基于主成分分析的随机森林钢材缺陷检测算法.pdf

第４５卷第１期吉林师范大学学报(自然科学版)Ｖｏｌ.４５ꎬＮｏ.１

２０２４年２月ＪｏｕｒｎａｌｏｆＪｉｌｉｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ)Ｆｅｂ.ꎬ２０２４

ｄｏｉ:１０.１６８６２/ｊ.ｃｎｋｉ.ｉｓｓｎ１６７４￣３８７３.２０２４.０１.００７

基于主成分分析的随机森林钢材缺陷检测算法

王纯杰ꎬ张钺ꎬ谭佳伟

(长春工业大学数学与统计学院ꎬ吉林长春１３００１２)

摘要:钢材在原材料生产、冶炼加工等过程中会出现划痕、污渍等缺陷问题ꎬ而缺陷检测是生产过程中把控

产品质量和生产效率不可或缺的一环.传统的分类算法对缺陷检测来说效率较低ꎬ因此本文提出了一种基于

主成分分析和ＳＭＯＴＥ的随机森林算法.通过融合ＳＭＯＴＥ、主成分分析和随机森林算法ꎬ实现对钢材缺陷的有

效检测.结果表明ꎬ相较于传统分类算法如Ｌｏｇｉｓｔｉｃ回归、决策树等ꎬ本文提出的方法有效提升了缺陷检测效率.

关键词:缺陷检测ꎻＳＭＯＴＥꎻ主成分分析ꎻ随机森林算法

中图分类号:Ｏ２１２文献标志码:Ａ文章编号:１６７４￣３８７３￣(２０２４)０１￣００３９￣０６

０引言

钢材是广泛应用于汽车、建筑等行业的重要材料ꎬ具有高强度和强耐久性等特点.然而ꎬ在生产加工

过程中ꎬ钢材往往会出现划痕、污渍等缺陷.这些缺陷不仅影响钢材的整体质量ꎬ还对产品的安全和性能

产生巨大影响.缺陷检测是制造生产过程中的关键步骤ꎬ对于质量控制和生产效率来说至关重要.传统

[１￣２]

的缺陷检测算法往往效率较低且准确性有限.因此ꎬ本文提出一种基于主成分分析(Ｐｒｉｎｃｉｐａｌ

[３]

ＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓꎬＰＣＡ)和随机森林(ＲａｎｄｏｍＦｏｒｅｓｔ)的钢材缺陷检测方法ꎬ提高对不同类型的钢材

缺陷的检测效率和准确性.

本文首先利用ＰＣＡ方法ꎬ对钢材数据进行特征提取ꎬ然后利用随机森林算法ꎬ对ＰＣＡ提取的特征

进行快速准确分类ꎬ最后为了进一步提高模型缺陷检测的性能ꎬ引入合成少数类过采样算法[４]

(ＳｙｎｔｈｅｔｉｃＭｉｎｏｒｉｔｙＯｖｅｒ￣ｓａｍｐｌｉｎｇＴｅｃｈｎｉｑｕｅꎬＳＭＯＴＥ)ꎬ用于解决在钢材缺陷检测数据集中的样本类别不

均衡问题.

１缺陷检测方法

１.１主成分分析

ＰＣＡ是一种经典的降维方法ꎬ常用于特征提取和去除数据冗余信息ꎬ其主要通过线性变换将数据

映射到一组新的正交特征上ꎬ使这些特征能够最大程度地解释原始数据的方差ꎬ保留信息最大化.ＰＣＡ

的算法步骤如下:

()

(１)数据标准化.假设有ｎ个样本ꎬｐ个指标ꎬ此时大小为ｎ×ｐ的样本矩阵为ｘ＝ｘꎬｘꎬꎬｘ.由

１２ｐ

－

此计算数据的均值ｘ和方差Ｓ分别为ｊｊ

ｎ

－１ｎ

ｘ＝ｘꎬＳ＝－２(ｎ－１).

ｊｎ∑ｉｊｊ∑(ｘ－ｘ)ｉｊｊ

ｉ＝１ｉ＝１

标准化后的数据Ｘ和样本矩阵Ｘ分别为ｉｊ

收稿日期:２０２３￣１２￣１８

基金项目:国家自然科学基金项目１２２７１０６０)ꎻ吉林省