基于K-means聚類的磁瓦缺陷圖像分割方法

馬旭東 袁銳波 李洪鋒

摘要：為了實(shí)現(xiàn)磁瓦圖像中缺陷的準(zhǔn)確檢測，以分割磁瓦端面崩塊缺陷為目的提出一種基于K-means聚類的分割方法。磁瓦圖像采集的關(guān)鍵技術(shù)是光源選用，分析傳統(tǒng)的磁瓦圖像分割方法——閾值分割，并以迭代選擇閾值算法作為對比算法進(jìn)行介紹;著重剖析K-means算法的基本聚類原理，并引出其算法實(shí)現(xiàn)流程。采用兩種算法對磁瓦端面圖像進(jìn)行分割。結(jié)果表明，基于K-means聚類算法對磁瓦圖像進(jìn)行分割，能夠正確分割出磁瓦端面的崩塊缺陷。

關(guān)鍵詞：磁瓦;缺陷檢測;崩塊缺陷;K-means;閾值分割

DOI：10.11907/rjdk.191303

中圖分類號：TP317.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2019）012-0180-03

0引言

用永磁鐵氧體材料制成的瓦形磁體（簡稱磁瓦）是生產(chǎn)永磁電機(jī)磁體的主要元件，其質(zhì)量好壞關(guān)系到電機(jī)的使用性能。若具有缺陷的磁瓦用于工業(yè)機(jī)器人或其它工業(yè)產(chǎn)品，將會造成無法挽回的損失。當(dāng)前，磁瓦缺陷的檢測主要通過人眼視覺實(shí)現(xiàn)。人工檢測方式在效率和精確度上會隨檢測時間的延長而降低，而且招工難、成本高。

近年來，采用機(jī)器視覺的方法對磁瓦進(jìn)行缺陷檢測，顯著提高了磁瓦生產(chǎn)企業(yè)的產(chǎn)品質(zhì)量和生產(chǎn)效率。它不需要接觸磁瓦就可完成檢測，防止檢測時磁瓦被損壞，同時速度快、精度高，促進(jìn)了相關(guān)領(lǐng)域研究及工業(yè)應(yīng)用。但是，磁瓦類型眾多，每個磁瓦除了6個表面還有許多倒角，其缺陷類型非常復(fù)雜，有崩塊、裂紋、起層、孔洞等。采用基于機(jī)器視覺的方式對磁瓦缺陷進(jìn)行檢測，在技術(shù)上存在較大難度。

磁瓦崩爛型缺陷主要發(fā)生在磁瓦各個面的邊緣，根據(jù)磁瓦各缺陷面輪廓特征不同于正常磁瓦加以判別。磁瓦圖像分割的目的是將磁瓦圖像中包含缺陷的整個面分割出來，從而方便輪廓、紋理等特征提取。傳統(tǒng)圖像分割主要采用閾值分割算法對磁瓦表面圖像進(jìn)行分割。但磁瓦圖像采集時存在缺陷對比度低、亮度不均勻等問題，因此不能很準(zhǔn)確地分割出缺陷表面，誤判率高。

鑒于此，本文采用K-means（K-均值）聚類分割算法對磁瓦以灰度信息聚類的方式進(jìn)行分割，同時與傳統(tǒng)閾值分割法進(jìn)行比較。結(jié)果表明，本文圖像分割方式能夠準(zhǔn)確分割出磁瓦端面的崩塊缺陷。1磁瓦圖像采集

圖像采集系統(tǒng)主要包括光源、電荷耦合設(shè)備（ChargeCoupled Device，CCD）相機(jī)和光學(xué)鏡頭，其功能是完成產(chǎn)品表面圖像的采集。在光源照明下，磁瓦端面會反射光線，被反射回來的光線通過鏡頭聚焦，然后將磁瓦端面成像在相機(jī)傳感器上。至此，磁瓦端面的光信號經(jīng)過這些設(shè)備變?yōu)殡娦盘?，再通過數(shù)據(jù)傳輸?shù)接?jì)算機(jī)，變成能被計(jì)算機(jī)處理的數(shù)字信號。被采集回來的磁瓦端面圖像質(zhì)量，直接決定了其缺陷分割精度。光源選擇及使用方式，又直接影響到被采集回來的磁瓦端面圖像質(zhì)量。一個好的光源選型，不僅可以減弱自然光對圖像采集時的干擾，顯現(xiàn)磁瓦圖像缺陷的重要特征，還可以抑制背景及其它不需要的特征，從而獲取對比度高的磁瓦端面圖像。增強(qiáng)磁瓦端面圖像與后景對比強(qiáng)度的方法之一是使用單色光源照明。同時，為了使磁瓦端面圖像獲取均勻的光照，使用同軸漫射光源，因?yàn)槭褂冒胪赴敕寸R將光反射到磁瓦端面上，相機(jī)不需要通過小的攝像孔采集圖像。本文光源采用藍(lán)色同軸光源，波長為460nm-475nm。

鏡頭采用焦距6mm、分辨率為200萬像素的工業(yè)鏡頭;相機(jī)采用120幀速率的Basler CCD面陣相機(jī)。因其對紅外光敏感，在鏡頭前加上中心波長為470nm、帶寬30nm的藍(lán)色濾鏡以避免圖像過亮以及圖像顏色變化。整個磁瓦端面圖像采集系統(tǒng)如圖1所示。

2分割算法理論分析

2.1閾值分割

閾值分割的原理是通過灰度像素幅度實(shí)現(xiàn)分割，它是圖像分割的基本技術(shù)之一，具有快速、簡單、有效的特點(diǎn)。圖像像素點(diǎn)根據(jù)設(shè)置的閾值分為兩個有意義的區(qū)域，閾值的確定存在較大難度，也直接決定分割精度和分割后區(qū)域描述的正確性。

本文采用循環(huán)迭代計(jì)算并確定閾值的方式實(shí)現(xiàn)閾值分割，作為磁瓦端面圖像分割的對比算法。其基本操作流程是：

（1）設(shè)定一個初始閾值T。

（2）將圖像像素點(diǎn)大于閾值T的區(qū)域設(shè)定為區(qū)域R，，圖像像素點(diǎn)小于閾值T的區(qū)域設(shè)定為區(qū)域R2。

（3）分別求出區(qū)域R1和R2中所有像素的平均灰度值為u1和u2。

（4）重新計(jì)算新的閾值：

（5）重復(fù)步驟（2）-步驟（4），直到迭代所得的閾值T小于最初設(shè)定的閾值T。

2.2K-means聚類分割

聚類時，樣本只要被劃人某個類別就不會再變化，因此對分類方法的精確度要求很高。采用動態(tài)聚類法可以避免初始分類不夠精確而帶來的分類效果差的問題。其算法基本思想是通過設(shè)定一些初始聚類中心，讓樣本先按照距離聚類中心遠(yuǎn)近劃分到相應(yīng)的類別中，得到初始分類;然后用某種原則修正，直到分類合理為止。動態(tài)聚類法流程如圖2所示。

K-means聚類算法具有計(jì)算速度快、聚類效果好等優(yōu)點(diǎn)，是最常用的動態(tài)聚類算法之一。以圖像的像素為數(shù)據(jù)點(diǎn)，按照指定的簇數(shù)進(jìn)行聚類，最終將每個像素點(diǎn)以其對應(yīng)的聚類中心進(jìn)行替代，重新組成圖像。

誤差平方和準(zhǔn)則被用作K-means聚類方法使用的聚類準(zhǔn)則，通過反復(fù)迭代優(yōu)化聚類結(jié)果，使所有樣本到各自所屬類別的中心距離平方和最小。

第i聚類Γi中，樣本均值mi與樣本數(shù)目Ni的關(guān)系如式（2）。

3結(jié)果分析

在磁瓦端面圖像采集過程中會存在一定的噪聲，使得原始圖像存在干擾導(dǎo)致邊界模糊，一些細(xì)微結(jié)構(gòu)就會被隱藏，因此在對圖像進(jìn)行分割前，需要先對采集回來的圖像進(jìn)行預(yù)處理操作。本文在對輸入圖像進(jìn)行中值濾波預(yù)處理后，采用K-means聚類算法對磁瓦端面圖像進(jìn)行分割并與傳統(tǒng)閾值分割算法進(jìn)行對比試驗(yàn)。分割結(jié)果如圖3所示。

通過圖像采集系統(tǒng)采集的磁瓦大端面圖像如圖3（a）所示，該圖像中存在2處崩塊缺陷，經(jīng)過閾值分割得到的區(qū)域如圖3（c）所示，該方法只能分割出大端面的一個缺陷區(qū)域，而經(jīng)過K-means聚類分割得到的區(qū)域如圖3（e）所示，該算法可以正確分割出兩個缺陷區(qū)域;通過圖像采集系統(tǒng)采集磁瓦的小端面圖像如圖3（b）所示，該圖像中存在3處崩塊缺陷，經(jīng)過閾值分割得到的區(qū)域如圖3（d）所示，該方法無法分割出小端面的缺陷信息，而經(jīng)過K-means聚類分割得到的區(qū)域如圖3（f）所示，該算法可以正確分割出3個缺陷區(qū)域。

通過對比兩種算法對磁瓦缺陷圖像的分割結(jié)果可知，K-means聚類分割算法可以正確分割出磁瓦端面的崩塊缺陷，而閾值分割算法分割不穩(wěn)定。

4結(jié)語

本文為了實(shí)現(xiàn)對磁瓦缺陷的準(zhǔn)確檢測，通過分析磁瓦圖像采集系統(tǒng)硬件對圖像采集的影響，確定一套有效的方案。在搭建完圖像采集系統(tǒng)并采集磁瓦端面圖像后，采用先進(jìn)的K-means聚類算法對磁瓦圖像進(jìn)行分割。與傳統(tǒng)閾值分割算法相比，K-means聚類算法能夠正確分割磁瓦端面圖像崩塊缺陷。為了實(shí)現(xiàn)磁瓦圖像缺陷的最終提取，需要進(jìn)一步對分割出來的圖像進(jìn)行輪廓、紋理等特征提取。由于崩塊缺陷主要發(fā)生在磁瓦邊緣處，因此本文只通過磁瓦端面進(jìn)行了缺陷圖像分割研究，并未對裂紋、起層等其它類型缺陷進(jìn)行研究。