基于改进麻雀搜索算法的带钢表面缺陷分类方法研究

扫码查看

原文链接

NETL

中文摘要：带钢广泛应用到国防工业、汽车生产、航空航天、轻工业等领域。带钢生产过程中产生的表面缺陷不仅影响外观性能，还会直接影响后续加工质量和使用安全性。为避免有缺陷的产品流入到下游工厂，基于机器视觉技术的带钢表面缺陷检测系统的研究对于提升带钢自动化生产、质量控制水平具有重要意义。为了加深机器视觉技术在带钢表面缺陷检测系统中的研究，本文提出了一种融合多种机制的改进麻雀搜索算法（IMM-SSA），并使用IMM-SSA优化BP神经网络分类器完成带钢表面缺陷的分类，具体工作如下：（1）分析了麻雀搜索算法存在的不足，并针对其存在的几点不足提出一种融合多种机制的麻雀搜索算法（IMM-SSA）。第一，通过Tent混沌映射序列使种群多样化和逐维小孔成像反向学习方法使初始种群精英化，提升初始种群质量，提高算法的全局搜索能力；第二，引入基于Sigmoid函数的自适应因子改进安全阈值，拓展麻雀的搜索能力，平衡麻雀算法的全局搜索能力和局部开发能力；第三，提出高斯-柯西变异机制，提升麻雀种群多样性，使算法跳出局部最优解的能力和全局搜索能力得到提升，提升算法寻优精度。（2）进行算法寻优性能对比。采用23种基准测试函数对IMM-SSA进行仿真测试，并使用遗传算法、粒子群优化算法、布谷鸟搜索算法、灰狼算法、天牛须算法、原始麻雀搜索算法与IMM-SSA同时进行仿真测试，用以对比IMM-SSA的迭代性能。（3）应用本文改进的分类器对带钢表面缺陷图像进行分类。先采用LBP算法对带钢表面缺陷进行图像预处理，导出特征向量。再应用IMM-SSA优化BP神经网络的初始连接权值和阈值。经实验证明，被优化后的BP神经网络分类器（IMM-SSA-BP）拥有较好的分类能力，分类正确率达94.33%，准确率达98.11%，精确率达94.46%，灵敏度达94.33%，特异性达98.87%，F1值达94.31%。（4）将IMM-SSA-BP的分类能力和其它分类器进行对比。将原始BP神经网络分类器以及遗传算法、粒子群优化算法、布谷鸟搜索算法、灰狼算法、天牛须算法、麻雀搜索算法与BP神经网络相结合制成分类器，并将上述七种分类器与IMM-SSA-BP进行分类能力对比。计算八种分类器分别对内含物、斑块、开裂、点蚀、轧制氧化皮、划痕以及六种缺陷总体的准确率、精确率、灵敏度、特异性和F1值进行对比，进一步证实本文所提出的分类器的分类能力。

作者：

卢禹成

展开 >

关键词：

麻雀搜索算法 BP神经网络带钢表面缺陷分类图像处理

授予学位：

硕士

学科专业：

机械工程

导师：

岳晓峰

学位年度：

2023

学位授予单位：

长春工业大学

语种：

中文

中图分类号：