金家立

摘要：帶鋼表面缺陷識別類屬于模式識別領(lǐng)域，特征提取和分類是帶鋼表面缺陷識別過程中的兩個重要環(huán)節(jié)。本文介紹了SVM模型及其在帶鋼表面缺陷識別上的應(yīng)用，并簡單介紹了大間隔分類機。

關(guān)鍵詞：缺陷分類;支特向量機;大間隔分類機;識別

1 引言

標準支持向量機（Support Vector Machines，SVM）最初是由Vapnik等人于1963年提出。SVM以統(tǒng)計學(xué)理論為基礎(chǔ)，采用了結(jié)構(gòu)風(fēng)險最小化原則（SRM）和VC維理論（Vapnik-Chervonenkis）使其具有良好的泛化能力。SVM也具有較強的理論基礎(chǔ)，通過利用分類間隔最大化的思想來求解一個凸二次規(guī)劃問題（QuadraticProgramming Problem，QPP）從而產(chǎn)生一個最優(yōu)分類超平面，因此模型求出的局部最優(yōu)解一定是全局最優(yōu)解。此外，核函數(shù)的應(yīng)用成功地解決了高維空間中的決策問題。目前，SVM已成功地應(yīng)用在許多實際問題中，例如：人臉識別[1]、故障診斷[2]、基因分類[3]、圖像處理[4]、價格預(yù)測[5]等，現(xiàn)已成為機器學(xué)習(xí)領(lǐng)域中的最常用的分類算法之一。然而，SVM卻存在著分類精度和效率之間的矛盾，近年來，一些研究人員對SVM算法進行改進，如NN-SVM算法[6]、BS-SVM算法[7]、LIBSVM算法[8]等。

2 應(yīng)用背景

帶鋼是國家建設(shè)和實現(xiàn)四化必不可少的重要物資，廣泛應(yīng)用在汽車制造、機械制造、鐵路制造、航空航天等領(lǐng)域。在生產(chǎn)過程中，由于鋼板受到鑄造、軋制、設(shè)備等因素的影響，鋼板表面會產(chǎn)生不同類型的缺陷。例如：孔洞、劃痕、銹斑等。這些缺陷不僅影響產(chǎn)品的深加工和美觀，還會使得鋼板的耐腐蝕性、耐磨性、耐高溫性在很大程度上有所降低。近年來，提高帶鋼表面質(zhì)量已成為鋼鐵企業(yè)提高競爭力的重要途徑之一，表面缺陷識別技術(shù)已經(jīng)被廣泛應(yīng)用于鋼鐵行業(yè)，現(xiàn)已成為鋼鐵行業(yè)檢測和控制帶鋼質(zhì)量的一項重要技術(shù)。其中，機器視覺檢測技術(shù)能夠提高生產(chǎn)效率、控制產(chǎn)品質(zhì)量、提高運算性能、增強系統(tǒng)的實用性和可靠性[9]，因此，該技術(shù)在研究人員的努力下迅速發(fā)展。向陽等人提出了基于SVM的帶鋼表面缺陷識別研究，采用SVM識別分類方法取代傳統(tǒng)人工檢測帶鋼表面缺陷類型，并與決策樹算法進行比較，實驗結(jié)果表明，SVM模型的識別率更高[10]。

3 大間隔分類機

傳統(tǒng)支持向量機的核心思想是最大化“最小間隔”，Gao和Zhou證明了間隔分布對泛化能力也尤為重要[11]。Zhang和zhou利用其一階和二階統(tǒng)計量來描繪間隔分布，將間隔分布對泛化能力的影響加到SVM的目標函數(shù)中，通過最大化樣本的間隔均值，最小化樣本的間隔方差來提高TWLDM的分類精度，并提出了大間隔分布學(xué)習(xí)機模型（Large Margin Distribution Machine，LDM）[12]。核函數(shù)的成功引用，也巧妙地解決了在高維空間中的內(nèi)積運算，從而很好地解決了非線性分類問題。通過[12]的實驗結(jié)果，可以看出LDM的泛化性能更出色。

4 結(jié)論

大間隔分類機算法是一種廣泛的學(xué)習(xí)算法，通過最大化間隔均值，最小化間隔方差來提高算法的泛化能力，在以后的工作中，可以將LDM算法推廣到其他的學(xué)習(xí)環(huán)境中，并加以應(yīng)用。

參考文獻

[1]栗科味，盧金燕，黃明明，黃全振.基于子圖分割與多類支持向量機的人臉識別方法[J].科技通報，2018，34（08）：159-163.

[2]蔣波濤，張博，黃新波.基于支持向量機的電機故障診斷方法綜it[J].微電機，2018，51（07）：58-61+67.

[3]李穎新，阮曉鋼.基于支持向量機的腫瘤分類特征墓因選取[J].計算機研究與發(fā)展，2005（10）：153-158.

[4]湯勃，孔建益，王興東，陳黎基于圖像處理的鋼板表面缺陷支持向量機識別[J].中國機械工程，2011，22（12）：1402-1405.

[5]張世軍.基于網(wǎng)絡(luò)輿情的SVM股票價格預(yù)測研究[D].南京信息工程夭學(xué)，2014.

[6]李紅蓮，王春花，袁保宗.一種改進的支持向量機NN-SVM[J].計算機學(xué)報，2003（08）：1015-1020.

[7]郭亞琴，王正群.一種改進的支持向量機BS-SVM[J].微電子學(xué)與計算機，2010，27（06）：54-56.

[8]Chang C C， Lin C J.L1BSVM：a library for support vectormachines[J].ACM transactions on intelligent systems andtechnology（TIST）， 2011，2（3）：27.

[9]田果.基于機器視覺的鋼板表面缺陷檢測系統(tǒng)的關(guān)鍵技術(shù)研究[D].五邑大學(xué)，2018.

[10]向陽，陳黎，張曉龍.基于支持向量機的帶鋼表面缺陷識別研究[J].工業(yè)控制計算機，2012，25（08）：99-101.

[11]Gao W， Zhou Z H.On the doubt about margin explanationof boosting[J].Artificial Intelligence， 2013， 203：1-18.

[12]Zhang T， Zhou Z H.Large margin distribution machine[C]//Proceedings of the 20th ACM SIGKDD internationalconference on Knowledge discovery and data mining.ACM， 2014：313-322.