基于计算机视觉铝型材喷涂质量检测

胡继文,　岳晓峰

(长春工业大学 机电工程学院， 吉林 长春　130012)



基于计算机视觉铝型材喷涂质量检测

胡继文,岳晓峰*

(长春工业大学 机电工程学院， 吉林 长春130012)

摘要：基于Gabor滤波和支持向量机(SVM)质量检测原理，首先对铝型材喷涂表面的图像进行归一化处理，然后利用Gabor滤波对其进行纹理分析，将提取到的能量和方差纹理特征作为支持向量机的输入进行训练和学习，最后利用支持向量机分类检测，从而分出大砂和细砂产品。实验结果表明，该方法具有实用性和可行性。

关键词：纹理分析； 特征提取； Gabor滤波； SVM

0引言

在自然界中物体都具有形形色色的纹理，这使得纹理成为图像非常重要的视觉特征。纹理分析在计算机视觉的相关领域里得到了广泛应用,但基于纹理分析的铝型材喷涂表面质量研究还是很少。目前铝型材企业表面喷涂都采用粉末喷涂[1]，它是利用静电喷塑机将粉末涂料喷涂到铝型材工件的表面，然后在静电作用下，使粉末均匀地相互吸附于工件表面，形成所需要的涂层。在喷涂过程中粉末相互间吸附力不同，铝型材表面形成的颗粒大小和均匀性也不同，造成喷涂质量有好有坏。其喷涂质量都是通过人眼检测，在质检过程中，主要取决于铝型材表面涂层的颗粒大小和表面粗糙度。颗粒大，表面粗糙，被称为大砂(也就是不合格品);颗粒小，表面细化均匀，被称为细砂(合格品)。评判产品是否合格完全凭借工人的经验，没有一个统一的标准,这对于新手而言或者遇到人眼难以区分的产品时，检测很容易出错。针对这种情况，文中从计算机视觉的角度出发，利用纹理分析的方法,通过Gabor滤波器提取铝型材喷涂表面的纹理特征信息，将其纹理特征作为支持向量机的输入进行训练学习，最后利用SVM分类，分出合格产品和不合格产品。

1铝型材表面喷涂质量检测系统的构建

在铝型材表面喷涂质量检测的过程中，根据其表面纹理特性将其分为大砂和细砂，即合格与不合格产品，显然这是二类分类问题。因此，可以将铝型材喷涂表面质量检测问题转化到根据铝型材喷涂表面的纹理特性进行纹理分类，从而达到质量检测的目的。为了检测多尺度、不同位置的纹理，首先利用扫描仪多次随机采集一小块局部纹理信息，其次将输入图像按一定比例压缩进行图像处理，然后利用Gabor滤波器提取铝型材喷涂表面的纹理特征值，使用SVM进行分类，最后分出大砂产品和细砂产品。铝型材喷涂表面质量检测系统框架如图1所示。

图1　铝型材质量检测系统框架

2基于Gabor滤波的纹理特征提取

Gabor函数[2]可以捕捉到相当多的纹理信息，具有极佳的空间、频率联合分辨率，因此在实际应用中获得较广泛应用。它不仅可以在频域不同尺度、不同方向上提取相关的特征，而且用Gabor函数形成的二维Gabor滤波器具有在空间域和频率域同时具有最优局部化特征。同时，Gabor函数与人眼的生物作用相仿，所以经常用于纹理识别。文中采用二维Gabor函数形式：

(1)

其中

(2)

(3)

(4)

利用Gabor函数进行变换时，发现能量和方差对不同铝型材表面喷涂质量变化比较明显，于是采用能量和方差来反映图像纹理特征。在实际生产中，一般采用CCD相机作为图像采集设备，文中主要侧重于对铝型材喷涂表面图像检测方法的理论研究，由于高分辨率的CCD相机成本较高，考虑到采集图像设备的性价比和效果，实验室选择了最大分辨率为4 800×9 600dpi的惠普G4050平板式扫描仪。首先利用扫描仪随机采集铝型材喷涂表面一小块区域，将其扫描成300×300的图像，再把它分割成16帧64×64的子图像，随机选取9帧子图像，然后采用Matlab编程对图像进行Gabor滤波，将提取方差和能量存放在特征向量中。滤波后的大砂和细砂图像如图2所示。

(a) 大砂　　　　　(b) 大砂Gabor滤波后

(c) 细砂　　　　　(d) 细砂Gabor滤波后

3基于支持向量机的纹理分类

支持向量机是Vapnik[3]等提出的一种基于结构最小化原理的统计学习方法，能够很好地解决小样本学习、非线性以及高维模式识别等问题。SVM作为一种训练机器学习算法，常常被用来解决分类问题。因为它不仅能够很好地避免维数灾难问题，而且所需要的样本也很少，具有良好的鲁棒性。其分类的主要思想[4]是寻找一个最优分类面，在保证最小分类错误率的情况下将两类分开，同时保证两类分类间隔距离最大。

支持向量机示意图如图3所示。

(a) 线性SVM(b) 非线性SVM

图3支持向量机示意图

支持向量机是从线性可分情况下的最优分类面发展而来的,对于线性可分的情况，可用两维情况说明在线性可分的二类问题(见图3(a))，此时的分类面是一条直线。图3(a)中方形点和圆形点表示两类样本，H为分类线，H1、H2分别为过各类中离分类最近的样本，并且平行于分类线的直线，H1和H2之间的距离就是所说的分类间隔(margin)。假设线性可分样本集(xi,yj)，i=1,2,…,n,x∈Rd，y∈{-1,+1}。d维空间中的线性判别函数：f(x)=wx+b，分类面方差为wx+b=0。我们可以对样本集进行归一化，让其满足约束条件：

此时的分类间隔就等于2/‖w‖，当‖w‖取最小值时，2/‖w‖值就最大。当样本集(xi,yj)满足上述约束条件时，此时的分类面被称为最优分类面，同时H1、H2上的点被称作支持向量。最优分类面问题可以转化为如下表示的约束优化问题：

(5)

式中：g(x)----函数的符号，决定x的分类；

k(xi,yj)----核函数；

ai、b----最优超平面的参数，可以根据最优化理论通过求解二次规划问题得到。

由式(5)可知，所有非支持向量对应的ai都为零，所以只需找出不为零的ai点，即最优分类面上的支持向量。

对于线性不可分的情况，可通过利用特征映射的方法将输入特征空间映射到一个新的高维特征空间，然后在新的高维特征空间中重新构造线性判别函数来实现原空间中的非线性判别函数，最后求取最优线性分类面，最终实现线性不可分转化为线性可分。对于构造判别函数，可以通过引入松弛变量，在求解最优解的限制条件过程中，加入对松弛变量惩罚因子C。从图3(b)可以看出，左边线性不可分，通过特征映射之后变为右边的线性可分。通常对于低维空间向量集难于划分的问题，一般解决的方法是将它们映射到高维空间。但是这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题，有效避免了维数灾难问题。在SVM理论中，SVM的关键点在于核函数[5]，采用不同的核函数将导致不同的SVM算法，所以选择合适的核函数尤为重要。

一般常用的核函数有以下几种：

1)线性核函数：

2)多项式核函数：

3)径向基核函数(RBF)：

式中：σ----高斯函数宽度。

4)二层神经网络核函数：

实验在选择核函数之前，首先对这4种核函数分别进行了分类精度的测试，测试结果发现，径向基核函数分类准确度最高，二层神经网络核函数分类准确度最低，于是文中实验SVM的核函数选择了径向基核函数(RBF)，然后在分类测试过程中对径向基核函数的惩罚因子C(C越大表示对错误分类的惩罚越大)和σ进行交叉验证，发现取C为200，σ为0.01时分类的准确度最高。故惩罚因子C取200，σ取0.01。

4实验结果与分析

支持向量机采用台湾大学林智仁等开发设计的LIBSVM[6]工具箱，在实验过程中使用Matlab进行编程，实现铝型材喷涂表面的纹理特征提取，以及利用支持向量机对其进行训练和分类。实验采集了大砂和细砂的铝型材各50张作为样本进行训练学习，为了检测分类效果，采集200张图像进行分类，然后从中随机抽取将图片分成3组，每组50张，其中大砂和细砂各25张。分类效果如图4所示。

图4　大砂和细砂分类效果图

铝型材分类的准确率计算公式为：

(6)

式中：a----正确分类数目；

b----样本总数目。

文中又与神经网络[7]、SVM分类[8]的出错率进行比较，见表1。

表1　采用不同分类器的错误率　　　　　　　　　　　　　　　　　%

从表1可知，当从大砂和细砂图像中各采集200张图片进行训练时，大砂平均分类精度能够达到87.0%，细砂平均分类精度能够达到91.8%。同时，从表中也可以看出，识别细砂的分类精度要高于大砂的分类精度。为了验证训练样本数对分类精度的影响，文中对此做了初步测试，发现随着训练样本数量增加，支持向量机的分类准确率也随之增加，当从大砂和细砂图像中各采集500张图片时，铝型材表面喷涂质量的分类准确率可达到94.3%左右。

5结语

结合实际生产需要，在铝型材喷涂表面质量检测方面首次采用机器视觉的方法,实现对铝型材喷涂质量进行分类，对其自动化检测起促进作用。实验过程中,首先利用Gabor滤波提取铝型材喷涂表面纹理特征，将得到的能量和方差作为支持向量机的输入，然后用支持向量机对铝型材表面喷涂质量进行训练与分类。结果表明,该方法是行之有效的，能够达到分类效果。但还是存在着不足，分类精度还不够高，如何进一步提高铝型材表面喷涂图像的分类精度将是下一步研究的重点。

参考文献：

[1]Hedayati M, Salehi M, Bagheri R. et al. Tribological and mechanical properties of amorphous and semi-crystalline PEEK/SiO2nanocomposite coatings deposited on the plain carbon steel by electrostatic powder spray technique [J]. Progress in Organic Coatings: An International Review Journal,2012,74(1):50-58.

[2]Gabor D． Theory of communication [J]. Journal of the Institute of Electrical Engineers,1946,93(26)：429-457.

[3]Vapnik V N. Statistical learning theory [M]. New York: Wiley,1998.

[4]解洪胜,张虹,徐秀,等.基于复小波和支持向量机的纹理分类法[J].计算机应用研究,2008,25(5):1573-1575,1578.

[5]Campbell C． An introduction to kernel methods [J]. Radial Basis Function Networks：Design and appfications,2000(2)：45-56.

[6]Chang C C, Lin C J. LIBSVM: a library for support vector machines[EB/OL]. [2016-01-15]. http://www.csie.ntu.edu.tw/～cjlin/libsvm/.

[7]李文学，李慧，贺琳，等.BP神经网络在非线性时间序列预测中的应用[J].长春工业大学学报:自然科学版，2003,24(3):39-40.

[8]程思宁，武丹丹，张俊芬，等.基于小波分析的人脸识别算法[J].长春工业大学学报:自然科学版，2006,27(1):4-7.

Detection of aluminum coatingqualitybased on computer vision

HU Jiwen,YUE Xiaofeng*

(School of Mechanical and Electrical Engineering, Changchun University of Technology, Changchun 130012， China)

Abstract：Based on the principle of Gabor filtering and texture analysis of Support Vector Machine (SVM), the surface images of aluminum coating are normalized and then their texture are analyzed with Gabor filter. Both the extracted energy and texture variance are input to SVM for training and learning. The SVM makes classification and output the big sand and fine sand products. Experimental results show that the method is practical and feasible.

Key words：texture analysis; feature extraction; Gabor filter; SVM.

收稿日期：2016-01-15

基金项目：吉林省科技发展计划基金资助项目(20120351)

作者简介：胡继文(1988-)，男，汉族，河南信阳人，长春工业大学硕士研究生，主要从事机器视觉及智能检测方向研究,E-mail:314535209@qq.com. *通讯作者：岳晓峰(1971-)，男，汉族，吉林通化人，长春工业大学教授，博士，主要从事机器视觉及智能检测方向研究,E-mail:yuexiaofeng@ccut.edu.cn.

DOI:10.15923/j.cnki.cn22-1382/t.2016.2.02

中图分类号：TP 391

文献标志码：A

文章编号：1674-1374(2016)02-0110-05