CN117314871A - 基于灰度共生矩阵与决策树的带钢分选度分级方法及装置 - Google Patents

基于灰度共生矩阵与决策树的带钢分选度分级方法及装置 Download PDF

Info

Publication number
CN117314871A
CN117314871A CN202311310069.XA CN202311310069A CN117314871A CN 117314871 A CN117314871 A CN 117314871A CN 202311310069 A CN202311310069 A CN 202311310069A CN 117314871 A CN117314871 A CN 117314871A
Authority
CN
China
Prior art keywords
cold
decision tree
strip steel
defect
rolled strip
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311310069.XA
Other languages
English (en)
Inventor
邵健
谢书豪
冯凯
李京栋
陈德盛
李凯胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202311310069.XA priority Critical patent/CN117314871A/zh
Publication of CN117314871A publication Critical patent/CN117314871A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于灰度共生矩阵与决策树的带钢分选度分级方法及装置，涉及冶金机械及自动化技术领域。包括：获取待分级的冷轧带钢表面的图像数据以及文本数据；将图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型；根据图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。通过本发明，可以更好实现冷轧带钢表面质量智能判定，提高表面质量判定准确率，让判定***结果更贴近质检人员。

Description

基于灰度共生矩阵与决策树的带钢分选度分级方法及装置
技术领域
本发明涉及冶金机械及自动化技术领域，尤其涉及一种基于灰度共生矩阵与决策树的带钢分选度分级方法及装置。
背景技术
随着汽车工业、高端家电等行业对钢材产品的质量要求日趋严格，产品的个性化需求也越来越多。在基本质量指标合格的前提下，钢铁企业和下游用户转为开始关注更为细节的表面质量问题，由于涉及流程较长、形成机理复杂、发生频次高，对产品的最终质量影响大，表面质量被认为是最重要、最难控制的质量指标之一。正是由于表面质量的复杂性，各大钢铁企业对冷轧带钢表面质量的管理十分重视，期望以此提高产品品质，实现更大的商业价值。
冷轧带钢表面质量的判定是目前面临的难题，冷轧带钢生产线安装有表面检测***(简称：表检***)，但其仅能对缺陷的种类进行辨别，往往不具备对带钢表面质量分选度分级功能。不同于其他性能指标依据参数阈值的自动判定方式，由于表检***存在工作环境复杂、缺陷检出虚警率过高、无法对缺陷严重级别评估等局限性，表面质量的质检环节仍需要人工对下线产品进行逐个检查，基于人工经验的判定方法难以被自动化方法替代，影响了整个生产流程的效率和准确率。
发明内容
本发明针对现有基于表面质量检测***的缺陷信息，结合人工判钢的工艺思想来实现带钢表面质量的自动判定的方法存在的由于冷轧带钢表面缺陷种类多、数量多，各类缺陷在基础规则下的分选度分级不准确问题、缺陷的原始数据维度多、格式不规整，没有统一每一个数据样本的维度问题、由于缺陷的分选度分级是一个多变量耦合的分类问题，难以量化为具体的分级规则问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种基于灰度共生矩阵与决策树的带钢分选度分级方法，该方法由电子设备实现，该方法包括：
S1、获取待分级的冷轧带钢表面的图像数据以及文本数据。
S2、将图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型。
S3、根据图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
可选地，S2中的冷轧带钢表面质量分选度分级模型的构建过程，包括：
S21、获取数据集；其中，数据集包括冷轧带钢表面的缺陷图像信息、冷轧带钢表面的缺陷文本信息以及冷轧带钢表面的缺陷质量分选度等级。
S22、根据数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值。
S23、根据特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量。
S24、根据冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型。
S25、根据判定规则模型的分类函数，构建冷轧带钢表面质量分选度分级模型。
可选地，S21中的冷轧带钢表面的缺陷文本信息，包括：
冷轧带钢表面的缺陷感兴趣区域相对坐标、缺陷面积、缺陷长度以及缺陷宽度。
可选地，S22中的根据数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值，包括：
S221、获取基于预训练确定的灰度共生矩阵的结构参数；其中，结构参数包括生成步长、图片灰度级以及生成方向。
S222、根据灰度共生矩阵，计算数据集中每张缺陷图像的灰度共生矩阵，得到冷轧带钢表面的聚集型缺陷的能量值、熵值、对比度以及相关性。
可选地，S23中的根据特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量，包括：
根据特征值以及冷轧带钢表面的缺陷文本信息，计算冷轧带钢表面的聚集型缺陷特征，得到冷轧带钢表面质量特征向量，如下式(1)所示：
其中，F1表示一卷冷轧带钢上所有聚集性缺陷的个数，F2i表示缺陷长宽比，F3i表示缺陷面积，W1i表示能量值，W2i表示熵值，W3i表示对比度，W4i表示相关性。
可选地，S24中的根据冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型，包括：
S241、采用网格搜索法，对决策树算法的参数进行调整，确定参数的取值限定范围，并建立多个决策树模型；其中，参数包括最大树深度和分支所需最少样本数。
S242、对数据集中的训练集，计算特征标准基尼系数。
S243、根据特征标准基尼系数，对每一个冷轧带钢表面质量特征向量，计算基尼系数，得到当前参数下的基于决策树算法的判定规则模型，进而得到不同参数下的基于决策树算法的判定规则模型。
S244、采用预剪枝方法对不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型。
可选地，S242中的对数据集中的训练集，计算特征标准基尼系数，如下式(2)所示：
其中，Gini(D)表示从数据集中随机抽取两个样本，其类别不一致的概率，k表示分类的数目，p(xi)表示分类xi出现的概率。
可选地，S243中的基尼系数，如下式(3)所示：
其中，Gini(D,A)表示在特征A下基尼系数，A表示特征，D表示数据集，D1、D2表示根据特征A的值ai将每一个特征训练样本分成的两部分，Gini(D1)表示从特征训练样本D1中随机抽取两个样本，其类别不一致的概率，Gini(D2)表示从特征训练样本D2中随机抽取两个样本。
可选地，S244中的采用预剪枝方法对不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型，包括：
对数据集中的测试集，建立不同参数下的决策树模型的混淆矩阵，通过计算不同参数组合下的决策树模型的正确率，选取最优参数，得到基于决策树算法的判定规则模型。
另一方面，本发明提供了一种基于灰度共生矩阵与决策树的带钢分选度分级装置，该装置应用于实现基于灰度共生矩阵与决策树的带钢分选度分级方法，该装置包括：
获取模块，用于获取待分级的冷轧带钢表面的图像数据以及文本数据。
输入模块，用于将图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型。
输出模块，用于根据图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
可选地，输入模块，进一步用于：
S21、获取数据集；其中，数据集包括冷轧带钢表面的缺陷图像信息、冷轧带钢表面的缺陷文本信息以及冷轧带钢表面的缺陷质量分选度等级。
S22、根据数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值。
S23、根据特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量。
S24、根据冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型。
S25、根据判定规则模型的分类函数，构建冷轧带钢表面质量分选度分级模型。
可选地，冷轧带钢表面的缺陷文本信息，包括：
冷轧带钢表面的缺陷感兴趣区域相对坐标、缺陷面积、缺陷长度以及缺陷宽度。
可选地，输入模块，进一步用于：
S221、获取基于预训练确定的灰度共生矩阵的结构参数；其中，结构参数包括生成步长、图片灰度级以及生成方向。
S222、根据灰度共生矩阵，计算数据集中每张缺陷图像的灰度共生矩阵，得到冷轧带钢表面的聚集型缺陷的能量值、熵值、对比度以及相关性。
可选地，输入模块，进一步用于：
根据特征值以及冷轧带钢表面的缺陷文本信息，计算冷轧带钢表面的聚集型缺陷特征，得到冷轧带钢表面质量特征向量，如下式(1)所示：
其中，F1表示一卷冷轧带钢上所有聚集性缺陷的个数，F2i表示缺陷长宽比，F3i表示缺陷面积，W1i表示能量值，W2i表示熵值，W3i表示对比度，W4i表示相关性。
可选地，输入模块，进一步用于：
S241、采用网格搜索法，对决策树算法的参数进行调整，确定参数的取值限定范围，并建立多个决策树模型；其中，参数包括最大树深度和分支所需最少样本数。
S242、对数据集中的训练集，计算特征标准基尼系数。
S243、根据特征标准基尼系数，对每一个冷轧带钢表面质量特征向量，计算基尼系数，得到当前参数下的基于决策树算法的判定规则模型，进而得到不同参数下的基于决策树算法的判定规则模型。
S244、采用预剪枝方法对不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型。
可选地，对数据集中的训练集，计算特征标准基尼系数，如下式(2)所示：
其中，Gini(D)表示从数据集中随机抽取两个样本，其类别不一致的概率，k表示分类的数目，p(xi)表示分类xi出现的概率。
可选地，基尼系数，如下式(3)所示：
其中，Gini(D,A)表示在特征A下基尼系数，A表示特征，D表示数据集，D1、D2表示根据特征A的值ai将每一个特征训练样本分成的两部分，Gini(D1)表示从特征训练样本D1中随机抽取两个样本，其类别不一致的概率，Gini(D2)表示从特征训练样本D2中随机抽取两个样本。
可选地，采用预剪枝方法对不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型，包括：
对数据集中的测试集，建立不同参数下的决策树模型的混淆矩阵，通过计算不同参数组合下的决策树模型的正确率，选取最优参数，得到基于决策树算法的判定规则模型。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于灰度共生矩阵与决策树的带钢分选度分级方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于灰度共生矩阵与决策树的带钢分选度分级方法。
上述技术方案，与现有技术相比至少具有如下有益效果：
上述方案，提供了一种基于灰度共生矩阵与决策树规则的冷轧带钢表面质量分选度分级方法，能够对冷轧带钢表面质量自动进行分选度分级，从而降低带钢表面质量漏检率，降低了下游工序质量异议。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于灰度共生矩阵与决策树的带钢分选度分级方法流程示意图；
图2是本发明实施例提供的基于灰度值统计与决策树规则的冷轧带钢表面质量分选度分级判定方法的流程示意图；
图3是本发明实施例提供的决策树树形；
图4是本发明实施例提供的S1级缺陷图像示意图；
图5是本发明实施例提供的S2级缺陷图像示意图；
图6是本发明实施例提供的S4级缺陷图像示意图；
图7是本发明实施例提供的基于灰度共生矩阵与决策树的带钢分选度分级装置框图；
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于灰度共生矩阵与决策树的带钢分选度分级方法，该方法可以由电子设备实现。如图1所示的基于灰度共生矩阵与决策树的带钢分选度分级方法流程图，该方法的处理流程可以包括如下的步骤：
S1、获取待分级的冷轧带钢表面的图像数据以及文本数据。
一种可行的实施方式中，可以通过表面检测***进行数据的获取。
S2、将图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型。
其中，分选度是从一堆包括合格品和不合格品材料中，挑选出可降级使用的材料的过程。
可选地，如图2所示，S2中的冷轧带钢表面质量分选度分级模型的构建过程，可以包括如下步骤S21-S25：
S21、获取数据集。
一种可行的实施方式中，收集冷轧带钢表面聚集型缺陷的图像信息与文本信息，文本信息可以包括：缺陷感兴趣区域相对坐标、缺陷面积、缺陷长度、缺陷宽度等，并且获得每卷带钢的表面质量分选度等级。根据上述三合一数据制作数据集。
S22、根据数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值，可以包括如下步骤S221-S222：
S221、获取基于预训练确定的灰度共生矩阵的结构参数；其中，结构参数包括生成步长d、图片灰度级G以及生成方向θ。
S222、根据灰度共生矩阵，计算数据集中每张缺陷图像的灰度共生矩阵，得到冷轧带钢表面的聚集型缺陷的能量值、熵值、对比度以及相关性。
一种可行的实施方式中，将得到的每一幅缺陷图像进行灰度化，根据从灰度i的原始图像点到原图像灰度为j的点的概率，d＝(Dx,Dy)是i，j两个点的对应关系式，决定了图像中两个像素的位置关系，i,j＝0,1,2,...L-1，L表示像素的灰度级，则灰度共生矩阵可以表示为P(i,j)。
进一步地，假设缺陷图像的某一点(x,y)可以移动，那么会得到不同的(Ii,Ij)，则(Ii,Ij)的组合有L×L个，统计出每一种出现的次数，排列成一个矩阵，本实施例中，所有情况的总次数Z为：
进一步地，灰度矩阵PL×L为：
其中，C(Ii,Ij)表示PL×L中的每一个元素；L表示像素的灰度级。
能量：
熵值：
对比度：
相关性：
其中，P(i,j,d,θ)为灰度i的原始图像点到原图像灰度为j的点的概率，G为灰度级。
S23、根据特征值以及冷轧带钢表面的缺陷文本信息，通过计算一卷带钢表面的所有聚集型缺陷特征，构成特征向量，如下式(8)所示：
其中，F1表示一卷冷轧带钢上所有聚集性缺陷的个数，F2i表示缺陷长宽比，F3i表示缺陷面积，W1i表示能量值，W2i表示熵值，W3i表示对比度，W4i表示相关性。
S24、根据冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型。
一种可行的实施方式中，将得到的特征向量作为决策树的叶子节点建立决策树，为确保决策树模型精度与避免过拟合，采用预剪枝方法，通过提前停止树的构建而对树进行剪枝。其中决策树算法采用cart决策树算法，其选取的特征标准为基尼系数，模型构建可以包括如下步骤S241-S244：
S241、采用网格搜索法，对决策树算法的参数进行调整，确定参数的取值限定范围，并建立多个决策树模型；其中，参数包括最大树深度和分支所需最少样本数。
S242、对数据集中的训练集，计算特征标准基尼系数，如下式(9)所示：
其中，Gini(D)表示从数据集中随机抽取两个样本，其类别不一致的概率，k表示分类的数目，p(xi)表示分类xi出现的概率。
S243、根据特征标准基尼系数，对每一个特征，计算特征下的基尼系数，得到当前参数下的基于决策树算法的判定规则模型，进而得到不同参数下的基于决策树算法的判定规则模型。
其中，对于每一个特征A，对其可能取得的每一个值a。根据值ai将每一个特征训练样本分为D1和D2两部分，由基尼系数公式得到在特征A下基尼系数，如下式(10)所示：
其中，Gini(D,A)表示在特征A下基尼系数，A表示特征，D表示数据集，D1、D2表示根据特征A的值ai将每一个特征训练样本分成的两部分，Gini(D1)表示从特征训练样本D1中随机抽取两个样本，其类别不一致的概率，Gini(D2)表示从特征训练样本D2中随机抽取两个样本。
进一步地，针对数据集D，计算每一个特征的基尼系数，得到当前最大树深度与分支所需最少样本数下的决策树模型。
S244、对数据集中的测试集，建立不同参数下的决策树模型的混淆矩阵，通过计算不同参数组合下的决策树模型的正确率，选取最优参数，实现决策树预剪枝，得到基于决策树算法的判定规则模型。
S25、根据判定规则模型的分类函数，构建冷轧带钢表面质量分选度分级模型。
S3、根据图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
一种可行的实施方式中，以表面检测仪数据为输入项，通过上述步骤得到表面质量特征向量，通过决策树模型分类函数，实现冷轧带钢表面质量分选度分级。
具体地，以某钢铁企业冷轧连退产线表检***检出的缺陷为例，下面将结合本发明的内容来介绍本专利的具体实施方式，具体包括以下步骤：
步骤1：通过已有的表检***获得了具有聚集型缺陷的带钢图像及其缺陷区域几何信息，并结合人工经验对每个表面缺陷样本按缺陷严重程度标记出三个等级，其中，共收集S1等级带钢数据50卷、S2等级带钢数据50卷、S4等级带钢数据50卷，各等级样本数较为均匀。
步骤2：通过灰度共生矩阵计算出每个聚集型缺陷的能量值、熵值、相关性、对比度，并通过计算，得到每卷带钢表面的能量值、熵值、相关性、对比度，带钢表面特征值结果如表1所示：
表1
步骤3：获取到每卷带钢表面缺陷几何信息和灰度共生矩阵统计信息后，计算每卷带钢表面特征向量，150卷带钢的特征向量如下表2所示：
表2
步骤4：将得到的特征向量作为决策树的叶子节点建立决策树，为确保决策树模型精度与避免过拟合，采用预剪枝方法，通过提前停止树的构建而对树进行剪枝。其中决策树算法采用cart决策树算法，其选取的特征标准为基尼系数。决策树树形如图3所示，不同参数组合下的模型正确率如下表3所示：
表3
其中，最大树深度为5且分支所需最少样本数为1时模型准确率达到最高，故选定其作为决策树预剪枝结构参数。
步骤5：以表面检测仪数据为输入项，通过步骤2、3得到表面质量特征向量，通过决策树模型分类函数，实现冷轧带钢表面质量分选度分级。
其中，决策树分类函数为：
进一步地，45卷带钢数据作为输入，提取其特征向量，最终分类***的输出为冷轧带钢表面质量分选度等级，即S1级(如图4所示)、S2级(如图5所示)或S4级(如图6所示)，预测结果如表4所示：
表4
对预测结果进行统计分级，各等级下预测结果与样本标签一致的样本分别为S1级16卷、S2级9卷例、S4级17卷例；S1级预测准确率100％、S2级预测准确率90％、S3级预测准确率89.47％，其中不存在严重误判，即将S4级缺陷误判为S1级缺陷，这一数据低于人工对缺陷图像的分级误判率(3％)。
本实施例中，为了进一步理解本发明实施例所述的基于灰度共生矩阵和决策树的冷轧带钢表面质量分选度分级方法，将本发明应用于某钢铁企业冷轧连退产线，以每个月第一个周一的白班生产开始，连续选取自动判定参与的1000卷带钢，将其判定结果作为样本进行误差评价，实际应用效果分析结果如下表5所示：
表5
本发明实施例中，提供了一种基于灰度共生矩阵与决策树规则的冷轧带钢表面质量分选度分级方法，能够对冷轧带钢表面质量自动进行分选度分级，从而降低带钢表面质量漏检率，降低了下游工序质量异议。
如图7所示，本发明实施例提供了一种基于灰度共生矩阵与决策树的带钢分选度分级装置700，该装置700应用于实现基于灰度共生矩阵与决策树的带钢分选度分级方法，该装置700包括：
获取模块710，用于获取待分级的冷轧带钢表面的图像数据以及文本数据。
输入模块720，用于将图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型。
输出模块730，用于根据图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
可选地，输入模块720，进一步用于：
S21、获取数据集；其中，数据集包括冷轧带钢表面的缺陷图像信息、冷轧带钢表面的缺陷文本信息以及冷轧带钢表面的缺陷质量分选度等级。
S22、根据数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值。
S23、根据特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量。
S24、根据冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型。
S25、根据判定规则模型的分类函数，构建冷轧带钢表面质量分选度分级模型。
可选地，冷轧带钢表面的缺陷文本信息，包括：
冷轧带钢表面的缺陷感兴趣区域相对坐标、缺陷面积、缺陷长度以及缺陷宽度。
可选地，输入模块720，进一步用于：
S221、获取基于预训练确定的灰度共生矩阵的结构参数；其中，结构参数包括生成步长、图片灰度级以及生成方向。
S222、根据灰度共生矩阵，计算数据集中每张缺陷图像的灰度共生矩阵，得到冷轧带钢表面的聚集型缺陷的能量值、熵值、对比度以及相关性。
可选地，输入模块720，进一步用于：
根据特征值以及冷轧带钢表面的缺陷文本信息，计算冷轧带钢表面的聚集型缺陷特征，得到冷轧带钢表面质量特征向量，如下式(1)所示：
其中，f1表示一卷冷轧带钢上所有聚集性缺陷的个数，F2i表示缺陷长宽比，F3i表示缺陷面积，W1i表示能量值，W2i表示熵值，W3i表示对比度，W4i表示相关性。
可选地，输入模块720，进一步用于：
S241、采用网格搜索法，对决策树算法的参数进行调整，确定参数的取值限定范围，并建立多个决策树模型；其中，参数包括最大树深度和分支所需最少样本数。
S242、对数据集中的训练集，计算特征标准基尼系数。
S243、根据特征标准基尼系数，对每一个冷轧带钢表面质量特征向量，计算基尼系数，得到当前参数下的基于决策树算法的判定规则模型，进而得到不同参数下的基于决策树算法的判定规则模型。
S244、采用预剪枝方法对不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型。
可选地，对数据集中的训练集，计算特征标准基尼系数，如下式(2)所示：
其中，Gini(D)表示从数据集中随机抽取两个样本，其类别不一致的概率，k表示分类的数目，p(xi)表示分类xi出现的概率。
可选地，特征下的基尼系数，如下式(3)所示：
其中，Gini(D,A)表示在特征A下基尼系数，A表示特征，D表示数据集，D1、D2表示根据特征A的值ai将每一个特征训练样本分成的两部分，Gini(D1)表示从特征训练样本D1中随机抽取两个样本，其类别不一致的概率，Gini(D2)表示从特征训练样本D2中随机抽取两个样本。
可选地，采用预剪枝方法对不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型，包括：
对数据集中的测试集，建立不同参数下的决策树模型的混淆矩阵，通过计算不同参数组合下的决策树模型的正确率，选取最优参数，得到基于决策树算法的判定规则模型。
本发明实施例中，提供了一种基于灰度共生矩阵与决策树规则的冷轧带钢表面质量分选度分级方法，能够对冷轧带钢表面质量自动进行分选度分级，从而降低带钢表面质量漏检率，降低了下游工序质量异议。
图8是本发明实施例提供的一种电子设备800的结构示意图，该电子设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)801和一个或一个以上的存储器802，其中，存储器802中存储有至少一条指令，至少一条指令由处理器801加载并执行以实现下述基于灰度共生矩阵与决策树的带钢分选度分级方法：
S1、获取待分级的冷轧带钢表面的图像数据以及文本数据。
S2、将图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型。
S3、根据图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于灰度共生矩阵与决策树的带钢分选度分级方法。例如，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于灰度共生矩阵与决策树的带钢分选度分级方法，其特征在于，所述方法包括：
S1、获取待分级的冷轧带钢表面的图像数据以及文本数据；
S2、将所述图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型；
S3、根据所述图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
2.根据权利要求1所述的方法，其特征在于，所述S2中的冷轧带钢表面质量分选度分级模型的构建过程，包括：
S21、获取数据集；其中，所述数据集包括冷轧带钢表面的缺陷图像信息、冷轧带钢表面的缺陷文本信息以及冷轧带钢表面的缺陷质量分选度等级；
S22、根据所述数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值；
S23、根据所述特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量；
S24、根据所述冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型；
S25、根据判定规则模型的分类函数，构建冷轧带钢表面质量分选度分级模型。
3.根据权利要求2所述的方法，其特征在于，所述S21中的冷轧带钢表面的缺陷文本信息，包括：
冷轧带钢表面的缺陷感兴趣区域相对坐标、缺陷面积、缺陷长度以及缺陷宽度。
4.根据权利要求2所述的方法，其特征在于，所述S22中的根据所述数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值，包括：
S221、获取基于预训练确定的灰度共生矩阵的结构参数；其中，所述结构参数包括生成步长、图片灰度级以及生成方向；
S222、根据灰度共生矩阵，计算数据集中每张缺陷图像的灰度共生矩阵，得到冷轧带钢表面的聚集型缺陷的能量值、熵值、对比度以及相关性。
5.根据权利要求2所述的方法，其特征在于，所述S23中的根据所述特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量，包括：
根据所述特征值以及冷轧带钢表面的缺陷文本信息，计算冷轧带钢表面的聚集型缺陷特征，得到冷轧带钢表面质量特征向量，如下式(1)所示：
其中，F1表示一卷冷轧带钢上所有聚集性缺陷的个数，F2i表示缺陷长宽比，F3i表示缺陷面积，W1i表示能量值，W2i表示熵值，W3i表示对比度，W4i表示相关性。
6.根据权利要求2所述的方法，其特征在于，所述S24中的根据所述冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型，包括：
S241、采用网格搜索法，对决策树算法的参数进行调整，确定参数的取值限定范围，并建立多个决策树模型；其中，所述参数包括最大树深度和分支所需最少样本数；
S242、对数据集中的训练集，计算特征标准基尼系数；
S243、根据所述特征标准基尼系数，对每一个冷轧带钢表面质量特征向量，计算基尼系数，得到当前参数下的基于决策树算法的判定规则模型，进而得到不同参数下的基于决策树算法的判定规则模型；
S244、采用预剪枝方法对所述不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型。
7.根据权利要求6所述的方法，其特征在于，所述S242中的对数据集中的训练集，计算特征标准基尼系数，如下式(2)所示：
其中，Gini(D)表示从数据集中随机抽取两个样本，其类别不一致的概率，k表示分类的数目，p(xi)表示分类xi出现的概率。
8.根据权利要求6所述的方法，其特征在于，所述S243中的基尼系数，如下式(3)所示：
其中，Gini(D,A)表示在特征A下基尼系数，A表示特征，D表示数据集，D1、D2表示根据特征A的值ai将每一个特征训练样本分成的两部分，Gini(D1)表示从特征训练样本D1中随机抽取两个样本，其类别不一致的概率，Gini(D2)表示从特征训练样本D2中随机抽取两个样本。
9.根据权利要求6所述的方法，其特征在于，所述S244中的采用预剪枝方法对所述不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型，包括：
对数据集中的测试集，建立不同参数下的决策树模型的混淆矩阵，通过计算不同参数组合下的决策树模型的正确率，选取最优参数，得到基于决策树算法的判定规则模型。
10.一种基于灰度共生矩阵与决策树的带钢分选度分级装置，其特征在于，所述装置包括：
获取模块，用于获取待分级的冷轧带钢表面的图像数据以及文本数据；
输入模块，用于将所述图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型；
输出模块，用于根据所述图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
CN202311310069.XA 2023-10-10 2023-10-10 基于灰度共生矩阵与决策树的带钢分选度分级方法及装置 Pending CN117314871A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311310069.XA CN117314871A (zh) 2023-10-10 2023-10-10 基于灰度共生矩阵与决策树的带钢分选度分级方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311310069.XA CN117314871A (zh) 2023-10-10 2023-10-10 基于灰度共生矩阵与决策树的带钢分选度分级方法及装置

Publications (1)

Publication Number Publication Date
CN117314871A true CN117314871A (zh) 2023-12-29

Family

ID=89255003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311310069.XA Pending CN117314871A (zh) 2023-10-10 2023-10-10 基于灰度共生矩阵与决策树的带钢分选度分级方法及装置

Country Status (1)

Country Link
CN (1) CN117314871A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934459A (zh) * 2024-03-21 2024-04-26 锦诚实业科技(深圳)有限公司 一种食品料包封口缺陷检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934459A (zh) * 2024-03-21 2024-04-26 锦诚实业科技(深圳)有限公司 一种食品料包封口缺陷检测方法

Similar Documents

Publication Publication Date Title
CN116186634A (zh) 一种建筑工程施工数据智能管理***
CN101661004B (zh) 一种基于支持向量机的电路板焊接质量视觉检测方法
CN110728656A (zh) 基于元学习的无参考图像质量数据处理方法、智能终端
CN102176698A (zh) 一种基于迁移学习的用户异常行为检测方法
CN111299318B (zh) 一种热轧板带产品表面质量的自动判定方法
CN117314871A (zh) 基于灰度共生矩阵与决策树的带钢分选度分级方法及装置
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN112199559B (zh) 数据特征的筛选方法、装置及计算机设备
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
Song et al. Optimizing joint location-scale monitoring–An adaptive distribution-free approach with minimal loss of information
CN107610119A (zh) 基于直方图分解的带钢表面缺陷精准检测方法
CN115100188A (zh) 一种层次化缺陷分析的钢板表面质量自动分级与判定方法
CN117789038B (zh) 一种基于机器学习的数据处理与识别模型的训练方法
CN115271442A (zh) 基于自然语言评估企业成长性的建模方法及***
US12025552B1 (en) Quality detection method for porous metal material
CN113688506B (zh) 基于微站等多维数据的潜在大气污染源识别方法
CN112683166B (zh) 一种模切产品尺寸检测方法
Glennon et al. Development and validation of credit scoring models
CN115830302A (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN112926991B (zh) 一种套现团伙严重等级划分方法及***
WO2023085992A1 (en) Image analysis of cut flowers
Ramaswamy et al. Time truncated chain sampling plans for generalized exponential distribution
CN114596296A (zh) 一种高灵敏度的热轧钢卷端面缺陷识别***及方法
CN118365590A (zh) 一种基于卷积神经的带钢分选度分级方法及装置
CN114199879B (zh) 一种冷轧带钢表面聚集型缺陷的识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination