宗德祥,蒋 渝,何永辉

(宝山钢铁股份有限公司1.中央研究院,上海 201999; 2.冷轧厂,上海 201900)

集成学习,顾名思义,不是单指某种特定的学习算法,而是由多种学习算法构建而成的用于解决实际问题的一种理论方法,目标是获得较高的预测准确率。目前常见的集成学习算法主要有两种[1]:基于Bagging的算法和基于Boosting的算法。其中基于Bagging的代表算法有随机森林,而基于Boosting的代表算法则有Adaboost、GBDT、xgboost等。

带钢表面质量在线检测系统,从20世纪50年代诞生以来,就开启了缺陷检测识别的征途。伴随着机器学习算法的进步,这些算法逐步被引入到带钢表面质量在线检测系统中,使得系统的性能逐步得以提升。然而在实践中,往往发现常规的算法并不能够满足智慧制造时代的需求。目前常见的基于决策树的算法,分类准确率通常稳定在75%～80%之间,显然仅能够满足用户最基本的需求。为了解决这一问题,本文提出了传统算法与深度学习算法相结合的算法,来实现分类准确性的提升。

1 本文算法模型

通过对采集到的带钢图像进行跟踪分析发现,通常情况下,带钢表面真实缺陷发生数同实际采集到的图像数相比,占比在10%～30%之间,如图1所示,随机抽取3个月内生产的10卷冷轧钢卷统计出的数据,即意味着存在大量的不含缺陷的图像数据被采集。这些多余的数据将会对后续的缺陷分类产生负面影响。因此,若能有效过滤此类图像数据,将能有效提升系统的性能。

图1 缺陷所占总图比例统计图