基于径向基网络的钢板表面缺陷检测算法研究文档格式.doc
《基于径向基网络的钢板表面缺陷检测算法研究文档格式.doc》由会员分享,可在线阅读,更多相关《基于径向基网络的钢板表面缺陷检测算法研究文档格式.doc(43页珍藏版)》请在冰豆网上搜索。
![基于径向基网络的钢板表面缺陷检测算法研究文档格式.doc](https://file1.bdocx.com/fileroot1/2022-10/4/919f186e-48f3-4ef5-b1b5-1b8259a46688/919f186e-48f3-4ef5-b1b5-1b8259a466881.gif)
Abstract
Asoneofthemajorformsofproductioninsteelindustry,steelsheethasnowbecomeakindofindispensablematerialformanyindustrieslikeautomobile,mechanicalmanufacturing,chemistry,aviation,astr0navigation,shipbuilding,etc.Itssurfacequalityaffectsthefinalproduction’Sperformanceandquality.Insteelmanufacturingprocess,becausecontinuouscastingbillet,rollingequipment,processingtechnologyandsoonvariouscauses,thesteelplatesurfaceoccurrencecrackle,descaling,scarringandrollerandscratches,hollow,needle,folding,surfacelayeretcofdifferenttypesofsurfaceflawsthatnotonlyaffecttheproduct'
sappearance,themoreseverelyreducedproductscorrosionresistance,abrasionresistanceandfatiguestrengthofperformance.
Neuralnetworktheory,asanewsubject,widelyusedinrecentyearsinthesteelsheetsurfacedefectsdetection,butmostlybasedonBPneuralnetworktoidentify,BPnetworkdrawbackisforinterferencequantityquitesensitive,hiddennodesseveralneedaftermanyattempts,theslowlearningspeedandeasyintothelocalminimumpoints.
ThepaperusesRBFneuralnetwork(RBFNN)torecognizethefaultdatasetofironsheetsusingcomputersimulations.Therecognizedresultsarecomparedwiththeexpectedoutputs.Duetoitssimplestructure,avarietyofmappingfunctions,andrapidlearningspeed,RBFNNcanachieveaglobaloptimization.
Keywords:
RadialBasisFunction(RBF);
ArtificialNeuralNetwork;
SurfaceDefect;
DefectRecognition
目录
第一章绪论 1
1.1课题的研究目的 1
1.2课题研究的意义 1
1.3课题研究的内容与方法 2
第二章模式识别技术与人工神经网络介绍 4
2.1模式识别技术 4
2.1.1模式识别的基本概念 4
2.1.2识别对象的特征及其提取 4
2.1.3模式识别分类 5
2.2人工神经网络简介 6
2.2.1人工神经网络模型 6
2.2.2人工神经网络发展史 7
2.2.3人工神经网络的分类及学习规则 8
2.2.4人工神经网络的应用 12
第三章基于径向基网络的钢板表面缺陷检测仿真实现 14
3.1径向基网络基本介绍 14
3.1.1径向基网络模型 14
3.1.2径向基网络的结构与特点 15
3.2MATLAB神经网络工具箱简介 17
3.3基于径向基网络的钢板表面缺陷检测仿真实现 18
3.3.1钢板表面缺陷检测过程设计 18
3.3.2 仿真结果分析 27
结论 29
参考文献 30
致谢 31
附录 32
1.程序矩阵 32
2.程序清单 34
3.实验流图 36
第一章绪论
1.1课题的研究目的
随着现代钢铁工业的迅猛发展,钢板作为钢铁工业的主要产品形式,已成为汽车、机械制造、化工、航空航天和造船等工业不可缺少的原材料,其表面质量的优劣将直接影响最终产品的性能和质量。
然而在钢板制造过程中,由于原材料、轧制设备和加工工艺等多方面的原因,导致连铸板坯、热轧钢板和冷轧钢板表面出现裂纹、氧化皮、结疤、辊印、刮伤、孔洞、针眼、鳞皮、表皮分层和麻点等不同类型的缺陷。
这些缺陷不仅影响了产品的外观,更严重的降低了产品的抗腐蚀性、耐磨性和疲劳强度等性能。
特别是自上世纪80年代以来,由于客户的需求,市场竞争的加剧和企业内部优质、高产、低耗的生产压力的因素,对钢板表面的质量提出了越来越高的要求。
至今,世界各国在钢板产品的尺寸精度控制方面己经取得了显著成效,尤其在厚度、宽度、板形等方面己经取得了实际应用。
目前,国内外钢铁制造企业通常采用人工目视抽检和频闪光检测等方法进行表面质量检测,经过概率计算并参考检测员的经验数据形成钢板的综合质量评定。
这些方法具有以下突出的弊端,即
1.抽检率低,不能100%反映钢板表面的质量,尤其是对于加工过程中产生的大量非周期性缺陷存在漏检;
2.实时性差,远不能满足在线高速的生产节奏;
3.缺乏检测的一致性、科学性,检测的置信度低;
4.检测环境恶劣,对人身及设备损害较大,而且人工检测很容易造成误判和漏检。
因而,适时地开展钢板表面缺陷在线无损检测技术的研究工作,己成为国内外学者和自动检测设备供应商所共同关注的课题。
1.2课题研究的意义
神经网络是智能计算发展的一个主流方向。
神经网络经历了新近20年的迅速发展,它所具备的独特知识表示结构和信息处理的原则,使其在许多应用领域取得了显著的进展,能够为解决一些传统计算机极难求解的问题提供满意的解,或者为寻求满意解提供全新的思路。
神经网络由于其信息处理机制和成功应用,实际上已成为智能信息处理的主要技术之一。
径向基(RBF)神经网络结构简单、训练简洁而且学习收敛速度快,能够逼近任意非线性函数,可以处理系统内在的难以解析的规律性,因此有较广泛的应用。
目前径向基(RBF)神经网络已成功的用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等等,显示出其独特的优越性。
本课题利用径向基网络对钢板表面缺陷进行检测并加以分类找出缺陷钢板,能够提高识别率,加快检测速度,更能满足钢板表面缺陷检测的实时性要求,是一种行之有效的方法。
1.3课题研究的内容与方法
本课题采用人工神经网络的模式识别技术构造了基于径向基函数的神经网络,使用该网络对给定的钢板表面缺陷集进行检测,得出检测结果。
课题的具体研究方法是通过对钢板表面的7种缺陷的收集和整理,构造出本课题的试验样本集;
利用人工神经网络的理论,建立了基于径向基函数的网络模型;
使用MATLAB神经网络工具箱实现了该网络的训练和应用仿真;
对实现的仿真结果结合训练过程进行了客观的分析。
本课题研究的工作流程图如图1-1所示:
资料采集
特征量化
神经网络与模式识别
模式识别资料
径向基网络
特征提取
模式识别
特征集合
原始钢板表面缺陷样本资料
识别结果
图1-1整体工作流程图
第二章模式识别技术与人工神经网络介绍
2.1模式识别技术
模式识别从20世纪20年代发展至今,人们的一种普遍看法是不存在对所有模式识别问题都适用的单一模型和解决识别问题的单一技术,我们现在拥有的只是一个工具袋,所要做的是结合具体问题把统计的和句法的识别结合起来,把统计模式识别或句法模式识别与人工智能中的启发式搜索结合起来,把统计模式识别或句法模式识别与支持向量机的机器学习结合起来,把人工神经元网络与各种已有技术以及人工智能中的专家系统、不确定推理方法结合起来,深入掌握各种工具的效能和应有的可能性,互相取长补短,开创模式识别应用的新局面。
2.1.1模式识别的基本概念
模式识别(PatternRecognition)是人类的一项基本智能,在日常生活中,人们经常在进行“模式识别”。
随着20世纪40年代计算机的出现以及50年代人工智能的兴起,人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。
(计算机)模式识别在20世纪60年代初迅速发展并成为一门新学科。
模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。
2.1.2识别对象的特征及其提取
表示物体的某些标量特性,称为特征。
它是从模式得到的分类有用的度量、属性或基元。
特征是决定相似性与分类的关键,当分类的目的决定之后,如何找到合适的特征就成为认知与知识的核心问题。
对于一个实际的模式识别系统,只有在特征确定后才能对分类器的参数进行计算。
实际设计中,这两者常常是互相交叉进行的,对不同的方案要进行反复比较。
模式特征可以分为物理的、结构的和数学的三大类。
其中,物理特征和结构特征容易被人们的感觉器官所接受,便于人们直观的识别对象。
但是,我们研究计算机自动识别系统,它抽象和处理数学特征的能力要远远胜于人类感知器官,因此,统计平均值、方差、协方差矩阵的本征值和本征向量、以及矩等这些数学特征,被广泛的用作模式识别特征。
2.1.3模式识别分类
模式识别技术可以分为以下几类,而本文采用的正是利用神经网络的方法进行模式识别,下面对几种方法进行一下简单的介绍。
一.统计模