带钢表面缺陷的一种在线检测识别算法研究
为了有效提高在线带钢表面缺陷检测的识别率和实时性,提出了一种优化的量子粒子群-径向基函数(QPSO-RBF)网络的带钢缺陷分类识别算法.首先采用加权模糊C-均值聚类(WFCM)算法确定RBF网络隐含层参数,算法对带钢缺陷特征数据出现的团状分布与疏散分布问题能够达到很好的聚类划分,避免对特征数据集等划分的趋势;然后采用QPSO算法对RBF网络的参数编码成粒子个体,在全局空间中动态地搜索最优适应值的RBF网络参数,提高了网络的学习性能,并建立了带钢缺陷分类识别的专家知识库.实验结果表明:本文算法可以自动获得较优的网络结构,收敛速度快,对带钢缺陷的平均识别率为94.63%,平均误识率为3.0%,对测试样本的识别时间为4 ms,小于生产线上每张图片的采集周期10 ms,因此,可以为高速生产线上的带钢表面缺陷在线实时检测提供了有利条件.
带钢表面缺陷、实时检测、特征提取、分类识别
26
TP182;TP391.4(自动化基础理论)
2015-05-06(万方平台首次上网日期,不代表论文的发表时间)
320-327