CN106650823A - 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 - Google Patents

Abstract

本发明公开了一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法，它首先获取了泡沫镍的表面缺陷图像，包括污染、折痕、裂纹、漏镀、刮伤这五类；然后分别提取泡沫镍表层纹理特征，包括能量、熵、逆差矩和相关性，作为极限学习机多分类器的输入样本x；通过概率极限学习机分类性能的分析，构建概率极限学习机集成策略；以样本x为输入，采用概率极限学习机集成策略构建泡沫镍缺陷分类模型，实时对多泡沫镍缺陷进行分类。本发明避免多个概率输出值接近时所造成的误判，有效降低各类缺陷样本相似造成的误判。工业数据的仿真说明本方法具有较好的分类性能，使缺陷的识别率达到85%以上，满足现场企业需求，为泡沫镍生产过程的自动检测和优化控制奠定基础。

Description

一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法

技术领域

本发明涉及泡沫镍材料领域，具体涉及一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法。

背景技术

泡沫镍是通过对镍金属进行一系列物理化学加工后得到的多孔泡沫金属材料，它作为车用电池的基材，对电池性能的影响极大。在泡沫镍制备过程中，由于原料、工艺等方面因素，容易导致泡沫镍表面出现压痕、折痕、镍皮、裂纹、划线、漏镀、擦伤等不同类型的缺陷，而这些缺陷严重影响着泡沫镍的成品性能和质量。

目前，泡沫镍表面缺陷的检测与识别主要采用人工检测手段，即操作人员通过肉眼观察传送带上的泡沫镍，凭经验对泡沫镍的缺陷进行人工判决，从而进行相应的手动处理。这种方式存在劳动强度大、效率低，主观性强和检错率高。而这是因为这种质量检测分析的滞后，难以有效在线优化泡沫镍的生产工艺。

常见的缺陷分类识别方法有回归分析法、人工神经网络法、支持向量机以及组合等方法。如王典洪等人提出基于监督双限制连接方法的带钢表面缺陷图像降维方法，实验说明该方法适合含水，油渍等干扰较多的带钢表面缺陷的分类。Zhang等人对金属表面缺陷首先采用小波去噪，阈值分割，然后利用优化支持向量机(SVM)进行缺陷的分类，实验说明能有效识别七种类型的缺陷。张学武等人借鉴生物视觉仿生机理构建了对铜带表面缺陷检测模型，在多缺陷分类实验中取得较好的效果；徐科等人基于光度立体学的原理，采用明暗场的照明方式实现了金属板带表面微小缺陷在线检测。上述方法为泡沫镍过程的缺陷分类识别提供了借鉴，但由于泡沫镍表现出更为复杂的纹理状，缺陷与背景之间对比度低，不同缺陷形态特征相似性大，采用上述模型有一定的局限性。如回归分析法的识别率偏低，不能适用于具有复杂纹理的泡沫镍缺陷分类；神经网络模型在模式识别和分类中获得广泛应用，但其性能受参数影响较大，在算法执行过程中输入权值，隐含层节点阈值等都会影响最终的输出，另外对相似缺陷难以有效区分。

针对神经网络模型存在的诸多问题，新加坡南洋理工大学黄广斌教授提出一种单隐层前馈神经网络(single-hidden layer feed forward neural network, SLFN)学习算法-极限学习机(extreme learning machine, ELM)。该方法随机设定隐含层函数参数，经过一步计算可以直接得到输出权值，省去了传统的神经网络算法中迭代的步骤，因此学习速率较BP神经网络和支持向量机等机器学习算法大大提高。Huang等人提出通过一种标准优化方法，利用ELM解决分类问题，随后又证明了可以直接通过ELM解决任意多分类问题，取得了较好的实验效果。但是，一方面在实际应用中，受目标识别类别多，训练样本少以及单一特征描述不够充分等特点，使得该分类方法存在识别准确率不理想；另一方面由于初始权值随机赋值，ELM分类在临界边界区域操作工况识别结果不稳定。

发明内容

针对上述现有技术存在的不足，本发明的目的是提供一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法。该方法在分析泡沫镍生产工艺和表面缺陷类型的基础上，利用复合差分进化算法优化极限学习机的输入权值和隐层阈值，考虑每一个分类器输出值对最终结果的影响，提出概率极限学习机集成方法，为泡沫镍生产过程的自动检测和优化控制奠定基础。

为实现上述目的，本发明采用的技术方案是：一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法，其特征在于，包括如下步骤：

步骤1：获取各种泡沫镍表面缺陷图像，包括污染、折痕、裂纹、漏镀、刮伤这五种常见缺陷图像；

步骤2：分别提取泡沫镍图像的纹理特征，包括能量、熵、对比度和逆差矩，作为极限学习机多分类器的输入样本x；

步骤3：构建概率极限学习机集成策略；

步骤4：以样本x为输入，采用概率极限学习机集成策略构建泡沫镍缺陷分类模型，实时对多泡沫镍缺陷进行分类。

上述步骤2具体操作为：

（1）计算泡沫镍图像的灰度共生矩阵，

(1)

式中L是图像的灰度级数，本发明中L取值256，为两像素顺时针与x轴的夹角，其取值通常为0^o、45^o、90^o和135^o。通常，表示2个像素之间的距离为1；

（2）利用灰度共生矩阵计算能量、熵、对比度和逆差矩这些纹理特征，其中能量E为：

(2)

能量是灰度共生矩阵各元素的平方和，反映了图像灰度分布均匀程度和纹理粗细度。能量大时，纹理粗；反之能量小时纹理细；

熵S为：

(3)

图像所包含的信息量是用熵值来进行度量的，熵值可以直接对图像中纹理的非均匀度或紊乱度进行反映，熵值越大则表示纹理越复杂；

对比度(惯性矩)I为：

(4)

对比度可理解为图像的清晰度，对比度大时，纹理的沟纹深，效果清晰；反之对比度小则沟纹浅，效果模糊；

逆差矩D为：

(5)

逆差矩D是数字图像局部均匀性的直接度量，图像局部纹理越均匀，则其对应的逆差矩值越大，反之亦然。

上述步骤3具体为：

（1）极限学习机的概率形式为：

（6），

其中x为输入样本，M为缺陷类别数，f(x)为决策方程，上式（6）归一化得到输入样本x属于类别m的概率，即

（7）；

（2）对于输入样本x，当采用J组极限学习机分类器进行M种缺陷判决时，计算其属于某类缺陷m的概率输出值，并计算每一组分类器的概率输出最大值，具体操作是：对于样本x，计算第n组极限学习机分类器判决样本x属于第m类缺陷的概率输出值：

（8）；

然后根据这些结果判断第n组极限学习机分类器所有缺陷概率输出的最大值：

（9）；

（3）计算每一组分类器概率输出权值：

（10），

可以知道若p _n 越大，则该组分类器集成的权值也越大；

（4）获得每一组概率输出权值后，将每组分类器中每种缺陷的概率输出进行加权集成，加权集成后结果最大的缺陷类别作为结果输出，算法为：

（11）。

上述步骤4具体为：

（1）以提取的纹理特征能量、对比度、逆差矩和熵为模型输入，利用4个ELM分类器分别进行样本的训练和测试，利用公式（6）计算获得5种缺陷类别的概率P₁, P_2, P_3, P_4, P₅；分类器数目等于样本类别数（4个纹理特征），每个特征对应一个分类器，即文中J=4。

（2）采用公式（10）-（11）进行概率P₁, P_2, P_3, P_4, P₅的集成，获得集成后的概率输出值，较大者为当前判断类型。

与现有技术相比，本发明的有益效果：本发明在分析泡沫镍生产工艺和表面缺陷类型的基础上，利用复合差分进化算法优化极限学习机的输入权值和隐层阈值，考虑每组分类器对不同输入样本的分类性能，提出概率极限学习机集成策略，避免多个概率输出值接近时所造成的误判，有效降低各类缺陷样本相似造成的误判。工业数据的仿真说明本方法具有较好的分类性能，使缺陷的识别率达到85%以上，满足现场企业需求，为泡沫镍生产过程的自动检测和优化控制奠定基础。

附图说明

图1为泡沫镍表面缺陷的典型样本图

图2为极限学习机的结构图

图3为泡沫镍缺陷分类模型图。

具体实施方式

现结合具体实例，对本发明作进一步的阐述。

本发明基于的极限学习机是一种新型单隐层前馈神经网络（SLFN）学习算法，其基本结构如图2所示，模型由输入节点层、隐含节点层和输出节点层组成。设该极限学习机的隐含层节点数目为K，则其输入输出关系可表示为：

（12）；

其中是隐含层输出权重向量，为输入层神经元与第i个隐含层神经元的连接权值，为第i个神经元的阈值，为隐含层函数。

根据单隐层前馈神经网络理论，单隐含层前馈神经网络参数的随机设定不会影响模型的收敛性，即对于参数(,)随机设定的无限可微的隐含层函数，存在一组输出权值，使得单隐层前馈神经网络输出能够无限逼近样本的期望值，即

（13）；

根据Bartlett理论，对于训练误差较小的前馈神经网络，其输出权值越小，则泛化性能越好。因此，ELM建模问题转化为寻找输出权值使得模型输出值尽可能接近实际值且输出权值的范数尽可能小，即

（14）；

其中G为隐层函数矩阵，即； T为训练样本的实际值矩阵。式（14）可以转化为约束优化问题

其中为与第m个输出节点对应第j个训练样本的训练误差向量，防止过拟合现象，C为相应的惩罚因子，N为学习样本个数。

根据KKT理论，上式（15）等价于求解对偶优化问题：

（16）；

式（16）求解方式如下：

其中，

将式（17）和式（18）带入式（19），可以得到：

（20）；

根据式（17）和（20）进一步求解得到：

（21）。

故ELM模型的输出可表示为：

（22）；

利用极限学习机可以求解分类问题，如解决二分类问题时决策方程为：

（23）；

利用极限学习机解决多分类问题时，对于M分类问题的决策方程为：

（24）。

在上述极限学习机的基础上，本发明首先获取了泡沫镍的表面缺陷图像，包括污染、折痕、裂纹、漏镀、刮伤这五类，如图1所示；然后分别提取泡沫镍表层纹理特征，包括能量、熵、逆差矩和相关性，作为极限学习机多分类器的输入样本x；通过概率极限学习机分类性能的分析，构建概率极限学习机集成策略；以样本x为输入，采用概率极限学习机集成策略构建泡沫镍缺陷分类模型，如图3所示，实时对多泡沫镍缺陷进行分类；从而有效降低各类缺陷样本相似造成的误判。具体实施例如下。

实施例一

基于概率极限学习机集成的泡沫镍表面缺陷分类方法，包括如下步骤：

第一步：获取各种泡沫镍表面缺陷图像，包括污染、折痕、裂纹、漏镀、刮伤这五种常见缺陷图像。

第二步：首先，计算获得的泡沫镍缺陷图像的灰度共生矩阵，

(1)

式中L是图像的灰度级数，L=256，为两像素顺时针与x轴的夹角，其取值通常为0^o、45^o、90^o和135^o。通常，表示2个像素之间的距离为1；

然后，利用灰度共生矩阵计算能量、熵、对比度和逆差矩这些纹理特征，其中能量E为：

(2)

能量是灰度共生矩阵各元素的平方和，反映了图像灰度分布均匀程度和纹理粗细度，能量大时，纹理粗；反之能量小时纹理细；

熵S为：

(3)

图像所包含的信息量是用熵值来进行度量的，熵值可以直接对图像中纹理的非均匀度或紊乱度进行反映，熵值越大则表示纹理越复杂；

对比度(惯性矩)I为：

(4)

对比度可理解为图像的清晰度，对比度大时，纹理的沟纹深，效果清晰；反之对比度小则沟纹浅，效果模糊；

逆差矩D为：

（5）

逆差矩D是数字图像局部均匀性的直接度量，图像局部纹理越均匀，则其对应的逆差矩值越大，反之亦然；

最后将大量缺陷样本提取的纹理特征用于实验，包括能量、熵、逆差矩和对比度。

第三步：构建概率极限学习机集成策略：首先定义极限学习机的概率形式为：

（6），

其中x为输入样本，M为缺陷类别数，f(x)为决策方程，上式（6）归一化得到输入样本x属于类别m的概率，即

（7）；

然后对于输入样本x，采用J组极限学习机分类器进行M种缺陷判决，计算每一组极限学习机分类器所有缺陷概率输出最大值，具体操作是：对于样本x，先计算第n组极限学习机分类器判决样本x属于第m类缺陷的概率输出值：

（8）；

然后根据这些结果判断第n组极限学习机分类器所有缺陷概率输出的最大值Pn：

（9）；

（3）计算每一组分类器概率输出权值：

（10），

可以知道若p _n 越大，则该组分类器集成的权值也越大；

（4）获得每一组概率输出权值后，将每组分类器中每种缺陷的概率输出进行加权集成，加权集成后结果最大的缺陷类别作为结果输出，算法为：

（11）。

步骤4：以提取到的能量、对比度、逆差矩和熵这四个纹理特征为样本输入，利用4个ELM分类器分别进行样本的训练和测试，分别获得5种缺陷类别的概率P₁, P_2, P_3, P_4, P₅；然后针对公式（9）计算存在误判的情况，采用公式（10）-（11）进行概率P₁, P_2, P_3, P_4, P₅的集成，获得集成后的概率输出值，较大者为当前判断类型，从而实时对多泡沫镍缺陷进行分类。

以下通过具体实例来进一步说明本发明分类方法的优势所在。

实例一

从生产现场不同时刻泡沫镍视频中随机选取900组构建样本集，五种常见缺陷（污染、折痕、裂纹、漏镀和刮伤）的图像数目如表1所示，基本符合生产中不同缺陷出现的频次。利用表1整理的纹理特征，构成分类特征向量。

表1训练网络使用的样本数量

为避免不同隐含层函数引起的性能差异，统一选取Morlet小波函数形式的隐层输出函数，将能量、熵、对比度、逆差矩这4种特征参数作为4组PELM的输入，进行模型的训练，即J=4。

然后利用最新整理的600组泡沫镍缺陷样本进行模型的测试，其中五种缺陷的数目依次为142、158、153、77和70 。将泡沫镍缺陷图像提取的由能量、熵、逆差矩和对比度和组成的特征量送入分类器进行缺陷分类。对某一测试样本利用公式（6）计算其概率输出，如表2所示。

表2 测试样本数目列表

由表2 可知，通过概率极限学习机归一化，有效的解决了不同输入样本输出范围不同的问题，可以在同一参量下进行比较。概率输出最大值所对应的类别即为传统最大值决策法的判决结果，传统最大值决策方程为：

（25）。

但是，从上表可知，能量特征对应的输出，折痕和裂纹的概率比较接近，采用最大值法不能有效说明问题，很大可能存在误判。

而采用本文集成策略，利用式 (10)-(11)计算，折痕的集成输出为0.43，裂纹的融合输出为0.39，因此可以得到正确的判决结果。

对多分类器利用最新整理的600组泡沫镍缺陷样本进行测试，识别结果如表3所示。

表3工况识别准确率

从表3识别结果可看出，测试数据集共包括5种类型缺陷，共计600个样本，能够正确识别出515个，识别率达到85.8%。对于污染、折痕、裂纹、漏镀、刮擦这五种泡沫镍表面缺陷，经特征提取、分类器分类，最终的检验正确率分别为89.4%，81.6%，88.2%，84.4%和85.8%。由于缺陷折痕和裂纹的外在表现形式有些相似，形状特征比较接近，***将这两种缺陷互相误判的可能性比较大。另外污染缺陷和漏镀缺陷在边界轮廓或者外形上有一定的相似性，故误判的可能性也相对较大，采用本发明的集成策略可以有效的减少缺陷的误判情况。

Claims (4)

1.一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法，其特征在于，包括如下步骤：

步骤1：获取各种泡沫镍表面缺陷图像，包括污染、折痕、裂纹、漏镀、刮伤这五种常见缺陷图像；

步骤2：分别提取泡沫镍图像的纹理特征，包括能量、熵、对比度和逆差矩，作为极限学习机多分类器的输入样本x；

步骤3：构建概率极限学习机集成策略；

步骤4：以样本x为输入，采用概率极限学习机集成策略构建泡沫镍缺陷分类模型，实时对多泡沫镍缺陷进行分类。

2.根据权利要求1所述的基于概率极限学习机集成的泡沫镍表面缺陷分类方法，其特征在于，步骤2具体为：

（1）计算泡沫镍图像的灰度共生矩阵，

(1)

式中L是图像的灰度级数，文中取值为256，为两像素顺时针与x轴的夹角，其取值通常为0^o、45^o、90^o和135^o，通常，表示2个像素之间的距离为1；

（2）利用灰度共生矩阵计算能量、熵、对比度和逆差矩这些纹理特征，其中能量E为：

(2)；

熵S为

(3)；

对比度I为

(4)；

逆差矩D为

（5）。

3.根据权利要求1所述的一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法，其特征在于，步骤3具体为：

（1）定义极限学习机的概率形式为：

（6），

其中x为输入样本，M为缺陷类别数，f(x)为决策方程，上式归一化得到输入样本x属于类别m的概率，即

（7）

（2）对于输入样本x，当采用J组分类器进行M种缺陷判决时，计算其属于某类缺陷m的概率输出值，并计算每一组分类器的概率输出最大值，具体操作是：对于样本x，计算第n组极限学习机分类器判决样本x属于第m类缺陷的概率输出值：

（8）；

然后根据这些结果判断第n组极限学习机分类器所有缺陷概率输出的最大值：

（9）；

（3）计算每一组分类器概率输出权值：

（10）；

（4）获得每一组概率输出权值后，将每组分类器中每种缺陷的概率输出进行加权集成，加权集成后结果最大的缺陷类别作为结果输出，算法为：

（11）。

4.根据权利要求1所述的基于概率极限学习机集成的泡沫镍表面缺陷分类方法，其特征在于，步骤4具体为：

（1）以提取的纹理特征能量、对比度、逆差矩和熵为模型输入，利用4个ELM分类器分别进行样本的训练和测试，根据公式（6）分别获得5种缺陷类别的概率P₁, P_2, P_3, P_4, P₅；

（2）采用公式（10）-（11）进行概率P₁, P_2, P_3, P_4, P₅的集成，获得集成后的概率输出值，较大者为当前判断类型。