基于支持向量機(jī)的金屬表面缺陷檢測(cè)

繆徐超　張旭　徐洋　余前溪　程凱強(qiáng)

摘要：針對(duì)人工檢測(cè)金屬表面缺陷效率低、主觀意識(shí)強(qiáng)、無(wú)法長(zhǎng)時(shí)間工作等缺點(diǎn)，提出一種基于支持向量機(jī)監(jiān)督檢測(cè)、分類以及測(cè)量的金屬表面缺陷的方法，并使用Matlab軟件設(shè)計(jì)一個(gè)圖形用戶界面（GUI），便于檢測(cè)人員使用。研究中先對(duì)工廠采集的圖像進(jìn)行Gabor濾波和對(duì)比度增強(qiáng)的前處理。然后使用方向梯度直方圖（HOG）和灰度共生矩陣（GLCM）進(jìn)行特征提取，為后續(xù)提高檢測(cè)準(zhǔn)確率打下基礎(chǔ)。最后對(duì)于每種缺陷類型都采用270張圖片進(jìn)行模型訓(xùn)練，利用訓(xùn)練好的模型對(duì)測(cè)試圖片進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，最終3種缺陷類型的總正確率為88.9%，該檢測(cè)方法能夠有效地檢測(cè)出金屬表面缺陷。

關(guān)鍵詞：表面缺陷檢測(cè);支持向量機(jī);圖片前處理;特征提取

【Abstract】Aimingattheshortcomingsofmanualdetectionofmetalsurfacedefects，suchaslowefficiency，strongsubjectiveawareness，andinabilitytoworkforalongtime，amethodbasedonSupportVectorMachinesuperviseddetection，classificationandmeasurementofmetalsurfacedefectsisproposed，andMatlabsoftwareisusedforGUIpackagingforeasydetectionofthepersonnel.TheresearchfirstperformsGaborfilteringandcontrastenhancementpre-processingontheimagescollectedbythefactory，thenusesdirectionalgradienthistogram（HOG）andgraylevelco-occurrencematrix（GLCM）forfeatureextractiontolaythefoundationforsubsequentimprovementofdetectionaccuracy.Finally，foreachdefecttype，270picturesareusedformodeltraining，andthetrainedmodelisusedtotestthetestpictures.Experimentalresultsshowthatthefinaltotalaccuracyofthethreetypesofdefectsis88.9%，andthisdetectionmethodcaneffectivelydetectmetalsurfacedefects.

【Keywords】surfacedefectdetection;SupportVectorMachines;picturepre-processing;featureextraction

作者簡(jiǎn)介：繆徐超（1996-），男，碩士研究生，主要研究方向：切削原理與應(yīng)用;張旭（1978-），女，博士，教授，主要研究方向：圖像處理和切削原理與應(yīng)用;徐洋（1995-），男，碩士研究生，主要研究方向：圖像處理;余前溪（1994-），男，碩士研究生，主要研究方向：切削原理與應(yīng)用;程凱強(qiáng)（1996-），男，碩士研究生，主要研究方向：圖像處理。

0引言

金屬表面缺陷檢測(cè)在許多工業(yè)領(lǐng)域（如飛機(jī)機(jī)身、核電站蒸汽發(fā)生管道和鋼橋等）中非常重要。目前，有關(guān)金屬表面缺陷的機(jī)器學(xué)習(xí)檢測(cè)技術(shù)發(fā)展迅速。機(jī)器學(xué)習(xí)檢測(cè)是采用圖像處理的方法對(duì)金屬表面進(jìn)行分析處理，檢測(cè)金屬表面是否有缺陷。對(duì)表面有缺陷的產(chǎn)品和正在使用中的零件，予以去除和更換，避免在后續(xù)的使用過程中造成安全事故。在此背景下，過去幾十年里大量學(xué)者致力于研究金屬表面缺陷檢測(cè)技術(shù)。

McCluskey等人[1]對(duì)金屬薄膜電容器表面缺陷的檢測(cè)方法進(jìn)行了研究并運(yùn)用于實(shí)際。研究中將檢測(cè)方法分為3步：進(jìn)行產(chǎn)品可靠性和成熟度分析;如果有可能，通過非破壞性分析檢測(cè)缺陷;開發(fā)電氣測(cè)試以篩除早期故障。Qi等人[2]為了對(duì)基于工業(yè)CT的金屬材料增材制造中內(nèi)部微小缺陷進(jìn)行精確檢測(cè)，提出了一種基于CT圖像中微小缺陷灰度變化系數(shù)的金屬材料微小缺陷檢測(cè)的方法。實(shí)驗(yàn)結(jié)果表明，該缺陷檢測(cè)方法相對(duì)誤差控制在4%以內(nèi)。Feng等人[3]提出了一種基于高動(dòng)態(tài)范圍成像技術(shù)的缺陷檢測(cè)方法，解決了工業(yè)零件高反射面外觀檢測(cè)問題。智能工廠的創(chuàng)建開啟了一項(xiàng)研究，該研究通過分析從物聯(lián)網(wǎng)收集的數(shù)據(jù)來實(shí)時(shí)預(yù)測(cè)產(chǎn)品質(zhì)量。這項(xiàng)研究吸引了Yun等人[4]的注意，因此提出了一個(gè)基于視覺缺陷檢測(cè)系統(tǒng)來檢測(cè)金屬表面缺陷。該項(xiàng)研究提出了一種新的卷積變分自編碼器和卷積神經(jīng)網(wǎng)絡(luò)的缺陷分類算法用于金屬表面缺陷檢測(cè)，使用從實(shí)際金屬生產(chǎn)線獲得的缺陷圖像進(jìn)行實(shí)驗(yàn)，證明了該方法的良好性能。對(duì)于人工檢測(cè)金屬表面缺陷工作量大，效率低的情況。劉建春等人[5]在使用機(jī)器視覺對(duì)金屬表面缺陷檢測(cè)前，根據(jù)金屬零件表面反光的特點(diǎn)對(duì)圖像進(jìn)行有效的前處理，實(shí)驗(yàn)結(jié)果表明，經(jīng)過前處理的圖片能夠有效檢測(cè)出金屬邊緣缺陷。金閎奇等人[6]對(duì)于檢測(cè)金屬表面缺陷效率不高的問題，提出了一種多尺度的檢測(cè)方法。實(shí)驗(yàn)結(jié)果顯示，該方法檢測(cè)單張圖片用時(shí)約為13ms。王俊強(qiáng)等人[7]以O(shè)penCV軟件為基礎(chǔ)，開發(fā)了帶鋼表面缺陷檢測(cè)系統(tǒng)，克服了采用人工檢測(cè)方式的效率低、帶有主觀意見、無(wú)法持續(xù)長(zhǎng)時(shí)間工作等缺點(diǎn)。Zhang等人[8]用微波無(wú)損檢測(cè)技術(shù)對(duì)厚涂層下缺陷的形狀和尺寸進(jìn)行了實(shí)驗(yàn)研究。使用主成分分析算法來提高方法的分辨率，對(duì)已知缺陷的鋼板和未知缺陷的涂層鋼板在不同涂層厚度下進(jìn)行了測(cè)試。結(jié)果表明，該方法可以提高涂層鋼板缺陷檢測(cè)能力。Layouni等人[9]為解決人工分析從金屬缺陷的磁掃描中收集到的圖案的大量數(shù)據(jù)比較困難的問題，提出了一種自動(dòng)分析的方法，通過使用自適應(yīng)小波算法來檢測(cè)和估計(jì)金屬缺陷的長(zhǎng)度。該方法效率高、精度高，適用于多種類型的缺陷形狀。

基于此，本文提出了基于支持向量機(jī)的缺陷檢測(cè)、分類和測(cè)量，該技術(shù)識(shí)別缺陷效率高，錯(cuò)誤率小。使用MatlabGUI進(jìn)行了封裝，方便金屬缺陷檢測(cè)人員使用。

1圖像前處理和特征提取

1.1圖像前處理

在對(duì)金屬表面缺陷圖像進(jìn)行檢測(cè)、分類和測(cè)量之前要先進(jìn)行前處理，因?yàn)楣I(yè)環(huán)境比較復(fù)雜，光線、室溫、空氣濕度等都會(huì)對(duì)攝像頭成像的圖片造成一定的噪聲干擾。本次研究采用了2個(gè)方法對(duì)圖片進(jìn)行前處理：

（1）對(duì)比度增強(qiáng)。在很多有關(guān)圖像處理的算法中，對(duì)比度增強(qiáng)是后續(xù)處理的基礎(chǔ)，有利于更好地區(qū)分前景和背景對(duì)象，提高識(shí)別的正確率，因此是很重要的一步，本文將攝像頭采集的圖像進(jìn)行灰度增強(qiáng)，具體方法是：

1.2特征提取

在利用SVM進(jìn)行金屬表面缺陷圖片的分類檢測(cè)前，特征提取是獲得較好檢測(cè)結(jié)果的基礎(chǔ)，對(duì)于圖像的檢測(cè)、分類和測(cè)量起著至關(guān)重要的作用。這里對(duì)前處理好的圖像進(jìn)行了2次特征提取，擬采用方法和設(shè)計(jì)流程如下。

（1）方向梯度直方圖（HOG）特征是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測(cè)的特征描述子，通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征，可以將局部目標(biāo)的表象和形狀通過梯度方向分布描述出來。

①每個(gè)像素點(diǎn)的梯度通過2個(gè)算子，即：（-1，0，1）和（-1，0，1）轉(zhuǎn)置進(jìn)行計(jì)算。

②Bin數(shù)量采用9，每個(gè)通道為40°?？梢缘玫紺ell單元的方向直方圖，其中Cell尺寸是4*4。

③本文Block尺寸為2*2，將Cell單元合并組合為更大的block區(qū)間，并在block做歸一化，最終特征的長(zhǎng)度是86436。

（2）GLCM特征，即灰度共生矩陣特征。能反映圖像灰度關(guān)于方向、相鄰間隔、變化幅度等綜合信息，是分析圖像的局部模式和排列規(guī)則的基礎(chǔ)。由于GLCM可以產(chǎn)生14種特征，而考慮到減少計(jì)算量，減少冗余特征，本文采用了對(duì)比度、相關(guān)、能量、均勻性四個(gè)特征。通過在0°、45°、90°、135°四個(gè)方向進(jìn)行計(jì)算，求出4個(gè)方向矩陣的特征值后，將4個(gè)特征值的平均值作為最終特征值共生矩陣。最終特征的長(zhǎng)度是80。

2支持向量機(jī)

在對(duì)圖像進(jìn)行前處理和特征提取后得到有效的圖像特征，若再能設(shè)計(jì)一個(gè)好的檢測(cè)器就顯得尤為重要。支持向量機(jī)是一種描述響應(yīng)與一個(gè)或多個(gè)描述符之間非線性關(guān)系的方法。在解決小樣本、非線性和高位模式識(shí)別問題上體現(xiàn)出優(yōu)勢(shì)。與響應(yīng)具有正態(tài)分布的簡(jiǎn)單線性回歸或指數(shù)回歸不同，支持向量機(jī)的響應(yīng)可以是正態(tài)、二項(xiàng)或泊松。支持向量機(jī)采用函數(shù)f進(jìn)行線性描述。在后續(xù)的預(yù)測(cè)分析中，響應(yīng)具有正態(tài)分布。支持向量機(jī)正則化是一種通過附加懲罰項(xiàng)來限制模型復(fù)雜度的收縮方法，可以識(shí)別重要的描述符，選擇描述符，并在模型公式中產(chǎn)生更少的系數(shù)。在支持向量機(jī)擬合回歸中，首先引入非線性映射x，將其映射到m維特征空間。然后在特征空間中構(gòu)建線性模型，得到：

3圖像檢測(cè)結(jié)果及分析

利用SVM進(jìn)行圖像檢測(cè)主要分為2步：

（1）SVM訓(xùn)練，導(dǎo)入訓(xùn)練圖片，進(jìn)行圖像前處理和特征提取，并輸入模型進(jìn)行訓(xùn)練。

（2）SVM檢測(cè)，本文采用SVM進(jìn)行金屬表面缺陷的檢測(cè)。同樣地，對(duì)測(cè)試圖片進(jìn)行前處理和特征提取，輸入訓(xùn)練好的模型及自動(dòng)輸出預(yù)測(cè)結(jié)果。GUI界面如圖1所示。

在本次模型訓(xùn)練過程中，對(duì)于每組缺陷，研究中都采用270張樣本進(jìn)行訓(xùn)練。在檢測(cè)過程中對(duì)30張圖片進(jìn)行缺陷的檢測(cè)，最終3種損傷類型的總識(shí)別正確率為88.9%。

金屬表面氧化皮缺陷圖片檢測(cè)結(jié)果如圖2所示。GUI界面檢測(cè)結(jié)果中顯示出缺陷種類為氧化皮，并顯示有4處缺陷。

劃痕檢測(cè)結(jié)果如圖3所示，結(jié)果中顯示出缺陷種類為劃痕，并顯示共有2條劃痕。

Fig.3Defectdetectionresultsofscratch

斑點(diǎn)檢測(cè)結(jié)果如圖4所示，結(jié)果中表明缺陷的種類為斑點(diǎn)，并顯示出斑點(diǎn)缺陷所占圖片中金屬面積的2.9442%。

Fig.4Defectdetectionresultsofspots

4結(jié)束語(yǔ)

本文采用支持向量機(jī)的方法對(duì)金屬表面缺陷圖片進(jìn)行了分類和測(cè)量。在檢測(cè)之前對(duì)采集的圖片進(jìn)行了對(duì)比度增強(qiáng)和Gabor濾波預(yù)處理，降低了拍攝圖片時(shí)復(fù)雜工業(yè)環(huán)境產(chǎn)生的噪聲。并進(jìn)行了特征提取，保證了較高的SVM分類識(shí)別率。實(shí)驗(yàn)結(jié)果表明，使用本文提出GUI界面可以方便快速地取得較好的金屬表面缺陷分類測(cè)量效果。

參考文獻(xiàn)

[1]MCCLUSKEYFP，LINM，MENGOTTIE.Eliminatinginfantmortalityinmetallizedfilmcapacitorsbydefectdetection[J].MicroelectronicsReliability，2014，54（9-10）：1818-1822.

[2]QIZicheng，NIPeijun，JIANGWei.QuantitativedetectionofminordefectsinmetalmaterialsbasedonvariationcoefficientofCTimage[J].Optik，2020，223：165269.

[3]FENGWei，LIUHongdi，ZHAODaxing，etal.Researchondefectdetectionmethodforhigh-reflective-metalsurfacebasedonhighdynamicrangeimaging[J].Optik，2020，206：164349.

[4]YUNJP，SHINWC，KOOG，etal.Automateddefectinspectionsystemformetalsurfacesbasedondeeplearninganddataaugmentation[J].JournalofManufacturingSystems，2020，55：317-324.

[5]劉建春，林海森，黃勇杰，等.基于機(jī)器視覺的金屬邊緣細(xì)微缺陷檢測(cè)方法的研究[J].制造技術(shù)與機(jī)床，2018（11）：137-140.

[6]金閎奇，陳新度，吳磊.基于特征金字塔的多尺度金屬表面缺陷檢測(cè)[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2020（8）：97-100.

[7]王俊強(qiáng)，張業(yè)宏，馬沖，等.基于機(jī)器視覺的帶鋼表面缺陷檢測(cè)系統(tǒng)[J].邢臺(tái)職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2020，37（3）：78-82.

[8]ZHANGHong，GAOBin，TIANGuiyun，etal.MetaldefectssizinganddetectionunderthickcoatingusingmicrowaveNDT[J].NDT&EInternational，2013，60：52-61.

[9]LAYOUNIM，HAMDIMS，TAHARS.Detectionandsizingofmetal-lossdefectsinoilandgaspipelinesusingpattern-adaptedwaveletsandmachinelearning[J].AppliedSoftComputing，2017，52：247-261.

[10]張立新.基于表面缺陷檢測(cè)的金屬圖像識(shí)別[J].粘接，2019，40（8）：121-123.