基于計算機視覺鋁型材噴涂質量檢測

胡繼文,　岳曉峰

(長春工業大學 機電工程學院， 吉林 長春　130012)

?

基于計算機視覺鋁型材噴涂質量檢測

胡繼文,岳曉峰*

(長春工業大學 機電工程學院， 吉林 長春130012)

摘要：基于Gabor濾波和支持向量機(SVM)質量檢測原理，首先對鋁型材噴涂表面的圖像進行歸一化處理，然后利用Gabor濾波對其進行紋理分析，將提取到的能量和方差紋理特征作為支持向量機的輸入進行訓練和學習，最后利用支持向量機分類檢測，從而分出大砂和細砂產品。實驗結果表明，該方法具有實用性和可行性。

關鍵詞：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特征。紋理分析在計算機視覺的相關領域里得到了廣泛應用,但基于紋理分析的鋁型材噴涂表面質量研究還是很少。目前鋁型材企業表面噴涂都采用粉末噴涂[1]，它是利用靜電噴塑機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，造成噴涂質量有好有壞。其噴涂質量都是通過人眼檢測，在質檢過程中，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，表面細化均勻，被稱為細砂(合格品)。評判產品是否合格完全憑借工人的經驗，沒有一個統一的標準,這對于新手而言或者遇到人眼難以區分的產品時，檢測很容易出錯。針對這種情況，文中從計算機視覺的角度出發，利用紋理分析的方法,通過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的輸入進行訓練學習，最后利用SVM分類，分出合格產品和不合格產品。

1鋁型材表面噴涂質量檢測系統的構建

在鋁型材表面噴涂質量檢測的過程中，根據其表面紋理特性將其分為大砂和細砂，即合格與不合格產品，顯然這是二類分類問題。因此，可以將鋁型材噴涂表面質量檢測問題轉化到根據鋁型材噴涂表面的紋理特性進行紋理分類，從而達到質量檢測的目的。為了檢測多尺度、不同位置的紋理，首先利用掃描儀多次隨機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進行分類，最后分出大砂產品和細砂產品。鋁型材噴涂表面質量檢測系統框架如圖1所示。

圖1　鋁型材質量檢測系統框架

2基于Gabor濾波的紋理特征提取

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

(1)

其中

(2)

(3)

(4)

利用Gabor函數進行變換時，發現能量和方差對不同鋁型材表面噴涂質量變化比較明顯，于是采用能量和方差來反映圖像紋理特征。在實際生產中，一般采用CCD相機作為圖像采集設備，文中主要側重于對鋁型材噴涂表面圖像檢測方法的理論研究，由于高分辨率的CCD相機成本較高，考慮到采集圖像設備的性價比和效果，實驗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采集鋁型材噴涂表面一小塊區域，將其掃描成300×300的圖像，再把它分割成16幀64×64的子圖像，隨機選取9幀子圖像，然后采用Matlab編程對圖像進行Gabor濾波，將提取方差和能量存放在特征向量中。濾波后的大砂和細砂圖像如圖2所示。

(a) 大砂　　　　　(b) 大砂Gabor濾波后

(c) 細砂　　　　　(d) 細砂Gabor濾波后

3基于支持向量機的紋理分類

支持向量機是Vapnik[3]等提出的一種基于結構最小化原理的統計學習方法，能夠很好地解決小樣本學習、非線性以及高維模式識別等問題。SVM作為一種訓練機器學習算法，常常被用來解決分類問題。因為它不僅能夠很好地避免維數災難問題，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]是尋找一個最優分類面，在保證最小分類錯誤率的情況下將兩類分開，同時保證兩類分類間隔距離最大。

支持向量機示意圖如圖3所示。

(a) 線性SVM(b) 非線性SVM

圖3支持向量機示意圖

支持向量機是從線性可分情況下的最優分類面發展而來的,對于線性可分的情況，可用兩維情況說明在線性可分的二類問題(見圖3(a))，此時的分類面是一條直線。圖3(a)中方形點和圓形點表示兩類樣本，H為分類線，H1、H2分別為過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的分類間隔(margin)。假設線性可分樣本集(xi,yj)，i=1,2,…,n,x∈Rd，y∈{-1,+1}。d維空間中的線性判別函數：f(x)=wx+b，分類面方差為wx+b=0。我們可以對樣本集進行歸一化，讓其滿足約束條件：

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

(5)

式中：g(x)----函數的符號，決定x的分類；

k(xi,yj)----核函數；

ai、b----最優超平面的參數，可以根據最優化理論通過求解二次規劃問題得到。

由式(5)可知，所有非支持向量對應的ai都為零，所以只需找出不為零的ai點，即最優分類面上的支持向量。

對于線性不可分的情況，可通過利用特征映射的方法將輸入特征空間映射到一個新的高維特征空間，然后在新的高維特征空間中重新構造線性判別函數來實現原空間中的非線性判別函數，最后求取最優線性分類面，最終實現線性不可分轉化為線性可分。對于構造判別函數，可以通過引入松弛變量，在求解最優解的限制條件過程中，加入對松弛變量懲罰因子C。從圖3(b)可以看出，左邊線性不可分，通過特征映射之后變為右邊的線性可分。通常對于低維空間向量集難于劃分的問題，一般解決的方法是將它們映射到高維空間。但是這個辦法帶來的困難就是計算復雜度的增加，而核函數正好巧妙地解決了這個問題，有效避免了維數災難問題。在SVM理論中，SVM的關鍵點在于核函數[5]，采用不同的核函數將導致不同的SVM算法，所以選擇合適的核函數尤為重要。

一般常用的核函數有以下幾種：

1)線性核函數：

2)多項式核函數：

3)徑向基核函數(RBF)：

式中：σ----高斯函數寬度。

4)二層神經網絡核函數：

實驗在選擇核函數之前，首先對這4種核函數分別進行了分類精度的測試，測試結果發現，徑向基核函數分類準確度最高，二層神經網絡核函數分類準確度最低，于是文中實驗SVM的核函數選擇了徑向基核函數(RBF)，然后在分類測試過程中對徑向基核函數的懲罰因子C(C越大表示對錯誤分類的懲罰越大)和σ進行交叉驗證，發現取C為200，σ為0.01時分類的準確度最高。故懲罰因子C取200，σ取0.01。

4實驗結果與分析

支持向量機采用臺灣大學林智仁等開發設計的LIBSVM[6]工具箱，在實驗過程中使用Matlab進行編程，實現鋁型材噴涂表面的紋理特征提取，以及利用支持向量機對其進行訓練和分類。實驗采集了大砂和細砂的鋁型材各50張作為樣本進行訓練學習，為了檢測分類效果，采集200張圖像進行分類，然后從中隨機抽取將圖片分成3組，每組50張，其中大砂和細砂各25張。分類效果如圖4所示。

圖4　大砂和細砂分類效果圖

鋁型材分類的準確率計算公式為：

(6)

式中：a----正確分類數目；

b----樣本總數目。

文中又與神經網絡[7]、SVM分類[8]的出錯率進行比較，見表1。

表1　采用不同分類器的錯誤率　　　　　　　　　　　　　　　　　%

從表1可知，當從大砂和細砂圖像中各采集200張圖片進行訓練時，大砂平均分類精度能夠達到87.0%，細砂平均分類精度能夠達到91.8%。同時，從表中也可以看出，識別細砂的分類精度要高于大砂的分類精度。為了驗證訓練樣本數對分類精度的影響，文中對此做了初步測試，發現隨著訓練樣本數量增加，支持向量機的分類準確率也隨之增加，當從大砂和細砂圖像中各采集500張圖片時，鋁型材表面噴涂質量的分類準確率可達到94.3%左右。

5結語

結合實際生產需要，在鋁型材噴涂表面質量檢測方面首次采用機器視覺的方法,實現對鋁型材噴涂質量進行分類，對其自動化檢測起促進作用。實驗過程中,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的輸入，然后用支持向量機對鋁型材表面噴涂質量進行訓練與分類。結果表明,該方法是行之有效的，能夠達到分類效果。但還是存在著不足，分類精度還不夠高，如何進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。

參考文獻：

[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.基于復小波和支持向量機的紋理分類法[J].計算機應用研究,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，李慧，賀琳，等.BP神經網絡在非線性時間序列預測中的應用[J].長春工業大學學報:自然科學版，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別算法[J].長春工業大學學報:自然科學版，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

基金項目：吉林省科技發展計劃基金資助項目(20120351)

作者簡介：胡繼文(1988-)，男，漢族，河南信陽人，長春工業大學碩士研究生，主要從事機器視覺及智能檢測方向研究,E-mail:314535209@qq.com. *通訊作者：岳曉峰(1971-)，男，漢族，吉林通化人，長春工業大學教授，博士，主要從事機器視覺及智能檢測方向研究,E-mail:yuexiaofeng@ccut.edu.cn.

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

中圖分類號：TP 391

文獻標志碼：A

文章編號：1674-1374(2016)02-0110-05