基于SVM的玻璃瓶缺陷分类算法研究

鲁可，石庆升，张晓东

（河南工业大学电气工程学院，河南　郑州　450007）

基于SVM的玻璃瓶缺陷分类算法研究

鲁可，石庆升，张晓东

（河南工业大学电气工程学院，河南郑州450007）

针对玻璃瓶质量检测系统缺陷分类难的问题，选取气泡、结石、裂纹、污点、皱纹这五种常见的缺陷作为分类目标，从研究每种缺陷的图像特征入手，提出了七个统计特征作为分类器的输入特征向量，根据该分类问题的特点构建SVM分类器，采用现场采集的缺陷图像样本对SVM分类器进行训练和测试。实验结果表明：设计的SVM分类器识别率较高，适合玻璃瓶缺陷图像分类。

玻璃瓶缺陷图像；特征提取；缺陷分类；支持向量机

0　引言

玻璃瓶广泛应用于生物制药、食品饮料、日化用品的包装，与人民的生活密切相关。同时，玻璃瓶因其易碎、易破的特性以及容易产生爆炸造成人身伤害的问题，从而使玻璃瓶制造业成为质量要求很高的行业［1］。在质量控制方面，从本世纪初期开始，国内的一些大型玻璃瓶生产企业开始引进国外的基于机器视觉技术的质量检测系统，同时国内的一些研究院所和单位也开始研发类似的玻璃瓶质量在线检测系统，并取得了较大的成果［2］。

当前国内外的玻璃瓶质量检测设备还只是注重于废品的剔除率，而对剔除的废品很少能够按照实际的缺陷类型进行准确的分类。从现有的资料来看，应用图像识别和分类算法进行玻璃瓶缺陷分类在国内还是空白，当前投入实际应用的玻璃瓶检验机的缺陷分类功能还只是简单的基于几何特征的粗略分类，这种分类对用户只有一定的参考意义，与用户的实际需求还有很大的差距。

本文基于支持向量机（SVM），提出一种玻璃瓶缺陷的分类、识别方法。首先以采集好的玻璃瓶缺陷图像作为研究图像，分析各种缺陷的图像特征，提出面积、倾斜度、长宽比、离心率、填充度、密实度、灰度方差等七个具有较好区分度的特征属性作为输入特征向量，对SVM分类器进行反复训练，最后用测试样本对训练好的分类器进行识别检验。实验结果表明，该分类器识别率较高，在一定程度上可以对常见的玻璃瓶缺陷进行精确的分类。

1　玻璃瓶缺陷图像的特征提取

玻璃瓶缺陷种类繁多，为了使研究更有针对性和实用性，本文选取气泡、结石、裂纹、污点、皱纹这五种最常见的最有代表性的外观缺陷作为识别分类目标。为了研究玻璃瓶缺陷分类算法，首先需要从研究玻璃瓶图像特点出发，对每种缺陷的特征进行分析，提出对上述五种典型玻璃瓶缺陷具有较强可分性的缺陷特征集。

1.1玻璃瓶缺陷特点分析

图1是气泡、结石、裂纹、污点、皱纹这五种缺陷的典型样本图像。通过对收集的大量的气泡、结石、裂纹、污点、皱纹等缺陷样本的观察研究，这几种玻璃瓶缺陷主要呈现以下几个特点：①气泡主要呈圆形或椭圆形，从水平方向看主轴倾斜角为90°，缺陷主体占的比重比较大，往往占有效点85%以上，亮度比较高，内部均匀，边缘平滑清晰；②结石主要呈圆形，面积较小，缺陷主体占的比重接近100%，亮度比较低，内部均匀，边缘尖锐清晰；③裂纹主要呈长条状，主轴方向不定，亮度比较低，边缘尖锐清晰；④污点形状不定，内部灰度不均匀，整体亮度较低，边缘不清晰，主轴方向不定；⑤皱纹呈条状，并且一般是由平行的几段条状连通区域组成，各个条状连通区域的主轴倾斜角为0°，之间的间隔较小。

图1　缺陷图例Fig.1 Examples of defects

1.2玻璃瓶缺陷特征选取

图像特征包括灰度特征、几何特征、统计规律特征等，在进行图像分割时主要使用灰度特征，在进行缺陷特征提取时，目前一般使用的是与几何形状相关的特征，如面积、周长、长度、宽度等，这些特征物理含义明确，计算简单，对于具有特定大小和形状的缺陷可以比较准确的识别出来，但对目标形状和大小比较敏感，这对形状各异的玻璃瓶缺陷表达力就不够，还需要提取其它更具代表性的特征。在图像识别领域，图像矩是建立在对一个区域内部灰度值分布的统计分析基础上的，是一种统计分析的描述，它可以从全局观点描述对象的整体特征，因此其具有良好的统计不变性，依据图像矩提取的统计特征受目标的位置、角度、尺度变化影响较小，具有平移不变性、旋转不变性和尺度不变性的特点，在进行玻璃瓶缺陷分类时具有较好的可分性［3］。

基于以上分析，本文根据玻璃瓶缺陷的特点，提出面积、倾斜度、长宽比、离心率、填充度、密实度、灰度方差等7个具有较好区分度的特征属性作为机器学习的输入特征向量，这些特征描述的是图像整体的分布，避开了同类缺陷因局部像素带来的特征差异，具有很好的容差性，可以最大限度的提升特征的描述能力。

（1）面积：在图像处理中，面积一般用目标所占的像素数目来描述，缺陷的面积是缺陷严重程度的一个重要量度。

（2）倾斜度：用来描述缺陷像素整体走向的物理量，一般用最小外接椭圆的主轴角度来衡量。

（3）长宽比：用来区分缺陷为点状缺陷或条状缺陷，一般用外接矩形的长度和宽度之比来衡量。

（4）离心率：用来描述缺陷的扁平程度，一般用最小外接椭圆的长轴和短轴之比来衡量，离心率越大，缺陷越细长。

（5）填充度：表示缺陷的面积与缺陷外接矩形的面积比，可用来衡量缺陷主体占比的程度。

（6）密实度：用L表示区域的周长，用A表示区域的面积，则密实度C的定义为：。当区域是实心圆形时，密实度是1，当区域是长条形或者区域内部含有空洞时，密实度大于1，区域越细长，或者空洞面积越大，密实度就越大。因此密实度可以作为区分结石和裂纹、气泡的参考值。

（7）灰度方差：主要反应了缺陷有效区域内灰度集中的程度，也用来衡量边缘清晰度，前边的六个特征都反映的是区域的形态特征，灰度方差可以来表征缺陷的灰度特征。

对于每个样本图像，将提取出这七个特征向量作为SVM分类器的输入特征向量，用于分类器的训练和识别。

2　玻璃瓶缺陷分类器设计

支持向量机（SVM）是一种有监督式学习的方法，它广泛地应用于统计分类以及回归分析中，SVM是建立在统计学习理论的VC维理论和结构风险最小化原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的泛化能力。SVM分类方法的基本思想是通过一个非线性映射，将特征向量映射到一个更高维的空间，在这个空间里建立一个最大间隔超平面，使得在原来的样本空间中非线性不可分的问题转化为在特征空间中的线性可分的问题［4］。

SVM分类器的设计需要对输入特征向量个数、输出类型个数、核函数类型、多类组合判决方式等参数进行设置。在本文中，选用了缺陷图像的面积、倾斜度、长宽比、离心率、填充度、密实度、灰度方差等七个特征向量，需要分成裂纹、结石、气泡、污点、皱纹等五种缺陷类型，因此，输入特征向量个数为7，输出类型个数为5。在核函数的选择上，鉴于径向基核函数（RBF）的光滑性和泛化作用，本文选用RBF核函数。在多类组合判决方式上，有一对多的最大响应方法和一对一的投票方法可以选择，对于五类的玻璃瓶缺陷，一对多的最大响应方法需要构成5个SVM二分器，一对一的投票方法需要构成10个SVM二分器，本文通过试验法来确定最终选择哪种方法。

3　实验及结果

在本文中，针对裂纹、结石、气泡、污点、皱纹这五种缺陷，每种缺陷都选取了50个样本，从中随机选取25个来进行训练，其余25个用来进行测试。因此训练集共计有125个样本，即125组特征向量，测试集也有125个样本。特征向量的计算和分类器的训练及测试都采用德国MVTec公司的图像处理库HALCON 11.0中相应的库函数来实现。

首先对每个样本图像都计算出对应的七个特征向量，然后将训练集中的125组特征向量逐一添加到SVM分类器中进行训练，训练终止误差设置为0.001。训练完成之后，再使用分类器对测试集中的样本逐一进行分类测试，统计测试误差。

为了选择效果最好的多类组合判决方式，分别使用一对多的最大响应方法、一对一的投票方法，训练SVM分类器，测试结果如表1所示。

表1　不同多类判决方法的测试结果Tab.1 Test Results of different multi-class decision method

从上面的结果可以看出，一对多的最大响应方法错误率较低。表2是使用是一对多的最大响应方法对测试集的详细分类结果：

从表2可以看出，本文设计的SVM分类器分类正确率可以达到84%，成功率较高。其中对污点的分类效果最好，对结石的分类效果最差，这也跟有些结石的图像特征与气泡、污点比较相近有关。同样也说明，特征属性的选择和训练样本的质量将直接决定分类器训练效果的好坏，想要得到较好的分类效果，就要仔细对缺陷的特征进行研究，选取的特征向量要对缺陷有良好的描述性，选用的训练样本集也要能较好反映全部样本的空间分布规律。

表2　SVM对测试集分类结果Tab.2 Classification results of the test set on SVM

4　结束语

本文通过提取玻璃瓶缺陷图像的七种统计特征，并设计了相应的SVM分类器，对常见的五种玻璃瓶缺陷进行了分类。实验数据及结果表明：选取的七种特征较好的反映了玻璃瓶缺陷的空间分布规律，对缺陷具有良好的描述性，设计的SVM分类器对玻璃瓶常见缺陷的识别率较高，可以在一定程度上解决玻璃瓶质量检测系统缺陷分类难的问题。但除了这五种常见缺陷之外，在玻璃瓶生产过程中还会产生结瘤、飞翅、异形等其他类型的缺陷，下一步还将对其他的玻璃瓶缺陷图像进行研究，完善基于SVM的缺陷分类算法。

［1］徐美君.2015年全球玻璃包装市场将超过360亿美元［J］.玻璃与搪瓷，2011，4.

［2］覃毅.基于机器视觉技术的玻璃瓶的质量检测方法［J］.广西质量监督导报，2008，8.

［3］刘怀广.浮法玻璃缺陷在线识别算法的研究及系统实现［D］.武汉：华中科技大学，2011.

［4］刘厚鹏，苗长云，李现国.基于SVM的输送带钢丝绳芯图像的缺陷分类［J］.现代计算机，2012，20.

Research on the Defect Classification of Glass Bottle Based on SVM Classifier

LU Ke，SHI Qing-Sheng，ZHANG Xiao-Dong
（Henan University of Technology，College of Electrical Engineering，Zhengzhou Henan 450007，China）

Aiming at the defects classification of glass bottle inspection system，five common defects（blister，stone，crack，dirt and crinkle）are chosen.Based on the image features of every defect，seven statistical features are put forward as input feature vector of classifier.According to the characteristic of such classification problem，SVM classifier is constructed，trained and test.The experimental result shows that the SVM classifier has high identification accuracy，and is suitable for the defect classification of glass bottle image.

glass bottle defects image；feature extraction；defect classification；SVM

TP273

A

10.3969/j.issn.1002-6673.2015.01.008

1002-6673（2015）01-023-03

2014-09-28

鲁可（1981-），女，河南新郑人，讲师，工学硕士。主要从事软件技术和嵌入式技术方面的研究，已发表论文十一篇。