軸承圓柱滾子表面缺陷的視覺檢測方法

李新張振堯白瑞林

(無錫信捷電氣股份有限公司1,江蘇 無錫 214072;江南大學輕工過程先進控制教育部重點實驗室2,江蘇 無錫 214122)

軸承圓柱滾子表面缺陷的視覺檢測方法

李新1張振堯2白瑞林2

(無錫信捷電氣股份有限公司1,江蘇 無錫 214072;江南大學輕工過程先進控制教育部重點實驗室2,江蘇 無錫 214122)

為了提高軸承圓柱滾子表面缺陷檢測識別準確率、降低預測時間,提出一種基于機器視覺的表面缺陷檢測方法。離線訓練時,對滾子表面圖像經(jīng)Gabor變換后得到的子圖進行融合并提取紋理特征,采用改進的Relief算法進行特征降維,減少在線特征提取所用時間。同時,為了降低缺陷滾子的漏檢率,引入偏向性處理并使用最小二乘支持向量機進行分類。試驗表明,該檢測方法在保證整體預測準確率的前提下,實現(xiàn)了缺陷滾子的偏向性預測,適用于實時性要求較高的場合。

機器視覺 缺陷檢測 灰度共生矩陣(GLCM) 特征選擇 過采樣 最小二乘支持向量機(LSSVM)

0 引言

圓柱滾子作為軸承的重要組成部分,它對軸承的旋轉(zhuǎn)精度、運動性能和使用壽命等都有重要影響[1]。生產(chǎn)線上產(chǎn)品質(zhì)量檢測時,如果表面存在缺陷的滾子漏檢,混入合格產(chǎn)品中,不僅影響機械效率,還可能帶來安全隱患,給廠商聲譽造成不良影響。目前,多數(shù)生產(chǎn)廠家所采用的人工目視檢測方法,檢測效率低下且易受主觀因素的影響,已經(jīng)不適應現(xiàn)代工業(yè)快速發(fā)展的需求[2]。磁粉檢測方法雖然價格低廉,但是難以檢出碰傷、麻點等缺陷。渦流檢測法雖然能檢測出裂紋缺陷,但是系統(tǒng)抗干擾性能較差,漏檢和誤檢率較高[3-4]。近年來,機器視覺代替人工檢測得到越來越廣泛的應用。文獻[5]以分割出的缺陷面積大小作為檢測標準,識別準確率很大程度上受到預處理效果的影響,無法滿足復雜的工業(yè)現(xiàn)場檢測要求。

1 滾子圖像特征提取

1.1 構建Gabor濾波及圖像融合

Gabor小波具有優(yōu)良的時頻域分析特性,能夠反映特定方向上的形狀特征,是很好的特征提取算法[6]。該算法通常采用高維的復合特征對樣本進行較為全面的描述[7]。

為了提取特定方向上的形狀特征,本文構造5個尺度4個方向Gabor濾波器組。二維Gabor小波函數(shù)如式(1)所示。

Gabor濾波選取實部濾波,將灰度圖像F(z)與Gabor濾波器卷積,即:

從而可獲得20副Gabor分量子圖G(v,u)。將相同尺度不同方向的子圖按照式(3)進行融合,即:

原始缺陷滾子表面圖像如圖1所示,經(jīng)過Gabor小波處理后得到的Gabor子圖如圖2所示。一副原始滾子表面圖像經(jīng)過Gabor變換并融合后最終可用5副子圖來表示,如圖3所示。

圖1 原始缺陷滾子表面圖像Fig.1 Image of original defective roller surface

圖2 變換后的Gabor子圖Fig.2 Subgraphs of Gabor after tranformation

圖3 變換融合后的Gabor子圖Fig.3 Subgraphs of Gabor after tranformation and fusion

1.2 特征提取

不同紋理的圖像,其灰度共生矩陣差異較大,因此可以借助灰度共生矩陣進一步計算圖像紋理特征。計算每幅子圖的灰度共生矩陣,提取對比度、相關性、信息熵、逆差矩、均值、方差、非相似度7個統(tǒng)計量作為紋理特征,加上子圖的灰度均值與方差,共9維特征值作為每幅子圖的特征。而每一副原始滾子表面圖像經(jīng)過Gabor變換后可由5副子圖來表示,故將5幅子圖的特征按順序排列成一個45維的特征向量來表征原始圖像。

2 特征降維

2.1 Relief特征選擇算法

高維特征提取運算量偏大,此外冗余特征會對滾子表面缺陷的在線檢測速度和準確率產(chǎn)生負面影響。降維技術可以降低特征維數(shù),提高分類器分類性能[8]。特征降維可以分為特征提取和特征選擇。使用獨立成分分析(independent component analysis,ICA)、核主成分分析(kernel principal component analysis,KPCA)等特征提取算法所產(chǎn)生的新特征失去了原始特征具有的物理意義,在線檢測過程仍需重新提取所有原始特征,此類算法不能有效減少在線預測時間。與KPCA、ICA等特征提取技術相比,Relief[9]特征選擇算法保持了特征的原有物理意義且能找到與類別相關性強的特征子集,是一種經(jīng)典的并被廣泛應用的特征降維技術。

Relief算法的思想是:與類別相關性大的特征,使得同類樣本互相靠近,而不同類樣本互相遠離[10]。Relief算法通過給每一維特征賦予一個權值來表示該維特征與類別的相關程度,用以解決二分問題[]。但是該算法存在以下不足:①在每一維特征權值迭代過程中,隨機選取樣本進行計算,忽略了邊界樣本對分類面貢獻率更大的事實;②計算過程中容易受噪聲干擾,魯棒性較差;③雖然可以選出與類別相關性強的特征子集,但是所選出的子集可能存在冗余特征。

2.2 改進的Relief算法

針對傳統(tǒng)Relief算法的不足,做以下改進:①以邊界樣本代替隨機選取樣本作為特征權值迭代時所用的樣本集合;②以3個最近鄰代替一個最近鄰且根據(jù)這3個最近鄰的重要性不同賦予不同的樣本權值,減少所受噪聲的干擾,適應性更好;③采用相關性分析去除冗余特征。

改進后Relief算法流程可以分為3個步驟:①求取與類別相關性強的特征子集;②去除冗余特征;③求取特征狀態(tài)標志。

2.2.1 尋找與類別相關性強的子集

邊界樣本對于分類面的貢獻率往往較大。為了增強樣本選擇的針對性,以邊界樣本代替Relief算法中隨機選取樣本的方法進行特征權值迭代。特征矩陣X,每一個樣本對應一個類別標簽,其中將合格的圓柱滾子標記為-1類,含有缺陷的滾子標記為+1類。合格樣本和缺陷樣本的類別中心xmean-和xmean+由式(4)決定,即:

式中:N-、N+分別表示合格樣本和缺陷樣本的個數(shù),且有N-+N+=N;xn為1×45維矩陣,表示第n個樣本的特征向量。

由此可得樣本xi(xi∈M)作為xn的異類最近鄰樣本的模糊隸屬度為:

對于xn到最近異類樣本的第j維特征的模糊差異度量由式(6)得到:

同理可得,xi(xi∈H)作為xn的同類最近鄰樣本的模糊隸屬度為:

對于xn到最近同類樣本的第j維特征的模糊差異度量由式(8)得到:

2.2.2 去除特征子集的冗余特征

將邊界樣本特征矩陣Xnew每一列按照wj大小降序排列。根據(jù)式(10)計算相關系數(shù)矩陣。

找出與第一維特征相關系數(shù)最大的特征,倘若相關系數(shù)大于閾值T2,則將該維特征刪除,并將對應mark2的狀態(tài)標志置0;否則置1。移除第一維特征,繼續(xù)找出與剩下權值最大的特征之間相關系數(shù)最大的特征,根據(jù)相關系數(shù)與T2的大小關系來確定是否去除該特征。

以此類推,直到把權值最小的冗余特征也去除為止。經(jīng)過以上步驟可得特征狀態(tài)標志mark2。

2.2.3 特征篩選

最終狀態(tài)標志向量mark由mark1和mark2進行按位與運算得到。它記錄著原始訓練樣本特征中每一維特征對應的狀態(tài):0表示該維特征被刪除,1表示該維特征被保留。

在線特征提取根據(jù)mark狀態(tài)標志確定哪一維特征需要被計算,既節(jié)省了特征提取時間,又可提高分類準確率。

離線特征選擇流程圖如圖4所示。

圖4 離線特征選擇流程圖Fig.4 The flowchart of offline feature selection

3 最小二乘支持向量機偏向性分類

3.1 偏向性處理

在保證整體識別正確率的前提下,應盡量降低不合格滾子的漏檢率,避免缺陷產(chǎn)品混到合格產(chǎn)品中。文獻[12]采用改進的虛擬少數(shù)類過采樣技術實現(xiàn)偏向性分類,其主要思想是在邊界樣本類間進行過采樣。為了產(chǎn)生更適合于偏向性分類的訓練樣本數(shù)據(jù),采取以下處理步驟。

①首先用KNN算法去除孤立樣本數(shù)據(jù)。統(tǒng)計每個樣本xi的5個最近鄰樣本別類與xi相同的個數(shù)Ccheck。如果5個最近鄰均與之不同類,即Ccheck=0,則將xi刪除。

②對于去除孤立樣本點后特征矩陣中的缺陷樣本xt,倘若其5個最近鄰中有2個(或3個)合格樣本,則在該缺陷樣本和這2個(3個)合格樣本之間進行過采樣。

式中:xd為xt的最近鄰合格樣本;xsomte為過采樣所得的缺陷樣本;r為(0,1)之間的隨機數(shù)。

③最后將過采樣產(chǎn)生的所有缺陷樣本加入去除孤立樣本后的訓練樣本集合中,離線訓練LSSVM模型。

3.2 LSSVM分類

最小二乘支持向量機[13](LSSVM)在模式識別領域得到廣泛的應用,Suykens在文獻中對LSSVM理論進行了詳細的分析。該算法只需通過求解一組線性方程組即可獲得最優(yōu)分類面,使得問題的計算復雜性和存儲量得到大大減小。

LSSVM的模型為:

在初步最優(yōu)參數(shù)組合的鄰域進一步使用網(wǎng)格算法進行精細搜索,對每一個網(wǎng)格節(jié)點進行10折交叉驗證。這樣不僅可以避免參數(shù)尋優(yōu)過程中陷入局部最優(yōu)解,而且優(yōu)化時間大大縮短。

4 試驗結(jié)果與分析

選取96副合格圓柱滾子表面圖片、69副缺陷滾子圖片作為離線訓練樣本。每幅圖像樣本提取上述45維特征,則所有訓練樣本組成165×45維的特征矩陣。將合格樣本標記為-1類,缺陷樣本標記為+1類,可得165×1維樣本標記向量。

離線訓練LSSVM模型,分別使用網(wǎng)格算法、耦合模擬退火算法以及耦合模擬退火算法與網(wǎng)格算法相結(jié)合的方法對模型參數(shù)進行尋優(yōu)。同時,用三種尋優(yōu)方法所得到的分類器模型,分別對大小為300×700像素的40個合格滾子和40個缺陷滾子進行分類預測,結(jié)果如表1所示。

表1 三種參數(shù)優(yōu)化性能對比Tab.1 Performance comparison for three kinds of parameter optimization

采用改進后的Relief算法對原始提取的45維特征進行降維。利用降維后訓練所得的分類器模型,在線對80個未知類別滾子進行預測,并將降維后預測的準確率和所用時間與降維前、原始Relief算法進行比較,結(jié)果如表2所示。

表2 特征選擇前后性能對比Tab.2 Performance comparison before and after feature selection

由表2可以看出,采用本文改進的算法對45維原始特征進行特征選擇,再利用保留下來的特征訓練分類器模型,對80個滾子分類預測的整體準確率達到97.5%,完成一個滾子的預測過程所用時間從降維前的612.1 ms下降到395.6 ms。

每一維特征所對應的權值如圖5所示。降維過程中剔除了22維特征,因此,在線對磁瓦缺陷進行特征提取時只需計算25維特征。特征選擇后不僅預測時間大大降低,而且預測準確率也有所提高。

圖5 特征權值曲線Fig.5 The feature weights

對訓練樣本做偏向性處理,人工合成38個缺陷樣本,處理前后的預測準確率如表3所示。偏向性處理后,整體準確率提高到98.75%,對缺陷滾子的預測準確率由97.5%提高到100%,且對細小缺陷也能很好地檢測出來,滿足實際生產(chǎn)的要求。

表3 偏向性處理性能對比Tab.3 Performance comparison of biased processing

5 結(jié)束語

本文基于機器視覺對軸承圓柱滾子表面缺陷進行檢測,在保證整體分類識別準確率的前提下,有效地降低了缺陷滾子的漏檢率。滾子整體分類準確率達到98.75%的同時,對缺陷滾子的預測準確率達到100%,且完成一個滾子的預測時間只需395.1 ms,符合實時性要求較高的工業(yè)現(xiàn)場,滿足生產(chǎn)檢測要求。

[1] 崔立,鄭建榮.考慮剛性轉(zhuǎn)子非線性振動的圓柱滾子軸承動態(tài)特性研究[J].振動與沖擊,2010,29(10):112-117.

[2] 周景亮,林志熙,黃耀志.應用聲振法對軸承滾子無損檢測的研究[J].機電技術,2006,29(4):36-37.

[3] 陳翠麗.熒光磁粉探傷法的探討及應用[J].軸承技術,2008(1): 30-32.

[4] 龐川賓,冀慧芬.鐵路車輛軸承滾子表面缺陷微機檢測系統(tǒng)探討[J].科技情報開發(fā)與經(jīng)濟,2002,12(5):169-171.

[5] 王慧楠.基于機器視覺的圓柱滾子表面缺陷檢測系統(tǒng)[D].洛陽:河南科技大學,2012.

[6] 徐婉瑩,黃新生,劉育浩,等.一種基于Gabor小波的局部特征尺度提取方法[J].中國圖象圖形學報,2011,16(1):72-78.

[7] 胡潔.高維數(shù)據(jù)特征降維研究綜述[J].計算機應用研究,2008, 25(9):2601-2606.

[8] 張振海,李士寧,李志剛,等.一類基于信息熵的多標簽特征選擇算法[J].計算機研究與發(fā)展,2013,50(6):1177-1184.

[9] Kira K,Rendel L A.A practical approach to feature selection[C]// Proceedings of the 9thInt Workshop on Machine Learning,San Francisco:Morgan Kaufmann,1992:249-256.

[10] Sun Y J.Iterative relief for feature weighting:algorithms,theories and applications[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(6):1035-4051.

[11] Saari P,Eerola T,Lartillot O.Generalizability and simplicity as criteria in feature selection:application to mood classification in music[J]. IEEE Transactions on Audio,Speech,and Language Processing,2011, 19(6):1802-1812.

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

[13] Samuel Xavier-de-Souza,Johan A K Suykens,Joos Vandewalle,et al. Coupled simulated annealing[J].IEEE Transactions on Systems, Man,and Cybernetics-Part B,Cybernetics,2010,40(2):320-335.

Visual Detection Method for Surface Defects of Bearing Cylindrical Roller

In order to improve the detecting accuracy for identifying surface defects of the bearing cylindrical roller,and reduce the prediction time,the surface defect detection method based on machine vision is proposed.While offline training,the sub-graphics obtained through Gabor transformation for the image of roller surface are fused and the texture features are extracted.The improved Relief algorithm is adopted to reduce the dimension of feature and the time of online feature extraction,In addition,for minimizing the missed detection rate of the defective rollers, the biased processing is introduced,and the classification is conducted by adopting LSSVM.The experiments indicate that this method does guarantee the overall prediction accuracy,and biased prediction of the defective roller is implemented,it is suitable for situation of high real time performance is requested.

Machine vision Defect detection Gray-level co-currence matrix(GLCM) Feature selection Over sampling Least squares support vector machine(LSSVM)

TP274+.3

A

江蘇高校優(yōu)勢學科建設工程資助項目(編號:PAPD);

江蘇省產(chǎn)學研前瞻性聯(lián)合研究項目(編號:BY2012056)。

修改稿收到日期:2014-04-14。

李新(1970-),男,1991年畢業(yè)于江南大學電氣自動化專業(yè),獲學士學位,工程師;主要從事工業(yè)自動化系統(tǒng)與裝備的研究。