随着我国大规模的基建投资和工业化进程的加速推进,铝型材全行业的产量和消量迅猛增长,而我国也一跃成为世界上最大的铝型材生产基地和消费市场。经过长达近10年的高速增长,我国铝型材行业步入了新的发展阶段,并展现出了诸多新的发展趋势。目前我国铝加工工业处于大而不强、小而不精的状态,迫使国民经济和现代科学所需的一些高精尖铝型材仍然需要依靠国外进口。推动铝型材产业的发展一方面我们需要在工业领域深耕,另一方面我们需要在铝型材生产质量上严格把控。工业上铝型材的质量监测工序繁杂且需要大量相关专业理论知识,本文将着重讨论如何通过数据分析方法来解决铝型材的质量检测问题,本文中的质量检测是指对铝型材表面常见的12种瑕疵进行分类。传统的铝型材表面瑕疵检测通常由有经验的工艺工程师抽样检测来完成,这个过程由统计学中的抽样理论与工艺工程师的经验技术为基础,一直备受工业界推崇。相比传统质量检测的方法,使用算法检测质量可以用更低的成本获取更高的精度。就本文的任务而言,算法做质量检测有两大挑战,其一在于瑕疵类别数量间的严重不平衡问题,样本不平衡现象会导致模型无法训练充分。其二是模型的过拟合问题,对某些具有轻微划痕的正常类别的铝型材而言,如果算法过于敏感,则会将这类正常样本误判成某类瑕疵样本,或者反之将某类瑕疵样本误判为具有轻微瑕疵的正常样本。传统上,学者们使用统计学方法、信号处理方法、基于模型的方法来提取图像的纹理特征,然后将特征向量输入到分类模型或神经网络中去训练。随着计算机技术的快速发展,深度学习技术得到了广泛的应用,学者们更多使用深度学习框架来研究图像分类的任务。深度学习往往在分类准确率,F1值,混淆矩阵,AUC等评价指标上比传统方法表现更好。首先,针对铝型材数据不同类别之间的严重不平衡性,本文在建模之前采用了基于内容的数据增强和基于数量的数据增强两种方式来做了数据预处理。然后,本文综合考虑了传统方法和深度学习方法,设计了 8种不同的建模思路去对比研究铝型材瑕疵分类问题。在特征向量结合分类器的传统图像分类的建模思路上,本文选取了 3种常用的纹理特征提取方法(HOG、LBP和SURF)和1种本文提出的纹理特征提取方法来提取铝型材图像的瑕疵特征,然后将特征向量传入分类模型中去构建分类器。而分类器的选择上,本文选择了两种统计学分类方法LDA和QDA,两种机器学习分类器SVM和XGBoost。另一方面,本文使用了浅层神经网络LeNet和ResNet50两种建模方法来搭建深度学习分类模型。最后,本文使用了多分类准确率、多分类精确率、多分类召回率、多分类F1值和多分类AUC值作为评价指标,并主要根据多分类准确率和多分类F1值来评价模型的分类性能。在本文建立的全部3 1个模型中,无论采用多分类F1值还是多分类准确率作为评价指标,排名前5的模型均表现一致,按顺序分别为:XGBoost_Melt,XGBoost_Surf,QDA_Melt,LDA_Melt,SVM_Melt。以往很少有学者使用XGBoost算法来解决图像分类问题,而本文排名前2位的算法都基于XGBoost方法,这表明如果特征对图像的表征能力较强,XGBoost算法在图像分类问题上也可以获得优秀的分类性能。除此之外,排名前5的算法中有4种方法都是基于本文提出的Melt纹理特征提取方法,其中排名第一的算法XGBoost_Melt在测试集上获得了 90%以上的多分类准确率。综合全文,本文创新性的将XGBoost算法分别与HOG、LBP、SURF特征结合并取得了不错的分类效果,同时本文提出的基于HOG、LBP和SURF的融合特征Melt在不同分类器上均获得了很好的分类效果,这也为其他分类任务提供了一种借鉴思路。另外,本文将统计学、机器学习和深度学习方法应用到改善传统铝型材质量检测场景中,并取得了 90%以上的多分类准确率,体现了实践创新。工业场景千差万别,但只要根据工业对象做具体问题具体分析就可以将本文所使用的算法迁移拓展到其他工业分类场景中。