一種基于SVM的中密度纖維板表面粗糙缺陷檢測方法

宋輝 劉佳瑋

摘要：中密度纖維板是目前家具制作市場上的重要原材料，其產品的美觀性是決定其商業價值的重要因素之一。目前針對中密度纖維板外觀上的表面粗糙缺陷通常采用人工檢測方法，為實現板面粗糙的自動檢測，本文提出一種基于SVM的中密度纖維板表面粗糙檢測方法。采用線陣相機搭配遠心鏡頭完成樣品圖像的采集，計算圖像灰度均值與標準差，利用灰度共生矩陣提取能量、逆差分矩等5個特征，構建SVM進行訓練、識別。訓練圖庫70張，測試圖庫50張，該方法的識別準確率為96%。

關鍵詞：中密度纖維板;表面粗糙;紋理檢測;灰度共生矩陣;SVM

中圖分類號：TP317.4 文獻標識碼：A

文章編號：1009-3044（2020）13-0036-03

1引言

中密度纖維板是以小徑級原木、采伐、加工剩余物以及非木質的植物纖維原料，經切片、蒸煮、纖維分離、干燥后施加脲醛樹脂或其他適用的膠粘劑，再經熱壓后制成的一種人造板材，在家具制作，音響樂器制作以及建筑行業等都發揮重要作用。在纖維板熱壓成型并按要求切割后，需要采用砂光機進行砂光，由于打磨過程中砂紙粗糙度不夠，或者砂輪與板面產生縫隙，纖維板表面未得到充分砂光進而形成表面粗糙缺陷。中密度纖維板表面紋理縱橫交錯，紋理不存在重復的序列性，而粗糙缺陷的紋理雜亂度更高。當前，針對工業加工產品表面的粗糙度檢測一般采用的方法是比較法、觸針法、基于顯微圖像的光切法和干涉法等嘲。對于纖維板表面粗糙檢測來說，上述方法操作困難且硬件成本過高。張召等人利用LBP技術對R、G、B三個通道的顏色直方圖進行分析，計算出要訓練的多維特征向量，通過多次實驗實現參數尋優，該方法識別準確率達到90%以上，但計算量較大。唐銀鳳等人通過Gabor算法、GMRF算法和GLCM灰度共生矩陣提取出12個圖像特征，在訓練時選用了一對多的SVM分類器并取得良好的分類效果。何敏等人通過大津法和形態學原理實現目標的分割，將灰度均值、灰度共生矩陣最大值、二階矩、對比度、相關、熵這6個參數為支持向量機的訓練特征，實現煤或矸石的識別。Camilo Pu-lido等人由灰度共生矩陣得到10個紋理測量值，利用主成分分析法選擇有效特征，利用SVM分類識別蔬菜與雜草嘲。針對以上問題，本文利用統計方法提取特征，利用SVM算法進行分類識別出粗糙板材。

2圖像采集系統介紹

纖維板表面粗糙缺陷一般隨機出現在板面的某一局部，常呈現矩形狀，依據實際圖像采集需要，圖像采集系統由DALSA生產的型號為LA-GC-02K05B的黑白線陣相機，其物理分辨率為2048pixel、l倍率遠心鏡頭、上海緯朗光電公司的FG-BRT30027-W白色線型光源以及對應的光源驅動器組成。由光電傳感器、松下伺服電機、傳送帶組成運動控制模塊。由于粗糙缺陷是局部出現在纖維板表面，為了更好地反應粗糙表面的紋理特性進而進行分類，使缺陷充滿整幅圖像，將采集的圖像裁剪成500*500像素的小圖像，建立訓練圖庫70張，其中平滑圖像30張，粗糙圖像40張;建立測試圖庫50張，其中平滑圖像10張，粗糙圖像40張。

（上圖中第一、二張圖為粗糙板面紋理圖像，第三、四張圖像為充分砂光的纖維板表面紋理）

3特征提取

3.1灰度特征提取

灰度直方圖能從整體上描述圖像的灰度信息，是圖像的重要特征之一。粗糙紋理圖像由于反光問題存在面積較大的反光區域，而經過充分砂光的表面反光區域面積小，灰度均值與方差可以反映兩種圖像的灰度區別。分辨率為Na×Nb的圖像，單一像素灰度值為廠（x，y），則均值Mean與方差σ²分別為：

3.2紋理特征提取

本文利用GLCM算法提取紋理特征，能夠反映出圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息，不同于灰度直方圖，它考慮了灰度的空間相關特性。灰度共生矩陣是兩個像素灰度的聯合直方圖，是描述了圖像中保持固定距離的兩個像素灰度的二階統計量。任意取圖像上一點f（x，y），在θ方向上存在一點f（x+a，y+b），其中。和6為偏移量。取該點對應的灰度值作為新坐標，記為（g1，g2），對于灰度級為Ⅳ的圖像來說，統計出每一種（g1，g2）值出現的次數并歸一化成概率，可得到一個大小為N×N的方陣，即為灰度共生矩陣。本文提取能量、熵、對比度、相關度與逆差分矩這五個紋理特征屬性用于訓練。能量（ASM）是灰度共生矩陣中各點灰度值的平方和，能夠反映圖像灰度分布的均勻程度和紋理的粗細情況;熵（Entropy）的大小是圖像中信息量的表示，熵在共生矩陣中所有元素有最大的隨機性、所有值幾乎相等時較大;對比度（comrast）是指圖像中某個像素點與其指定鄰域內像素點的灰度值對比情況，能夠反映圖像的清晰度和紋理深淺程度，對于人的視覺系統來說，紋理溝紋越深，其對比度越大，視覺效果越清晰，當該值為0時，可認為輸入圖像無紋理。相關度（CORR）用來度量圖像的灰度級在行或列方向上的相似程度，反映局部灰度相關性。逆差分矩（DEF）反映圖像紋理的同質性，度量圖像紋理局部變化的多少，其值與局部均勻程度成正比。這五種特征的原理公式如下：

4SVM紋理分類與實驗分析

SVM在1964年首次被提出，在二十世紀90年代得到快速發展，是一種按監督學習方式尋求最大分類間隔的機器學習方法，是對數據進行二元分類的廣義線性分類器。SVM適用于小樣本分類，能夠在模型復雜性和學習能力之間找到最佳方法。本文中，纖維板粗糙圖像和平滑圖像樣本較少，故選擇支持向量機實現圖像分類。

本次實驗選取30張平滑圖像和40張粗糙圖像作為訓練樣本，用50張圖像作為測試樣本，其中包括10張平滑圖像，40張粗糙圖像。在訓練時，將平滑圖像標記為1，粗糙圖像標記為0，在核函數選擇上，通過對比實驗對線性、多項式、RBF、sig-moid核函數進行測試，測試結果如表1。

RBF具有復雜度低、計算速度高的優點，在此基礎上，采用交叉驗證方法確定適用于本次訓練的最優懲罰參數c和核函數參數g。以上支持向量機分類器的實現利用了MATLAB的LIBSVM工具包。

5結論

實驗結果表明，利用灰度均值、方差和灰度共生矩陣中的能量、熵、對比度、互相關和逆差分矩作為有效特征，用SVM進行二分類可以有效區分中密度纖維板樣品的粗糙表面與光滑表面，該方法具有很好的泛化能力，對于中密度纖維板表面粗糙檢測進一步研究提供了一個可行方向。對于表面微粗糙與存在雜質的平滑表面的識別是下一步研究的重點。