-219.

    ZHAO L Y, WU Y Q. Research progress of surface defect detection methods based on machine vision[J]. Chinese Journal of Scientific Instrument, 2022, 43(1): 198-219. (in Chinese)
    [7] KONOVALENKO I, MARUSCHAK P, KOZBUR H, et al. Defectoscopic and geometric features of defects that occur in sheet metal and their description based on statistical analysis[J]. Metals, 2021, 11(11): 1851. doi: 10.3390/met11111851
    [8] TSAI D M, FAN S K S, CHOU Y H. Auto-annotated deep segmentation for surface defect detection[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 5011410.
    [9] BAKAY M S, AĞBULUT Ü. Electricity production based forecasting of greenhouse gas emissions in Turkey with deep learning, support vector machine and artificial neural network algorithms[J]. Journal of Cleaner Production, 2021, 285: 125324. doi: 10.1016/j.jclepro.2020.125324
    [10] HAN T, ZHANG L W, YIN Z J, et al. Rolling bearing fault diagnosis with combined convolutional neural networks and support vector machine[J]. Measurement, 2021, 177: 109022. doi: 10.1016/j.measurement.2021.109022
    [11] 陈法法, 杨晶晶, 肖文荣, 等. Adaboost_SVM集成模型的滚动轴承早期故障诊断[J]. 机械科学与技术, 2018, 37(2): 237-243. doi: 10.13433/j.cnki.1003-8728.2018.0212

    CHEN F F, YANG J J, XIAO W R, et al. Early fault diagnosis of rolling bearing based on ensemble model of Adaboost SVM[J]. Mechanical Science and Technology for Aerospace Engineering, 2018, 37(2): 237-243. (in Chinese) doi: 10.13433/j.cnki.1003-8728.2018.0212
    [12] 刘涛, 沈朝洋, 雷经发, 等. 碳钢试样拉伸过程磁信号多尺度熵特征提取及磁畴观测[J]. 机械科学与技术, 2022, 41(5): 808-814.

    LIU T, SHEN C Y, LEI J F, et al. Multi-scale entropy feature extraction of magnetic signal and observation of magnetic domain in tension of carbon steel specimen[J]. Mechanical Science and Technology for Aerospace Engineering, 2022, 41(5): 808-814. (in Chinese)
    [13] 李聪, 马勋, 杨锐, 等. 基于形状和纹理特征的正庚烷环形油池火特性[J]. 清华大学学报(自然科学版), 2021, 61(6): 502-508. doi: 10.16511/j.cnki.qhdxxb.2020.22.042

    LI C, MA X, YANG R, et al. Characterization of n-heptane annular pool fires based on flame shape and texture features[J]. Journal of Tsinghua University (Science and Technology), 2021, 61(6): 502-508. (in Chinese) doi: 10.16511/j.cnki.qhdxxb.2020.22.042
    [14] BOUDIAF A, BENLAHMIDI S, HARRAR K, et al. Classification of surface defects on steel strip images using convolution neural network and support vector machine[J]. Journal of Failure Analysis and Prevention, 2022, 22(2): 531-541. doi: 10.1007/s11668-022-01344-6
    [15] 何彧, 宋克臣, 张德富, 等. 融合多层级特征的弱监督钢板表面缺陷检测算法[J]. 东北大学学报(自然科学版), 2021, 42(5): 687-692. doi: 10.12068/j.issn.1005-3026.2021.05.012

    HE Y, SONG K C, ZHANG D F, et al. Weakly-supervised steel plate surface defect detection algorithm by integrating multiple level features[J]. Journal of Northeastern University (Natural Science), 2021, 42(5): 687-692. (in Chinese) doi: 10.12068/j.issn.1005-3026.2021.05.012
  • 加载中
图(7) / 表(5)
计量
  • 文章访问数:  173
  • HTML全文浏览量:  90
  • PDF下载量:  14
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-08-28
  • 网络出版日期:  2023-05-29
  • 刊出日期:  2023-05-25

目录

    /

    返回文章
    返回