本發(fā)明涉及大數(shù)據(jù)領域，尤其涉及一種基于大數(shù)據(jù)的金屬板材缺陷智能化識別方法。

背景技術：

1、在金屬加工與制造領域，金屬板材的質(zhì)量檢測是確保產(chǎn)品合格率和提升生產(chǎn)效率的關鍵環(huán)節(jié)。目前，市場上普遍采用的傳統(tǒng)檢測方法依賴于人工目視檢查與簡單的機械測量，這種方法不僅效率低下，而且易受人為因素影響，導致檢測結果的準確性和一致性難以保證。此外，隨著工業(yè)自動化和智能制造的快速發(fā)展，對金屬板材缺陷檢測的精度和速度提出了更高的要求。

2、近年來，隨著圖像處理技術和大數(shù)據(jù)分析技術的不斷進步，基于圖像處理和數(shù)據(jù)分析的自動化缺陷識別方法逐漸應用于金屬板材檢測領域。然而，現(xiàn)有技術方案大多存在以下缺點：一是對圖像數(shù)據(jù)的預處理不夠精細，難以有效去除噪聲和干擾，影響后續(xù)分析的準確性；二是對異常目標的定位及置信度校正缺乏系統(tǒng)性方法，導致識別結果的可信度不高；三是構建的缺陷識別模型往往基于有限的數(shù)據(jù)集，泛化能力有限，難以適應復雜多變的生產(chǎn)環(huán)境；四是缺乏對識別模型的持續(xù)優(yōu)化機制，無法根據(jù)實際應用中的反饋自動調(diào)整模型參數(shù)，以進一步提升識別精度。因此，寇待新的技術提高金屬板材缺陷識別的檢測效率和準確性。

技術實現(xiàn)思路

1、本發(fā)明的目的是要提供一種基于大數(shù)據(jù)的金屬板材缺陷智能化識別方法。

2、為達到上述目的，本發(fā)明是按照以下技術方案實施的：

3、本發(fā)明包括以下步驟：

4、采集金屬板材的圖像數(shù)據(jù)和檢測數(shù)據(jù)，對所述圖像數(shù)據(jù)和所述檢測數(shù)據(jù)進行預處理；

5、對所述圖像數(shù)據(jù)進行異常目標定位獲得問題圖像，對所述問題圖像進行置信度校正量化獲得校正數(shù)據(jù)；

6、根據(jù)偏差對所述檢測數(shù)據(jù)進行異常識別獲得缺陷數(shù)據(jù)，根據(jù)所述校正數(shù)據(jù)和所述缺陷數(shù)據(jù)構建金屬板材缺陷智能化識別模型；

7、根據(jù)識別誤差優(yōu)化所述金屬板材缺陷智能化識別模型，將待識別數(shù)據(jù)輸入所述金屬板材缺陷智能化識別模型模型，輸出識別結果。

8、進一步的，對所述圖像數(shù)據(jù)進行異常目標定位獲得問題圖像的方法，包括：

9、對圖像數(shù)據(jù)進行灰度處理，通過灰度的平均值獲取灰度閾值，根據(jù)灰度閾值對圖像數(shù)據(jù)的像素進行粗分割，將大于灰度閾值的圖像數(shù)據(jù)像素區(qū)域作為關鍵區(qū)域；

10、計算關鍵區(qū)域面積和缺陷長度：

11、

12、其中關鍵區(qū)域面積像素數(shù)量為缺陷長度為g，包圍缺陷最小矩形長和寬的像素量分別為b、v，關鍵區(qū)域的長度和寬度分別為s、m，坐標w、h的像素數(shù)為k(w?h)；

13、計算最小外接矩陣的長寬比和轉動慣量：

14、

15、

16、其中最小外接矩陣的長寬比為φ，轉動慣量為ζ，關鍵區(qū)域的質(zhì)心為(cw，ch)；

17、計算子圖像和關鍵區(qū)域的相似度：

18、

19、其中子圖像的長寬比為φ2，子圖像的轉動慣量為ζ2，關鍵區(qū)域的長寬比為φ1，關鍵區(qū)域的轉動慣量為ζ1，子圖像在位置(f，m)的像素值為c(f，m)，子圖像在水平方向和垂直方向的索引分別為f、m，關鍵區(qū)域在(w+fh+m)的像素值為i(w+fh+m)，子圖像的長寬分別為g、r；

20、將相似度大于0.975的關鍵區(qū)域輸出為問題圖像。

21、進一步的，對所述問題圖像進行置信度校正量化獲得校正數(shù)據(jù)的方法，包括：

22、根據(jù)問題圖像的角點分數(shù)差值、標識符差異構造懲罰因子，表達式為：

23、

24、其中基于角點分數(shù)差值的懲罰因子為基于角點標識符差異的懲罰因子為τ，差值影響程度為μ1，差異影響程度為μ2，左上角點的分數(shù)為utl，右下角點的分數(shù)為ubr，左上角點的標識符為ztl，右下角點的標識符為zbr；

25、根據(jù)目標面積構造懲罰因子的補償系數(shù)，表達式為：

26、

27、其中懲罰因子的補償系數(shù)為懲罰因子τ的補償系數(shù)為βτ，問題圖像框的面積閾值為dmax，懲罰因子的抑制因子為懲罰因子τ的抑制因子為

28、采用補償系數(shù)更新懲罰因子，表達式為：

29、

30、其中更新后的懲罰因子為更新后的懲罰因子τ為

31、在問題圖像框置信度引入角點分數(shù)差值的懲罰因子和角點標識符差異的懲罰因子，表達式為：

32、

33、其中問題圖像框面積的最小值為dmin，問題圖像框置信度為hbx；

34、結合中心點信息和角點差異性排除無效問題圖像框，將預測中心點置信度加入問題圖像框置信度，表達式為：

35、

36、其中調(diào)整后問題圖像框的置信度為中心點的置信度為hct，優(yōu)化懲罰因子表達式為：

37、

38、其中矢量位移后兩個角點組成的問題圖像框的面積為dsf，位移前兩個角點組成的問題圖像框面積為dthsd，矢量位移后懲罰因子τ的補償系數(shù)為βssf，優(yōu)化后的懲罰因子為τ*；

39、根據(jù)優(yōu)化后的懲罰因子τ*對問題圖像框置信度進行校正，表達式為

40、

41、其中校正后的問題圖像框置信度為調(diào)控權重為η；

42、直到校正后的問題圖像框置信度大于o.752則停止校正，否則對問題圖像進行二次分割；

43、根據(jù)校正后的問題圖像框置信度確定缺陷區(qū)域，根據(jù)缺陷區(qū)域計算金屬板材缺陷比例：

44、

45、其中金屬板材缺陷比例為金屬板材面積為x，缺陷區(qū)域圖像的行數(shù)為缺陷區(qū)域圖像的列數(shù)為第i行第y列的像素值為i(i，y)。

46、進一步的，根據(jù)偏差對所述檢測數(shù)據(jù)進行異常識別獲得缺陷數(shù)據(jù)的方法，包括：

47、將檢測數(shù)據(jù)映射到低維空間，獲得包含所有檢測數(shù)據(jù)的最小超球面，表達式為：

48、

49、其中懲罰系數(shù)為λ，第s個松弛因子為超球面的球心為a，超球面的半徑為k，檢測數(shù)據(jù)的數(shù)量為第s個檢測數(shù)據(jù)為bs，映射函數(shù)為u(·)，檢測數(shù)據(jù)bs與球心a的距離長度為||u(bs)-a||，目標函數(shù)為

50、采用拉格朗日乘子調(diào)整檢測數(shù)據(jù)到球心的距離，表達式為：

51、

52、其中第s個拉格朗日乘子為χs，拉格朗日函數(shù)為檢測數(shù)據(jù)bs到球心的距離為d(bs)；

53、根據(jù)超球面上的檢測數(shù)據(jù)確定半徑，表達式為：

54、

55、其中第v個檢測數(shù)據(jù)為bv，核函數(shù)為z(，)，第j個拉格朗日乘子為χ1；

56、計算檢測數(shù)據(jù)的偏差：

57、

58、其中檢測數(shù)據(jù)bs的偏差為將偏差大于0.217k的檢測數(shù)據(jù)輸出為缺陷數(shù)據(jù)。

59、進一步的，根據(jù)所述校正數(shù)據(jù)和所述缺陷數(shù)據(jù)構建金屬板材缺陷智能化識別模型的方法，包括：

60、根據(jù)校正數(shù)據(jù)和缺陷數(shù)據(jù)構造目標函數(shù)，表達式為：

61、

62、其中缺陷數(shù)據(jù)的數(shù)量為n，圖像缺陷權重為ρ2，數(shù)據(jù)缺陷權重為ρ1，金屬板材缺陷比例為檢測數(shù)據(jù)bs的偏差為實際缺陷值為預測缺陷值為實際缺陷值和預測缺陷值的損失函數(shù)為

63、構建金屬板材缺陷智能化識別模型包括隨機森林算法、多模態(tài)分類算法、bp神經(jīng)網(wǎng)絡和svm向量機結合分類器；

64、隨機森林算法將輸入數(shù)據(jù)按照5：2隨機劃分成訓練集和測試集；

65、多模態(tài)分類算法通過整合訓|練集的不同數(shù)據(jù)源信息獲得差異度，根據(jù)差異度對訓練集進行數(shù)據(jù)分類獲得層級數(shù)據(jù)；

66、bp神經(jīng)網(wǎng)絡和svm向量機結合分類器通過bp神經(jīng)網(wǎng)絡對層級數(shù)據(jù)進行特征學習，然后用svm對層級數(shù)據(jù)進行分類決策計算缺陷值；

67、將測試集輸入金屬板材缺陷智能化識別模型，根據(jù)目標函數(shù)獲得目標值，直到目標值中的損失函數(shù)達到最小則停止訓練。

68、進一步的，根據(jù)識別誤差優(yōu)化所述金屬板材缺陷智能化識別模型的方法，包括：

69、用索波爾序列生成種群，表達式為：

70、

71、其中控制參數(shù)為ψ，第z個粒子的位置為搜索空間上限為搜索空間下限為索波爾序列產(chǎn)生的隨機數(shù)為x；

72、計算粒子的適應度：

73、

74、其中第z個粒子的識別誤差為erz，第z個粒子的缺陷比例為wz，誤差權重為ω，比例權重為υ；

75、將適應度最大的粒子位置作為目標，根據(jù)概率更新粒子的位置，表達式為：

76、

77、其中第t+1次迭代的第z個粒子位置為第t次迭代的第z個粒子位置為粒子的數(shù)量為第t次迭代的目標為概率為p，0到1的隨機數(shù)分別為r1、r2、r3、r4；

78、調(diào)整缺陷比例，表達式為：

79、

80、其中逃逸比例為w，最大迭代次數(shù)為tmax；

81、根據(jù)逃逸比例和高斯擾動策略更新粒子位置獲得擾動位置，表達式為：

82、

83、其中第t+1次迭代的第z個粒子優(yōu)化位置為0到1的隨機數(shù)為r5，第t次迭代目標和搜索子位置的差值為方差為σ，高斯函數(shù)為第t次迭代的優(yōu)勢位置為第t+1次迭代的第z個粒子擾動位置為不斷迭代直到達到最大迭代次數(shù)，則停止迭代，否則更新粒子適應度重新選擇目標。

84、本發(fā)明的有益效果是：

85、本發(fā)明是一種基于大數(shù)據(jù)的金屬板材缺陷智能化識別方法，與現(xiàn)有技術相比，本發(fā)明具有以下技術效果：

86、本發(fā)明通過預處理、異常目標定位、置信度校正量化、異常識別、模型構建和識別誤差優(yōu)化步驟，可以提高大數(shù)據(jù)的金屬板材缺陷智能化識別的準確性，從而提高大數(shù)據(jù)的金屬板材缺陷識別的精度，將大數(shù)據(jù)的金屬板材缺陷識別優(yōu)化，可以大大節(jié)省資源，提高工作效率，可以實現(xiàn)對大數(shù)據(jù)的金屬板材缺陷的智能化識別，實時對大數(shù)據(jù)的金屬板材缺陷智能化識別進行置信度校正和誤差優(yōu)化，對大數(shù)據(jù)的金屬板材缺陷智能化識別具有重要意義，可以適應不同標準的大數(shù)據(jù)的金屬板材缺陷智能化識別、不同大數(shù)據(jù)的金屬板材缺陷智能化識別需求，具有一定的普適性。