基于IGWO-SVM的带钢表面缺陷分类研究

为了提升带钢表面缺陷分类准确率,提出了一种基于IGWO-SVM的带钢图像分类方法。首先引入混沌序列、精英反向学习策略和动态非线性收敛因子来设计改进灰狼优化算法,利用改进灰狼算法优化支持向量机的参数,然后使用优化后的支持向量机对带钢表面缺陷图片进行分类。文章使用了6个基准函数和带钢表面缺陷图片进行仿真实验,实验结果表明,改进灰狼算法拥有更高的精度和收敛性,改进灰狼算法优化支持向量机分类能够有效提升分类准确率。

自适应优化Gabor滤波器的带钢表面缺陷分类

带钢表面缺陷纹理存在复杂性、多样性,导致对带钢表面纹理缺陷进行分类十分困难,为此,提出一种基于鲸鱼群算法的自适应优化Gabor滤波器。首先,利用各项异性扩散滤波抑制缺陷图片之中的伪边缘,再以不同种类缺陷特征的类间差最大作为目标函数,Gabor滤波器的参数为优化变量,采用鲸鱼群算法对Gabor参数进行寻优;然后,将所得到的Gabor特征进行融合;最后,导入分类器之中进行分类。实验结果表明,该方法具有较好的区分性和鲁棒性,针对常见的带钢表面缺陷,如冲孔、污渍、刮边、黑氧化条、结疤等最终的分类精度能达到97.5%。

基于轻量级卷积神经网络的带钢表面缺陷识别

带钢表面缺陷识别对促进带钢生产质量提升至关重要。然而传统的图像处理与识别方法存在精度不高、且容易受到光线等因素影响;而新兴的基于深度学习的算法,则存在模型参数量大且难以部署等问题,无法在实际生产中得到广泛应用。本文提出了一种轻量级部分深度混合可分离网络(PDMSNet)用于解决以上问题,由于其模型小以及浮点型运算(FLOPs)少更易于部署在资源受限的平台。采用标准的带钢表面缺陷数据集NEU-CLS的测试结果表明,与其他缺陷分类器相比,在带钢表面缺陷检测方面,本文所提出的模型性能更加优越。识别准确率达到了99.78%,而参数量只有0.17 M以及272 M FLOPs,在单一低端的GeForce MX250图形处理单元(GPU)识别一张图片平均时间为0.47 ms,可以满足工业现场实时检测的要求。