计算机工程

作者：王亚, 甘青松, 沈琦, 宋余庆, 刘毅, 韩凯, 刘哲

单位：1. 江苏大学计算机科学与通信工程学院, 江苏 镇江 2120132. 宝山钢铁股份有限公司, 上海 2019003. 上海宝信软件股份有限公司, 上海 201203

关键词：表面缺陷分类,无监督分类,纹理特征,聚类算法,动态权重

基金：国家自然科学基金(62276116); 国家自然科学基金(61976106); 江苏省六大人才高峰项目(DZXX-122)

带钢表面质量是衡量钢铁产品质量的重要指标之一, 针对全流程表面缺陷进行分类研究, 可以减少表面缺陷的发生, 同时提升表面缺陷信息捕获的准确性。在实际生产过程中, 带钢缺陷样本的精准类别标签往往难以获取, 因此不依赖标签数据的无监督分类方法逐渐成为研究热点。现有的传统机器学习无监督分类方法对噪声数据鲁棒性差, 而基于深度学习的无监督方法对数据量依赖性较强。为此, 将传统的机器学习算法和深度学习算法相结合, 提出一种无监督动态加权联合的带钢表面缺陷分类(DWJC)方法。首先, 根据纹理特征聚类算法为缺陷图像分配初始类别标签; 然后, 通过卷积神经网络(CNN)提取图像的深度特征; 最后, 基于KL散度提出一种动态加权重标注方法, 联合初始类别标签、Softmax、约束聚类等多个分类方法, 在模型训练过程中不断修正初始类别标签, 以获取更加稳定且精准的缺陷分类结果。在NEU公共数据集和上海宝钢缺陷数据集上进行大量实验, 结果表明, DWJC分别取得了99.5%和94.3%的平均精度。

来源：2025年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第6期