基于計(jì)算機(jī)視覺(jué)鋁型材噴涂質(zhì)量檢測(cè)

胡繼文,　岳曉峰

(長(zhǎng)春工業(yè)大學(xué) 機(jī)電工程學(xué)院， 吉林 長(zhǎng)春　130012)

?

基于計(jì)算機(jī)視覺(jué)鋁型材噴涂質(zhì)量檢測(cè)

胡繼文,岳曉峰*

(長(zhǎng)春工業(yè)大學(xué) 機(jī)電工程學(xué)院， 吉林 長(zhǎng)春130012)

摘要：基于Gabor濾波和支持向量機(jī)(SVM)質(zhì)量檢測(cè)原理，首先對(duì)鋁型材噴涂表面的圖像進(jìn)行歸一化處理，然后利用Gabor濾波對(duì)其進(jìn)行紋理分析，將提取到的能量和方差紋理特征作為支持向量機(jī)的輸入進(jìn)行訓(xùn)練和學(xué)習(xí)，最后利用支持向量機(jī)分類檢測(cè)，從而分出大砂和細(xì)砂產(chǎn)品。實(shí)驗(yàn)結(jié)果表明，該方法具有實(shí)用性和可行性。

關(guān)鍵詞：紋理分析； 特征提取； Gabor濾波； SVM

0引言

在自然界中物體都具有形形色色的紋理，這使得紋理成為圖像非常重要的視覺(jué)特征。紋理分析在計(jì)算機(jī)視覺(jué)的相關(guān)領(lǐng)域里得到了廣泛應(yīng)用,但基于紋理分析的鋁型材噴涂表面質(zhì)量研究還是很少。目前鋁型材企業(yè)表面噴涂都采用粉末噴涂[1]，它是利用靜電噴塑機(jī)將粉末涂料噴涂到鋁型材工件的表面，然后在靜電作用下，使粉末均勻地相互吸附于工件表面，形成所需要的涂層。在噴涂過(guò)程中粉末相互間吸附力不同，鋁型材表面形成的顆粒大小和均勻性也不同，造成噴涂質(zhì)量有好有壞。其噴涂質(zhì)量都是通過(guò)人眼檢測(cè)，在質(zhì)檢過(guò)程中，主要取決于鋁型材表面涂層的顆粒大小和表面粗糙度。顆粒大，表面粗糙，被稱為大砂(也就是不合格品);顆粒小，表面細(xì)化均勻，被稱為細(xì)砂(合格品)。評(píng)判產(chǎn)品是否合格完全憑借工人的經(jīng)驗(yàn)，沒(méi)有一個(gè)統(tǒng)一的標(biāo)準(zhǔn),這對(duì)于新手而言或者遇到人眼難以區(qū)分的產(chǎn)品時(shí)，檢測(cè)很容易出錯(cuò)。針對(duì)這種情況，文中從計(jì)算機(jī)視覺(jué)的角度出發(fā)，利用紋理分析的方法,通過(guò)Gabor濾波器提取鋁型材噴涂表面的紋理特征信息，將其紋理特征作為支持向量機(jī)的輸入進(jìn)行訓(xùn)練學(xué)習(xí)，最后利用SVM分類，分出合格產(chǎn)品和不合格產(chǎn)品。

1鋁型材表面噴涂質(zhì)量檢測(cè)系統(tǒng)的構(gòu)建

在鋁型材表面噴涂質(zhì)量檢測(cè)的過(guò)程中，根據(jù)其表面紋理特性將其分為大砂和細(xì)砂，即合格與不合格產(chǎn)品，顯然這是二類分類問(wèn)題。因此，可以將鋁型材噴涂表面質(zhì)量檢測(cè)問(wèn)題轉(zhuǎn)化到根據(jù)鋁型材噴涂表面的紋理特性進(jìn)行紋理分類，從而達(dá)到質(zhì)量檢測(cè)的目的。為了檢測(cè)多尺度、不同位置的紋理，首先利用掃描儀多次隨機(jī)采集一小塊局部紋理信息，其次將輸入圖像按一定比例壓縮進(jìn)行圖像處理，然后利用Gabor濾波器提取鋁型材噴涂表面的紋理特征值，使用SVM進(jìn)行分類，最后分出大砂產(chǎn)品和細(xì)砂產(chǎn)品。鋁型材噴涂表面質(zhì)量檢測(cè)系統(tǒng)框架如圖1所示。

圖1　鋁型材質(zhì)量檢測(cè)系統(tǒng)框架

2基于Gabor濾波的紋理特征提取

Gabor函數(shù)[2]可以捕捉到相當(dāng)多的紋理信息，具有極佳的空間、頻率聯(lián)合分辨率，因此在實(shí)際應(yīng)用中獲得較廣泛應(yīng)用。它不僅可以在頻域不同尺度、不同方向上提取相關(guān)的特征，而且用Gabor函數(shù)形成的二維Gabor濾波器具有在空間域和頻率域同時(shí)具有最優(yōu)局部化特征。同時(shí)，Gabor函數(shù)與人眼的生物作用相仿，所以經(jīng)常用于紋理識(shí)別。文中采用二維Gabor函數(shù)形式：

(1)

其中

(2)

(3)

(4)

利用Gabor函數(shù)進(jìn)行變換時(shí)，發(fā)現(xiàn)能量和方差對(duì)不同鋁型材表面噴涂質(zhì)量變化比較明顯，于是采用能量和方差來(lái)反映圖像紋理特征。在實(shí)際生產(chǎn)中，一般采用CCD相機(jī)作為圖像采集設(shè)備，文中主要側(cè)重于對(duì)鋁型材噴涂表面圖像檢測(cè)方法的理論研究，由于高分辨率的CCD相機(jī)成本較高，考慮到采集圖像設(shè)備的性價(jià)比和效果，實(shí)驗(yàn)室選擇了最大分辨率為4 800×9 600dpi的惠普G4050平板式掃描儀。首先利用掃描儀隨機(jī)采集鋁型材噴涂表面一小塊區(qū)域，將其掃描成300×300的圖像，再把它分割成16幀64×64的子圖像，隨機(jī)選取9幀子圖像，然后采用Matlab編程對(duì)圖像進(jìn)行Gabor濾波，將提取方差和能量存放在特征向量中。濾波后的大砂和細(xì)砂圖像如圖2所示。

(a) 大砂　　　　　(b) 大砂Gabor濾波后

(c) 細(xì)砂　　　　　(d) 細(xì)砂Gabor濾波后

3基于支持向量機(jī)的紋理分類

支持向量機(jī)是Vapnik[3]等提出的一種基于結(jié)構(gòu)最小化原理的統(tǒng)計(jì)學(xué)習(xí)方法，能夠很好地解決小樣本學(xué)習(xí)、非線性以及高維模式識(shí)別等問(wèn)題。SVM作為一種訓(xùn)練機(jī)器學(xué)習(xí)算法，常常被用來(lái)解決分類問(wèn)題。因?yàn)樗粌H能夠很好地避免維數(shù)災(zāi)難問(wèn)題，而且所需要的樣本也很少，具有良好的魯棒性。其分類的主要思想[4]是尋找一個(gè)最優(yōu)分類面，在保證最小分類錯(cuò)誤率的情況下將兩類分開(kāi)，同時(shí)保證兩類分類間隔距離最大。

支持向量機(jī)示意圖如圖3所示。

(a) 線性SVM(b) 非線性SVM

圖3支持向量機(jī)示意圖

支持向量機(jī)是從線性可分情況下的最優(yōu)分類面發(fā)展而來(lái)的,對(duì)于線性可分的情況，可用兩維情況說(shuō)明在線性可分的二類問(wèn)題(見(jiàn)圖3(a))，此時(shí)的分類面是一條直線。圖3(a)中方形點(diǎn)和圓形點(diǎn)表示兩類樣本，H為分類線，H1、H2分別為過(guò)各類中離分類最近的樣本，并且平行于分類線的直線，H1和H2之間的距離就是所說(shuō)的分類間隔(margin)。假設(shè)線性可分樣本集(xi,yj)，i=1,2,…,n,x∈Rd，y∈{-1,+1}。d維空間中的線性判別函數(shù)：f(x)=wx+b，分類面方差為wx+b=0。我們可以對(duì)樣本集進(jìn)行歸一化，讓其滿足約束條件：

此時(shí)的分類間隔就等于2/‖w‖，當(dāng)‖w‖取最小值時(shí)，2/‖w‖值就最大。當(dāng)樣本集(xi,yj)滿足上述約束條件時(shí)，此時(shí)的分類面被稱為最優(yōu)分類面，同時(shí)H1、H2上的點(diǎn)被稱作支持向量。最優(yōu)分類面問(wèn)題可以轉(zhuǎn)化為如下表示的約束優(yōu)化問(wèn)題：

(5)

式中：g(x)----函數(shù)的符號(hào)，決定x的分類；

k(xi,yj)----核函數(shù)；

ai、b----最優(yōu)超平面的參數(shù)，可以根據(jù)最優(yōu)化理論通過(guò)求解二次規(guī)劃問(wèn)題得到。

由式(5)可知，所有非支持向量對(duì)應(yīng)的ai都為零，所以只需找出不為零的ai點(diǎn)，即最優(yōu)分類面上的支持向量。

對(duì)于線性不可分的情況，可通過(guò)利用特征映射的方法將輸入特征空間映射到一個(gè)新的高維特征空間，然后在新的高維特征空間中重新構(gòu)造線性判別函數(shù)來(lái)實(shí)現(xiàn)原空間中的非線性判別函數(shù)，最后求取最優(yōu)線性分類面，最終實(shí)現(xiàn)線性不可分轉(zhuǎn)化為線性可分。對(duì)于構(gòu)造判別函數(shù)，可以通過(guò)引入松弛變量，在求解最優(yōu)解的限制條件過(guò)程中，加入對(duì)松弛變量懲罰因子C。從圖3(b)可以看出，左邊線性不可分，通過(guò)特征映射之后變?yōu)橛疫叺木€性可分。通常對(duì)于低維空間向量集難于劃分的問(wèn)題，一般解決的方法是將它們映射到高維空間。但是這個(gè)辦法帶來(lái)的困難就是計(jì)算復(fù)雜度的增加，而核函數(shù)正好巧妙地解決了這個(gè)問(wèn)題，有效避免了維數(shù)災(zāi)難問(wèn)題。在SVM理論中，SVM的關(guān)鍵點(diǎn)在于核函數(shù)[5]，采用不同的核函數(shù)將導(dǎo)致不同的SVM算法，所以選擇合適的核函數(shù)尤為重要。

一般常用的核函數(shù)有以下幾種：

1)線性核函數(shù)：

2)多項(xiàng)式核函數(shù)：

3)徑向基核函數(shù)(RBF)：

式中：σ----高斯函數(shù)寬度。

4)二層神經(jīng)網(wǎng)絡(luò)核函數(shù)：

實(shí)驗(yàn)在選擇核函數(shù)之前，首先對(duì)這4種核函數(shù)分別進(jìn)行了分類精度的測(cè)試，測(cè)試結(jié)果發(fā)現(xiàn)，徑向基核函數(shù)分類準(zhǔn)確度最高，二層神經(jīng)網(wǎng)絡(luò)核函數(shù)分類準(zhǔn)確度最低，于是文中實(shí)驗(yàn)SVM的核函數(shù)選擇了徑向基核函數(shù)(RBF)，然后在分類測(cè)試過(guò)程中對(duì)徑向基核函數(shù)的懲罰因子C(C越大表示對(duì)錯(cuò)誤分類的懲罰越大)和σ進(jìn)行交叉驗(yàn)證，發(fā)現(xiàn)取C為200，σ為0.01時(shí)分類的準(zhǔn)確度最高。故懲罰因子C取200，σ取0.01。

4實(shí)驗(yàn)結(jié)果與分析

支持向量機(jī)采用臺(tái)灣大學(xué)林智仁等開(kāi)發(fā)設(shè)計(jì)的LIBSVM[6]工具箱，在實(shí)驗(yàn)過(guò)程中使用Matlab進(jìn)行編程，實(shí)現(xiàn)鋁型材噴涂表面的紋理特征提取，以及利用支持向量機(jī)對(duì)其進(jìn)行訓(xùn)練和分類。實(shí)驗(yàn)采集了大砂和細(xì)砂的鋁型材各50張作為樣本進(jìn)行訓(xùn)練學(xué)習(xí)，為了檢測(cè)分類效果，采集200張圖像進(jìn)行分類，然后從中隨機(jī)抽取將圖片分成3組，每組50張，其中大砂和細(xì)砂各25張。分類效果如圖4所示。

圖4　大砂和細(xì)砂分類效果圖

鋁型材分類的準(zhǔn)確率計(jì)算公式為：

(6)

式中：a----正確分類數(shù)目；

b----樣本總數(shù)目。

文中又與神經(jīng)網(wǎng)絡(luò)[7]、SVM分類[8]的出錯(cuò)率進(jìn)行比較，見(jiàn)表1。

表1　采用不同分類器的錯(cuò)誤率　　　　　　　　　　　　　　　　　%

從表1可知，當(dāng)從大砂和細(xì)砂圖像中各采集200張圖片進(jìn)行訓(xùn)練時(shí)，大砂平均分類精度能夠達(dá)到87.0%，細(xì)砂平均分類精度能夠達(dá)到91.8%。同時(shí)，從表中也可以看出，識(shí)別細(xì)砂的分類精度要高于大砂的分類精度。為了驗(yàn)證訓(xùn)練樣本數(shù)對(duì)分類精度的影響，文中對(duì)此做了初步測(cè)試，發(fā)現(xiàn)隨著訓(xùn)練樣本數(shù)量增加，支持向量機(jī)的分類準(zhǔn)確率也隨之增加，當(dāng)從大砂和細(xì)砂圖像中各采集500張圖片時(shí)，鋁型材表面噴涂質(zhì)量的分類準(zhǔn)確率可達(dá)到94.3%左右。

5結(jié)語(yǔ)

結(jié)合實(shí)際生產(chǎn)需要，在鋁型材噴涂表面質(zhì)量檢測(cè)方面首次采用機(jī)器視覺(jué)的方法,實(shí)現(xiàn)對(duì)鋁型材噴涂質(zhì)量進(jìn)行分類，對(duì)其自動(dòng)化檢測(cè)起促進(jìn)作用。實(shí)驗(yàn)過(guò)程中,首先利用Gabor濾波提取鋁型材噴涂表面紋理特征，將得到的能量和方差作為支持向量機(jī)的輸入，然后用支持向量機(jī)對(duì)鋁型材表面噴涂質(zhì)量進(jìn)行訓(xùn)練與分類。結(jié)果表明,該方法是行之有效的，能夠達(dá)到分類效果。但還是存在著不足，分類精度還不夠高，如何進(jìn)一步提高鋁型材表面噴涂圖像的分類精度將是下一步研究的重點(diǎn)。

參考文獻(xiàn)：

[1]Hedayati M, Salehi M, Bagheri R. et al. Tribological and mechanical properties of amorphous and semi-crystalline PEEK/SiO2nanocomposite coatings deposited on the plain carbon steel by electrostatic powder spray technique [J]. Progress in Organic Coatings: An International Review Journal,2012,74(1):50-58.

[2]Gabor D． Theory of communication [J]. Journal of the Institute of Electrical Engineers,1946,93(26)：429-457.

[3]Vapnik V N. Statistical learning theory [M]. New York: Wiley,1998.

[4]解洪勝,張虹,徐秀,等.基于復(fù)小波和支持向量機(jī)的紋理分類法[J].計(jì)算機(jī)應(yīng)用研究,2008,25(5):1573-1575,1578.

[5]Campbell C． An introduction to kernel methods [J]. Radial Basis Function Networks：Design and appfications,2000(2)：45-56.

[6]Chang C C, Lin C J. LIBSVM: a library for support vector machines[EB/OL]. [2016-01-15]. http://www.csie.ntu.edu.tw/～cjlin/libsvm/.

[7]李文學(xué)，李慧，賀琳，等.BP神經(jīng)網(wǎng)絡(luò)在非線性時(shí)間序列預(yù)測(cè)中的應(yīng)用[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2003,24(3):39-40.

[8]程思寧，武丹丹，張俊芬，等.基于小波分析的人臉識(shí)別算法[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版，2006,27(1):4-7.

Detection of aluminum coatingqualitybased on computer vision

HU Jiwen,YUE Xiaofeng*

(School of Mechanical and Electrical Engineering, Changchun University of Technology, Changchun 130012， China)

Abstract：Based on the principle of Gabor filtering and texture analysis of Support Vector Machine (SVM), the surface images of aluminum coating are normalized and then their texture are analyzed with Gabor filter. Both the extracted energy and texture variance are input to SVM for training and learning. The SVM makes classification and output the big sand and fine sand products. Experimental results show that the method is practical and feasible.

Key words：texture analysis; feature extraction; Gabor filter; SVM.

收稿日期：2016-01-15

基金項(xiàng)目：吉林省科技發(fā)展計(jì)劃基金資助項(xiàng)目(20120351)

作者簡(jiǎn)介：胡繼文(1988-)，男，漢族，河南信陽(yáng)人，長(zhǎng)春工業(yè)大學(xué)碩士研究生，主要從事機(jī)器視覺(jué)及智能檢測(cè)方向研究,E-mail:314535209@qq.com. *通訊作者：岳曉峰(1971-)，男，漢族，吉林通化人，長(zhǎng)春工業(yè)大學(xué)教授，博士，主要從事機(jī)器視覺(jué)及智能檢測(cè)方向研究,E-mail:yuexiaofeng@ccut.edu.cn.

DOI:10.15923/j.cnki.cn22-1382/t.2016.2.02

中圖分類號(hào)：TP 391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-1374(2016)02-0110-05