一种基于机器学习的汽车涂胶缺陷检测研究

朱立忠,陈美洋

(沈阳理工大学 自动化与电气工程学院,沈阳 110159)

随着经济的发展,人们对交通工具的需求越来越高,在汽车生产过程中,胶粘剂密封胶[1]是重要角色。就涂胶工艺而言,达标的技术能提高汽车的寿命,相反,不合格的技术则会带来消极影响。当涂胶出现缺口、漏涂、断胶时,会影响汽车的使用寿命、安全性能等等。传统涂胶质量的检查主要靠人工检测,缺点是会造成一致性差、工作效率低等结果。

为了取代传统的人工检测方法，王亚运运用BP神经网络进行汽车涂胶图像分类[2]；韦帅利用了Harris角点检测算法结合逻辑回归对涂胶进行检测识别[3]；金亦挺运用CPDA自适应角点检测算法结合模板匹配对涂胶进行检测[4]。其中文献[2-3]运用不同的神经网络进行检测,但识别率不高,效果也不是很理想。文献[4]利用传统检测方法模板匹配来识别和判断涂胶的完整度，识别率还算可以,但效率不高。

为解决以上方法中存在的缺点,提出一种基于快速模板匹配和SVM分类器的级联判别方法,首次将LBP 特征应用于汽车涂胶图像的特征提取,在识别率和检测速度方面有了很大的提高。

1 汽车涂胶采集系统设计

视觉检测系统是以图像采集为基础,只有在图像采集准确无误的基础上,视觉检测系统方能提供有效信息,便于检测。采集系统主要包括电荷耦合器件(CCD)相机[5]、照明光源和镜头等部分。光源以低角度环形光主。其中,相机采取800×600 的像素,精确值达80帧/s,镜头采用220mm的工作距离,以24mm×18mm为视场标准。光源以低角度环形光为主,使其发挥无影特性,便于曝光涂胶缺陷的具体位置。随后,将侦测的到信息及图像传到计算机上。

图1 摄像头安装示意图

2 图像预处理

为了更好的识别汽车涂胶图像,并提高实验的准确率,需要对图像进行预处理。

2.1 最大间类方差法阈值分割

二值化处理以去除无用信息为主要手段,通过增强图像对比度来找出缺口,具有实际操作效果。二值化的函数表达式

(1)

式中：T为指定的阈值；f(x)为阈值运算前图像；g(x)为阈值运算后的图像。最常用的分割算法是图像的阈值分割，阀值分割过程如图2所示。

图2 分割过程流程图

经过多年的研究得出了很多分割方法,现如今被广泛运用于实践中的有最小误差法、最大熵法和最大类间方差法等。最大类间方差法[6]以聚类为主要操作理念,已达到同类差异大,同级差别小的目的,主要以方差计算灰度级为主要分类方式。在此基础上,将算法融入二值化处理中使得工作效率得到了很大提高。算法控制的因素较少便于实际操作。所以,使用最大类间方差法可以减少错分概率。阈值分割如图3所示。

图3 阈值分割处理图像

2.2 多分辨率高斯金字塔分解

多分辨率高斯金字塔分解指的是对模板图像和采集的图像进行向下采样和高斯平滑，该方法可以提高后续由粗到细进行模板匹配的精度，方程如下。

(2)

L(x,y,σ)=G(x,y,σ)×I(x,y)

(3)

式中：(x,y)为像素坐标值;σ为采样系数;G(x,y,σ)为高斯核函数;I(x,y)为原图像函数;L(x,y,σ)为高斯分解后函数。

3 汽车涂胶缺陷的初次判断

初次判断主要针对存在比较明显缺陷的汽车涂胶,采用快速模板匹配对汽车涂胶图像进行配准,以便检测目标物体的完整性并计算相似值,将相似值与实际的值比较,将涂胶不达标的去除。最后,针对不达标的汽车涂胶,对其进行相关数据分析以便于寻找提高汽车质量的措施。

图4 金字塔图像

本文采用的检测算法为SSDA[8]结合金字塔算法。用等比例降采样[9]方法将目标图像和模板图像进行处理,最大8倍降采样,一个单位为2倍。从最小分辨率开始进行SSDA采样。由于分辨率较低的原因,所以在上一层对应的粗匹配位置附近进行SSDA采样,获得概率更大的采样点。直到整个匹配过程得到最大分辨率。匹配率低于80%的涂胶图像判断为有缺陷的涂胶。高于80%的将会进入二次判断,匹配效果如图5所示。

图5 模板匹配实验结果

4 汽车涂胶缺陷的二次判断

4.1 改进的 LBP特征提取

初次判断只能判断出比较明显的缺陷涂胶,对于涂胶缺陷不是很明显的图像需要进行二次判断。将基于改进的LBP特征提取算法[10]即等价模式LBP应用于本文中，对于纹理特征提取有很好的效果。

未改进的LBP特征作用在3×3的邻域范围内,将邻域像素与中心像素灰度值进行比较，若邻域灰度值比中心灰度值大,该邻域像素取值为1,反之则取值为0。这样,会产生8个二进制数。将这8个数据按顺时针排列产生的值即为中心像素的LBP特征值。其表达式如下。

(4)

L=s(g0-gc),s(g1-gc),…,s(gp-1-gc)

(5)

式中：gc为任意像素点值;g0、g1、…、gp-1为所在邻域的其他P个点像素值;L表示所的到的二进制数列;s(x)为比较函数。

原始的LBP特征只是LBP特征发展的雏形,在实用性上还有欠缺,缺乏旋转不变性且特征维数过高,计算速度慢,因此原始LBP的识别效果不是很理想。

为了增强识别率，本文提出等价模式LBP,描述为LBP所对应的循环二进制数首尾相连,若从0到1或从1到0跳变次数最多两次，称该LBP特征值为一个等价模式类，其余的称之为混合模式类，表达式如下。

(6)

U=|s(gp-1-gc)-s(g0-gc)|+

(7)

式中,U为跳变次数;P为像素值。

这样二进制模式种类会减少很多，特征向量的维数也有所降低,由256维降至59维，大大的提高了识别速度。

4.2 基于SVM的汽车涂胶识别

4.2.1 最优超平面

SVM是一种高效机器学习方法,其基础是以VC维理论和构造风险最小化,替代了传统风险最小化问题。在样本数量不足的情况下SVM训练效果较好,准确率高,效率快。对采集的汽车涂胶样本进行预处理后提取LBP特征。将LBP特征直方图送至SVM分类器进行训练。

SVM的优势是处理二分类问题。寻找二分类的超平面是最大的问题。超平面两侧最近点到平面的距离相等。超平面表达式为

wx+b=0

(8)

对于正类样本,要求

(w·xi+b)≥1i=1,…,k

(9)

对于负类样本,要求

(w·xi+b)≤-1i=1,…,k

(10)

式中:w·xi是向量点积;w为n维向量;b为偏移量。图6为超平面示意图。

图6中H为两类样本的最优分类线，H1和H2分别为与最优分类线平行的且最近的直线,H1与H2直接距离为分类间隔，即margin；SVM最优超平面要求margin=2/‖w‖。

4.2.2 核函数

SVM选取正确的核函数是成功的关键。核函数是定义一个对称K函数:Rn×Rn→R,即将两个Rn空间中的n维向量映射为一个实数。

K(xi,xj)=ψ(xi)·ψ(xj)

(12)

式中:ψ表示从x到内积特征空间F的映射;xi和xj表示变换之前的两个向量。常用的核函数有以下几种。

(1)多项式核函数:

K(x,y)=[(xy+1]d

(13)

式中：x和y表示坐标点;d表示内积维数。

(2)径向基形式核函数:

(14)

式中δ表示核函数系数。

(3)Sigmoid行核函数:

K(x,y)=tanh(b(xy)+c)

(15)

式中：b和c表示常量。

5 实验结果

5.1 初次判断试验结果和分析

图7表示的是 20 个经过涂胶缺陷处理后的数据。

其中横坐标表示汽车涂胶缺陷图像序号,纵坐标表示涂胶模板匹配相似度。根据图7中的信息,不难发现缺陷涂胶图像的相似度一般情况下低于 65%。

图7 有缺陷的汽车涂胶匹配相似度

图8表示的是20个正常的涂胶经过处理后的相似度。

图8 完好的汽车涂胶匹配相似度

其中横坐标表示汽车涂胶图像序号,纵坐标表示涂胶模板匹配相似度。根据图8的相关分析,不难发现完好涂胶图像的相似度都高于80%。

5.2 二次判断试验结果和分析

正样本采集无缺陷的汽车涂胶图片,负样本采集漏涂、断胶、以及涂胶不够宽和超宽的缺陷涂胶图像。正负样本各300张,用于训练。正负样本各75张,用于测试。这些样本是在不同的光照强度下采集到的。图9为涂胶正负样本示例。

通过 Matlab 图像处理模块对训练样本集进行批量 LBP特征提取并输出特征矩阵,组成训练特征数据集及预测数据集。其后对于训练的模型用已知样本标签的预测集去测试模型的有效性。把样本标签和与之对应的训练特征集输入到 SVM 中进行训练,实验结果如图10所示。

为了增强识别率,运用5种不同的核函数分别对样本进行分类训练,其结果如表1所示。

图9 汽车涂胶样本示例

图10 涂胶图像特征提取图

识别率/%最优参数线性核函数85RBF核函数94.5δ=0.125多项式核函数88.9μ=0.1Sigmoid核函数90.1d=2多核函数95δ=0.25,μ=0.1,d=2

实验表明采用多核函数的识别效果最好，识别率达95%，可以满足工业精度要求，其中对胶线的漏涂、过宽、过细分类效果较好。提取特征属性和核函数的选择对准确率的影响起决定性因素。如想提高准确率,就要对汽车涂胶的特征进行深入研究,并且选择合适的核函数。

6 结束语

本文研究了一种模板匹配与基于SVM分类器级联的两步检测方法，提取汽车涂胶图像的LBP特征，选择了最优的核函数,提高了检测精度,完成了对汽车涂胶缺陷的检测。该方法与传统的模板匹配相比准确率更高,并且效率也有很大提升。