大间隔分类机

金家立

摘要：带钢表面缺陷识别类属于模式识别领域，特征提取和分类是带钢表面缺陷识别过程中的两个重要环节。本文介绍了SVM模型及其在带钢表面缺陷识别上的应用，并简单介绍了大间隔分类机。

关键词：缺陷分类;支特向量机;大间隔分类机;识别

1 引言

标准支持向量机（Support Vector Machines，SVM）最初是由Vapnik等人于1963年提出。SVM以統计学理论为基础，采用了结构风险最小化原则（SRM）和VC维理论（Vapnik-Chervonenkis）使其具有良好的泛化能力。SVM也具有较强的理论基础，通过利用分类间隔最大化的思想来求解一个凸二次规划问题（QuadraticProgramming Problem，QPP）从而产生一个最优分类超平面，因此模型求出的局部最优解一定是全局最优解。此外，核函数的应用成功地解决了高维空间中的决策问题。目前，SVM已成功地应用在许多实际问题中，例如：人脸识别[1]、故障诊断[2]、基因分类[3]、图像处理[4]、价格预测[5]等，现已成为机器学习领域中的最常用的分类算法之一。然而，SVM却存在着分类精度和效率之间的矛盾，近年来，一些研究人员对SVM算法进行改进，如NN-SVM算法[6]、BS-SVM算法[7]、LIBSVM算法[8]等。

2 应用背景

带钢是国家建设和实现四化必不可少的重要物资，广泛应用在汽车制造、机械制造、铁路制造、航空航天等领域。在生产过程中，由于钢板受到铸造、轧制、设备等因素的影响，钢板表面会产生不同类型的缺陷。例如：孔洞、划痕、锈斑等。这些缺陷不仅影响产品的深加工和美观，还会使得钢板的耐腐蚀性、耐磨性、耐高温性在很大程度上有所降低。近年来，提高带钢表面质量已成为钢铁企业提高竞争力的重要途径之一，表面缺陷识别技术已经被广泛应用于钢铁行业，现已成为钢铁行业检测和控制带钢质量的一项重要技术。其中，机器视觉检测技术能够提高生产效率、控制产品质量、提高运算性能、增强系统的实用性和可靠性[9]，因此，该技术在研究人员的努力下迅速发展。向阳等人提出了基于SVM的带钢表面缺陷识别研究，采用SVM识别分类方法取代传统人工检测带钢表面缺陷类型，并与决策树算法进行比较，实验结果表明，SVM模型的识别率更高[10]。

3 大间隔分类机

传统支持向量机的核心思想是最大化“最小间隔”，Gao和Zhou证明了间隔分布对泛化能力也尤为重要[11]。Zhang和zhou利用其一阶和二阶统计量来描绘间隔分布，将间隔分布对泛化能力的影响加到SVM的目标函数中，通过最大化样本的间隔均值，最小化样本的间隔方差来提高TWLDM的分类精度，并提出了大间隔分布学习机模型（Large Margin Distribution Machine，LDM）[12]。核函数的成功引用，也巧妙地解决了在高维空间中的内积运算，从而很好地解决了非线性分类问题。通过[12]的实验结果，可以看出LDM的泛化性能更出色。

4 结论

大间隔分类机算法是一种广泛的学习算法，通过最大化间隔均值，最小化间隔方差来提高算法的泛化能力，在以后的工作中，可以将LDM算法推广到其他的学习环境中，并加以应用。

参考文献

[1]栗科味，卢金燕，黄明明，黄全振.基于子图分割与多类支持向量机的人脸识别方法[J].科技通报，2018，34（08）：159-163.

[2]蒋波涛，张博，黄新波.基于支持向量机的电机故障诊断方法综it[J].微电机，2018，51（07）：58-61+67.

[3]李颖新，阮晓钢.基于支持向量机的肿瘤分类特征墓因选取[J].计算机研究与发展，2005（10）：153-158.

[4]汤勃，孔建益，王兴东，陈黎基于图像处理的钢板表面缺陷支持向量机识别[J].中国机械工程，2011，22（12）：1402-1405.

[5]张世军.基于网络舆情的SVM股票价格预测研究[D].南京信息工程夭学，2014.

[6]李红莲，王春花，袁保宗.一种改进的支持向量机NN-SVM[J].计算机学报，2003（08）：1015-1020.

[7]郭亚琴，王正群.一种改进的支持向量机BS-SVM[J].微电子学与计算机，2010，27（06）：54-56.

[8]Chang C C， Lin C J.L1BSVM：a library for support vectormachines[J].ACM transactions on intelligent systems andtechnology（TIST）， 2011，2（3）：27.

[9]田果.基于机器视觉的钢板表面缺陷检测系统的关键技术研究[D].五邑大学，2018.

[10]向阳，陈黎，张晓龙.基于支持向量机的带钢表面缺陷识别研究[J].工业控制计算机，2012，25（08）：99-101.

[11]Gao W， Zhou Z H.On the doubt about margin explanationof boosting[J].Artificial Intelligence， 2013， 203：1-18.

[12]Zhang T， Zhou Z H.Large margin distribution machine[C]//Proceedings of the 20th ACM SIGKDD internationalconference on Knowledge discovery and data mining.ACM， 2014：313-322.