基于图像处理的钢板表面缺陷支持向量机识别

汤 勃 孔建益 王兴东 陈 黎

武汉科技大学,武汉,430081

基于图像处理的钢板表面缺陷支持向量机识别

汤 勃 孔建益 王兴东 陈 黎

武汉科技大学,武汉,430081

论述了钢板表面缺陷的机器视觉检测方法,提取了6种表面缺陷图像的特征值并将其维数合理地从32维降为20维。介绍了支持向量机的原理和算法,给出了钢板表面缺陷类型识别的支持向量机方法,进行了有关重要参数的对比寻优。利用支持向量机模型对钢板表面缺陷进行了类型识别,并与BP神经网络算法进行了对比,结果验证了支持向量机算法的有效性、快速性和稳健性。

钢板表面缺陷;支持向量机;识别与分类;图像处理

0 引言

钢板是现代工业不可缺少的原材料,在其制造中难免会产生划痕、黑斑、翘皮、辊印、褶皱和压印等表面缺陷,这些缺陷会影响产品的外观和性能,所以要对其进行检测识别,以便及时发现缺陷,为生产工艺的调整提供依据。

钢板表面质量检测经历了人工目测、传统无损检测和基于机器视觉的检测3个发展阶段。人工目视检测表面缺陷的方法效率低、容易漏检、劳动强度大、实时性差。传统无损检测方法包括涡流检测、红外检测、漏磁检测、激光检测[1-3]等,这些方法检出的缺陷种类少,检测实时性不强,检测的表面缺陷分辨率也不高,无法有效评估产品的表面质量状况。目前,基于机器视觉的表面质量检测方法是研究的热点[4-6],该方法采用CCD摄相机采集钢板表面图像,然后通过图像处理和分析提取缺陷图像特征,进行缺陷的自动分类。

钢板表面缺陷的分类实质是模式识别,传统的模式识别或人工神经网络方法总体识别精度不高,算法耗时多,泛化能力差且需要较多的训练样本。支持向量机(support vector machine,SVM)是Vapnik[7]根据统计学习理论于1995年提出的,它采用结构风险最小化(structural risk m inimization,SRM)而非经验风险最小化(empirical risk m inimization,ERM)原理,通过将样本点所在的输入空间映射到高维的特征空间,以达到线性可分或者线性近似可分的目的。支持向量理论在解决小样本、非线性及高维模式识别中表现出许多特有的优势,在语音识别、模式识别、故障诊断[8-10]等方面有成功的应用,并表现出很好的时效性和鲁棒性。

本文基于机器视觉技术检测钢板表面缺陷,将支持向量机分类技术应用于钢板表面缺陷的分类与识别,并利用不同的算法进行比较以对支持向量机的核函数参数进行优化。

1 钢板表面缺陷机器视觉检测及特征提取

基于机器视觉的钢板表面缺陷检测流程如图1所示。首先采用CCD摄相机获取钢板表面图像,接着进行图像的预处理以消除噪声,然后进行缺陷可疑区(ROI)的快速检测,若无可疑区,则放弃本帧图像;若有可疑区,则进行进一步的处理。

图1 钢板表面缺陷检测流程

当存在缺陷可疑区时,就要找到包含钢板表面单个最大缺陷边缘的矩形框,这样就得到了缺陷在原始图像中的位置信息。接下来把带钢表面缺陷图像分割出来,进行缺陷区域的特征提取以期得到缺陷的信息及其背景信息,以便后续进行缺陷分类和识别。图2为带钢表面的6种典型缺陷图像,依次为划痕、黑斑、翘皮、辊印、褶皱和压印。

图2 几种带钢常见缺陷

本文基于钢板的6类典型缺陷,从缺陷区域提取的特征包括灰度特征、几何特征、形状特征、纹理特征等共计32维,这32维特征量排列顺序依次是:缺陷区面积、分散度、矩形度、长宽比、欧拉数、灰度最大值、灰度最小值、灰度平均值、灰度的值域、灰度的方差、灰度的熵、背景灰度最大值、背景灰度最小值、背景灰度平均值、背景灰度的值域、背景灰度的方差、背景灰度的熵、背景对比度、背景相关性、背景能量、背景同质性,以及缺陷区对比度、相关性、能量、同质性、1阶到 7阶不变矩。

上述表面缺陷的32维特征数据可能包含大量的冗余信息,这些冗余信息将降低后续机器学习算法的性能。经过基于遗传算法的特征降维,发现12个特征值的信息是冗余的,它们是:缺陷区域矩形度、背景的灰度最大值、灰度最小值、灰度平均值、灰度的方差、灰度的熵、对比度、相关性、同质性,以及缺陷区域的相关性、缺陷区域不变矩特征中的4阶矩和7阶矩。这样,最终选择20维数据作为缺陷类型识别的特征值。钢板表面缺陷特征提取之后,接着利用支持向量机理论进行缺陷类型的识别。

2 缺陷识别支持向量机的实现

2.1 支持向量机原理与算法[11]

SVM方法是从两类模式识别时线性可分情况下的最优分类面(op timal hyperp lane)提出的。所谓最优分类面就是要求分类面不但能将两类样本点无错误地分开,而且要使两类的分类距离最大。

使式(2)等号成立的样本称为支持向量(support vectors),图3中H1和H2上的训练样本点就是支持向量。

图3 最优分类面

2.2 支持向量机的分类识别模型

建立钢板表面缺陷支持向量机识别模型的步骤如下:首先选定训练样本集和测试样本集,再进行数据归一化的预处理,进一步进行SVM有关参数的寻优,然后应用训练样本集训练支持向量机,最后用得到的模型预测测试样本,得到分类的结果。

这些原始特征数据大小不一,有的相差几个数量级,有的样本的特征数据还可能存在奇异值。所以,将数据进行归一化处理,使原始特征值映射在0～1范围之内,即

对于非线性分类问题,通过引入非线性映射函数 Φ(x i)将样本数据映射到高维空间,然后在此特征空间中构造最优分类超平面。此时由于Φ(xi)已经处于很高维度的空间,故 Φ(xi)TΦ(xi)的计算量会很大,为了避免产生维数灾难的问题,故引入核函数:

这样,在最优分类面中采用适当的内积函数K(xi,xj)就可以实现某一非线性变换后的线性分类,且不增加计算量。此时,分类判别函数为

待识别的钢板表面缺陷有6种类型,故这是一个多模式分类问题,通过组合多个两分类器来实现多种缺陷分类的多分类器。具体如下:在任意两类样本之间需要设计一个两类SVM,因此6个类别的样本就需要设计15个两类SVM;根据每块钢板表面缺陷图像样本在式(2)所示的决策分类函数的输出结果,使用投票法判断其类型;将测试样本用这15个SVM分类器分别进行测试,并累计各类别的得分,最后得票最多的类别即为该测试样本的类别。

(3)重复第(2)步,直到获得所有SVM分类器。

(4)最后利用训练好的支持向量机识别测试样本,得到钢板表面缺陷的分类识别结果。

2.3 核函数的选择和参数寻优

核函数的选择是支持向量机理论研究的一个重要问题,但是目前还没有统一的构造合适核函数的有效方法。目前常用的核函数形式主要有线性(linear)核函数、多项式(po lynomial)核函数、径向基型(radialbasis function)核函数和Sigmoid核函数。

采用4种主要核函数,针对钢板表面6种缺陷共150个测试样本分类的总体准确率如表1所示。从表1中可以看出,径向基核函数分类效果最好,故本文选其作为最终的核函数,它能将样本非线性映射到高维空间,处理样本的非线性能力较强,所以它也是目前应用最广泛的核函数,其表达式为

表1 不同核函数分类总体准确率对比

在确定径向基核函数后,其参数σ和惩罚因子C对分类效果有重要影响,故需要获得这两个参数的最优值。本文分别采用交叉验证法[12]、遗传算法和粒子群算法进行对比加以选择。交叉验证法将训练样本集随机地均分成k个互不相交的子集,将每个子集分别作为一次验证集,同时利用其余的k-1个子集作为训练集,用这k个模型最终验证集分类准确率的平均数作为此分类器的性能指标,以上过程重复k次得到σ和C的最优值。

这3种算法得到的最优参数C、σ及识别总体准确率如表2所示。从表2可以看出,交叉验证法分类准确率最高,而且从实验来看其耗时最短,所以本文选择交叉验证法确定C和σ的值,分别是32和0.25。

表2 3种算法的参数寻优对比

3 分类识别结果与分析

采集钢板表面6种典型缺陷图像样本共314个,其中随机抽取了164个样本作为训练集,其余150个样本作为测试集。划痕、黑斑、翘皮、辊印、褶皱和压印这6种表面缺陷在164个训练样本中个数分别是 28、32、33、20 、20、31,在 150 个测试样本中个数分别是 24 、32、30、14 、20、30。

基于SVM方法且采用径向基型核函数,选取高斯核宽度σ和惩罚因子C分别为寻优得到的最优值32和0.25。此外,将SVM 算法与目前钢板表面缺陷分类应用最多的BP神经网络算法进行了对比。三层BP神经网络的结构为20-16-6,即输入层为20个节点与每个样本的20维特征值对应,隐层节点数为16,输出层节点数为6,与钢板表面6类缺陷对应。150个测试样本的分类结果比较如表3所示。此外,SVM和BP算法对样本集的训练时间分别约为0.07s和0.9s,而且实验发现BP算法的稳定性比SVM差。

表3 SVM算法与BP算法识别结果比较

从表3可以看出,利用SVM算法对钢板表面缺陷图像进行分类识别的正确率除黑斑缺陷外都在90%以上,其中有4种缺陷图像的正确识别率达到了100%,其正确识别率整体上明显高于BP神经网络算法,而且耗时少、稳健性好。

4 结论

(1)基于支持向量机理论设计了钢板表面缺陷类型识别的SVM模型,并进行了核函数及有关重要参数的对比寻优。

(2)获取了钢板表面 6种典型缺陷图像的314个样本,其训练样本和测试样本分别为164和150,提取了带钢表面缺陷图像的灰度、纹理和几何形状特征等32维特征向量并合理降至20维。

(3)基于支持向量机理论对钢板表面缺陷图像进行分类,正确识别率很高,与BP神经网络算法相比,不仅识别率高,而且耗时少、稳定性好、自适应能力强;这同时亦表明所提取的带钢表面缺陷图像的特征向量是有效的。

[1] Tony W A.Automatic Inspection of Metal Products Not Quit Ready for Prime Time[J].Iron&Steel Maker,1992,19(1):14-19.

[2] Yngve S.Automatic SurfaceInspection of Continuously Cast Billets[J].Iron and Steel Engineer,1992,69(5):29-33.

[3] MakiH,Tsunozaki Y,MastsufujiY.Magnetic On-Line Defec t Inspection System for Strip Steel[J].Iron and Steel Engineer,1993,70(1):56-59.

[4] 徐科,杨朝霖,周鹏.热轧带钢表面缺陷在线检测的方法与工业应用[J].机械工程学报,2009,45(4):111-114.

[5] 何永辉,王康健,石桂芬.基于机器视觉的高速带钢孔洞检测系统[J].应用光学,2007,28(3):345-347.

[6] 彭向前,陈幼平,谢经明,等.浮法玻璃质量在线检测与分析系统[J].玻璃与搪瓷,2010,38(1):1-6.

[7] Vapnik V N.The Nature o f Statistica l Learning Theory[M].Berlin:Springer Verlag,1995.

[8] Kumar M A,GopalM.Fast Mu lticlass SVM Classification Using Decision Tree Based One-Against-A ll Method[J].Neural Processing Letters,2010,32(3):311-323.

[9] 吴少雄,黄恩洲.基于支持向量机的控制图在线检测和分析系统的研究[J].中国机械工程,2006,17(24):2562-2566.

[10] 刘定平,叶向荣,陈斌源.基于核主元分析和最小二乘支持向量机的中速磨煤机故障诊断[J].动力工程,2009,29(2):155-159.

[11] Davies E R.Machine V ision:Theory,Algorithm s,Practicalities[M].Beijing:Posts&Telecom Press,2009.

[12] Chalimourda A,Smola A.Experimentally Op timal in Support Vector Regression for Different NoiseModels and Parameter Settings[J].Neural Netw orks,2004,17(1):127-141.

Steel Sur face Defect Recognition Based on Support Vector Machine and Image Processing

Tang Bo Kong Jianyi Wang Xingdong Chen Li
Wuhan University of Science and Technology,Wuhan,430081

Based onm achine vision technology a steel plate surface defect detectionwas discussed.The characteristic values for six kinds of typical steel plate surface defect images were extracted and the dimensions reduced reasonably form 32 to 20.The principles and algorithm of SVM were introduced,and the method to classify the six kinds of steel plate surface defects using SVM was presented.The op tim ization of important param eters was obtained.The steel surface defect images have been classified with SVM,and then com pared w ith a BP neural network algorithm.The results show that classification o f steel strip surface defects based on SVM theory is effective,fast and robust.

steel p late surface defect;support vector machine(SVM);recognition and classification;image processing

TP391.4;TF345.3

1004—132X(2011)12—1402—04

2010—08—18

高等学校博士学科点专项科研基金资助项目(20104219110001);武汉市科技攻关资助项目(200910321100);武汉科技大学青年科技骨干培育计划资助项目(2009xz24)

(编辑 何成根)

汤 勃,男,1973年生。武汉科技大学机械自动化学院博士研究生。主要研究方向为智能设计与控制。孔建益,男,1961年生。武汉科技大学机械自动化学院教授、博士研究生导师。王兴东,男,1970年生。武汉科技大学机械自动化学院副教授。陈 黎,男,1977年生。武汉科技大学计算机科学与技术学院副教授。