基于径向基网络的钢板表面缺陷检测算法研究Word下载.doc
《基于径向基网络的钢板表面缺陷检测算法研究Word下载.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Word下载.doc（43页珍藏版）》请在冰点文库上搜索。
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．统计模式识别方法
统计模式识别方法的理论基础是使用决策（或判别）函数的识别。
分类决策就是在特征空间中用统计方法把被识别物体归为某一类别，基本实现方法是在样本训练集基础上确定某个判决规则，即按这种判决规则对识别物体进行分类所造成的错误识别率最小或引起的损失最小。
二．句法结构识别方法
句法结构识别方法技术一般是将感兴趣的目标表示为串、树或图，为所有的基元赋一个符号后，就可以描述目标各基元之间的关系，并定义识别规则。
基元与基元之间的连接规则称为文法，对训练模式样本构造文法的过程为造句。
识别一个模式识别是否为某文法规定的那一类模式，方法是对其进行分析，看是否能从基元按该文法生成这个模式。
所以句法模式识别的过程是首先将模式分割成子模式并且选取适当的基元，然后按模式中各部分的结构关系把该图像变换成基元表示的串，或高维文法中基元表示的树状结构或关系图，最后通过语法分析判决代表模式的基元串、树或关系图是不是某一个文法所生成的，属不属于该文法所代表的模式类别。
三．模糊模式识别方法
模糊模式识别方法是一种较新型的识别方法。
在模式识别中，有些问题极为复杂，很难用确定的标准做出判断。
尽管人脑的识别精度无法像机器识别那样高，却能够用一些不够精确，较模糊的概念准确的辨识复杂事物的特征。
四．神经网络方法
神经网络方法是指用神经网络的算法对的图像进行识别的方法，神经网络系统是由大量简单的处理单元广泛的相互连接而形成的复杂的网络系统，是人脑神经网络系统得简化，抽象和模拟，侧重于模拟和实现人的认知过程中的感知过程、形象思维、分布式记忆和自学习自组织过程，特别适用于处理需要同时考虑许多因素和条件的，不精确和模糊的信息处理问题。
2.2人工神经网络简介
人工神经网络（ArtificialNeuralNetwork，ANN），亦称为神经网络，是由大量处理单元广泛互连而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。
人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。
它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。
人工神经网络是近年来热点研究领域，涉及到电子科学与技术、信息与通信工程、计算机科学与技术、电气工程、控制科学与技术等诸多学科，其应用领域包括：
建模、时间序列分析、模式识别和控制等，并在不断拓展。
2.2.1人工神经网络模型
人工神经网络模型由网络的联结拓扑结构、神经元特性、学习或训练规则这三个因素所决定。
下图给出了一个简单的人工神经元模型[1]。
Si
x1
x2
xn
ui
yi
Σ
图2-1人工神经网络模型
其中为神经元内部状态，为输入信号，表示从到联结的权值，表示可以抑制神经元内部状态Uj的外部输入信号，则
（2-1）
（2-2）
该模型有三个组成要素:
（1）具有一组突触或联接，常用Wij表示神经元i和神经元j之间的联接强度，或称之为权值。
与人脑神经元不同，人工神经元权值的取值可在负值和正值之间。
（2）具有反映生物神经元时空整合功能的输入信号累加器。
累加器的作用是对输入进行处理。
（3）具有一个激励函数用于限制神经元的输出。
激励函数将输出信号压缩（限制）在一个允许的范围内，使其成为有限值，通常，神经元输出的扩充范围在[0，1]或者[-1，1]闭区间。
2.2.2人工神经网络发展史
1943年，McCulloch和Pitts提出了神经元的形式化模型，神经元可用于简单的预知函数表示，并完成逻辑函数功能。
1949年，D.Hebb认为信息能被存储在神经元的连接上，提出了更新神经元联接的学习机制，目前被称为Hebb学习规则。
1954年，生物学家Eccles提出了真实突触的分流模型，这一模型由于通过突触的电生理实验得到证实，因而为神经网络模拟突触的功能提供了原型和生理学的证据。
1956年，Uttley发明了一种有处理单元组成的推理机，用以模拟行为及条件反射。
70年代中期，他把该推理机用于自适应模式识别，并认为该模型能反映实际神经系统工作原理。
1958年，F.Rosenblatt提出了感知器，它能通过修改联接的权值，学会分类一定的模式。
他提出的感知器模型，首次把神经网络理论付诸工程实现，他的成功之举大大激发了众多学者对神经网络的兴趣。
Rosenblatt证明了两层感知器能够对输入进行分类，他还提出了带隐层处理元件的三层感知器这一重要的研究方向。
Rosenblatt的神经网络模型包含了一些现代神经计算机的基本原理，从而形成神经网络方法和技术的重大突破。
神经网络的研究迎来了第一次高潮期.但随后Minsky和Papert从数学上证明:
感知器不能完成复杂的逻辑函数。
60年代初，B.Widrow和M.Hoff提出了自适应线性神经元网络（AdaptiveLinearElement），Adaline采用最小均方（leastmeansquare，LMS）算法调节权值，使输出与期望输出的差值最小。
因LMS算法严格的数学基础，Adalin。
的线性和自适应性，它已成为自适应信号处理的有力工具。
70年代初，当PaulWerbos研究社会科学问题时，发现了BP算法的数学原理。
Amari研究了神经网络的数学理论。
70年代，基于人脑自动组织的识别码（RecognitionCode）思想，Grossberg与GailCarpenter提出了自组织（AdaptiveResonanceTheory,ART）映射理论，用一阶微分方程描述了网络动态特性。
后来Kohonen发展了自组织映射。
1982年，J.Hopefield提出了Hopefield神经网络，又掀起了神经网络研究的一个热潮。
Hopfield的模型不仅对人工神经网络信息存储和提取功能进行了非线性数学概括，提出了动力方程和学习方程，还对网络算法提供了重要公式和参数，使人工神经网络的构造和学习有了理论指导。
80年代中期，Rumelhert和他的同事出版了著名的并行分布式处理（ParallelDistributedProcessing）专著，建立了BP算法和前向神经网络。
1988年，Chua和Yang提出了细胞神经网络（CNN）模型，它是一个细胞自动机特性的大规模非线性计算机仿真系统;
Ksko建立了双向联想存储模型（BAM），它具有非监督学习能力。
90年代，又提出了基于知识的人工神经网络和进化神经网络等。
经过多年的发展，目前己有上百种的神经网络模型被提出。
2.2.3人工神经网络的分类及学习规则
人工神经元模型是将大量的神经元进行联接可构成人工神经网络。
神经网络中神经元的联接方式与用与训练网络的学习算法是紧密结合的，可以认为应用于神经网络设计中的学习算法是被结构化了的。
●人工神经网络的分类[2]
可以从不同的角度对人工神经网络进行分类，如：
（1）从网络性能角度可分为连续型与离散型网络、确定性与随机性网络。
（2）从网络结构角度角度可分为前向网络与反馈网络。
（3）从学习方式角度可分为有导师学习网络和无导师学习网络。
（4）按连接突触性质可分为一阶线性关联网络和高阶非线性关联网络。
1．单层前相网络
所谓单层前向网络是指拥有的计算节点（神经元）是“单层”的。
这里表示源节点个数的“输入层”看作一层神经元，因此该“输入层”不具有执行计算的功能。
2．多层前向网络
多层前向网络与单层前向网络的区别在于：
多层前向网络含有一个或更多的隐含层，其中计算节点被相应地称为隐含神经元或隐含单元如下图
图2-2多层前向网络模型
网络输入层中的每个源节点的激励模式（输入向量）单元组成了应用于第二层（如第一隐层）中神经元（计算节点）的输入信号，第二层输出信号成为第三层输入，其余层类似。
网络每一层的神经元只含有作为它们输入前一层的输入信号，网络输出层（终止层）神经元的输出信号组成了对网络中输入层源节点产生的激励模式的全部响应。
即信号从输入层输入，经隐层传给输出层，由输出层得到输出信号。
通过加入一个或更多的隐层，使网络能提取出更高序的统计，尤其当输入层规模庞大时，隐神经元提取高序统计数据的能力便显得格外重要。
本文所要研究的径向基网络正是多层前向网络。
3．反馈网络
所谓反馈网络是指在网络中至少含有一个反馈贿赂的神经网络。
反馈网络可以包含一个单层神经元，其中每个神经元将自身的输出信号反馈给其他所有神经元输入。
4．随机神经网络
随机神经网络是对神经网络引入随机机制，认为神经元是按照概率的原理进行工作的，这就是说，每个神经元的兴奋或抑制具有随机性，起概率取决于神经元的输入。
5．竞争神经网络
竞争神经网络的显著特点是它的输出神经元相互竞争以确定胜者，胜者指出哪一种原型模式最能代表输入模式。
●人工神经网络的学习
神经网络的学习也称为训练，指的是通过神经网络所在环境的刺激作用调整神经网络的自由参数，使神经网络以一种新的方式对外部环境作出反应的一个过程，能够从环境中学习和在学习中提高自身性能是神经网络的最有意义的性质。
神经网络经过反复学习对其环境更为了解。
学习算法是指针对学习问题的明确规则集合。
学习类型是由参数变化发生的形式决定的，不同的学习算法对神经元的突触权值调整的表达式有所不同。
没有一种独特的学习算法用于设计所有的神经网络。
选择或设计学习算法时还需要考虑神经网络的结构及神经网络与外界环境相连的形式。
学习方式可以分为：
有导师学习和无导师学习。
径向基网络的学习方式属于有导师学习。
径向基网络的学习方式属于有导师学习中的其中之一。
（1）有导师学习。
有导师学习又称为监督学习，在学习时需要给出导师信号或称为期望输出（响应）。
神经网络对外部环境是未知的，但可以将导师看作对外部环境的了解，由输入-输出样本集合来表示。
导师信号或期望响应代表了神经网络执行情况的最佳结果，即对于网络输入调整网络参数，使得网络输出逼近导师信号或期望输出。
（2）无导师学习。
无导师学包括强化学习与无监督学习或称为自组织学习。
在强化学习中，对输入输出映射的学习是通过与外界坏竟的连续作用最小化性能的标量索引而完成的。
此外，神经网络还有5个学习规则：
1．Hebb学习
Hebb学习规则是最古老也是最著名的学习规则，是为了纪念神经心理学家Hebb而命名的。
Hebb学习算法是数学描述是：
（2-3）
2纠错学习
纠错学习规则正是径向基网络的基本学习思想，下面来具体介绍。
在一个简单的情况下，设某神经网络的输出层中只有一个神经元i，给该神经网络加上输入，这样就产生了输出，称该输出为实际输出。
对于所加上的输入，我们期望该神经网络的输出为，称为期望输出或目标输出。
实际输出与期望输出之间存在着误差，用表示。
（2-4）
现在要调整突触权值，使误差信号减小。
为此，可设定代价函数或性能指数：
（2-5）
反复调整突触权值使代价函数达到最小或使系统达到一个稳定状态（即突触权值稳定），就完成了学习过程。
该学习过程称为纠错学习，也称为Delta规则或者Widrow-Hoff规则。
表示神经元到的突触权值，在学习步骤为n对时对突触权值的调整为
（2-6）
为学习速率参数。
上式表明：
对神经元突触权值的调整与突触误差信号和输入信号成比例。
纠错学习实际上是局部的。
Delta规则所规
升级会员 