基于圖像處理的剎車片表面裂紋識別提取方法

江松，張坤，張華

(安徽科技學(xué)院 機(jī)械工程學(xué)院，安徽 鳳陽，233100)

汽車剎車片的摩擦系數(shù)在任何條件下，都必須保持穩(wěn)定。當(dāng)汽車剎車片表面產(chǎn)生裂紋時，它的摩擦系數(shù)就會降低，磨損率會加大[1]。同時，剎車片表面裂紋可能會使剎車片崩落，影響汽車的制動效果，給駕駛員和同行人員的人身安全和財(cái)產(chǎn)安全帶來隱患。為增強(qiáng)汽車安全系數(shù)，減少因剎車片裂紋導(dǎo)致的安全事故，本文研究了基于圖像處理的剎車片裂紋有效識別提取的方法。

目前已經(jīng)存在大量對裂紋檢測的圖像處理算法，但是任何一個單一的算法都不能處理所有的圖像[2]。針對剎車片表面裂紋檢測需求，本文利用經(jīng)典的方向梯度直方圖(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern，LBP)等算法對剎車片裂紋特征進(jìn)行提取，并使用支持向量機(jī)(Support Vector Machine, SVM)算法構(gòu)建剎車片表面裂紋識別模型。進(jìn)一步提出基于亞像素角點(diǎn)檢測方法對裂紋線進(jìn)行提取，使裂紋更直觀可見。

1 裂紋線識別

1.1 圖像預(yù)處理

在對裂紋圖像進(jìn)行特征提取之前，利用圖像濾波算法先對圖像進(jìn)行濾波，將圖像中的細(xì)節(jié)特征信息保留且更明顯分離出來，抑制目標(biāo)圖像的自身噪聲和因拍攝和收集圖像時產(chǎn)生的噪聲。圖像濾波算法分為線性濾波和非線性濾波，對紋理圖像濾波時，非線性濾波有更好的濾波效果。由于裂紋在圖像中主要是它的邊緣信息，而雙邊濾波可以有效地保留邊緣信息、抑制噪聲達(dá)到平滑的效果。因此本文采用屬于非線性濾波的雙邊濾波(Bilateral Filters)算法[3-4]對裂紋圖像進(jìn)行濾波。

雙邊濾波采用基于高斯分布的加權(quán)平均的方法，把周邊像素亮度值的加權(quán)平均代表某個像素的強(qiáng)度，避免高斯濾波會導(dǎo)致的像素移位問題。雙邊濾波不僅考慮了空間域還考慮了像素范圍域，令空間域Gs和顏色項(xiàng)Gr的乘積作為濾波核系數(shù)。具體的濾波算法為：

(1)

(2)

采用雙邊濾波處理后的剎車片裂紋圖像效果如圖1(b)所示，與原圖像圖1(a)對比可以明顯看出，原圖像中的非裂紋元素得到了很好的去除。

圖1 圖像預(yù)處理效果 圖2 灰度圖像直方圖

1.2 圖像分割

分析并統(tǒng)計(jì)剎車片圖像濾波處理后的灰度直方圖(如圖2所示)，可以發(fā)現(xiàn)其僅有單峰，并且裂紋灰度圖像背景區(qū)域像素主要分布于148到176之間。針對剎車片裂紋的這一特點(diǎn)，本文應(yīng)用基于閾值的二值化圖像分割方法對裂紋圖像分割[5]。思路為：選定一個閾值，將待分割圖片中像素值大于閾值的像素點(diǎn)的像素值設(shè)置為255，小于閾值的像素點(diǎn)設(shè)置為0，得到僅有黑白色的二值圖像，具體算法如式(3)所示，其中z為圖像二值化設(shè)定的閾值。

(3)

將圖1(b)中雙邊濾波后的RGB圖像轉(zhuǎn)換為灰度圖像，再將灰度圖像轉(zhuǎn)換為二值圖像，本文轉(zhuǎn)換的最佳閾值為149，將大于149的像素點(diǎn)值設(shè)置為255，小于149的設(shè)置為0。分割示意圖如圖3所示，該方法能將圖像背景區(qū)域與裂紋目標(biāo)區(qū)域有效分割，并加強(qiáng)裂紋圖像特征。

1.3 特征提取

從圖3可以看出經(jīng)二值圖像分割方法處理后，剎車片裂紋圖像的目標(biāo)裂紋和背景已經(jīng)被有效分割。將分割后的圖像分別使用HOG算法和LBP算法進(jìn)行裂紋特征提取。

1.3.1 HOG特征提取 給定如圖3所示裂紋目標(biāo)對象的圖像，設(shè)置一個檢測窗口。計(jì)算檢測窗口中每個像素的梯度大小和方向。將檢測窗口劃分成很

圖3圖像分割

多塊，將每一塊分成很多單元，為每個單元創(chuàng)建一個直方圖，在單元內(nèi)，將梯度投影到單元的梯度方向，將所有單元格在塊上歸一化，將所有塊中的所有標(biāo)準(zhǔn)化直方圖收集到一個稱為HOG描述符的特征向量中[6-7]。

設(shè)置圖像檢測窗口的尺寸為64×64，窗口移動步長為(8，8)，bin為9。剎車片裂紋圖像經(jīng)過濾波和圖像分割處理后，HOG可以提取出裂紋邊緣的結(jié)構(gòu)特征，描述裂紋的局部形狀，消除光照帶來的影響。通過OpenCV實(shí)時顯示矩陣MAT類的信息得到的裂紋特征如圖4所示：

(a：裂紋圖像特征，b：裂紋、無裂紋圖像特征)

圖5 LBP特征提取

1.3.2 LBP特征提取 LBP是一種廣泛應(yīng)用于描述局部紋理特征的算法，具有灰度不變性和旋轉(zhuǎn)不變性[8]，可以有效提取物體表面紋理特征。基本LBP算法算子在3×3像素窗口的鄰域內(nèi)，將窗口中心像素作為閾值與剩下8個像素作比較，大于中心像素的記為1，小于中心像素的記為0，將產(chǎn)生的八位二進(jìn)制數(shù)作為窗口中心像素的LBP 值，并用該值來描述紋理情況。對于一張剎車片裂紋圖像，相鄰像素之間的像素值間有數(shù)量關(guān)系，將中間點(diǎn)像素值與中間點(diǎn)相鄰像素值比較得到八位二進(jìn)制數(shù)的LBP值，這個LBP值就能很好地表示點(diǎn)和相鄰點(diǎn)像素之間的模式，可以得到裂紋圖像中的細(xì)節(jié)描述。通過LBP算法提取的裂紋特征如圖5所示：

1.4 分類

支持向量機(jī)是一種有監(jiān)督機(jī)器學(xué)習(xí)方法，其思路是找到一個最優(yōu)超平面，使最優(yōu)超平面最近樣本的距離最大或最小，并且能保證該超平面分類的精度[9]。本文訓(xùn)練樣本為二分類，設(shè)二分類的SVM的訓(xùn)練樣本集為{(xi，yi)|i=1,2,3,…,n}，xi∈Rn，其中xi，yi分別為輸入、輸出，樣本超平面為：

(w·xi)+b=0

(4)

利用Lagrange函數(shù)得到最優(yōu)超平面為：

(5)

進(jìn)一步計(jì)算，可得到最終的最優(yōu)分類函數(shù)為：

(6)

本文將利用SVM算法構(gòu)建識別模型，用HOG算法提取的裂紋特征向量和LBP算法提取的裂紋特征向量分別作為模型輸入變量。本實(shí)驗(yàn)共采集樣本總量260個，其中訓(xùn)練樣本為215個，剩余45個作為測試樣本用來驗(yàn)證模型的精度。基于不同特征的模型測試識別正確率如表1所示：

表1 基于不同特征的SVM模型的識別率

從表1可以看出，在不做任何圖像處理的情況下，SVM模型的識別正確率只有60%；基于HOG特征變量的SVM模型的識別正確率為95.56%，基于LBP特征變量的SVM模型的識別正確率最高，達(dá)到97.78%；基于LBP特征變量的模型比基于HOG特征變量的模型的識別效果更好。

2 裂紋線提取

利用訓(xùn)練好的識別模型檢測到圖像有裂紋后，進(jìn)一步對圖像裂紋線進(jìn)行提取。角點(diǎn)檢測算法以往主要用于三維場景重建、運(yùn)動估計(jì)、視覺跟蹤以及圖像配準(zhǔn)與圖像匹配等計(jì)算機(jī)視覺領(lǐng)域[10]，并已取得良好的應(yīng)用效果。

亞像素角點(diǎn)檢測方法是基于原始角點(diǎn)檢測方法的改進(jìn)算法，具有更高的檢測精度。經(jīng)大量文獻(xiàn)調(diào)研，目前未發(fā)現(xiàn)亞像素角點(diǎn)檢測方法在汽車零件裂紋識別方面的應(yīng)用，本文將首次嘗試?yán)脕喯袼亟屈c(diǎn)檢測方法來提取裂紋角點(diǎn)信息。最后本文利用角點(diǎn)位置信息提出一種連接算法對裂紋線進(jìn)行提取，并在原圖上標(biāo)注出裂紋線。

2.1 亞像素角點(diǎn)檢測

如果圖像上一個點(diǎn)的兩個正交方向上都有明顯的導(dǎo)數(shù)，則稱這個點(diǎn)是獨(dú)一無二的，并將該點(diǎn)稱為角點(diǎn)[11]。角點(diǎn)即兩條邊緣線的交點(diǎn)，或局部鄰域內(nèi)有兩個不同邊界的方向。角點(diǎn)檢測的基本思路是在一個灰度圖像上，利用一個檢測窗口以確定的步長移動，窗口在任意方向移動時，移動前后產(chǎn)生明顯灰度值變化，則認(rèn)為窗口中存在角點(diǎn)。對識別為有裂紋的圖像，利用亞像素角點(diǎn)檢測方法可以得到剎車片裂紋特征角點(diǎn)的亞像素角點(diǎn)位置信息。

本文首先確定圖像強(qiáng)角點(diǎn)，得到角點(diǎn)的初始坐標(biāo)位置信息，然后采用亞像素角點(diǎn)檢測得到亞像素級精度的位置，即精確的角點(diǎn)位置。檢測的角點(diǎn)如圖6所示。

圖6 角點(diǎn)檢測結(jié)果圖

從圖6可以看出，檢測出來的角點(diǎn)基本在裂紋線上，由于污漬、斑點(diǎn)等原因在裂紋線旁邊有極少數(shù)錯誤點(diǎn)也被檢測出，但總體檢測效果良好。經(jīng)過多次試驗(yàn)結(jié)果表明，亞像素角點(diǎn)檢測對裂紋角點(diǎn)位置信息的提取精度較高，結(jié)果可靠。

2.2 利用角點(diǎn)位置信息進(jìn)行裂紋線提取

提取裂紋角點(diǎn)坐標(biāo)信息后，本文提出一種針對剎車片裂紋角點(diǎn)的連接算法，實(shí)現(xiàn)在原圖上標(biāo)注裂紋線。算法的主要思想是對所有角點(diǎn)進(jìn)行坐標(biāo)值排序，排序后將第一個坐標(biāo)點(diǎn)定義為起始點(diǎn)，將起始點(diǎn)與距離起始點(diǎn)最近的角點(diǎn)進(jìn)行連接。當(dāng)連接完成后，將被連接點(diǎn)為起始點(diǎn)重復(fù)上述連接過程。當(dāng)所有的裂紋角點(diǎn)連接完成后，即可得到剎車片裂紋線。由于零件裂紋呈連續(xù)性，在連接過程中，對檢測出孤立的遠(yuǎn)距離點(diǎn)不進(jìn)行連接。主要實(shí)現(xiàn)步驟如下：

第一步：在角點(diǎn)數(shù)組中，對所有裂紋角點(diǎn)按角點(diǎn)橫坐標(biāo)從小到大排序，

當(dāng)橫坐標(biāo)相等時按縱坐標(biāo)從小到大排序。

圖7 裂紋線提取效果圖

第二步：排序后根據(jù)公式(7)計(jì)算第一個角點(diǎn)(x1，y1)到每一個角點(diǎn)(xn，yn)的距離d1、d2、d3、……、dn。

(7)

找到所有距離d的最小值dn，找到dn對應(yīng)角點(diǎn)在所有角點(diǎn)數(shù)組中的位置，即可找到距離角點(diǎn)(x1，y1)最近的坐標(biāo)點(diǎn)(xn，yn)。

第三步：將點(diǎn)(xn，yn)與角點(diǎn)(x1，y1)連接。手動設(shè)置閾值D，本文閾值D設(shè)置為30。當(dāng)距離dn大于閾值D時，第一點(diǎn)與第二點(diǎn)不進(jìn)行連接，以點(diǎn)(xn，yn)作為第一個點(diǎn)重復(fù)步驟二。

第四步：當(dāng)完成第二個點(diǎn)的連接后，刪除排序數(shù)組中的第一個點(diǎn)，并以第二個點(diǎn)作為起始點(diǎn)重復(fù)步驟二。

第五步：所有裂紋角點(diǎn)被連接后結(jié)束算法。

該算法流程簡短，計(jì)算量小，擬合效果直觀、突出。連接后的裂紋線如圖7所示，從圖中可以看出，2.1節(jié)檢測出的錯誤角點(diǎn)未被連接，而裂紋上的角點(diǎn)基本上被連接。結(jié)果表明，該方法能正確標(biāo)注裂紋，使裂紋更加清晰

可見。

3 總結(jié)

本文先利用雙邊濾波、圖像二值化分割對圖像預(yù)處理，然后分別利用HOG和LBP算法對裂紋特征提取，最后利用SVM算法構(gòu)建裂紋識別模型，對有、無裂紋圖像進(jìn)行二分類。基于SVM模型發(fā)現(xiàn)LBP算法提取的特征比HOG算法提取特征在裂紋識別方面更具優(yōu)勢，識別準(zhǔn)確率達(dá)97%以上。為了標(biāo)注裂紋，進(jìn)一步對識別為有裂紋的圖像提出使用亞像素角點(diǎn)檢測方法，能得到亞像素級精度裂紋坐標(biāo)信息，然后通過編寫算法將裂紋線高效、完整地?cái)M合在的原始裂紋圖像上，結(jié)果表明該算法擬合效果良好。當(dāng)然本文算法也有不足之處，例如零件點(diǎn)蝕、摩擦劃痕、零件磨損變色、污漬等均有可能降低裂紋識別和裂紋線擬合的精度，這將是今后研究的重點(diǎn)。