陳法法，鄧斌，劉莉莉，陳保家，肖文榮

（三峽大學(xué) 水電機(jī)械設(shè)備設(shè)計(jì)與維護(hù)湖北省重點(diǎn)實(shí)驗(yàn)室，湖北宜昌 443002）

帶鋼作為工業(yè)領(lǐng)域中重要的基礎(chǔ)材料，受加工環(huán)境、生產(chǎn)工藝及原材料的影響，其表面極易產(chǎn)生劃痕、孔洞、夾雜物等缺陷[1-2]。針對(duì)帶鋼表面缺陷進(jìn)行精準(zhǔn)識(shí)別，可以明確帶鋼表面缺陷的主要類別，據(jù)此調(diào)整并改進(jìn)軋制工藝，提升帶鋼成品的產(chǎn)品質(zhì)量[3-4]。然而，帶鋼表面缺陷類型復(fù)雜多樣，部分缺陷形貌相似，區(qū)分度較小，難以有效分類辨識(shí)。傳統(tǒng)依賴人工目測(cè)對(duì)帶鋼表面缺陷進(jìn)行分類辨識(shí)，其分類準(zhǔn)確度在很大程度上取決于檢測(cè)人員的檢測(cè)經(jīng)驗(yàn)，同時(shí)由于長(zhǎng)時(shí)間的重復(fù)勞動(dòng)，容易產(chǎn)生視覺(jué)疲勞，準(zhǔn)確度較低[5-6]。

在基于視覺(jué)圖像進(jìn)行帶鋼表面缺陷辨識(shí)的過(guò)程中，由于帶鋼表面缺陷類型復(fù)雜，缺陷特征多樣，部分不同缺陷之間形貌相似，而同類缺陷之內(nèi)又存在較大差異，難以有效區(qū)分[7-8]。為了實(shí)現(xiàn)對(duì)帶鋼表面缺陷的有效辨識(shí)，首先需要構(gòu)造能夠有效表征帶鋼表面缺陷的特征集合。為此，本文從帶鋼表面的灰度特征和紋理特征出發(fā)，從不同角度構(gòu)建表征帶鋼表面缺陷的混合域特征集，以期實(shí)現(xiàn)對(duì)帶鋼表面缺陷的精確定量描述。

隨后，為了實(shí)現(xiàn)對(duì)帶鋼表面缺陷的自動(dòng)辨識(shí)，還需要構(gòu)建智能分類模型。現(xiàn)今，部分文獻(xiàn)正在采用深度學(xué)習(xí)等先進(jìn)的智能分類模型，深度學(xué)習(xí)對(duì)于特征向量規(guī)模龐大的大數(shù)據(jù)分類辨識(shí)場(chǎng)合，其優(yōu)勢(shì)無(wú)可比擬[9-10]。但是，在實(shí)際工程應(yīng)用中，對(duì)于特征向量規(guī)模不大的小樣本分類辨識(shí)場(chǎng)合，支持向量機(jī)（SVM）在算法復(fù)雜度、運(yùn)行效率及泛化能力等方面依舊具有一定的優(yōu)勢(shì)[11-12]。在利用SVM 進(jìn)行分類辨識(shí)的過(guò)程中，多核相對(duì)于單核在解決小樣本、非線性問(wèn)題等方面具有獨(dú)特優(yōu)勢(shì)，尤其在面對(duì)區(qū)分度較小的帶鋼表面缺陷特征的分類辨識(shí)方面，魯棒性更高，泛化能力更強(qiáng)。

為此，本文設(shè)計(jì)了基于混合域特征集與MK-SVM的帶鋼表面缺陷分類辨識(shí)方法。首先，將預(yù)處理后的缺陷圖像轉(zhuǎn)化為灰度圖像，提取帶鋼表面缺陷的灰度特征和紋理特征，構(gòu)建混合域特征集，然后建立多核支持向量機(jī)的分類辨識(shí)模型，通過(guò)K 重交叉驗(yàn)證和網(wǎng)格搜索對(duì)核函數(shù)參數(shù)和權(quán)值參數(shù)進(jìn)行優(yōu)化，最后將獲取的混合域特征集輸入給優(yōu)化后的多核SVM 分類器實(shí)現(xiàn)對(duì)帶鋼表面缺陷的分類辨識(shí)。

1 基礎(chǔ)理論

1.1 特征描述

為了對(duì)帶鋼表面缺陷進(jìn)行準(zhǔn)確定量描述，本文以灰度圖像為基礎(chǔ)，提取帶鋼表面缺陷的灰度特征和紋理特征，構(gòu)建帶鋼表面缺陷的混合域特征集。

1.1.1 灰度特征參數(shù)

灰度特征是圖像識(shí)別領(lǐng)域中最為直觀的特征參數(shù)之一，不因圖像旋轉(zhuǎn)或尺寸變化而改變?；叶忍卣鲄?shù)是在圖像的灰度直方圖的基礎(chǔ)上通過(guò)統(tǒng)計(jì)計(jì)算來(lái)獲取的。設(shè)P(k)為 灰度直方圖中灰度級(jí)k出現(xiàn)的概率，則

式中：N為圖像中像素點(diǎn)的總數(shù)；N(k)為灰度級(jí)為k的像素點(diǎn)個(gè)數(shù)。在此基礎(chǔ)上，灰度直方圖的均值、方差、傾斜度、能量、以及熵分別計(jì)算如下：

1）均值。反映了圖像的平均灰度值，不同缺陷類別的圖像，其灰度水平有一定差異。

2）方差值。反映了圖像灰度分布的離散程度。

3）傾斜度。反映了圖像灰度直方圖分布偏離均值的對(duì)稱情況。直方圖分布越不均勻，傾斜度值則越大。

4）峭度。其值反映像素點(diǎn)灰度值分布的相對(duì)平坦性。當(dāng)圖像灰度集中于均值附近，峭度值較小。

5）能量。衡量圖像灰度分布的平均程度。當(dāng)圖像中灰度值分布越均勻，能量值越大。

6）熵。衡量圖像信息的失調(diào)程度。當(dāng)直方圖分布不均勻，即圖像信息失調(diào)度變大，則信息熵增大。

1.1.2 紋理特征參數(shù)

紋理是一種反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征，該類特征指標(biāo)主要表征在缺陷的形狀和大小等方面，不受缺陷圖像自身的顏色和亮度的影響。本文采用灰度共生矩陣[13-14]，來(lái)計(jì)算帶鋼表面缺陷圖像的紋理特征。

設(shè)灰度圖像大小為M×N像素，灰度級(jí)為L(zhǎng)，f(x,y)為 灰度圖像在像素點(diǎn) (x,y)處的灰度值，圖像中像元 (x1,y1)的 灰度值為i， 像元 (x2,y2)的 灰度值為j，則圖像的灰度共生矩陣可表示為

式中：1 ≤x1,x2≤M，1 ≤y1,y2≤N；d為生成步長(zhǎng)，即兩個(gè)像元間的距離； θ為兩像元的連線按順時(shí)針?lè)较蚺c橫軸的夾角。文中，設(shè)定步長(zhǎng)d=1， 灰度級(jí)L=16，θ 取0,45°,90°,135°。為便于計(jì)算，通常采用歸一化的概率值表示灰度共生矩陣元素，即

式中s為灰度共生矩陣中各元素之和。

在此基礎(chǔ)上，計(jì)算對(duì)比度、相關(guān)性、熵、方差、逆差矩以及2 階矩，共6 種紋理特征參數(shù)來(lái)描述圖像的紋理特征。各計(jì)算式如下：

1）對(duì)比度。反映了圖像的清晰度和紋理溝紋深淺的程度，紋理溝紋越深，其對(duì)比度越大。

2）相關(guān)度。衡量灰度共生矩陣元素在行或列方向上的相似程度。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大；相反，若矩陣元素值相差很大，則相關(guān)值就小。

式中：ux為矩陣的行均值；為矩陣的列均值，為矩陣的行標(biāo)準(zhǔn)差，為矩陣的列標(biāo)準(zhǔn)差，

3）熵。反映圖像中紋理的復(fù)雜程度和非均勻程度，紋理復(fù)雜程度越高，其熵值越大。

4）方差。反映了紋理的周期，周期越大，方差越大。

式中m為p(i,j)的均值。

5）逆差矩。反映了圖像紋理的同質(zhì)性，是紋理局部變化的度量。紋理越規(guī)則，逆差矩的值越大。

6）角2 階矩。是灰度共生矩陣各元素的平方和，反映圖像紋理的粗細(xì)程度。紋理越粗，2 階矩的值越大。

1.2 多核支持向量機(jī)

支持向量機(jī)（SVM）是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的機(jī)器學(xué)習(xí)方法，在處理小樣本、非線性和高維模式識(shí)別問(wèn)題上具有顯著的優(yōu)勢(shì)。目前，在實(shí)際運(yùn)用中常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)和徑向核函數(shù)等。

線性核函數(shù)表達(dá)式為

多項(xiàng)式核函數(shù)表達(dá)式為

式中：g>0; coef0≥0;q≥1。

徑向基核函數(shù)表達(dá)式為

多核相對(duì)于單核在解決小樣本、非線性問(wèn)題等方面具有獨(dú)特的優(yōu)勢(shì)，尤其在面對(duì)區(qū)分度較小的帶鋼表面缺陷特征的分類辨識(shí)方面，魯棒性更高，泛化能力更強(qiáng)。為此，本文設(shè)計(jì)多核支持向量機(jī)，進(jìn)行帶鋼表面缺陷特征的辨識(shí)和分類。

多核函數(shù)一般表達(dá)式為

多核函數(shù)可由不同的基本核組成，在此選用泛化能力較強(qiáng)的多項(xiàng)式核函數(shù)和學(xué)習(xí)能力較強(qiáng)的徑向基函數(shù)構(gòu)造多核支持向量機(jī)MK-SVM，其表達(dá)式為

式中： c oef0默 認(rèn)為0；q為 多項(xiàng)式階數(shù)； σ為高斯核帶寬；n為多核權(quán)重因子。

2 混合域特征集與多核SVM 的帶鋼表面缺陷分類模型

在帶鋼表面缺陷的分類辨識(shí)過(guò)程中，首先提取帶鋼表面缺陷的灰度特征和紋理特征，構(gòu)建混合域特征集，根據(jù)缺陷分類辨識(shí)對(duì)特征指標(biāo)的敏感程度對(duì)特征指標(biāo)進(jìn)行優(yōu)化選擇，去除不相關(guān)的非敏感特征，然后建立多核支持向量機(jī)的分類辨識(shí)模型，通過(guò)K 重交叉驗(yàn)證和網(wǎng)格搜索對(duì)核函數(shù)參數(shù)和權(quán)值參數(shù)進(jìn)行優(yōu)化，最后將獲取的混合域特征集輸入給優(yōu)化后的MK-SVM 分類器實(shí)現(xiàn)對(duì)帶鋼表面缺陷的分類辨識(shí)。帶鋼表面缺陷分類模型結(jié)構(gòu)如圖1 所示。

圖1 帶鋼表面缺陷分類模型

帶鋼表面缺陷分類模型具體步驟如下：

步驟1 對(duì)帶鋼表面缺陷圖像進(jìn)行濾波去噪、特征增強(qiáng)處理。

步驟2 基于預(yù)處理后的灰度圖像，提取帶鋼表面缺陷的灰度特征和紋理特征。

步驟3 根據(jù)缺陷分類辨識(shí)對(duì)特征指標(biāo)的敏感程度對(duì)特征指標(biāo)進(jìn)行優(yōu)化選擇，去除相關(guān)性較小的非敏感特征，構(gòu)建表征帶鋼表面缺陷的混合特征集。

步驟4 建立MK-SVM 的分類辨識(shí)模型，通過(guò)K 重交叉驗(yàn)證和網(wǎng)格搜索優(yōu)化核函數(shù)參數(shù)和權(quán)值參數(shù)，利用訓(xùn)練集對(duì)優(yōu)化后的MK-SVM 進(jìn)行訓(xùn)練。

步驟5 使用測(cè)試集對(duì)訓(xùn)練后的MK-SVM 模型進(jìn)行測(cè)試驗(yàn)證，得到分類結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 試驗(yàn)設(shè)置

為了驗(yàn)證本文方法的有效性和適用性，采用東北大學(xué)宋克臣博士在國(guó)內(nèi)某大型鋼廠采集到的帶鋼表面圖像[15]。圖像采集的硬件配置主要包括光源和相機(jī)，其中光源為L(zhǎng)ED，型號(hào)為HLND-1 200-SW2；通過(guò)Balser 公司型號(hào)為acA640-90uc 的4 臺(tái)面陣彩色CCD 相機(jī)獲取帶鋼表面的缺陷圖像，其分辨率為658×492，最大幀數(shù)為90 fps。為了提高圖像處理效率，設(shè)置圖像尺寸大小為200×200。

3.2 特征提取

帶鋼表面缺陷數(shù)據(jù)集包含6 種典型的熱軋帶鋼表面缺陷，即劃痕、補(bǔ)丁、夾雜物、麻點(diǎn)、銀紋和軋制鱗片，各個(gè)缺陷示例如圖2 所示。6 種不同類型表面缺陷分別包含300 個(gè)圖像樣本，則數(shù)據(jù)庫(kù)共包括1 800 幅灰度圖像，每幅圖像的原始分辨率大小為200×200。

圖2 各類缺陷圖像示例

帶鋼表面的缺陷類型及圖像特征描述如表1 所示。在實(shí)際工程應(yīng)用中，為了對(duì)帶鋼表面的缺陷進(jìn)行智能檢測(cè)與識(shí)別，需要對(duì)帶鋼表面缺陷的圖像特征進(jìn)行定量描述。為此，本文以灰度圖像為基礎(chǔ)，分別提取其灰度特征參數(shù)和紋理特征參數(shù)，構(gòu)造帶鋼表面缺陷的特征集，從不同角度量化帶鋼的表面缺陷特征。

表1 帶鋼表面的缺陷類型及特征描述

1）灰度特征

帶鋼表面不同缺陷圖像的灰度分布直方圖如圖3 所示。由圖3 可以看出，劃痕缺陷集中在左側(cè)的低灰度值區(qū)域，直方圖上升和衰減趨勢(shì)都較快，呈現(xiàn)尖峰特性。補(bǔ)丁缺陷的灰度值分布范圍大，集中分布在中間和左側(cè)的灰度值區(qū)域，含有多個(gè)波峰。夾雜物缺陷的灰度值集中分布在中間區(qū)域，直方圖左側(cè)呈垂直上升趨勢(shì)，右側(cè)呈梯度衰減。麻點(diǎn)缺陷圖像的灰度值集中分布在右側(cè)高灰度值區(qū)域。銀紋缺陷的灰度值集中于較高灰度值區(qū)域，分布范圍較大，近似于正態(tài)分布。軋制鱗片缺陷的灰度值集中在灰度值較低的區(qū)域。

圖3 不同帶鋼表面缺陷圖像的灰度分布直方圖

對(duì)灰度直方圖進(jìn)行統(tǒng)計(jì)計(jì)算，得到表征帶鋼表面缺陷的定量灰度特征，如表2 所示。為了直觀觀察灰度特征指標(biāo)對(duì)帶鋼表面缺陷的可分性，從樣本庫(kù)中對(duì)6 種不同的帶鋼表面缺陷隨機(jī)各抽取50 個(gè)樣本，共計(jì)300 個(gè)樣本，其中樣本編號(hào)1 ~ 50 為劃痕缺陷、51 ~ 100 為補(bǔ)丁缺陷、101 ~ 150 為夾雜物缺陷、151 ~ 200 為麻點(diǎn)缺陷、201 ~ 250 為銀紋缺陷、251 ~ 300 為軋制鱗片缺陷。通過(guò)計(jì)算每一個(gè)樣本圖像的6 個(gè)灰度特征指標(biāo)，繪制不同指標(biāo)下300 個(gè)樣本的特征指標(biāo)序列如圖4 所示。

表2 帶鋼表面不同缺陷圖像的灰度特征參數(shù)

圖4 各類帶鋼表面缺陷的灰度特征數(shù)值分布情況

由圖4 可以看出，灰度特征中，平均值、方差、能量和熵4 個(gè)特征指標(biāo)在帶鋼的所有表面缺陷類型上都有較為獨(dú)立的分布區(qū)間。對(duì)于傾斜度和峭度兩個(gè)特征在劃痕缺陷下的特征分布具有一定的區(qū)分度，但對(duì)于其他缺陷類型的區(qū)分度極小，兼顧考慮灰度特征提取的全面性和敏感性，摒棄了對(duì)帶鋼表面缺陷不敏感的傾斜度和峭度兩個(gè)灰度特征指標(biāo)。

2）紋理特征

紋理特征是對(duì)于包含若干個(gè)像素點(diǎn)的某一區(qū)域的灰度變化進(jìn)行統(tǒng)計(jì)計(jì)算，包括：2 階矩、對(duì)比度、相關(guān)度、紋理熵、紋理方差、逆差矩等指標(biāo)。對(duì)帶鋼表面缺陷圖像的紋理特征進(jìn)行統(tǒng)計(jì)計(jì)算，其結(jié)果如表3 所示。

表3 帶鋼表面不同缺陷的紋理特征參數(shù)

為了直觀觀察紋理特征指標(biāo)對(duì)帶鋼表面缺陷的可分性，對(duì)前述的300 個(gè)樣本，通過(guò)計(jì)算每一個(gè)樣本的6 個(gè)紋理特征指標(biāo)，繪制不同缺陷的紋理特征指標(biāo)序列如圖5 所示。

圖5 各類帶鋼表面缺陷的紋理特征數(shù)值分布情況

由圖5 可以看出，不同帶鋼表面缺陷之間具有較強(qiáng)的可區(qū)分性。通過(guò)比較可以發(fā)現(xiàn)，方差均值指標(biāo)在補(bǔ)丁和銀紋缺陷的數(shù)值分布上存在一定的混疊現(xiàn)象，但是在其他缺陷上還是具備一定的可分性。兼顧考慮紋理特征提取的全面性和敏感性，在此，保留了紋理特征的6 個(gè)特征參數(shù)作為后續(xù)識(shí)別模型的特征指標(biāo)輸入。

綜合帶鋼表面缺陷的灰度特征和紋理特征對(duì)帶鋼表面缺陷的敏感程度，對(duì)每一幅帶鋼表面缺陷圖像各提取4 個(gè)灰度特征和6 個(gè)紋理特征，構(gòu)成識(shí)別帶鋼表面缺陷的混合域特征集。

3.3 混合特征域的歸一化

為了避免混合域特征集中個(gè)別數(shù)值較大的特征指標(biāo)在后續(xù)的分類辨識(shí)中起主導(dǎo)作用，同時(shí)進(jìn)一步統(tǒng)一不同采集硬件和光照環(huán)境下所采集的帶鋼圖像特征指標(biāo)量值，在此將混合域特征集的特征指標(biāo)進(jìn)行歸一化處理。設(shè)N類帶鋼表面缺陷樣本圖像的某一特征指標(biāo)為Ei， 其中1

提取帶鋼表面缺陷各狀態(tài)下的10 個(gè)特征指標(biāo)作為后續(xù)辨識(shí)模型的特征輸入，其計(jì)算結(jié)果如表4所示。從得到的缺陷樣本中隨機(jī)抽取6 種狀態(tài)下各100 組數(shù)據(jù)作為訓(xùn)練樣本，構(gòu)建帶鋼表面缺陷的分類辨識(shí)模型，剩余樣本作為測(cè)試樣本。

表4 基于混合域特征集的特征向量.

3.4 表面缺陷特征的分類識(shí)別

為驗(yàn)證多核支持向量對(duì)在帶鋼表面缺陷分類辨識(shí)的有效性，本文將多核支持向量機(jī)與傳統(tǒng)的多項(xiàng)式核、徑向基核支持向量機(jī)作對(duì)比實(shí)驗(yàn)。從東北大學(xué)宋克臣博士公開(kāi)的帶鋼表面缺陷圖像數(shù)據(jù)集中抽取的1 800 個(gè)樣本，包含6 類缺陷，每類缺陷各有300 個(gè)樣本。取每類缺陷200 個(gè)樣本，共1 200 個(gè)樣本作為訓(xùn)練樣本，其余600 個(gè)作為測(cè)試樣本，所有模型的訓(xùn)練和測(cè)試均基于64 位的Windows 10 操作系統(tǒng),計(jì)算機(jī)顯卡配置為Intel（R） UHD Graphics 630，處理器為Intel（R） Core（TM） i7-8700 CPU @ 3.20 GHz，機(jī)帶內(nèi)存4.00 GB。利用上述分析得到的特征向量建立樣本特征向量矩陣，通過(guò)相同的訓(xùn)練集進(jìn)行訓(xùn)練得到分類模型，并以相同的測(cè)試集進(jìn)行分類測(cè)試評(píng)估。

文中采用K 重交叉驗(yàn)證法對(duì)多項(xiàng)式核函數(shù)中核參數(shù)g和徑向基核函數(shù)中的懲罰因子 γ和核參數(shù)進(jìn) 行優(yōu)化選取。參數(shù) γ的取值范圍設(shè)為g和g的取值范圍設(shè)為步長(zhǎng)設(shè)置為20.5， 設(shè)定多項(xiàng)式核函數(shù)的階數(shù)q=1，對(duì)數(shù)據(jù)集進(jìn)行5 重交叉驗(yàn)證的參數(shù)尋優(yōu)，尋優(yōu)結(jié)果為g=150、γ=5.656 9和

在MK-SVM 的相關(guān)參數(shù)確定過(guò)程中，多核函數(shù)內(nèi)部各個(gè)單核函數(shù)的參數(shù)設(shè)置與單一多項(xiàng)式SVM與徑向基SVM 設(shè)置相同，然后再通過(guò)網(wǎng)格搜索的方式對(duì)MK-SVM 的懲罰因子 γ和多核權(quán)重因子n進(jìn)行優(yōu)化選取，最終得到 γ =5.443，n=0.16。不同辨識(shí)模型的分類辨識(shí)準(zhǔn)確率如表5 所示。為更直觀的對(duì)比不同SVM 的分類效果的優(yōu)劣，繪制各類缺陷分類準(zhǔn)確率折線圖，如圖6 所示。

表5 3 種SVM 對(duì)各類缺陷的正確分類量

圖6 3 種SVM 對(duì)帶鋼表面各類缺陷分類準(zhǔn)確度

結(jié)合表5、圖6 可以看出，劃痕缺陷的正確分類數(shù)量明顯低于其它缺陷，多項(xiàng)式SVM 識(shí)別準(zhǔn)確率為64%，徑向基SVM 的識(shí)別準(zhǔn)確率為71%，MK-SVM對(duì)劃痕缺陷的分類準(zhǔn)確率顯著提高，達(dá)到91%，但麻點(diǎn)缺陷的準(zhǔn)確率有小幅降低。針對(duì)補(bǔ)丁、夾雜物、銀紋以及軋制鱗片的缺陷，不同SVM 的分類準(zhǔn)確率浮動(dòng)較小，均有95%左右的識(shí)別準(zhǔn)確率。由此可見(jiàn)，選擇合適的核函數(shù)對(duì)帶鋼表面缺陷的分類識(shí)別準(zhǔn)確率有較大影響，由于3 種核函數(shù)的SVM 均有一定的識(shí)別效果，單核SVM 的特征映射能力不如多核SVM，因此選擇多核通過(guò)自適應(yīng)調(diào)整核函數(shù)的權(quán)重能夠達(dá)到最優(yōu)的分類辨識(shí)效果，同時(shí)多核SVM 識(shí)別一張圖片的平均時(shí)間約為50.98 ms，滿足帶鋼生產(chǎn)時(shí)表面缺陷實(shí)時(shí)識(shí)別的要求。

為進(jìn)一步分析MK-SVM 的分類效果，通過(guò)混淆矩陣直觀觀察MK-SVM 對(duì)不同缺陷類型的正確辨識(shí)以及誤判情況，MK-SVM 對(duì)帶鋼表面缺陷的分類辨識(shí)結(jié)果的混淆矩陣如圖7 所示。

圖7 多核支持向量機(jī)的混淆矩陣

從圖7 可以得知，對(duì)于軋制鱗片缺陷圖像的分類效果最好，100 張測(cè)試圖像的分類準(zhǔn)確率達(dá)100%；補(bǔ)丁、夾雜物、銀紋缺陷圖像的分類準(zhǔn)確率均超過(guò)了96%；劃痕和麻點(diǎn)缺陷的誤判率相對(duì)較高，而且通過(guò)混淆矩陣可以看出，劃痕被錯(cuò)識(shí)為夾雜物缺陷，麻點(diǎn)缺陷較易被識(shí)別為劃痕缺陷，這與實(shí)際的帶鋼表面缺陷圖像特征一致。

4 結(jié)論

本文設(shè)計(jì)了一種混合域特征集與多核支持向量機(jī)結(jié)合的帶鋼表面缺陷特征識(shí)別方法，并通過(guò)實(shí)驗(yàn)驗(yàn)證得出以下結(jié)論：

1）針對(duì)帶鋼表面不同類型缺陷圖像樣本，從多個(gè)角度提取特征參數(shù)，構(gòu)造混合特征集，包含了豐富的缺陷特征信息，保證了缺陷類別識(shí)別的準(zhǔn)確度。

2）本文通過(guò)設(shè)計(jì)多核支持向量機(jī)，克服了單核SVM 在對(duì)規(guī)模較大、特征信息繁多、多維數(shù)據(jù)分布不規(guī)則等樣本特征數(shù)據(jù)識(shí)別時(shí)泛化能力不強(qiáng)的局限性，顯著提高了帶鋼表面缺陷辨識(shí)的準(zhǔn)確率。