一种金属板材缺陷识别分类方法和系统

技术特征：
1.一种金属板材缺陷识别分类方法，其特征在于，包括：通过超声源对各类缺陷的金属板材进行激励生热，获取红外热成像设备拍摄的生热后的各类缺陷的金属板材的表面图像；将各类缺陷的金属板材的表面图像划进行预处理后分为训练集和测试集；根据初始bp神经网络的结构确定初始bp神经网络的所有初始权值和初始阈值；根据训练集、初始bp神经网络的结构、初始bp神经网络的所有初始权值和初始阈值，采用遗传算法对初始bp神经网络进行优化，得到初始bp神经网络的最优权值和阈值；根据训练集、最优权值和阈值对初始bp神经网络进行训练，得到最优bp神经网络；根据测试集对最优bp神经网络进行验证，若验证通过，则将最优bp神经网络用于对待检测金属板材进行缺陷识别和分类，获取通过超声源对待检测金属板材进行激励生热后采用红外热成像设备拍摄的生热后的待检测金属板材的表面图像，将待检测金属板材的表面图像输入最优bp神经网络，得到待检测金属板材的缺陷识别和分类结果。2.根据权利要求1所述的金属板材缺陷识别分类方法，其特征在于，根据训练集、初始bp神经网络的结构、初始bp神经网络的所有初始权值和初始阈值，采用遗传算法对初始bp神经网络进行优化，得到初始bp神经网络的最优权值和阈值，包括：将训练集输入权值和阈值分别为初始权值和初始阈值的初始bp神经网络进行预测，得到预测输出与期望输出之间的误差绝对值和，作为初始种群的个体适应度值；通过遗传算法对初始种群个体迭代进行选择、交叉和变异，直到个体适应度值满足第一终止条件，得到最优权值和阈值。3.根据权利要求2所述的金属板材缺陷识别分类方法，其特征在于，根据训练集、最优权值和阈值对初始bp神经网络进行训练，得到最优bp神经网络，包括：将最优权值和阈值放入初始bp神经网络中，使用训练集对初始bp神经网络进行训练，更新初始bp神经网络的权值和阈值，直到满足第二终止条件，得到最后更新的权值和阈值的初始bp神经网络，作为最优bp神经网络。4.根据权利要求2所述的金属板材缺陷识别分类方法，其特征在于，采用轮盘赌法或锦标赛法对初始种群个体迭代进行选择操作。5.根据权利要求2所述的金属板材缺陷识别分类方法，其特征在于，第一终止条件为达到最大遗传迭代次数或达到期望个体适应度值。6.根据权利要求5所述的金属板材缺陷识别分类方法，其特征在于，第二终止条件为达到最大迭代次数或误差不大于期望误差或误差连续20次迭代不下降。7.一种金属板材缺陷识别分类系统，其特征在于，包括：样本数据获取模块，用于通过超声源对各类缺陷的金属板材进行激励生热，获取红外热成像设备拍摄的生热后的各类缺陷的金属板材的表面图像；数据集构建模块，用于将各类缺陷的金属板材的表面图像划进行预处理后分为训练集和测试集；初始权值阈值获取模块，用于根据初始bp神经网络的结构确定初始bp神经网络的所有初始权值和初始阈值；权值阈值优化模块，用于根据训练集、初始bp神经网络的结构、初始bp神经网络的所有初始权值和初始阈值，采用遗传算法对初始bp神经网络进行优化，得到初始bp神经网络的
最优权值和阈值；bp神经网络优化模块，用于根据训练集、最优权值和阈值对初始bp神经网络进行训练，得到最优bp神经网络；验证模块，用于根据测试集对最优bp神经网络进行验证，若验证通过，则将最优bp神经网络用于对待检测金属板材进行缺陷识别和分类；缺陷识别模块，用于获取通过超声源对待检测金属板材进行激励生热后采用红外热成像设备拍摄的生热后的待检测金属板材的表面图像，将待检测金属板材的表面图像输入最优bp神经网络，得到待检测金属板材的缺陷识别和分类结果。8.根据权利要求7所述的金属板材缺陷识别分类系统，其特征在于，权值阈值优化模块具体用于：将训练集输入权值和阈值分别为初始权值和初始阈值的初始bp神经网络进行预测，得到预测输出与期望输出之间的误差绝对值和，作为初始种群的个体适应度值；通过遗传算法对初始种群个体迭代进行选择、交叉和变异，直到个体适应度值满足第一终止条件，得到最优权值和阈值。9.根据权利要求8所述的金属板材缺陷识别分类系统，其特征在于，bp神经网络优化模块具体用于：将最优权值和阈值放入初始bp神经网络中，使用训练集对初始bp神经网络进行训练，更新初始bp神经网络的权值和阈值，直到满足第二终止条件，得到最后更新的权值和阈值的初始bp神经网络，作为最优bp神经网络。10.根据权利要求8所述的金属板材缺陷识别分类系统，其特征在于，采用轮盘赌法或锦标赛法对初始种群个体迭代进行选择操作。

技术总结
本发明公开了一种金属板材缺陷识别分类方法和系统，使用超声红外热成像技术拍摄金属板材表面图像，能够使得拍摄到的有缺陷的金属板材中的缺陷体现得更加明显，且能够使得缺陷检测过程可视化，同时，利用遗传算法对BP神经网络进行优化，使得优化后的BP神经网络收敛速度更快，精确度更高，将超声红外热成像技术与经遗传算法优化后的BP神经网络结合，能够提高金属板材的缺陷识别与分类精度，解决了现有的金属板材缺陷识别分类方法准确性不高，实用性不强的技术问题。不强的技术问题。不强的技术问题。


技术研发人员：姜海明 张子旭 谢康
受保护的技术使用者：广东工业大学
技术研发日：2022.08.17
技术公布日：2022/11/11