多特征融合的瓷磚表面缺陷檢測算法研究

李軍華，權小霞，汪宇玲

1.南昌航空大學 江西省圖像處理與模式識別重點實驗室，南昌 330063

2.東華理工大學 江西省放射性地學大數據技術工程實驗室，南昌 330013

1 引言

瓷磚作為建筑和裝飾的重要材料之一，其表面質量的好壞直接影響著瓷磚的性能、美觀及使用壽命。隨著瓷磚的廣泛應用和瓷磚種類的日漸豐富，各行業對瓷磚質量的要求也在不斷地提高，瓷磚出廠前的分揀環節對于大批量和多種類生產的瓷磚來說由于其表面缺陷類型繁雜，識別率較低，達不到預期的效果，因此利用自動化分類技術對瓷磚進行智能分類就顯得尤為重要。已有的分類算法大多采用瓷磚圖像的顏色特征或是其簡單的邊緣信息進行分類，Hanzaei等人[1]通過對瓷磚表面缺陷區域進行標記，提取缺陷的幾何特征來實現缺陷瓷磚的分類。Ragab等人[2]提出基于圖像處理單元的并行算法，對瓷磚選區域進行分類，大大縮短了其檢測所需要的時間。李慶利等人[3]提出一種基于灰色關聯分析的顏色特征提取算法，完成了陶瓷磚表面缺陷的檢測。以上算法雖然能對缺陷瓷磚進行較好的檢測和分類，但大多只對含有簡單花紋的瓷磚和單色瓷磚有效，而對于花紋復雜的瓷磚由于其表面干擾較大，出錯率較高，很難滿足實際生產線上的需求。因此，需要研究一種針對復雜瓷磚表面缺陷的分類方法。

采用傳統算法提取瓷磚表面缺陷特征進行分類時，由于缺陷本身的異構性和不明確性，使得提取到的缺陷特征過于單薄，特征量過小而無法滿足預期的效果，因此提出一種基于多特征融合的瓷磚表面缺陷檢測算法。該算法對瓷磚圖像特征的提取主要分為兩部分，第一部分在BoF模型的基礎上，采用SIFT算法改進之后的FSIFT算法來描述灰度瓷磚缺陷圖像的區域特征，該算法結合了SIFT特征的優點，同時彌補了SIFT算法無法滿足實時性要求的不足，加快了運算速度；第二部分則采用顏色矩來描述彩色瓷磚缺陷圖像的區域特征[4]。對于上述步驟所提取到的兩種瓷磚圖像缺陷區域的特征首先采用預分類處理，根據每種特征對瓷磚被分類的準確率大小分配0和1作為各自的權重系數實現特征的加權融合，并將融合后的綜合特征向量送入SVM分類器中進行最終分類，從而完成瓷磚缺陷圖像的分類任務。經實驗驗證表明，本文提出的基于多特征融合的瓷磚表面缺陷檢測算法，耗時較短、過程簡單且能獲得大量的特征，具有更強的容錯能力，相對于傳統的多特征融合分類方法[5-6]，進一步提升了瓷磚分類的準確率。

2 相關工作

對于復雜瓷磚表面缺陷的檢測和分類，提出一種基于多特征融合的瓷磚表面缺陷檢測算法。首先，將輸入的彩色瓷磚圖像轉化為灰度圖像，通過FSIFT算法對特征點進行描述，利用BoF模型對得到的缺陷特征向量進行量化編碼，解決瓷磚圖像特征數量不一的問題；其次，將顏色空間轉換至HSV空間采用顏色矩特征完成對彩色瓷磚圖像特征的提取；最后，將提取到的兩種不同的特征向量進行加權融合形成綜合特征向量，輸入到訓練好的分類器中，完成缺陷瓷磚分類的目的。

2.1 灰度瓷磚圖像特征提取

2.1.1 尺度不變特征轉換（SIFT）

SIFT算法是由Lowe在1999年發表，并于2004年完善總結[7]，該算法通過在尺度空間中尋找極值點，并提取出其位置、尺度以及旋轉不變量，因此常被用來描述圖像中的局部特征。SIFT特征提取主要包括五個步驟：

步驟1構建尺度空間。首先利用高斯函數對圖像進行模糊采樣，得到圖像的高斯金字塔；然后利用圖像高斯金字塔構建高斯差分（DOG）金字塔，完成尺度空間的構建。

步驟2檢測尺度空間極值點。將每一個采樣點與其圖像域或尺度域的相鄰點進行比較，確定該點是否是圖像在該尺度下的一個極值點。

步驟3精確定位極值點。將步驟2中檢測到的局部極值點通過擬合三維二次函數，去除不穩定以及錯檢的極值點，精確地確定極值點的位置和尺度。

步驟4關鍵點方向信息分配。每個關鍵點的方向向量都是通過極值點鄰域像素的梯度方向分布特征實現的，使關鍵點對圖像的旋轉具有不變性。

步驟5關鍵點描述子的生成。將關鍵點周圍的圖像區域劃進行分塊處理，計算每個塊的梯度直方圖，生成一個唯一的向量，該向量為關鍵點的抽象描述。

2.1.2 FAST特征點檢測算法

FAST算法是2006年Rosten提出的一種基于加速分割測試的算法[8]。該算法判斷一點是否為特征點，如圖1所示，p為候選特征點，r為半徑，對于圓上的16個像素點的位置，最少n個連續的像素點都滿足≥Ip+t或≤Ip-t，則該點被認為是特征點。若選擇一個像素點x對上述得到的特征點集進行劃分，其公式如下：

圖1 FAST特征點檢測

其中，p為候選特征點，I為像素的灰度值，t為閾值，x是以P為中心，r為半徑的圓周上的任意一點像素值。由公式（1）可知，每個像素點都有一個狀態與之相對應，通過計算狀態為darker或brighter的像素點的個數，如果個數大于n，則該點被視為特征點。本文根據文獻[9]中所建議的，選取r=4,n=12，閾值通過第4章實驗結果選取最優閾值t=20。

2.1.3 FSIFT特征提取

采用尺度不變特征轉換（SIFT）提取灰度瓷磚圖像區域特征時，由于該算法不受圖像尺寸的影響，對噪聲能保持一定的穩定性且具有旋轉不變性等優點，避免了瓷磚在生產線上因其擺放位置產生的偏移或方向變動所造成的偏差。Ouyang等人[10]提出一種基于Zernike矩和尺度不變特征轉換（SIFT）的圖像哈希算法，實現了對偽造圖像的檢測和定位。Al等人[11]利用SIFT來增強感興趣區域（ROI）的提取過程，建立了MRI軸位掃描診斷腰間盤突出病癥的CAD系統。對于圖像特征點的檢測，SIFT算法雖然具有較強的不變性，提取到的特征效果也較好，但由于其計算和數據的存儲復雜度比較高，所需時間較長，從而不適用于處理實時性較強的圖像。而在工業生產過程中，瓷磚圖像特征的采集依賴特征提取算法具有較強的實時性，以便瓷磚在不同階段對由于傳輸不當而造成的瓷磚表面刮傷和擦劃缺陷進行實時地檢測和處理。所以本文采用FAST算法來彌補SIFT算法在實時性方面的不足，況且對于灰度瓷磚圖像而言，FSAT算法相比于圖像的灰度值變化比SIFT算法在檢測方面更加簡單快速。但是FAST算法只能對特征點進行檢測處理，并不能對其進行特征描述，因此基于SIFT算法和FAST算法的優點，提出FSIFT特征提取算法對瓷磚表面缺陷特征進行檢測和描述。采用FSIFT算法對圖像特征進行提取，首先通過FAST特征點檢測算法，利用公式（1）檢測特征點；其次，將以16×16窗口為中心的特征點劃分為16個4×4的patch，如圖2（a）所示，計算每個像素的梯度值，如圖2（b）所示，其計算公式如下：

其中，m(x,y)表示梯度在像素(x,y)處的模量，I(x,y)表示梯度在像素(x,y)處的灰度值，θ(x,y)則代表梯度在像素(x,y)處的方向。將各patch上的梯度直方圖劃分為8個方向，計算每個梯度方向的累積值并形成一個種子點，每個種子點有8個方向的向量，則每個特征共有16個種子點如圖2（c）所示，最終就可得到16×8=128維向量作為特征點的描述向量。

圖2 FSIFT特征描述子的過程

2.2 BoF模型建立

FSIFT算法在特征的提取速度和提取特征個數方面具有較大的優勢，但采用該算法提取的缺陷特征包含大量的冗余特征，不能直接將其應用于瓷磚表面缺陷的分類。因此，構建BoF[12]模型將冗余特征通過計算詞頻向量的方式來實現瓷磚的缺陷分類。BoF模型是由Joachims[13]在1997年提出的，作為一種結構簡單、計算效率高的分類方法，它不僅保留了圖像的局部特征，降低了單次特征提取所需要的數量，同時還可以利用大量冗余特征的統計特性來描述缺陷的類型，隨著眾多學者將其應用于圖像處理鄰域[14-15]，因而得到了廣泛的應用，其理論對應關系如圖3所示。

圖3 BoF模型理論關系對應

構建BoF模型共包含三個步驟：

步驟1特征提取：采用關鍵點檢測法，分別提取每張訓練圖像所有區域的FSIFT特征，得到n個特征描述向量。

步驟2K-means聚類：利用K-means聚類算法構造詞匯表，對n個特征向量進行聚類，以k為聚類中心，每個聚類中心表示一個視覺單詞，集合所有的特征單詞組成視覺詞典。

步驟3生成視覺詞典：對特征個數進行歸一化處理，統計詞典中每個單詞出現的頻率形成視覺單詞直方圖，避免了因提取特征數不同而造成的分類不準的問題。構建BoF模型流程框圖如圖4所示。

圖4 BoF模型流程框圖

2.3 彩色瓷磚圖像特征提取

由于瓷磚缺陷類型多種多樣，其表面缺陷中所包含的顏料刮劃和色差等缺陷與瓷磚表面的顏色具有一定的聯系，使得顏色特征也成為了瓷磚缺陷檢測中較為重要的特征之一。與其他特征相比較，顏色特征因為其對圖像的方位、大小等變化不敏感，且對彩色瓷磚表面的顏色分布能進行有效的表征，因此具有較高的魯棒性。本文利用顏色矩特征來描述彩色瓷磚圖像的缺陷區域，作為一種簡單有效的顏色特征提取方法，顏色矩特征避免了對瓷磚表面顏色進行量化處理，同時又降低了瓷磚顏色特征的維數，明顯優于其他顏色特征表示方法[16]。

對彩色瓷磚圖像提取其顏色特征時，需要用數量來描述其顏色的差別，由于RGB顏色空間的不均勻性，所以需要其轉換至更切合人類視覺的HSV空間中進行顏色特征提取。利用顏色矩特征對彩色瓷磚圖像的顏色特征進行描述時，圖像中的所有顏色分布都可以用它的矩來表示，由于顏色分布信息主要集中在低階矩中，因此采用顏色的一階矩（均值）、二階矩（方差）以及三階矩（偏移性）就足以表現出彩色瓷磚表面的顏色分布。利用顏色矩特征來描述彩色瓷磚表面的顏色特征時只需9個分量（3個顏色分量，每個分量上3個低階矩），每個分量的統計量定義為：

其中，Pij表示彩色瓷磚圖像第i個顏色通道分量中第j個圖像像素值，N表示單通道圖像中的總像素數。m表示一階矩均值，描述了彩色瓷磚在第i個顏色通道上所有像素的均值；s表示二階矩方差用來描述彩色瓷磚在第i個顏色通道上所有像素的方差；S表示三階矩偏移性，描述彩色瓷磚的在第i個顏色通道上所有像素偏差的三次方根。圖像3個分量的前3階顏色矩即可組成一個9維的顏色特征向量對彩色圖像的特征進行描述。

3 算法模型建立

本文提出的瓷磚表面缺陷檢測算法包括兩部分，一部分是在灰色瓷磚圖像上建立BoF模型提取圖像特征，另一部分則是在彩色瓷磚圖像上利用顏色矩來描述瓷磚的區域特征，該算法系統架構模型[17-18]如圖6所示。對提取到的特征，首先采用SVM分類器分別對這兩種特征進行單獨預分類，得到缺陷瓷磚的初步分類正確率。然后，以兩種不同特征對瓷磚被準確分類的準確率作為權重的分配依據，若某一特征分類的準確率較高，則說明該特征對瓷磚缺陷的描述能力較強，因此對其分配較大的權重。本文采用0和1作為兩種特征的權重系數，準確率高的特征權重系數分配為1，其余分配為0。其計算特征權重系數的定義如下：假設提取到圖像的n種特征分別為f1,f2,…,fn；ri1,ri2,…,rin分別為第i類瓷磚在特征f1,f2,…,fn條件下的分類正確率；wi1,wi2,…,win分別為第i類瓷磚在特征f1,f2,…,fn處的權重系數，則各權重系數的具體計算方式如下所示：

最后，對預分類之后的特征根據各自的分類正確率大小分配不同的權重系數以促成兩種特征的加權融合，從而形成融合后的綜合特征向量（示意圖如圖5所示），并對其再次采用SVM進行分類，獲取最終的瓷磚分類結果。相比于傳統特征融合方法，并行融合方法的計算復雜，應用范圍較窄，本文所采用的融合方法不僅可以從融合的兩種特征中獲取最具差異性的信息，消除因不同特征集之間的相關性而產生的冗余信息，而且還避免了串行融合方法由于對每種單一特征本身的準確度具有較高要求，否則融合后的分類結果可能會導致差異放大，反而降低瓷磚分類效率的不足。

圖5 特征融合示意圖

綜上所述，本文將提出的基于多特征融合的瓷磚表面缺陷檢測算法步驟歸納如下：

步驟1輸入訓練圖像集T和測試圖像集E（均為彩色圖像）。

步驟2分別提取T和E，將所有瓷磚灰度化之后的FSIFT特征，及將圖像空間轉換至HSV空間后的所有彩色瓷磚圖像的顏色矩特征。

步驟3采用K-means聚類生成T和E中的FSIFT特征詞匯表DS；對已提取T和E中的顏色矩特征進行分析，去除受光照因素強的的亮度屬性特征，保留集中性較好，描述能力較強的屬性特征值Fc。

步驟4對T和E中提取到的所有灰色瓷磚圖像的特征向量進行量化編碼，得到瓷磚的FSIFT特征編碼向量Fs。

步驟5將訓練圖像集T中對應的Fs送入SVM中得到FSIFT特征的預分類結果rs，然后將T中對應的Fc送入SVM中得到顏色矩特征的預分類結果rc。

步驟6根據前文所述的特征融合時特征權重系數的計算公式，采用式（8）計算Fs和Fc特征的權重系數，然后按照式（9）對兩種特征進行加權融合得到對應訓練圖像集的綜合特征向量M。

其中，Ws和Wc分別表示FSIFT特征和顏色矩特征的權重值，rs和rc則表示基于FSIFT特征和顏色矩特征進行單獨預分類時缺陷瓷磚的分類正確率。

步驟7將訓練圖像集T中的綜合特征向量C送入SVM分類器中進行訓練，從而得到SVM分類器的模型參數。

步驟8將測試圖像集E中對應的Fs送入SVM中得到FSIFT特征的預分類結果rs，然后將E中所對應的Fc送入SVM中得到顏色矩特征的預分類結果rc。

步驟9根據公式（8）計算Fs和Fc特征的權重系數，然后按照公式（9）對兩種特征進行加權融合得到對應測試圖像集E的綜合特征向量M。

步驟10將測試圖像集E的綜合特征向量M送入SVM分類器中進行分類，得到缺陷瓷磚分類的最終分類結果。

圖6 多特征融合算法架構模型

4 實驗結果與分析

為驗證本文提出算法的有效性，將實驗分為兩組分別進行，第一組將所用缺陷瓷磚分為灰色瓷磚和彩色瓷磚兩部分輸入到圖6的算法架構模型中進行驗證，通過數據分析各部分特征提取算法的性能，第二組采用不同支持向量機分類方法，將本文提出的融合特征算法與其他單一特征進行比較。實驗所用瓷磚庫包含了18種不同類型瓷磚表面的4種缺陷，每種缺陷包含了90幅瓷磚缺陷圖像，每類60個樣本用于訓練，30個樣本作為測試集來統計缺陷瓷磚分類結果的正確率，每幅圖像尺寸為256×256像素，這些瓷磚中包含各種不規則缺陷的瓷磚圖像，文中采用將這4種缺陷統一概括為線性缺陷和點狀缺陷兩大類進行分析。由于篇幅所限，只列舉了12種不同類型的瓷磚樣本圖像，包含兩大類型缺陷圖像和標準瓷磚圖像，如圖7所示為部分瓷磚圖像。

圖7 實驗部分瓷磚圖像示例

從圖7可知，由于圖像拍攝視點和焦距的不同，使得瓷磚圖像在光照及旋轉變化方面有較大的不同。瓷磚表面的缺陷有的清晰、有的模糊，且存在相同缺陷之間有較大差異的情況，因此通過人眼感官角度對瓷磚進行定性分析從而進一步地測試算法的性能。

為了驗證本文提出算法的優越性，對標準、線性缺陷及斑點缺陷3種不同類型的灰度瓷磚缺陷圖像分別采用SIFT算法和FSIFT算法進行測試。圖8為采用SIFT算法和FSIFT算法對不同缺陷類型瓷磚提取到的特征點進行比較，表1則通過利用SIFT算法和FSIFT算法提取到的特征點的個數和用于特征檢測所需要的時間，對兩種算法的性能進行了比較。由表1可知，其中FSIFT算法提取到的特征點的平均數量為305，而SIFT算法在對灰度瓷磚表面缺陷特征進行檢測時，由于丟失了部分的圖像信息使得其提取到的特征點平均數量僅為122。且對比SIFT算法和FSIFT算法在特征檢測過程中所使用的平均檢測時間，FSIFT算法的平均檢測時間是0.049 ms，而SIFT算法的平均檢測時間是6.27 ms。根據兩種算法提取到的特征點的平均數量進行比較，FSIFT算法提取到的特征點的個數是SIFT算法的2.5倍，且SIFT算法所使用的平均檢測時間是FSIFT算法的127.95倍。因此，通過上述分析可以看出，FSIFT算法不僅可以提高特征檢測的速度，而且相比于SIFT算法可以更快地獲取更多的特征，使得運算變得更加快速有效，從而降低了運算的復雜度。

圖8 SIFT算法與FSIFT算法特征點比較

表1 SIFT算法與FSIFT算法性能比較

為了分析使用融合特征算法描述瓷磚缺陷區域對本文算法分類性能的影響，根據圖6架構模型所示，對輸入瓷磚圖像分別通過建立BoF模型和提取瓷磚圖像的顏色特征兩部分進行分析。在基于BoF模型的基礎上提取FSIFT特征，經實驗驗證，其特征點檢測閾值t及特征詞典容量k的選取會對最終的瓷磚缺陷分類結果產生一定的影響。選取不同類型的缺陷瓷磚，測試其在不同閾值t下提取的特征個數，如圖9所示，隨著閾值t逐漸增大，提取到的特征個數就越少，并在某一值時趨于穩定。通過實驗驗證可知，當提取的特征個數過少時則不具備描述圖像區域的能力，而過多則會導致運算速度變慢，達不到預期的效果。

因此，為保證所選閾值t對瓷磚圖像的缺陷區域具有一定描述能力，經實驗濾除t在不同取值范圍時，提取到的特征個數過多和過少的閾值，選取t=5、10、15、20、25、30為6個實驗組，測試各組在不同k值下的整體識別率，設置每組k值的范圍為（20，300），結果如圖10所示。由圖10可知，當閾值t取5、10時，在整個k的取值范圍內，其整體識別率上下波動較大，達不到一個穩定的值。當t=15時，其整體識別率雖然不穩定，但在k=（140，180）范圍內趨于穩定，整體識別率超過了90%，并在k=180時達到了92%。當t=20，k=（140，160）時，整體識別率達到90%以上。當t=25、30時，整體識別率不夠穩定，達不到一個穩定值。因此，在保證整體識別率的前提下，本文選擇t的范圍在（15，20），k的范圍在（160，180），考慮到運行效率，選擇較大的t和較小的k應用于實驗中，所以選擇t=20，k=160為最佳取值。

圖9 不同t下提取的不同缺陷類型特征個數

圖10 不同t、k條件下的整體識別率

圖11 不同訓練樣本數下各步長識別精度

選擇FSIFT特征點檢測閾值為20，特征詞典容量為160的基礎上，改變BoF模型的參數，即各個patch在不同步長情況下，針對不同樣本個數的缺陷識別精度。本文選取步長L=2、4、6、8、10五組情況，分別在訓練樣本數為10、20、40、60時檢測其對瓷磚缺陷的識別精度，如圖11所示。由圖可知，在同一樣本數下，各patch之間間距越小，則缺陷的識別精度就越高；而如果選擇的訓練樣本數目太少，則會導致視覺詞典不完備，使得識別精度值較低。選擇步長為2的情況下，隨著訓練樣本數目的變化，瓷磚的識別精度呈現上升趨勢，并在樣本數目為60時，達到最高精度值；若選擇步長為8或10時，對于瓷磚表面存在一些細微、淺顯的缺陷而言，則會由于patch之間間距過大，不能對缺陷區域進行詳細的描述，從而導致瓷磚的識別精度不高，達不到實際的需求。

基于BoF模型對灰色瓷磚圖像特征進行量化處理后，采用顏色矩特征對彩色瓷磚圖像的表面缺陷進行描述。作為一種簡單有效的顏色特征，其主要思想體現在，圖像中的所有顏色分布都可以用它的矩來表示，且顏色分布信息主要集中在低階矩中。顏色矩特征的優點主要在于，該特征能較好地表征彩色瓷磚圖像表面的顏色分布，從而可以識別出各顏色之間的差異。考慮到RGB顏色空間的不均勻性，因此將其轉換至HSV空間提取瓷磚圖像的顏色矩特征，該空間以一個亮度屬性值V和兩個色度屬性值（色調H和飽和度S）來表示一種色彩，如圖12所示。

圖12 瓷磚樣本圖像

由圖可知，瓷磚圖像的表面缺陷特征主要集中在飽和度分量和亮度分量中，但是在工廠的實際生產過程中，瓷磚圖像的采集由于受光照因素的影響，使得其對比度較低，缺陷區域和背景反差較大。因此，為降低光照因素對瓷磚分類效果的影響，本文選擇去除亮度屬性值，只采用色調分量和飽和度分量提取其相關顏色矩特征對缺陷瓷磚進行檢測和分類處理。

第二組實驗在基于BoF模型的基礎上，選取FSIFT算法閾值t=20，特征詞典容量k=160和顏色矩特征進行加權融合，采用徑向基核支持向量機、直方圖交叉核支持向量機、空間金字塔匹配徑向基核支持向量機和空間金字塔匹配直方圖交叉核支持向量機分類方法進行分類，并與單一特征局部二值模式（LBP）、尺度不變特征轉換（SIFT）、灰度梯度共生矩陣（GGCM）進行比較，結果如圖13所示。在4種分類器方法中直方圖交叉核支持向量機的分類效果最好，在加入空間金字塔徑向基核支持向量機和空間金字塔匹配直方圖交叉核支持向量機分類方法后，其性能存在下降趨勢，少數有提高。由圖13可知，本文算法在采用徑向基核支持向量機的分類正確率可達95%，而且采用多特征融合算法應用于瓷磚表面缺陷特征的描述也明顯比單一特征算法的分類正確率要高。

圖13 算法分類正確率比較

瓷磚在日常生產過程中，其采集裝置大多應用于工廠環境內，因此對瓷磚圖像進行獲取時會不可避免地受到周圍環境、光照以及噪聲因素的干擾。對于不同類型的瓷磚表面缺陷，由于其表面粗糙程度不一，會造成圖像采集時受其表面反光作用的影響，產生不同程度的曝光，進而影響瓷磚的性能。同時，瓷磚在傳輸過程中也會受到噪聲因素的干擾，這在很大程度上影響了瓷磚處理的難度。因此，為了驗證本文算法的有效性和可靠性，選擇對瓷磚圖像加入在實際生產過程中常見的不同等級的高斯噪聲和不同程度的曝光率，并分析該算法在不同狀態下對瓷磚被準確分類的大小，其結果如表2～表4所示。

表2 δ=15情況下瓷磚的缺陷識別率%

表3 δ=20情況下瓷磚的缺陷識別率%

對瓷磚缺陷圖像加入δ=15、20、25三種不同的高斯噪聲后，分析在該情況下，曝光率分別為40、60、80、100、120、140六種不同狀態時檢測到的瓷磚表面缺陷的識別率大小。由表中數據可知，在三種不同的噪聲等級下，隨著瓷磚表面曝光率的增加，瓷磚的平均識別率呈現出逐漸上升的趨勢，當曝光率達到120、140時，其平均識別率也達到了最高。因此，通過數據分析也說明了光照因素對瓷磚表面缺陷檢測的影響。

表4 δ=25情況下瓷磚的缺陷識別率%

由表2、表3可知，選擇對瓷磚表面加入不同等級的高斯噪聲時，隨著曝光率的不斷增加，瓷磚表面缺陷的平均識別率雖然在小范圍內出現一定的波動，但仍趨于上升的狀態。在表4中噪聲等級為δ=25的情況下，瓷磚的平均識別率相比于表2、表3雖存在輕微的下降趨勢，但對比本文算法在正常情況下對瓷磚表面缺陷的平均識別率（如圖13所示）可知，在對瓷磚缺陷圖像加入不同等級的高斯噪聲與不同程度的曝光率后，其識別率并沒有出現大幅度的下降，因此，其檢測效果仍具有一定的參考意義，該實驗結果也表明了本文提出算法的有效性和可靠性。

5 結束語

由于瓷磚表面缺陷的異構性和不確定性，導致單一特征提取到的特征量過于薄弱，而無法完整地描述瓷磚缺陷的問題，本文提出一種多特征融合的瓷磚表面缺陷檢測算法。該算法通過提取灰色瓷磚圖像和彩色瓷磚圖像的不同特征進行優勢互補，有效地彌補了圖像特征量過小、運算速度過慢以及BoF模型缺失空間和幾何信息的問題。對提取到的瓷磚缺陷特征，采用權重的鑒別能量方式對其進行鑒別分析，進一步地對特征進行優選加權從而形成新的融合特征向量，加強了算法的鑒別能力。實驗證明，該算法提高了瓷磚缺陷分類的準確性，對有淺顯細微缺陷的瓷磚、缺陷類型復雜的瓷磚、簡單瓷磚及有光照變化的瓷磚均能取得較好的分類效果。