磁瓦表面缺陷機(jī)器視覺檢測與識別方法

杜柳青， 余永維

(重慶理工大學(xué)機(jī)械工程學(xué)院，重慶 400054)

磁瓦作為電機(jī)的重要組成部件，其表面缺陷會直接影響電機(jī)的性能和壽命。由于缺乏有效的檢測技術(shù)，目前磁瓦生產(chǎn)企業(yè)只能采取人工目視全檢的方式，其效率低、不可靠。用機(jī)器視覺進(jìn)行產(chǎn)品缺陷無損檢測具有非接觸、速度快、精度高等優(yōu)點(diǎn)，是當(dāng)前國內(nèi)外研究的熱點(diǎn)，并在實(shí)際中逐漸得到應(yīng)用[1-4]。由于磁瓦類型多、表面區(qū)域多，有磨痕紋理，以及缺陷的多樣性、復(fù)雜性，有裂紋、雜質(zhì)、崩塊、欠磨、起級、污漬等，磁瓦缺陷視覺檢測有較大難度。用現(xiàn)有傳統(tǒng)方法(如各種閾值方法、區(qū)域分割法等)對磁瓦表面缺陷進(jìn)行檢測與提取，存在以下不足[5-8]：①算法適應(yīng)性不強(qiáng)，由于整體亮度不均勻，誤判率高；②算法缺乏通用性，大多數(shù)方法都是針對特定缺陷，而不能檢測各種類型的缺陷和各種表面的缺陷；③光源復(fù)雜，不同的表面、不同的缺陷需不同的光照形式；④大多處理時間長，不適宜在線使用。

對此，本文提出一種基于支持向量機(jī)的磁瓦表面缺陷視覺檢測與識別方法，針對磁瓦表面缺陷種類多、對比度低、圖像中存在磨痕紋理背景和整體的亮度不均勻等特點(diǎn)，定義掃描線梯度，提出基于兩類支持向量機(jī)圖像分割方法對缺陷進(jìn)行快速判別和提??；然后提出一種改進(jìn)的多類支持向量機(jī)方法，對缺陷進(jìn)行分類識別，實(shí)驗(yàn)結(jié)果表明，該檢測與識別方法有較高的準(zhǔn)確性和有效性。

1 基于兩類支持向量機(jī)的磁瓦缺陷檢測與提取

磁瓦的弧面、左右倒角面以及上下倒角面上光照很不均勻，對比度低且有磨痕紋理干擾。因此，難以通過調(diào)整光源角度來使各個面的照度均勻，且缺陷種類較多，各缺陷灰度性質(zhì)也不一樣，閾值等傳統(tǒng)方法很難進(jìn)行各種缺陷的判別及準(zhǔn)確提取，圖1為某類型磁瓦的表面。本文針對弧面及各倒角面相互之間的灰度值差別較大，其上的磨痕方向也不一樣，分成5個區(qū)域即弧面和4個倒角面，提出基于支持向量機(jī)的分區(qū)域逐行掃描缺陷判別與提取方法。在逐行掃描中，用兩類支持向量機(jī)實(shí)時判別掃描行是否為缺陷行。如是，則用自適應(yīng)梯度閾值法快速提取該行缺陷。

圖1 磁瓦表面及光照

1.1 支持向量機(jī)分割原理

支持向量機(jī)是根據(jù)統(tǒng)計學(xué)理論提出的一種機(jī)器學(xué)習(xí)方法，其主要思想是對線性不可分的兩類問題，構(gòu)造一個分類間隔最大的分類超平面，使各類中與分類超平面距離最近的樣本之間的距離最大。對于樣本非線性可分情況，其基本原理是將樣本的輸入向量經(jīng)非線性變換映射到一個高維空間，并在這個高維空間中構(gòu)造最優(yōu)分類超平面[9-10]。

其最優(yōu)化問題的對偶形式可以用如下方法描述：給定訓(xùn)練樣本(xi,di)(其中，i=1,2,…N)，xi為輸入特征，di∈{-1,+1}為分類輸出結(jié)果。在約束條件下求解最大化目標(biāo)函數(shù)的Langrange乘子{ai}，得到最優(yōu)分類函數(shù)。

最大化目標(biāo)函數(shù)：

其中，k(x,xi)為核函數(shù)，滿足mercer定理。

約束條件：

其中，c∈R，為懲罰參數(shù)。

最優(yōu)分類函數(shù)：

其中，b為分類閾值。

支持向量機(jī)分類方法是基于二次尋優(yōu)問題，得到是全局最優(yōu)解，避免了神經(jīng)網(wǎng)絡(luò)易陷入局部極值的問題，并通過非線性變換和函數(shù)解決了高維數(shù)問題，加速了訓(xùn)練學(xué)習(xí)速度。

1.2 特征選取及缺陷提取

采用支持向量機(jī)分類時，缺陷特征的正確選取和描述是基礎(chǔ)，針對磁瓦掃描線的特點(diǎn)，定義掃描線梯度標(biāo)準(zhǔn)差與灰度標(biāo)準(zhǔn)差組成特征矢量。

掃描線梯度標(biāo)準(zhǔn)方差S的定義：

如圖2，灰度掃描線各局部極小灰度值點(diǎn)h(xi,yj)，i=1,2,…,n，n為極小灰度值點(diǎn)的數(shù)量；各極小灰度值點(diǎn)對應(yīng)的像素坐標(biāo)為(xi,yj)，i=1,2,…,n。

圖2 掃描線灰度

各極小點(diǎn)左右兩側(cè)離其最近的頂部，分別為h(xiL,yj)和h(xiR,yj)，i=1,2,…,n；各頂部對應(yīng)的像素點(diǎn)，分別為(xiL,yj)和(xiR,yj)，i=1,2,…,n。

極小值點(diǎn)區(qū)域N(xi,yj)：N(xi,yj)=由左右兩側(cè)離極小值點(diǎn)最近的頂部之間的像素組成。

定義各極小值點(diǎn)區(qū)域的梯度值Δh：Δh(xiL,yj)=h(xiL,yj)-h(xi,yj),Δh(xiR,yj)=h(xiR,yj)-h(xi,yj)，其中i=1,2,…,n；取Δh(xiL,yj)和Δh(xiR,yj)的較小者為極小值點(diǎn)區(qū)域的梯度值Δh。各Δh的標(biāo)準(zhǔn)差即為該掃描線的梯度標(biāo)準(zhǔn)差。

掃描線灰度標(biāo)準(zhǔn)方差S的定義：

f(x)表示掃描行圖像，E[f(x)]是灰度數(shù)學(xué)期望。掃描線灰度標(biāo)準(zhǔn)差S來衡量掃描線上各灰度的變異程度，克服了不同掃描線上亮度變化的影響。

如掃描線上有缺陷，該掃描線的梯度標(biāo)準(zhǔn)差Δh和掃描線灰度標(biāo)準(zhǔn)方差S會發(fā)生較大變化，也即缺陷行掃描線與無缺陷行掃描線的Δh和S有較大的區(qū)分度。并且不同類型缺陷的掃描線形狀、Δh和S也各不相同(在實(shí)驗(yàn)分析圖表中也能明顯顯示出，這與理論分析相符)。因此，Δh和S能作為缺陷分割和識別的特征向量。

對支持向量機(jī)判別為缺陷行的掃描線，定義自適應(yīng)梯度閾值T：T=σΔh+kμΔh，其中k為常系數(shù)，一般取3～5。梯度值大于閾值的極小值點(diǎn)區(qū)域即為缺陷區(qū)域。

2 基于多類支持向量機(jī)的磁瓦缺陷分類識別

支持向量機(jī)方法是針對兩類分類問題提出，為實(shí)現(xiàn)裂紋、崩塊、雜質(zhì)、起級、欠磨和污漬6類磁瓦缺陷的分類識別，須建立多類支持向量機(jī)。常用的多類支持向量機(jī)方法有一對多方法，一對一方法和有向無環(huán)圖方法等，但前兩者存在不可分區(qū)域，后者存在分類不確定性。一對多方法具有分類器較少，測試時間較短的優(yōu)點(diǎn)，本文用改進(jìn)的一對多法多類支持向量機(jī)對磁瓦表面缺陷圖像進(jìn)行分類，并提出最小距離法解決其不可分區(qū)域問題。

一對多法對K類問題構(gòu)造K個兩類分類器，訓(xùn)練第m類分類器時，將第m類中的樣本作為正樣本，而將其他所有非m類樣本作為負(fù)樣本。對不可分區(qū)域的輸入向量，本文提出以其到各分類超平面的距離作為分類準(zhǔn)則，根據(jù)最小距離識別其所屬類別，改進(jìn)的一對多法原理如圖3所示。

圖3 改進(jìn)的一對多法多類支持向量機(jī)算法

不可分區(qū)域的輸入向量到各分類超平面的距離為：

求最小距離minDi(x)所對應(yīng)的分類超平面：

決策函數(shù)為：

其中，φ(x)=(φ1(x),φ2(x),…φn(x),…)，為非線性映射，其將輸入空間映射到高維特征空間F。

在6類訓(xùn)練磁瓦缺陷樣本中構(gòu)造6個兩類分類器。對某一測試樣本，依次用每個分類器對其進(jìn)行分類，并記錄其所屬的類，直至遍歷所有分類器為止，得票最多的類即為該樣本所屬的類。

結(jié)合大量實(shí)驗(yàn)，除選擇缺陷中心行掃描線的梯度標(biāo)準(zhǔn)差Δh和掃描線灰度標(biāo)準(zhǔn)方差S作為特征外，另確定重心、面積、細(xì)長度3個幾何特征及7個不變矩特征，共10個特征向量組成特征矢量來描述磁瓦表面缺陷特征，作為多類支持向量機(jī)的輸入矢量。

3 實(shí)驗(yàn)及結(jié)果分析

對圖4所示含有缺陷的磁瓦表面圖像進(jìn)行分區(qū)域的逐行掃描。含缺陷的掃描線灰度如圖5所示。以裂紋圖像為例，由線梯度和灰度標(biāo)準(zhǔn)差構(gòu)成的部分含裂紋行和無缺陷行的特征向量如表1所示，然后對特征向量做歸一化處理。

圖4 表面缺陷：裂紋、崩塊、起級、雜質(zhì)、欠磨和污漬

圖5 含缺陷的掃描線

表1 掃描行特征向量

核函數(shù)參數(shù)的選擇直接影響分類效果，這里采取交叉實(shí)驗(yàn)方法，采用徑向基核函數(shù)，不同核參數(shù)和不同懲罰參數(shù)下分析其分類效果，當(dāng)核函數(shù)參數(shù)σ2=1、懲罰參數(shù)c=1000時，泛化誤差最小，為5.6%。對兩類支持向量機(jī)訓(xùn)練后，取一定數(shù)量的測試樣本，檢測結(jié)果如表2。

目前，磁瓦表面缺陷檢出的其他方法中，文獻(xiàn)[5]提出的自適應(yīng)形態(tài)學(xué)濾波的提取方法效果較好。本文方法與文獻(xiàn)[5]方法的對比數(shù)據(jù)如表3所示，從表3可知，本文方法總的正確率優(yōu)于文獻(xiàn)[5]方法，且誤檢率和漏檢率較一致，說明適應(yīng)性較強(qiáng)。

表2 不同表面的檢測結(jié)果

表3 本文方法與文獻(xiàn)[5]方法的對比

計算缺陷行所對應(yīng)自適應(yīng)梯度閾值，搜索梯度值大于閾值的極小值點(diǎn)區(qū)域即缺陷區(qū)域。

圖6為用該方法對圖3所示缺陷進(jìn)行提取，提出裂紋、崩塊、起級、雜質(zhì)、欠磨和污漬缺陷的二值圖像。

圖6 提取出的表面缺陷：裂紋、崩塊、起級、雜質(zhì)、欠磨和污漬

通過上述支持向量機(jī)圖像分割方法采集磁瓦缺陷樣本共592個，取其中350個作為訓(xùn)練樣本對核函數(shù)參數(shù)σ2=1、懲罰參數(shù)c=1000的改進(jìn)多類支持向量機(jī)進(jìn)行訓(xùn)練。然后用訓(xùn)練后的該一對多法多類支持向量機(jī)對用其余242個樣本進(jìn)行測試，作為測試樣本的磁瓦表面缺陷圖像分類識別結(jié)果如表4所示。

表4 各種表面缺陷識別結(jié)果

在亮度變化比較大的情況下，通過對不同表面區(qū)域和不同類型的缺陷檢出與識別實(shí)驗(yàn)可以看出，用本文提出的方法能能獲得良好的效果，檢出率可達(dá)到96%，選取合適的支持向量機(jī)懲罰參數(shù)和核參數(shù)，識別率超過91%，檢出及識別各類缺陷的總時間小于1.5 s。

4 結(jié) 論

本文提出的基于支持向量機(jī)的分區(qū)域逐行掃描缺陷檢測與識別方法解決了磁瓦表面缺陷種類多、對比度低、圖像中存在磨痕紋理背景和整體亮度不均勻等難點(diǎn)，正確率高、速度較快，且通用性較好、適應(yīng)性較強(qiáng)，對不同類型磁瓦、不同表面以及不同種類缺陷都能適用。該基于支持向量機(jī)的缺陷提取方法不同于現(xiàn)有的傳統(tǒng)方法，可為圖像分割提供一種新的思路和方法。

[1]Turaga P,Chellappa R,Subrahmanian V S,Udrea O.Machine Recognition of Human Activities: A Survey [J].IEEE Transactions on Circuits and Systems for Video Technology,2008,18(11): 1473-1488.

[2]Kumar A.Computer-vision-based fabric defect detection:A survey [J].IEEE Transactions on Industrial Electronics,2008,55(1): 348-363.

[3]Keser T,Hocenski Z,Hocenski V．Intelligent Machine Vision System for Automated Quality Control in Ceramic Tiles Industry [J].Strojarstvo,2010,52(2): 105-114．

[4]Brosnan T,Sun D W.Improving quality inspection of food products by computer vision - a review [J].Journal of Food Engineering,2004,64(1): 3-16.

[5]余永維,殷國富,蔣紅海,黃 強(qiáng).磁瓦表面圖像的自適應(yīng)形態(tài)學(xué)濾波缺陷提取方法[J].計算機(jī)輔助設(shè)計與圖形學(xué)報,2012,24(3): 351-356.

[6]嚴(yán)俊龍,鄭曉曦,李鐵源.磁瓦表面缺陷自動檢測系統(tǒng)的研究[J].計算機(jī)工程與應(yīng)用,2009,45(36):228-231.

[7]蔡 鵬,尹寶才,孫德慧.基于最近離散點(diǎn)的光線跟蹤[J].圖學(xué)學(xué)報,2013,34(3): 1-6.

[8]郭 洪,張清志.增強(qiáng)圖像細(xì)節(jié)和去噪能力的改進(jìn)形態(tài)學(xué)分水嶺算法[J].圖學(xué)學(xué)報,2013,34(3): 7-11.

[9]Hsu C W,Lin C J.A comparison of methods for multiclass support vector machines [J].IEEE Transactions on Neural Networks,2002,13(2): 415-425.

[10]Suykens J A K,Vandewalle J.Least squares support vector machine classifiers [J].Neural Processing Letters,1999,9(3): 293-300.