基于機器學習的刀具表面缺陷檢測及分類方法

劉 浩,陳再良,張 良

(蘇州大學 機電工程學院,江蘇 蘇州 215131)

0 引言

車刀是一種用在機械加工過程中最常見的刀具。在刀具生產的過程中，由于工藝條件及生產過程中的運輸不當等原因，刀具的表面會出現各種缺陷。這些缺陷會極大地破壞刀具的外觀完整性和降低刀具的使用壽命。例如刀具的邊緣豁口缺陷，可能會造成待加工表面的凸凹不平，進而影響產品的表面粗糙度和一致性；又如涂層剝落缺陷，可能會嚴重影響刀具的力學性能，造成加工過程中的“崩刀”[1]。因此，對刀具表面的缺陷進行檢測具有重要的意義。所以刀具的健康檢測也成為整個生產過程安全、順利進行的一個重要環節[2-3]。刀具實物圖見圖1。

圖1 刀具實物圖

根據行業現狀以及企業生產的情況來看，刀具的表面缺陷主要有劃痕、凹坑、涂層剝落和邊緣豁口這4種。

現有的質量檢測方式可分為直接測量及間接測量法。直接測量法有機械接觸法、機器視覺法、射線(X-ray or Gamma ray)檢測法與電阻檢測法。間接檢測法是以間接參數來測量刀具質量，如電流檢測、振動檢測、發聲檢測等[4]。目前，刀具的表面缺陷檢測主要通過人工肉眼完成[5]，這種檢測方式效率低、準確率低、勞動強度大，無法適應現代大規模、高質量的生產需求。同時，由于必須在強光源的照射下才能快速準確的找到刀具的表面缺陷，會造成工人的用眼疲勞甚至是眼部疾病。

基于機器學習和深度學習的缺陷檢測方式是近年來研究的熱點和重點。采用深度學習進行缺陷檢測方式需要大量的數據樣本和更為苛刻的數據形式，同時需要更多的計算量和計算時間。在小規模數據集上，傳統的機器學習模型更具備分類優勢[6]。因此工業上更多的是采用機器學習的方式進行缺陷的分類。

四川大學的李宇庭等人，通過建立特征數據集、使用遺傳算法和SVM模型實現了對腐蝕坑和裂紋兩種缺陷的高精度分類算法[7]。R.E.Gong等人提出了基于SVM的MHSVM+算法來檢測鋼材表面缺陷[8]；H.Hagi等人提出了基于隨機抽樣的和特征選擇的算法來對電路板缺陷進行檢測[9]。湖南大學的周顯恩等人提出基于隨機圓評估定位方法，利用殘差分析、動態閾值分割與全局閾值分割相結合的方法實現了瓶口的缺陷檢測。最終將檢測正確率提高了2.22%[10]。

武漢大學的舒文娉對印品的缺陷進行特征提取和分析，利用SVM對特征數據進行訓練和測試，最終達到缺陷識別率100%、分類準確率93.94%的效果，提出的算法能夠較好地滿足印品質量的任務需求[11]。S.Benzahioul等人，提出了一種基于圖像處理和模式識別的缺陷檢測方法，即通過提取缺陷的HOG特征和利用SVM分類器，前后共分4個步驟實現了對異步電動機生產過程中缺陷的檢測，結果表明，算法具有較高的效率和準確率[12]。

本研究也借鑒機器學習的內容，針對刀具的表面缺陷檢測及分類任務，提出了一種結合圖像處理和機器學習的缺陷自動化檢測及分類方法。

本文主要完成了以下幾部分的工作：

1)對刀具圖像的預處理進行研究，主要包括圖像的降噪、圖像的增強以及缺陷區域的分割。最終通過計算及試驗確定了基于雙邊濾波的降噪方法、基于差分的圖像增強方法和基于最大類間方差法的閾值分割方法。

2)研究了刀具表面缺陷檢測算法，最終提出了基于圖像差分的刀具表面缺陷檢測算法。

3)研究了特征的提取和選擇，設計了基于SVM的刀具表面缺陷分類算法。通過提取缺陷的高維特征，結合PCA進行降維，最后使用降維后的特征對SVM分類器進行訓練。

1 圖像預處理

1.1 表面缺陷的分類

表面缺陷的種類如圖2所示。

圖2 表面缺陷的種類

1.1.1 劃痕缺陷

劃痕缺陷呈現出明顯的細長型，一般是由于在流水線生產的過程中，由于刀具和其他堅硬物體的相對運動而造成的一種缺陷。劃痕缺陷在刀具受到較大的沖擊力時會影響刀具原有的力學性能、破壞刀具的原有結構，從而造成加工過程中的刀具斷裂。

1.1.2 磕碰凹坑

磕碰凹坑缺陷一般近似圓形，是由于刀具和刀具或其他堅硬雜質的碰撞或擠壓而產生的，磕碰產生的凹坑會破壞表面的粗糙度，同時對表面涂層的一致性有比較大的影響，且可能會發展成為更大面積的涂層剝落缺陷。

1.1.3 涂層剝落

在刀具基體加工完成后，為了增強刀具的硬度、延長刀具的壽命通常會在刀具的表面涂覆一層保護材料增強刀具的硬度和耐磨性。但是由于工藝不良等原因會出現刀具表面涂層的剝落。表面涂層剝落缺陷會造成刀具壽命縮短、刀具表面硬度下降等一系列問題，會很大程度地影響刀具的壽命。

1.1.4 邊緣豁口

在刀具基體的制造過程中，經常會出現由于加工不當等原因造成的刀具邊緣材料丟失的豁口缺陷。豁口缺陷是最嚴重的缺陷之一，會出現待加工表面的凸凹不平等多種問題。所以有豁口缺陷存在的刀具是必須要檢測出并且剔除的。

1.2 圖像的降噪

圖像在采集的過程中，由于灰塵及光學元件自身的性能影響，采集到的圖片會包含各種噪聲 。噪聲具有離散型、隨機性、多樣性等多種屬性。一般的噪聲模型主要有椒鹽噪聲、高斯噪聲、瑞麗噪聲、伽馬噪聲等[13]。噪聲一般是無法避免的，直接對原始圖像進行處理，由于噪聲的干擾，得到的結果可能會與期望的結果大相徑庭。所以，圖像的降噪是圖像處理中必不可少的環節。

圖像的降噪主要是借助濾波器，對圖像中明顯偏離真實值的像素點進行剔除或降低權重的操作，圖像的降噪主要可以分為空間域降噪和頻域降噪。其中傅里葉變換等頻域降噪濾波的主要實現步驟是將空間域上的圖像數據變換到頻域上，針對頻域上的圖像進行后續的處理。處理完成后，再通過逆變換將頻域上的數據變換到空間域上，這樣就可以去除部分具有固定頻域的噪聲。但是由于頻域濾波大多是針對所有點進行，會消耗大量的計算機資源和占用比較多的計算時間，無法達到實際生產中的實時性要求，所以一般只在噪聲具有特定頻率的場合下使用。所以本文主要采用空間域濾波降噪的方式。

空間域濾波主要有中值濾波、均值濾波、高斯濾波以及雙邊濾波。在濾波器的選取上,要依據實際圖像要求,盡可能地在保證邊緣完整性的前提下最大化的降低噪聲的干擾[14]。

以劃痕缺陷為例，對缺陷圖像分別運用中值濾波、均值濾波、高斯濾波和雙邊濾波操作后的結果如圖3所示。

圖3 不同濾波操作后的劃痕圖像

濾波方法降噪效果邊緣保持能力中值濾波較差好均值濾波較好較差高斯濾波差差雙邊濾波好較好

中值濾波對圖像邊緣完整性的保留最差，已經將邊緣完全模糊。均值濾波核高斯濾波具有一定的降噪效果，但是對比雙邊濾波，降噪效果略差。雙邊濾波是一種非線性濾波器，它既能保留完整的邊緣也能實現降噪平滑的效果。雙邊濾波器使用高斯分布對周圍的像素點進行加權平均，同時還考慮中心的輻射差濾波，所以可以在保留完好邊緣的前提下，對圖像進行良好的降噪。結合圖3可以發現，缺陷的邊緣保留和降噪效果都是最好的。因此，本文采用雙邊濾波器對圖像進行降噪。

1.3 圖像的增強

在圖像的采集過程中，表面缺陷區域和刀具的正常區域可能具有很高的灰度相似性，所以需要通過圖像增強的方式來放大缺陷部分和正常部分的差異。常見的圖像增強方式主要有灰度線性變換、直方圖均衡化以及基于差分的對比度增強方法[15]。

灰度值變換可以理解成單個點的處理，即某點的新灰度值只取決于該點的原始灰度值。這種處理方法，會使圖像的灰度范圍會得到提高，圖像質量也會有明顯提升。線性灰度變換的表達式為：

圖像的直方圖是對一副圖像中所有出現的灰度值次數的統計，它能夠反映各個灰度等級和頻率的關系。通過圖像系統采集到的原始圖片可能具有灰度分布不均衡、部分灰度級缺失等情況，采用直方圖均衡化能夠改善這種情況，讓整幅圖像的灰度等級分布更均勻。直方圖均衡化的表達式為：

f(g) =[255∑x = 0…gh(x) + 0.5]

基于差分的對比度增強算法的計算公式如下式所示，它能將刀具及缺陷所在的直方圖范圍從原始圖像30～50擴展到20～70，在對圖像增強的同時又沒有過大的增強背景。

res=round((f-g)*k)+f

res為返回的結果；F為原始圖片的各像素點；G為對原始圖片各像素點的實施中值核卷積。

以邊緣豁口缺陷為例，對圖像運用線性變換、直方圖均衡化和基于差分的對比度增強方法。結果如圖4所示。

圖4 圖像增強效果對比

可以發現，線性變換后的圖像顯著地提高了圖像的對比度，但是對于凹坑這種小缺陷卻降低了和表面其他區域的灰度差，增加了檢測難度。對于直方圖均衡化后的圖像，由于缺陷區域和背景的灰度差值較小，造成背景被過度加強，容易造成缺陷的誤檢。采用基于差分的對比度增強算法，能夠在保證的邊緣完整、真實的前提下對圖像進行很好地增強。綜上所述，結合試驗對比，選定基于差分的對比度增強算法來進行圖像的增強。

1.4 圖像的分割

圖像分割是目標檢測、識別和跟蹤等技術的前提，目的是將圖像中關鍵有用的目標信息從背景中分離出來[16]。就是把圖像按照顏色、強度、紋理等分成若干個特定的、具有獨特性質的同質區域并分離出感興趣目標的技術和過程[17]。因此為了更好地提取刀具的表面缺陷，需要對刀具的缺陷區域進行分割。對目標區域的分割是進行后續特征提取的關鍵步驟，好的區域分割方式能大幅降低特征提取的難度。閾值分割法主要有固定閾值法、最大類間方差法和局部閾值法等。

以涂層剝落缺陷為例，分別使用固定閾值法、最大類間方差法和動態閾值法進行分割，結果如圖5所示。

圖5 分割方法效果對比

通過上述實驗可以發現，使用固定閾值法不能夠很好地對目標區域進行分割，有較多的背景噪點被誤當做目標；另一方面，由于不同批次的產品表面狀況不一，固定閾值法的分割效果較差；采用動態閾值法，由于圖像中的背景面積比較大，同時算法易受目標區域的噪聲干擾，分割效果也比較差。使用最大類間方差法的效果最好，能夠在降低噪聲影響的前提下很好地分割出目標區域。綜上，本文最終采用最大類間方差法來實現對刀具缺陷區域的分割。

2 缺陷檢測

缺陷檢測流程主要如圖6所示。

圖6 缺陷檢測流程

缺陷檢測首先對圖像進行降噪、增強，然后利用全局閾值分割及圖像差分進行缺陷的檢測。部分檢測效果如圖7所示。

圖7 缺陷檢測結果

可以發現，基于圖像差分的缺陷檢測方法能夠較好地對各種缺陷進行檢測。對于肉眼難以觀察到的部分凹坑和豁口缺陷，同樣具有良好的檢測效果。

3 基于SVM的缺陷分類及實驗分析

3.1 缺陷特征的提取

圖像的特征指的是圖像特有的一些屬性，其不會受目標的位置、方向等因素的影響。圖像特征有多種，最常見的主要有形狀特征、紋理特征和灰度特征本文提取的特征主要可以有形狀特征、灰度特征和紋理特征共34維，最終的特征集合如表2所示

表2 提取到的特征

3.2 缺陷特征的降維

提取了一共34個維度的特征，這些特征從不同的角度描述了缺陷的信息，但是特征和特征之間可能存在很強的相關性，為了減少特征冗余，增強數據的有效性和提高計算效率[18]，同時為了避免由維數過高引發的“維數災難[19]，算法采取了降維措施。

主成分分析法是機器學習領域非常常用的一種降維方法，它能夠在最大化保留信息完整性的前提下去降低數據的冗余程度。對所有采集到的數據降維實驗，特征貢獻率和累計貢獻率如圖8所示。

圖8 特征向量貢獻率和累計貢獻率

可以發現：前5個維度的特征具有很高的貢獻，累計貢獻率≥95%，即前5個維度已經具有很好的表征能力。最終使用5個維度的主成分來替換原有的34維特征。

4 基于SVM的缺陷分類

4.1 核函數的選擇

支持向量機的核函數是分類器中非常重要的一部分，它可以將部分線性不可分數據進行分離。核函數主要有線性核函數、多項式核函數、RBF核函數及sigmoid核函數。表3是運用不同的核函數在缺陷檢測上的準確率結果，RBF具有最高的分類準確率，最終選用RBF作為分類器的核函數。

表3 采用不同核函數的準確率 %

4.2 實驗結果及分析

每類抽取45個缺陷樣本用作測試集對本文算法進行實驗，最終的結果如表4所示。

表4 分類結果

結合表4可知：

1)劃痕樣本的檢出率和分類準確率最高，這是因為劃痕缺陷和其他種類的缺陷相比具有比較明顯的區分特征，更有利于劃痕缺陷的檢測和分類。

2)凹坑缺陷由于面積相對較小，檢出率較低。且凹坑缺陷和涂層剝落缺陷具有一定的幾何相似性，容易造成分類的錯誤，所以凹坑缺陷的分類準確率也較低。

3)涂層剝落缺陷由于缺陷區域面積較大，檢出率較高。

4)邊緣豁口的檢測效果比較差，這是因為部分邊緣豁口的特征不太明顯，檢測算法容易忽略該部分區域，從而造成檢出率較低。但由于豁口的特征比較獨特，最終的分類準確率較高。

綜上，基于圖像差分的缺陷檢測算法具有較高的檢出率，綜合檢出率達97.2%。基于特征提取和SVM的分類方法具有較高的準確率，綜合準確率達94.3%。每個樣本的檢測與分類算法平均耗時約165 ms。

5 結束語

提出的基于雙邊濾波的圖像降噪方法和基于差分的圖像增強方法以及基于最大類間方差法的缺陷區域分割方法能夠很好地對刀具圖像進行預處理。基于圖像差分的缺陷檢測算法能夠達到97.2%的檢出率。結合圖像處理的特征提取以及基于SVM的分類方法能夠達到94.3%的分類準確率，單張圖片檢測和分類平均耗時165 ms。

綜上所述，本文提出的缺陷檢測及分類算法能夠滿足高檢測率、準確率和實時性的檢測需求，對于刀具生產企業而言，該系統能夠提高產品的檢測效率、降低人工成本、幫助企業更好地總結和分析缺陷產生的原因，從而改進相關的工藝方法和生產流程。對于其他相關行業，本課題中對缺陷檢測及分類算法的研究也能提供一定的參考價值。