磁瓦表面缺陷機器視覺檢測與識別方法

杜柳青， 余永維

(重慶理工大學機械工程學院，重慶 400054)

磁瓦作為電機的重要組成部件，其表面缺陷會直接影響電機的性能和壽命。由于缺乏有效的檢測技術，目前磁瓦生產企業只能采取人工目視全檢的方式，其效率低、不可靠。用機器視覺進行產品缺陷無損檢測具有非接觸、速度快、精度高等優點，是當前國內外研究的熱點，并在實際中逐漸得到應用[1-4]。由于磁瓦類型多、表面區域多，有磨痕紋理，以及缺陷的多樣性、復雜性，有裂紋、雜質、崩塊、欠磨、起級、污漬等，磁瓦缺陷視覺檢測有較大難度。用現有傳統方法(如各種閾值方法、區域分割法等)對磁瓦表面缺陷進行檢測與提取，存在以下不足[5-8]：①算法適應性不強，由于整體亮度不均勻，誤判率高；②算法缺乏通用性，大多數方法都是針對特定缺陷，而不能檢測各種類型的缺陷和各種表面的缺陷；③光源復雜，不同的表面、不同的缺陷需不同的光照形式；④大多處理時間長，不適宜在線使用。

對此，本文提出一種基于支持向量機的磁瓦表面缺陷視覺檢測與識別方法，針對磁瓦表面缺陷種類多、對比度低、圖像中存在磨痕紋理背景和整體的亮度不均勻等特點，定義掃描線梯度，提出基于兩類支持向量機圖像分割方法對缺陷進行快速判別和提取；然后提出一種改進的多類支持向量機方法，對缺陷進行分類識別，實驗結果表明，該檢測與識別方法有較高的準確性和有效性。

1 基于兩類支持向量機的磁瓦缺陷檢測與提取

磁瓦的弧面、左右倒角面以及上下倒角面上光照很不均勻，對比度低且有磨痕紋理干擾。因此，難以通過調整光源角度來使各個面的照度均勻，且缺陷種類較多，各缺陷灰度性質也不一樣，閾值等傳統方法很難進行各種缺陷的判別及準確提取，圖1為某類型磁瓦的表面。本文針對弧面及各倒角面相互之間的灰度值差別較大，其上的磨痕方向也不一樣，分成5個區域即弧面和4個倒角面，提出基于支持向量機的分區域逐行掃描缺陷判別與提取方法。在逐行掃描中，用兩類支持向量機實時判別掃描行是否為缺陷行。如是，則用自適應梯度閾值法快速提取該行缺陷。

圖1 磁瓦表面及光照

1.1 支持向量機分割原理

支持向量機是根據統計學理論提出的一種機器學習方法，其主要思想是對線性不可分的兩類問題，構造一個分類間隔最大的分類超平面，使各類中與分類超平面距離最近的樣本之間的距離最大。對于樣本非線性可分情況，其基本原理是將樣本的輸入向量經非線性變換映射到一個高維空間，并在這個高維空間中構造最優分類超平面[9-10]。

其最優化問題的對偶形式可以用如下方法描述：給定訓練樣本(xi,di)(其中，i=1,2,…N)，xi為輸入特征，di∈{-1,+1}為分類輸出結果。在約束條件下求解最大化目標函數的Langrange乘子{ai}，得到最優分類函數。

最大化目標函數：

其中，k(x,xi)為核函數，滿足mercer定理。

約束條件：

其中，c∈R，為懲罰參數。

最優分類函數：

其中，b為分類閾值。

支持向量機分類方法是基于二次尋優問題，得到是全局最優解，避免了神經網絡易陷入局部極值的問題，并通過非線性變換和函數解決了高維數問題，加速了訓練學習速度。

1.2 特征選取及缺陷提取

采用支持向量機分類時，缺陷特征的正確選取和描述是基礎，針對磁瓦掃描線的特點，定義掃描線梯度標準差與灰度標準差組成特征矢量。

掃描線梯度標準方差S的定義：

如圖2，灰度掃描線各局部極小灰度值點h(xi,yj)，i=1,2,…,n，n為極小灰度值點的數量；各極小灰度值點對應的像素坐標為(xi,yj)，i=1,2,…,n。

圖2 掃描線灰度

各極小點左右兩側離其最近的頂部，分別為h(xiL,yj)和h(xiR,yj)，i=1,2,…,n；各頂部對應的像素點，分別為(xiL,yj)和(xiR,yj)，i=1,2,…,n。

極小值點區域N(xi,yj)：N(xi,yj)=由左右兩側離極小值點最近的頂部之間的像素組成。

定義各極小值點區域的梯度值Δh：Δh(xiL,yj)=h(xiL,yj)-h(xi,yj),Δh(xiR,yj)=h(xiR,yj)-h(xi,yj)，其中i=1,2,…,n；取Δh(xiL,yj)和Δh(xiR,yj)的較小者為極小值點區域的梯度值Δh。各Δh的標準差即為該掃描線的梯度標準差。

掃描線灰度標準方差S的定義：

f(x)表示掃描行圖像，E[f(x)]是灰度數學期望。掃描線灰度標準差S來衡量掃描線上各灰度的變異程度，克服了不同掃描線上亮度變化的影響。

如掃描線上有缺陷，該掃描線的梯度標準差Δh和掃描線灰度標準方差S會發生較大變化，也即缺陷行掃描線與無缺陷行掃描線的Δh和S有較大的區分度。并且不同類型缺陷的掃描線形狀、Δh和S也各不相同(在實驗分析圖表中也能明顯顯示出，這與理論分析相符)。因此，Δh和S能作為缺陷分割和識別的特征向量。

對支持向量機判別為缺陷行的掃描線，定義自適應梯度閾值T：T=σΔh+kμΔh，其中k為常系數，一般取3～5。梯度值大于閾值的極小值點區域即為缺陷區域。

2 基于多類支持向量機的磁瓦缺陷分類識別

支持向量機方法是針對兩類分類問題提出，為實現裂紋、崩塊、雜質、起級、欠磨和污漬6類磁瓦缺陷的分類識別，須建立多類支持向量機。常用的多類支持向量機方法有一對多方法，一對一方法和有向無環圖方法等，但前兩者存在不可分區域，后者存在分類不確定性。一對多方法具有分類器較少，測試時間較短的優點，本文用改進的一對多法多類支持向量機對磁瓦表面缺陷圖像進行分類，并提出最小距離法解決其不可分區域問題。

一對多法對K類問題構造K個兩類分類器，訓練第m類分類器時，將第m類中的樣本作為正樣本，而將其他所有非m類樣本作為負樣本。對不可分區域的輸入向量，本文提出以其到各分類超平面的距離作為分類準則，根據最小距離識別其所屬類別，改進的一對多法原理如圖3所示。

圖3 改進的一對多法多類支持向量機算法

不可分區域的輸入向量到各分類超平面的距離為：

求最小距離minDi(x)所對應的分類超平面：

決策函數為：

其中，φ(x)=(φ1(x),φ2(x),…φn(x),…)，為非線性映射，其將輸入空間映射到高維特征空間F。

在6類訓練磁瓦缺陷樣本中構造6個兩類分類器。對某一測試樣本，依次用每個分類器對其進行分類，并記錄其所屬的類，直至遍歷所有分類器為止，得票最多的類即為該樣本所屬的類。

結合大量實驗，除選擇缺陷中心行掃描線的梯度標準差Δh和掃描線灰度標準方差S作為特征外，另確定重心、面積、細長度3個幾何特征及7個不變矩特征，共10個特征向量組成特征矢量來描述磁瓦表面缺陷特征，作為多類支持向量機的輸入矢量。

3 實驗及結果分析

對圖4所示含有缺陷的磁瓦表面圖像進行分區域的逐行掃描。含缺陷的掃描線灰度如圖5所示。以裂紋圖像為例，由線梯度和灰度標準差構成的部分含裂紋行和無缺陷行的特征向量如表1所示，然后對特征向量做歸一化處理。

圖4 表面缺陷：裂紋、崩塊、起級、雜質、欠磨和污漬

圖5 含缺陷的掃描線

表1 掃描行特征向量

核函數參數的選擇直接影響分類效果，這里采取交叉實驗方法，采用徑向基核函數，不同核參數和不同懲罰參數下分析其分類效果，當核函數參數σ2=1、懲罰參數c=1000時，泛化誤差最小，為5.6%。對兩類支持向量機訓練后，取一定數量的測試樣本，檢測結果如表2。

目前，磁瓦表面缺陷檢出的其他方法中，文獻[5]提出的自適應形態學濾波的提取方法效果較好。本文方法與文獻[5]方法的對比數據如表3所示，從表3可知，本文方法總的正確率優于文獻[5]方法，且誤檢率和漏檢率較一致，說明適應性較強。

表2 不同表面的檢測結果

表3 本文方法與文獻[5]方法的對比

計算缺陷行所對應自適應梯度閾值，搜索梯度值大于閾值的極小值點區域即缺陷區域。

圖6為用該方法對圖3所示缺陷進行提取，提出裂紋、崩塊、起級、雜質、欠磨和污漬缺陷的二值圖像。

圖6 提取出的表面缺陷：裂紋、崩塊、起級、雜質、欠磨和污漬

通過上述支持向量機圖像分割方法采集磁瓦缺陷樣本共592個，取其中350個作為訓練樣本對核函數參數σ2=1、懲罰參數c=1000的改進多類支持向量機進行訓練。然后用訓練后的該一對多法多類支持向量機對用其余242個樣本進行測試，作為測試樣本的磁瓦表面缺陷圖像分類識別結果如表4所示。

表4 各種表面缺陷識別結果

在亮度變化比較大的情況下，通過對不同表面區域和不同類型的缺陷檢出與識別實驗可以看出，用本文提出的方法能能獲得良好的效果，檢出率可達到96%，選取合適的支持向量機懲罰參數和核參數，識別率超過91%，檢出及識別各類缺陷的總時間小于1.5 s。

4 結 論

本文提出的基于支持向量機的分區域逐行掃描缺陷檢測與識別方法解決了磁瓦表面缺陷種類多、對比度低、圖像中存在磨痕紋理背景和整體亮度不均勻等難點，正確率高、速度較快，且通用性較好、適應性較強，對不同類型磁瓦、不同表面以及不同種類缺陷都能適用。該基于支持向量機的缺陷提取方法不同于現有的傳統方法，可為圖像分割提供一種新的思路和方法。

[1]Turaga P,Chellappa R,Subrahmanian V S,Udrea O.Machine Recognition of Human Activities: A Survey [J].IEEE Transactions on Circuits and Systems for Video Technology,2008,18(11): 1473-1488.

[2]Kumar A.Computer-vision-based fabric defect detection:A survey [J].IEEE Transactions on Industrial Electronics,2008,55(1): 348-363.

[3]Keser T,Hocenski Z,Hocenski V．Intelligent Machine Vision System for Automated Quality Control in Ceramic Tiles Industry [J].Strojarstvo,2010,52(2): 105-114．

[4]Brosnan T,Sun D W.Improving quality inspection of food products by computer vision - a review [J].Journal of Food Engineering,2004,64(1): 3-16.

[5]余永維,殷國富,蔣紅海,黃 強.磁瓦表面圖像的自適應形態學濾波缺陷提取方法[J].計算機輔助設計與圖形學報,2012,24(3): 351-356.

[6]嚴俊龍,鄭曉曦,李鐵源.磁瓦表面缺陷自動檢測系統的研究[J].計算機工程與應用,2009,45(36):228-231.

[7]蔡 鵬,尹寶才,孫德慧.基于最近離散點的光線跟蹤[J].圖學學報,2013,34(3): 1-6.

[8]郭 洪,張清志.增強圖像細節和去噪能力的改進形態學分水嶺算法[J].圖學學報,2013,34(3): 7-11.

[9]Hsu C W,Lin C J.A comparison of methods for multiclass support vector machines [J].IEEE Transactions on Neural Networks,2002,13(2): 415-425.

[10]Suykens J A K,Vandewalle J.Least squares support vector machine classifiers [J].Neural Processing Letters,1999,9(3): 293-300.