字典學(xué)習(xí)在軸承表面缺陷分類中的研究

蘭葉深

摘要：針對傳統(tǒng)軸承表面缺陷圖像分類方法中特征矢量提取困難，分類精度不高的問題，提出一種基于字典學(xué)習(xí)的軸承表面缺陷圖像分類方法。將圖像稀疏表示和基于Fisher判別準(zhǔn)則的字典學(xué)習(xí)應(yīng)用在軸承表面缺陷分類檢測中，根據(jù)字典學(xué)習(xí)的判別性稀疏編碼實(shí)現(xiàn)對軸承表面缺陷圖像的精確分類。實(shí)驗(yàn)研究結(jié)果表明，該算法可以有效的提高軸承表面缺陷的分類精度，在軸承表面缺陷類型的平均分類精度達(dá)到95.4%。

關(guān)鍵詞：字典學(xué)習(xí);稀疏表示;軸承缺陷;Fisher判別

中圖分類號：TH133.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2020）22-0147-02

0? 引言

作為機(jī)械基礎(chǔ)零件，軸承被廣泛應(yīng)用在汽車、航空航天、數(shù)控機(jī)床等工業(yè)領(lǐng)域[1]，軸承表面作為軸承最易損壞的工作面，其質(zhì)量的優(yōu)劣，直接影響著軸承的性能、精度和使用壽命[2]。隨著現(xiàn)代計算機(jī)技術(shù)的快速發(fā)展，基于機(jī)器視覺的軸承表面缺陷檢測技術(shù)也得到了飛速發(fā)展[3]，然而，目前很多軸承表面缺陷圖像分類方法中的特征矢量提取大部分是基于人工設(shè)計和選擇，導(dǎo)致圖像特征矢量提取困難以及缺陷類別分類精度不高。近年來，稀疏編碼表示因其具有較強(qiáng)的圖像特征表征能力，被廣泛應(yīng)用在圖像處理領(lǐng)域[4]，而圖像稀疏表示編碼模型往往需要訓(xùn)練樣本的字典學(xué)習(xí)獲取圖像特征的稀釋編碼，因此設(shè)計有效、通用性能強(qiáng)的學(xué)習(xí)字典已成為圖像稀疏表示的熱點(diǎn)研究方向。例如，張瑞杰等人[5]針對傳統(tǒng)視覺詞典判別性弱的問題，提出了基于Fisher判別稀疏編碼的圖像場景分類算法，采用Fisher判別約束準(zhǔn)則來增強(qiáng)圖像稀疏表示的判別性，并結(jié)合支持向量機(jī)分類器提高場景分類能力;西安工程大學(xué)的任茹[6]根據(jù)玻璃纖維布缺陷類別特點(diǎn)，采用HOG+LBP特征提取器對玻璃纖維布缺陷圖像進(jìn)行降維和預(yù)處理，并利用字典學(xué)習(xí)模型獲取每類缺陷圖像的特征矩陣的特定類字典，實(shí)現(xiàn)缺陷的有效分類;北京理工大學(xué)的時永剛等人[7]針對現(xiàn)有多圖譜對海馬子圖像分割困難的問題，利用局部二值化特征增強(qiáng)了訓(xùn)練字典的判別性，通過求解訓(xùn)練字典中稀疏表示來標(biāo)記缺陷，最后平均分割準(zhǔn)確率達(dá)到了89%。

為此，針對傳統(tǒng)軸承表面缺陷圖像分類方法所存在的問題，本文提出了一種基于字典學(xué)習(xí)的軸承表面缺陷分類方法，將圖像稀疏表示和基于Fisher判別準(zhǔn)則的學(xué)習(xí)字典應(yīng)用在軸承表面缺陷分類檢測中，根據(jù)字典學(xué)習(xí)的判別性稀疏編碼實(shí)現(xiàn)對軸承表面缺陷圖像的精確分類。

1? 算法理論

1.1 圖像稀疏表示理論

稀疏表示在圖像分類中應(yīng)用較為廣泛，圖像稀疏表示是指將一幅自然圖像通過一個基函數(shù)在字典中進(jìn)行線性疊加表示[8]。設(shè)原始圖像為■，基函數(shù)字典為■，則D可以用式（1）表達(dá)稀疏表示模型。

1.2 字典學(xué)習(xí)理論

由于稀疏表示中的集合Y中含有大量冗余信息的矩陣[9]，為減少稀疏表示模型求解計算量，采用字典學(xué)習(xí)獲取有限個簡化的稀疏表示求解過程，傳統(tǒng)字典學(xué)習(xí)模型如式（4）所示。

1.3 Fisher判別分析

2? 實(shí)驗(yàn)與分析

在某軸承生產(chǎn)企業(yè)，在充分了解軸承制造工藝流程的基礎(chǔ)上，對現(xiàn)場軸承表面缺陷進(jìn)行了圖像采集，常見的軸承表面缺陷類型如圖1所示，有銹斑、磕碰、裂紋、污漬四種典型的軸承表面缺陷。為了對基于Fisher判別準(zhǔn)則軸承表面缺陷類型訓(xùn)練學(xué)習(xí)字典模型進(jìn)行準(zhǔn)確的評價，分別采集120張每種類型的軸承表面缺陷圖像，采用字典學(xué)習(xí)的缺陷分類流程對軸承表面缺陷類型進(jìn)行分類測試（見圖2），并通過分類準(zhǔn)確率分類結(jié)果進(jìn)行統(tǒng)計計算：分類準(zhǔn)確率=正確分類軸承表面樣本數(shù)/總的軸承表面樣本數(shù)。

如圖3所示，基于Fisher判別準(zhǔn)則的學(xué)習(xí)字典分類方法在軸承表面缺陷數(shù)據(jù)集上的收斂性，可知，當(dāng)?shù)螖?shù)到達(dá)7次以后，算法的損失值逐漸穩(wěn)定，迭代次數(shù)相對其他算法不是很高。圖4為Fisher判別準(zhǔn)則Y（X）隨迭代次數(shù)的變化情況，可知，隨著迭代次數(shù)的增加Y（X）的值越小，說明訓(xùn)練樣本字典學(xué)習(xí)判別性能越高，和前述Fisher判別分析的結(jié)果一致。圖5為四種缺陷類型的分類準(zhǔn)確度，可知，學(xué)習(xí)字典在軸承表面缺陷類型的平均分類精度達(dá)到90.4%，基本滿足軸承工業(yè)現(xiàn)場分類精度要求，但對于銹斑和污漬缺陷的分類精準(zhǔn)度低于裂紋和磕碰類型的分類精準(zhǔn)，主要是由于軸承表面銹斑和污漬缺陷圖像特征矢量具有一定的相似性，導(dǎo)致識別率準(zhǔn)確度相對其他2種典型缺陷類型稍低。

3? 結(jié)論

為有效提高軸承表面缺陷類型的分類精度，提出了一種基于學(xué)習(xí)字典的軸承表面缺陷分類方法，將圖像稀疏表示和基于Fisher判別準(zhǔn)則的學(xué)習(xí)字典應(yīng)用在軸承表面缺陷分類檢測中，根據(jù)字典學(xué)習(xí)的判別性稀疏編碼實(shí)現(xiàn)對軸承表面缺陷圖像的精確分類。實(shí)驗(yàn)研究結(jié)果表明，該方法對軸承表面缺陷類型的分類精度達(dá)到95.4%，能夠精確的識別軸承表面缺陷的類型，但由于受軸承表面銹斑缺陷和污漬缺陷圖像特征矢量相似性較多的影響，對銹斑和污漬缺陷的識別準(zhǔn)確率還有待進(jìn)一步的提高，需接下來以微小缺陷特征矢量提取為重點(diǎn)研究對象以提高其分類準(zhǔn)確率。

參考文獻(xiàn)：

[1]那亞莉.機(jī)械軸承和齒輪的失效原因及解決方案[J].內(nèi)燃機(jī)與配件，2019，19：134-135.

[2]郭浩，雷建中，王玉良，等.軸承套圈的常見缺陷及預(yù)防措施[J].軸承，2019，1：66-71.

[3]張明輝，王建武，張文，等.機(jī)器視覺在軸承檢測中的研究現(xiàn)狀及發(fā)展趨勢[J].機(jī)床與液壓，2019，47（23）：183-189.

[4]常振春，禹晶，肖創(chuàng)柏，等.基于稀疏表示和結(jié)構(gòu)自相似性的單幅圖像盲解卷積算法[J].自動化學(xué)報，2017，43（11）：1908-1919.

[5]張瑞杰，魏福山.結(jié)合Fisher判別分析和稀疏編碼的圖像場景分類[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2015，27（5）：808-814.

[6]任茹.字典學(xué)習(xí)在玻璃纖維布缺陷分類中的研究[D].西安：西安工程大學(xué)，2019.

[7]時永剛，王東青，劉志文.字典學(xué)習(xí)和稀疏表示的海馬子區(qū)圖像分割[J].中國圖象圖形學(xué)報，2015，20（12）：1593-1601.

[8]孫君頂，趙慧慧.圖像稀疏表示及其在圖像處理中的應(yīng)用[J].紅外技術(shù)，2014，36（7）：533-537.

[9]李爭名，楊南粵，岑健.基于原子Fisher判別準(zhǔn)則約束字典學(xué)習(xí)算法[J].計算機(jī)應(yīng)用，2017，37（6）：1716-1721，1740.

[10]霍雷剛，馮象初.基于主成分分析和字典學(xué)習(xí)的高光譜遙感圖像去噪方法[J].電子信息學(xué)報，2014，36（11）：2723-2729.