Key points are not available for this paper at this time.
L'extraction de caractéristiques et la classification sont deux étapes importantes dans le processus de reconnaissance des défauts de surface de l'acier laminé. Les méthodes traditionnelles d'extraction des caractéristiques des défauts ne sont pas invariantes à l'échelle et à la rotation. De plus, les méthodes traditionnelles de classification des défauts présentent un conflit entre l'efficacité et la précision. Afin de résoudre ces deux problèmes, une nouvelle méthode de reconnaissance est proposée dans cet article. D'une part, le nouveau schéma d'extraction des caractéristiques des défauts est réalisé en construisant des informations d'échelle de référence d'échantillonnage (SBS) pour le jeu de données d'entraînement et en utilisant la matrice de co-occurrence de la magnitude du gradient et de l'orientation du gradient (GMGOCM), la matrice de co-occurrence du niveau de gris et de l'orientation du gradient (GLGOCM), ainsi que des caractéristiques invariantes aux moments. D'autre part, des algorithmes de K-plus proches voisins et de R-plus proches voisins sont utilisés pour pruner le jeu de données d'entraînement, et les facteurs d'amplification des échantillons élagués sont utilisés pour améliorer l'efficacité et la précision du classificateur à moindres carrés de vecteur de support jumeaux (LSTWSVM). Les résultats expérimentaux montrent que la nouvelle méthode de reconnaissance peut non seulement réaliser l'extraction de caractéristiques des défauts avec invariance à l'échelle et à la rotation, mais aussi réaliser la classification des défauts avec une grande efficacité et précision.
Chu et al. (Wed,) ont étudié cette question.