基于SVM的濾光片表面缺陷識(shí)別方法

吳俊芳，劉桂雄，付夢(mèng)瑤，王小輝

（1.華南理工大學(xué)理學(xué)院，廣東廣州510640；2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東廣州510640；3.廣州市光機(jī)電計(jì)算研究院，廣東廣州510663）

?

基于SVM的濾光片表面缺陷識(shí)別方法

吳俊芳1，劉桂雄2，付夢(mèng)瑤2，王小輝3

（1.華南理工大學(xué)理學(xué)院，廣東廣州510640；2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東廣州510640；3.廣州市光機(jī)電計(jì)算研究院，廣東廣州510663）

摘要：針對(duì)目前濾光片表面缺陷識(shí)別普遍采用人工方式，成本高、無法滿足實(shí)時(shí)性等問題，提出一種基于有向無環(huán)圖支持向量機(jī)（DAG-SVM）的濾光片表面缺陷識(shí)別方法。該方法結(jié)合濾光片常見缺陷的特點(diǎn)，設(shè)計(jì)出包含3個(gè)結(jié)構(gòu)簡(jiǎn)單、性能優(yōu)良的二分類器的濾光片表面缺陷識(shí)別方法，克服多分類器算法復(fù)雜、難以保證分類正確率的問題。實(shí)驗(yàn)結(jié)果表明：該方法對(duì)濾光片的點(diǎn)缺陷、印子缺陷、劃痕缺陷及崩缺陷的識(shí)別正確率為100%。

關(guān)鍵詞：濾光片；表面缺陷；分類識(shí)別；支持向量機(jī)

0　引言

機(jī)器視覺技術(shù)，是一門涉及人工智能、圖像處理、模式識(shí)別等諸多領(lǐng)域的交叉學(xué)科，目前已廣泛應(yīng)用于機(jī)械制造、農(nóng)業(yè)生產(chǎn)、醫(yī)藥醫(yī)療、智能交通等產(chǎn)業(yè)的在線質(zhì)量檢測(cè)[1-4]。光學(xué)薄膜濾光片廣泛應(yīng)用于光通信、激光技術(shù)、光學(xué)成像與檢測(cè)等領(lǐng)域，在微型攝像頭、生物醫(yī)學(xué)儀器、先進(jìn)激光系統(tǒng)中起著重要作用。根據(jù)國家標(biāo)準(zhǔn)GB/T 1185——2006《光學(xué)零件表面疵病》，濾光片的表面缺陷主要包括點(diǎn)、斑印、劃痕、崩[5]4種。濾光片產(chǎn)品表面缺陷的檢測(cè)目前普遍采用人工逐片檢測(cè)的方法，檢測(cè)效果受操作人員的影響較大，且效率低，不能滿足現(xiàn)代工業(yè)需求。若采用一個(gè)多分類器同時(shí)識(shí)別多種缺陷，存在算法復(fù)雜、耗時(shí)長等問題，難以保證分類效率[6-7]。針對(duì)多分類器的這些缺陷，本文提出一種基于有向無環(huán)圖支持向量機(jī)（DAG-SVM）的濾光片表面缺陷識(shí)別方法，設(shè)計(jì)分類決策樹，利用3個(gè)基于SVM的二分類器逐一識(shí)別各類缺陷，有效提高缺陷識(shí)別正確率。

1　支持向量機(jī)多分類原理

1.1支持向量機(jī)

支持向量機(jī)（SVM）是Vapnik在1995年提出的一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的學(xué)習(xí)方法，是借助最優(yōu)化方法解決機(jī)器學(xué)習(xí)問題的一種二分類工具，對(duì)小樣本、非線性以及高維識(shí)別問題更有優(yōu)勢(shì)[8-12]。其網(wǎng)絡(luò)模型圖如圖1所示，它的主要思想是將輸入通過非線性變換到一個(gè)高維空間，然后在該高維空間中求取一個(gè)最優(yōu)線性分類面。其中非線性變換通過一個(gè)內(nèi)積函數(shù)實(shí)現(xiàn)，即支持向量機(jī)的核函數(shù)。本文采用高斯徑向基核函數(shù)，其表達(dá)式為

圖1　SVM網(wǎng)絡(luò)模型圖

1.2多分類模型

實(shí)際使用中常須對(duì)多個(gè)類別進(jìn)行分類，通常采用將多個(gè)二分類SVM進(jìn)行組合。組合的多類分類模型主要包括一對(duì)多（OAA）模型，一對(duì)一（OAO）模型和有向無環(huán)圖（DAG）模型[13]。

對(duì)N分類問題，OAA模型構(gòu)造N個(gè)二分類SVM，第i個(gè)SVM用第i類中的訓(xùn)練樣本作為正樣本，其他樣本作為負(fù)樣本進(jìn)行訓(xùn)練。最后決策函數(shù)輸出值最大的類別就是樣本的類別。這種方法容易出現(xiàn)分類重疊和不可分現(xiàn)象。OAO模型構(gòu)造N（N-1）/2個(gè)二分類SVM，每個(gè)分類器只針對(duì)兩類數(shù)據(jù)進(jìn)行訓(xùn)練，采用投票法對(duì)未知樣本進(jìn)行預(yù)測(cè)。這種方法改善了OAA模型的不可分程度，但識(shí)別一個(gè)樣本需要進(jìn)行N（N-1）/2次分類計(jì)算，分類效率低。DAG模型是OAA和OAO模型的改進(jìn)，構(gòu)造N（N-1）/2個(gè)二分類SVM排列成N-1層，一個(gè)4分類的DAG-SVM結(jié)構(gòu)圖如圖2所示。DAG-SVM模型對(duì)一個(gè)未知樣本分類時(shí)，自上而下，根據(jù)當(dāng)前節(jié)點(diǎn)的分類結(jié)果轉(zhuǎn)向下層的左節(jié)點(diǎn)或右節(jié)點(diǎn)繼續(xù)分類，直到得到該樣本類別。這種方法只需對(duì)樣本進(jìn)行N-1次判別，分類效率較OAA和OAO大大提高。

圖2　4分類DAG-SVM結(jié)構(gòu)圖

2　基于SVM的濾光片表面缺陷分類方法

對(duì)濾光片的4種常見缺陷類別編號(hào)：點(diǎn)為A，印子為B，劃痕為C，崩為D。分析這4類缺陷的形態(tài)可知，點(diǎn)缺陷與斑印缺陷外形較接近矩形，而崩缺陷與劃痕缺陷較為狹長。根據(jù)這一特點(diǎn)，本文設(shè)計(jì)的濾光片表面缺陷識(shí)別DAG-SVM決策樹結(jié)構(gòu)如圖3所示。

決策樹包含3個(gè)分類器，即Curve-Rectangle分類器、Point-Mark分類器及Scratch-Broken分類器，它們均為二分類SVM。

圖3　濾光片表面缺陷識(shí)別DAG-SVM決策樹

3個(gè)分類器作用如下：

1）Curve-Rectangle分類器將A類、B類缺陷作為第1類缺陷，C類、D類缺陷作為第2類缺陷。對(duì)于輸入該分類器的任一缺陷樣本，若將其判為第1類缺陷，則其缺陷類型為點(diǎn)或印子，接著輸入Point-Mark分類器繼續(xù)判斷；若將其判為第2類缺陷，則其缺陷類型為劃痕或崩，接著輸入Scratch-Broken分類器繼續(xù)判斷。

2）Point-Mark分類器對(duì)Curve-Rectangle分類器判為第1類的缺陷作進(jìn)一步細(xì)分，即將A類缺陷作為第1類缺陷，B類缺陷作為第2類缺陷。對(duì)于輸入該分類器的缺陷樣本，若將其判為第1類缺陷，則其缺陷類型為點(diǎn)；若將其判為第2類缺陷，則其缺陷類型為印子。

3）Scratch-Broken分類器對(duì)Curve-Rectangle分類器判為第2類的缺陷作進(jìn)一步細(xì)分，即將C類缺陷作為第1類缺陷，D類缺陷作為第2類缺陷。對(duì)于輸入該分類器的缺陷樣本，若將其判為第1類缺陷，則其缺陷類型為劃痕；若將其判為第2類缺陷，則其缺陷類型為崩。

濾光片表面缺陷識(shí)別流程如圖4所示，主要步驟為采集濾光片圖像、圖像預(yù)處理、缺陷特征參數(shù)計(jì)算、缺陷分類識(shí)別。其中，圖像預(yù)處理主要包括邊緣檢測(cè)、形態(tài)學(xué)處理等；缺陷特征參數(shù)包括缺陷的幾何特征、形狀特征及Hu不變矩等10個(gè)特征值，如表1所示。表中缺陷ROI即包含缺陷區(qū)域的外接矩形，且該矩形的長、短邊與圖像像素排列方向一致。

3　測(cè)試結(jié)果和分析

濾光片表面缺陷圖像采集裝置主要包括CCD相機(jī)、鏡頭、數(shù)據(jù)采集線、光源、相機(jī)支架、待檢濾光片及托盤等。

實(shí)驗(yàn)中首先拍攝濾光片圖像，然后依次進(jìn)行邊緣檢測(cè)、形態(tài)學(xué)處理、缺陷ROI提取等處理。圖5為濾光片4種缺陷的圖像采集及預(yù)處理結(jié)果，其中圖5（a）為缺陷的原始圖像，圖5（b）為相應(yīng)缺陷的邊緣檢測(cè)結(jié)果，圖5（c）為對(duì)圖5（b）進(jìn)行膨脹處理及二值化的形態(tài)學(xué)處理結(jié)果，圖5（d）為對(duì)圖5（c）中的缺陷區(qū)域進(jìn)行ROI提取的結(jié)果，ROI邊界以紅線表示。

對(duì)每個(gè)缺陷樣本計(jì)算表1所列特征值，表2為每種缺陷樣本的特征值計(jì)算實(shí)例。

選取200個(gè)樣本完成濾光片表面缺陷分類實(shí)驗(yàn)，其中150個(gè)樣本用于訓(xùn)練，50個(gè)樣本用于測(cè)試?？紤]實(shí)際生產(chǎn)中各類缺陷出現(xiàn)概率不同，訓(xùn)練樣本及測(cè)試樣本中各類缺陷所占比例應(yīng)與該缺陷實(shí)際出現(xiàn)概率相同。實(shí)驗(yàn)中各類缺陷樣本數(shù)量如表3所示。

圖4　濾光片表面缺陷識(shí)別流程圖

表1　濾光片表面缺陷特征參數(shù)

表4是各類缺陷樣本的編號(hào)，其中缺陷樣本Xi（i=1，…，200）是一個(gè)含10個(gè)特征值的特征向量。

濾光片分類實(shí)驗(yàn)包括對(duì)Curve-Rectangle分類器、Point-Mark分類器及Scratch-Broken分類器的訓(xùn)練與測(cè)試，所用樣本編號(hào)如表5所示，測(cè)試結(jié)果如表6所示。

表2　濾光片表面缺陷特征參數(shù)取值

表3　濾光片各類缺陷樣本數(shù)量

表4　濾光片缺陷樣本編號(hào)

表6結(jié)果顯示，3個(gè)二分類SVM的分類正確率均達(dá)到100%，表明濾光片表面缺陷特征參數(shù)的選擇及分類器的設(shè)計(jì)能夠?qū)崿F(xiàn)對(duì)濾光片4種常見表面缺陷（點(diǎn)缺陷、印子缺陷、劃痕缺陷及崩缺陷）的正確分類。

圖5　濾光片4種缺陷的圖像采集及預(yù)處理結(jié)果

表5　各分類器所用樣本

表6　分類器測(cè)試結(jié)果

4　結(jié)束語

本文基于支持向量機(jī)，分析濾光片4種常見表面缺陷（點(diǎn)缺陷、印子缺陷、劃痕缺陷、崩缺陷）的特點(diǎn)，提出了包含3個(gè)二分類SVM的濾光片表面缺陷識(shí)別方法。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的基于DAG-SVM濾光片表面缺陷識(shí)別方法能夠逐一識(shí)別濾光片的4類缺陷，缺陷分類正確率為100%。

由于各類產(chǎn)品如鋼板、玻璃等的表面缺陷與濾光片表面缺陷在種類與形態(tài)上相似，如均存在印子、劃痕等，因此本文提出的由二分類器構(gòu)造多分類器的表面缺陷識(shí)別思路對(duì)其他產(chǎn)品表面缺陷識(shí)別具有啟發(fā)意義。

參考文獻(xiàn)

[1]刁智華，王會(huì)丹，魏偉.機(jī)器視覺在農(nóng)業(yè)生產(chǎn)中的應(yīng)用研究[J].農(nóng)機(jī)化研究，2014（3）：206-211.

[2]侯海飛.基于機(jī)器視覺的膠囊表面缺陷的識(shí)別與分揀技術(shù)研究[D].杭州：浙江大學(xué)，2013.

[3]秦玲.基于機(jī)器視覺的無人車道路識(shí)別[D].西安：西安工業(yè)大學(xué)，2013.

[4] BENJAMIM X C，GOMES R B. Visual identification of medicine boxes using features matching[C]∥Proceedings of IEEE International Conference on Virtual Environments，2012：43-47.

[5]光學(xué)零件表面疵?。篏B/T 1185——2006[S].北京：中國標(biāo)準(zhǔn)出版社，2006.

[6]劉懷廣.浮法玻璃缺陷在線識(shí)別算法的研究及系統(tǒng)實(shí)現(xiàn)[D].武漢：華中科技大學(xué)，2011.

[7]汪云云.結(jié)合先驗(yàn)知識(shí)的分類器設(shè)計(jì)研究[D].南京：南京航空航天大學(xué)，2011.

[8] FERENCZ A，LEARNED-Miller E G. Building a classification cascade for visual identification from one example[C]∥Proceedings of the Tenth IEEE International Conference on Computer Vision，2005.

[9]范勁松. SVM理論及其應(yīng)用的研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2000.

[10] DAMIANO V，SIMONE D F，DINUZZO. Finding potential support vectors in separable classification problems [J]. IEEE Transactions on Neural Networks and Learning Systems，2013，24（11）：799-1813.

[11] CHEN L J，MAO X，XUE Y L. Speech emotion recognition：features and classification models[J]. Digital Signal Processing，2013，22（6）：1154-1160.

[12] CHEN C H，GAN Z L Action Recognition from a different view[J]. China Communications，2013，10（12）：139-148.

[13]朱波，劉飛，李順江.基于優(yōu)化有向無環(huán)圖支持向量機(jī)的多變量過程均值異常識(shí)別[J].計(jì)算機(jī)集成制造系統(tǒng)，2013 （3）：559-568.

（編輯：徐柳）

Surface defects classification for optical filters based on support vector machine

WU Junfang1，LIU Guixiong2，F(xiàn)U Mengyao2，WANG Xiaohui3
（1. School of Science，South China University of Technology，Guangzhou 510640，China；2. School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，China；3. Guangzhou Research Institute of Optics-Mechanics-Electricity Technology，Guangzhou 510663，China）

Abstract:As the surface defects of optical filters are commonly identified by artificial manner which is uneconomical and hysteretic，a new surface defects classification methods for optical filter based on directed acyclic graph support vector machine（DAG-SVM）is proposed. The proposed method takes the characters of filter surface defects into account and comprises three two -classifiers which is simple and performs well. It solves such problems as complex algorithm and lower classification accuracy which occur in multi-classifiers. The experimental result indicates that the proposed method can classify the four common types of filters defects，including point，mark，scratch and broken，with the accuracy of 100%.

Keywords:optical filter；surface defects；classification；support vector machine

作者簡(jiǎn)介：吳俊芳（1977-），女，講師，博士，主要從事智能傳感與檢測(cè)技術(shù)研究。

基金項(xiàng)目：廣東省產(chǎn)學(xué)研結(jié)合引導(dǎo)項(xiàng)目（粵財(cái)教[2012]393）中央高?；究蒲袠I(yè)務(wù)費(fèi)資助項(xiàng)目（2014ZM0077）

收稿日期：2015-06-07；收到修改稿日期：2015-08-11

doi：10.11857/j.issn.1674-5124.2016.02.021

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-5124（2016）02-0092-04