【技术实现步骤摘要】
本专利技术涉及冶金机械及自动化，尤其涉及一种基于灰度共生矩阵与决策树的带钢分选度分级方法及装置。
技术介绍
1、随着汽车工业、高端家电等行业对钢材产品的质量要求日趋严格，产品的个性化需求也越来越多。在基本质量指标合格的前提下，钢铁企业和下游用户转为开始关注更为细节的表面质量问题，由于涉及流程较长、形成机理复杂、发生频次高，对产品的最终质量影响大，表面质量被认为是最重要、最难控制的质量指标之一。正是由于表面质量的复杂性，各大钢铁企业对冷轧带钢表面质量的管理十分重视，期望以此提高产品品质，实现更大的商业价值。
2、冷轧带钢表面质量的判定是目前面临的难题，冷轧带钢生产线安装有表面检测系统(简称：表检系统)，但其仅能对缺陷的种类进行辨别，往往不具备对带钢表面质量分选度分级功能。不同于其他性能指标依据参数阈值的自动判定方式，由于表检系统存在工作环境复杂、缺陷检出虚警率过高、无法对缺陷严重级别评估等局限性，表面质量的质检环节仍需要人工对下线产品进行逐个检查，基于人工经验的判定方法难以被自动化方法替代，影响了整个生产流程的效率和准确率。
技术实现思路
1、本专利技术针对现有基于表面质量检测系统的缺陷信息，结合人工判钢的工艺思想来实现带钢表面质量的自动判定的方法存在的由于冷轧带钢表面缺陷种类多、数量多，各类缺陷在基础规则下的分选度分级不准确问题、缺陷的原始数据维度多、格式不规整，没有统一每一个数据样本的维度问题、由于缺陷的分选度分级是一个多变量耦合的分类问题，难以量化为具体的分级规则问
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、一方面，本专利技术提供了一种基于灰度共生矩阵与决策树的带钢分选度分级方法，该方法由电子设备实现，该方法包括：
4、s1、获取待分级的冷轧带钢表面的图像数据以及文本数据。
5、s2、将图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型。
6、s3、根据图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
7、可选地，s2中的冷轧带钢表面质量分选度分级模型的构建过程，包括：
8、s21、获取数据集；其中，数据集包括冷轧带钢表面的缺陷图像信息、冷轧带钢表面的缺陷文本信息以及冷轧带钢表面的缺陷质量分选度等级。
9、s22、根据数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值。
10、s23、根据特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量。
11、s24、根据冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型。
12、s25、根据判定规则模型的分类函数，构建冷轧带钢表面质量分选度分级模型。
13、可选地，s21中的冷轧带钢表面的缺陷文本信息，包括：
14、冷轧带钢表面的缺陷感兴趣区域相对坐标、缺陷面积、缺陷长度以及缺陷宽度。
15、可选地，s22中的根据数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值，包括：
16、s221、获取基于预训练确定的灰度共生矩阵的结构参数；其中，结构参数包括生成步长、图片灰度级以及生成方向。
17、s222、根据灰度共生矩阵，计算数据集中每张缺陷图像的灰度共生矩阵，得到冷轧带钢表面的聚集型缺陷的能量值、熵值、对比度以及相关性。
18、可选地，s23中的根据特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量，包括：
19、根据特征值以及冷轧带钢表面的缺陷文本信息，计算冷轧带钢表面的聚集型缺陷特征，得到冷轧带钢表面质量特征向量，如下式(1)所示：
20、
21、其中，f1表示一卷冷轧带钢上所有聚集性缺陷的个数，f2i表示缺陷长宽比，f3i表示缺陷面积，w1i表示能量值，w2i表示熵值，w3i表示对比度，w4i表示相关性。
22、可选地，s24中的根据冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型，包括：
23、s241、采用网格搜索法，对决策树算法的参数进行调整，确定参数的取值限定范围，并建立多个决策树模型；其中，参数包括最大树深度和分支所需最少样本数。
24、s242、对数据集中的训练集，计算特征标准基尼系数。
25、s243、根据特征标准基尼系数，对每一个冷轧带钢表面质量特征向量，计算基尼系数，得到当前参数下的基于决策树算法的判定规则模型，进而得到不同参数下的基于决策树算法的判定规则模型。
26、s244、采用预剪枝方法对不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型。
27、可选地，s242中的对数据集中的训练集，计算特征标准基尼系数，如下式(2)所示：
28、
29、其中，gini(d)表示从数据集中随机抽取两个样本，其类别不一致的概率，k表示分类的数目，p(xi)表示分类xi出现的概率。
30、可选地，s243中的基尼系数，如下式(3)所示：
31、
32、其中，gini(d,a)表示在特征a下基尼系数，a表示特征，d表示数据集，d1、d2表示根据特征a的值ai将每一个特征训练样本分成的两部分，gini(d1)表示从特征训练样本d1中随机抽取两个样本，其类别不一致的概率，gini(d2)表示从特征训练样本d2中随机抽取两个样本。
33、可选地，s244中的采用预剪枝方法对不同参数下的决策树模型进行处理，得到基于决策树算法的判定规则模型，包括：
34、对数据集中的测试集，建立不同参数下的决策树模型的混淆矩阵，通过计算不同参数组合下的决策树模型的正确率，选取最优参数，得到基于决策树算法的判定规则模型。
35、另一方面，本专利技术提供了一种基于灰度共生矩阵与决策树的带钢分选度分级装置，该装置应用于实现基于灰度共生矩阵与决策树的带钢分选度分级方法，该装置包括：
36、获取模块，用于获取待分级的冷轧带钢表面的图像数据以及文本数据。
37、输入模块，用于将图像数据以及文本数据输入到构建好的冷轧带钢表面质量分选度分级模型。
38、输出模块，用于根据图像数据、文本数据以及冷轧带钢表面质量分选度分级模型，得到冷轧带钢表面质量分选度分级结果。
39、可选地，输入模块，进一步用于：
40、s21、获取数据集；其中，数据集包括冷轧带钢表面的缺陷图像信息、冷轧带钢表面的缺陷文本信息以及冷轧带钢表面的缺陷质量分选度等级。
41、s22、根据数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值。
42、s23、根据特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量。
43、s24、根据冷轧带钢表面质量特征向量以及数本文档来自技高网...
【技术保护点】
1.一种基于灰度共生矩阵与决策树的带钢分选度分级方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述S2中的冷轧带钢表面质量分选度分级模型的构建过程，包括：
3.根据权利要求2所述的方法，其特征在于，所述S21中的冷轧带钢表面的缺陷文本信息，包括：
4.根据权利要求2所述的方法，其特征在于，所述S22中的根据所述数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值，包括：
5.根据权利要求2所述的方法，其特征在于，所述S23中的根据所述特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量，包括：
6.根据权利要求2所述的方法，其特征在于，所述S24中的根据所述冷轧带钢表面质量特征向量以及数据集，建立基于决策树算法的判定规则模型，包括：
7.根据权利要求6所述的方法，其特征在于，所述S242中的对数据集中的训练集，计算特征标准基尼系数，如下式(2)所示：
8.根据权利要求6所述的方法，其特征在于，所述S243中的基尼系数，如下式(3)所示：
9.
10.一种基于灰度共生矩阵与决策树的带钢分选度分级装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于灰度共生矩阵与决策树的带钢分选度分级方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述s2中的冷轧带钢表面质量分选度分级模型的构建过程，包括：
3.根据权利要求2所述的方法，其特征在于，所述s21中的冷轧带钢表面的缺陷文本信息，包括：
4.根据权利要求2所述的方法，其特征在于，所述s22中的根据所述数据集以及灰度共生矩阵算法，计算得到缺陷图像的特征值，包括：
5.根据权利要求2所述的方法，其特征在于，所述s23中的根据所述特征值以及冷轧带钢表面的缺陷文本信息，建立冷轧带钢表面质量特征向量，包括：
6.根据权利要...
【专利技术属性】
技术研发人员：邵健，谢书豪，冯凯，李京栋，陈德盛，李凯胜，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。