虞佳佳 張 耀 呂 俊

(浙江機電職業(yè)技術(shù)學(xué)院，浙江 杭州310053)

磁瓦是一種主要用于電機中的瓦狀磁鐵，磁瓦代替電勵磁使電機具有結(jié)構(gòu)簡單、維修方便、重量輕、體積小、用銅量少、銅耗低、能耗小等優(yōu)點。其表面的缺陷會直接影響電動機的性能和壽命，因此其生產(chǎn)過程中的缺陷檢測具有十分重要的意義［1］。產(chǎn)品的缺陷、幾何尺寸檢測，傳統(tǒng)上一般依靠人眼去判斷即人工目測法，用各種量具去量測，檢測效果受操作人員的影響較大，且效率低下，不能滿足現(xiàn)代工業(yè)上的需求。

視覺檢測是機器視覺應(yīng)用于測量領(lǐng)域的重要分支，從一般的視覺檢測概念和方法出發(fā)，把研究的重點放在定量的幾何尺寸檢測方面，基于機器視覺的三維幾何尺寸檢測技術(shù)國內(nèi)外已經(jīng)有一定的研究基礎(chǔ)［2］。目前基于機器視覺的檢測方法已成為食品、電子、鋼板、汽車等領(lǐng)域缺陷檢測和幾何尺寸測量的一個發(fā)展方向［3-4］，通過高靈敏度的攝像頭，光學(xué)成像上采用明域與暗域成像相結(jié)合等成像方式，圖像數(shù)據(jù)上傳計算機進行表面圖像采集、處理和缺陷分類［5］。

相對于目前已經(jīng)較廣泛應(yīng)用機器視覺檢測缺陷的領(lǐng)域，基于機器視覺的小型金屬零件缺陷檢測和幾何尺寸尚在起步階段，小型金屬零件表面缺陷主要包括破角、切割痕、凹坑、針孔、污斑、劃痕等，具有多樣性、復(fù)雜性等特點，缺陷更為細微，檢測要求更高［6-7］，以致對其檢測方法的研究一直以來沒有得到實質(zhì)性的進展;小型金屬零件幾何尺寸測量中存在非標(biāo)產(chǎn)品類型多，形狀不規(guī)則，不能用統(tǒng)一的三維模型進行有效測量，而且國內(nèi)外從事此類研究工作的較少。小型金屬零件質(zhì)量在線檢測通常在流水線上完成逐個檢測，要求速度快，機構(gòu)簡單，其對攝像頭、光源及處理工件圖像的效率、動態(tài)性能等要求就更高，因此迫切需要進行基于機器視覺的小型金屬零件質(zhì)量在線檢測技術(shù)的研究。

本文提出了一種基于支持向量機(SVM)和機器視覺的磁瓦缺陷的檢測方法.

1 磁瓦缺陷圖像的信息提取

圖1 是本系統(tǒng)采集到的磁瓦側(cè)面缺陷和正常的典型圖，從圖中可以看出，缺陷類型在形態(tài)上的差別較大，如果能有效實現(xiàn)磁瓦缺陷圖像的預(yù)處理，提取磁瓦缺陷信息，可以通過采用特征參量分類的方法實現(xiàn)磁瓦缺陷的分類。

1.1 磁瓦缺陷部分圖像的提取

本文對磁瓦圖像缺陷信息的提取步驟包括如下:

(1)對圖像批量進行圖像預(yù)處理，通過布特沃斯(butterworth)低通濾波算法實現(xiàn)噪聲減少噪聲影響，在通過銳化處理增強目標(biāo)對象的細節(jié)部分。

圖1 磁瓦側(cè)面缺陷和正常的典型圖

圖2 通過閾值處理后的零件正常部分信息

(2)采用相同閾值條件后對圖像批量分割，在本批數(shù)據(jù)中通過各種驗證采用0.6 閾值點進行分割。得到如圖2 的不同缺陷或正常情況下的零件正常部分信息?？梢钥吹酵ㄟ^該閾值方法后漏磨的部分信息被消除，需要后續(xù)進一步提取。

(3)采用相同結(jié)構(gòu)元素對圖像批量進行形態(tài)學(xué)的腐蝕和膨脹處理，在本批數(shù)據(jù)中通過驗證采用SE2 =strel('diamond'，3)的結(jié)構(gòu)元素對圖像進行腐蝕和膨脹處理，得到如圖3。

(4)考慮缺陷信息的特點，本文采用Matlab 中圖像補缺函數(shù)imfill 對缺陷信息補全。得到如圖4。

從圖4 中我們可以看到大部分的缺陷信息都被保留，單由于邊緣信息灰度值信息和缺陷信息比較雷同，被保留下來，這樣的處理方法可以提高算法速度，但這基本上不影響本次缺陷信息的分類，因此同樣保留。

圖3 形態(tài)學(xué)腐蝕膨脹處理后的典型圖片

圖4 缺陷信息補全后的典型圖片

1.2 磁瓦缺陷信息的特征量的提取

在提取缺陷信息以后，本文通過計算磁瓦各種缺陷類型的特征參數(shù)，其中包括缺陷的形態(tài)特征參量和紋理特征參量，以下分別論述各個參數(shù)的特點。在形態(tài)特征參量中，本文選擇了面積、周長、緊湊性、離心率、一階中心矩、二階中心矩、三階中心矩、四階中心矩、五階中心矩以及六階中心矩等。信息面積Area 用于描述感興趣區(qū)域的大小，由下面公式1 得到:

表1 部分訓(xùn)練樣本的特征參量值

邊界周長Perimeter 參數(shù)是通過計算邊界上的像素計算得到，計算公式2 如下，通過和面積結(jié)果可以有效實現(xiàn)形狀的描述。

緊湊性參數(shù)Compactness 的計算式(3)如下，可以發(fā)現(xiàn)當(dāng)區(qū)域越接近圓形，Compactness 越接近于1。

中心矩反映的是形狀平移、旋轉(zhuǎn)和尺度變換不變性，圖像函數(shù)f(x，y)的p+q階矩的定義為:

f(x，y)的p+q階中心矩定義為:

f(x，y)的歸一化中心矩可以表示為:

而本文選取了歸一化的一階IM1、二階IM2、三階IM3、四階IM4、五階IM5和六階IM6中心矩作為指標(biāo)，其公式如下

通過Matlab 計算所有所測圖片的形態(tài)參數(shù)，得到如表1 的部分樣本的特征參量值。從表中可以看出各個樣本之間的參量相關(guān)度并不是線性的區(qū)分關(guān)系，無法用簡單的閾值實現(xiàn)3 種類別的區(qū)分，因此本文選擇采用支持向量機來進行分類處理。

2 基于支持向量機的磁瓦缺陷檢測

本文中要實現(xiàn)3 種磁瓦缺陷的區(qū)分，在支持向量機分類模型中對3 種樣本需要進行二值化建碼，為了能找到最好的建碼方式，如表2 顯示本文選取的4 種輸出建碼，包括最少輸出建碼法(MOC_Code)、錯誤矯正輸出法(ECO_Code)、一對多建碼法以及一對一建碼法并在后續(xù)都進行了計算分析。

在對輸出進行建碼后，本文中共90 個特征參量樣本中每種類型隨機選取18 個樣本，即共54 個樣本作為LS-SVM 的建模量，其余36 個樣本作為LS-SVM 的預(yù)測樣本來檢驗?zāi)Ｐ偷膬?yōu)劣。本文選取RBF 核函數(shù)建模LS-SVM［8］。在訓(xùn)練LS-SVM 模型過程中，我們需要關(guān)注兩個調(diào)整參數(shù)一個是正則參數(shù)(gam)，它取決訓(xùn)練誤差最小化和平滑程度的權(quán)衡程度;另一個是平方帶寬(sig2)是作為核函數(shù)的參數(shù)指標(biāo)［9］。本文中不同建碼方式的各輸出結(jié)果的準(zhǔn)確率以及訓(xùn)練參數(shù)結(jié)果如表3 顯示。

在對輸出進行建碼后，本文中共90 個特征參量樣本中每種類型隨機選取18 個樣本，即共54 個樣本作為LS-SVM 的建模量，其余36 個樣本作為LS-SVM 的預(yù)測樣本來檢驗?zāi)Ｐ偷膬?yōu)劣。本文選取RBF 核函數(shù)建模LS-SVM［8］。在訓(xùn)練LS-SVM 模型過程中，我們需要關(guān)注兩個調(diào)整參數(shù)一個是正則參數(shù)(gam)，它取決訓(xùn)練誤差最小化和平滑程度的權(quán)衡程度;另一個是平方帶寬(sig2)是作為核函數(shù)的參數(shù)指標(biāo)［9］。本文中不同建碼方式的各輸出結(jié)果的準(zhǔn)確率以及訓(xùn)練參數(shù)結(jié)果如表3 顯示。

表2 不同建碼方式下的類型二值碼

表3 不同建碼方式下的準(zhǔn)確率和模型參數(shù)

從表中可以看出利用特征參量作為磁瓦缺陷的LS-SVM 的輸入可以實現(xiàn)磁瓦缺陷的分類，其準(zhǔn)確率都超過80%，而通過不同的輸出建碼方式分析，發(fā)現(xiàn)最小輸出建碼的方式的準(zhǔn)確率最低，而其他三者的準(zhǔn)確率相當(dāng)。

3 結(jié)語

本研究提出的基于支持向量和機器視覺的磁瓦缺陷檢測方法得到了實驗驗證，實驗結(jié)果表明采用提取圖像形態(tài)特征參量作為支持向量的輸入，對磁瓦缺陷可以實現(xiàn)有效分類，準(zhǔn)確率可達91.67%，這表明該方法可以實現(xiàn)磁瓦的缺陷檢測，并為以后的在線檢測提供了重要的參考依據(jù)。

［1］嚴俊龍，鄭曉曦，李鐵源. 磁瓦表面缺陷自動檢測系統(tǒng)的研究［J］.計算機工程與應(yīng)用，2009，45(36):228 -231.

［2］段峰，王耀南，雷曉峰，等. 機器視覺技術(shù)及其應(yīng)用綜述［J］. 自動化博覽，2002(3):59 -62.

［3］朱登勝，邵詠妮，潘家志，等. 應(yīng)用多光譜數(shù)字圖像識別苗期作物與雜草［J］. 浙江大學(xué)學(xué)報:農(nóng)業(yè)與生命科學(xué)版，2008，34(4):418-422.

［4］吳平川，路同浚，王炎. 機器視覺與鋼板表面缺陷的無損檢測［J］.無損檢測，2000，22(1):13 -16.

［5］張云，吳曉君，馬廷武，等. 基于機器視覺的零件圖像采集及識別的研究［J］. 電子工程師，2006，32(4):29 -31.

［6］高潮，任可，郭永彩. 基于機器視覺的裂紋缺陷檢測技術(shù)［J］. 航空精密制造技術(shù)，2007，43(5):23 -25.

［7］葛文謙，趙慧潔. 高曲率微小零件表面缺陷及外形尺寸測量系統(tǒng)研究［J］. 紅外與激光工程，2008(S1).

［8］Suykens J A K，Lukas L，Vandewalle J. Sparse least squares Support Vector Machine classifiers［C］//ESANN. 2000:37 -42.

［9］Suykens J A K. Nonlinear modelling and support vector machines［C］/Instrumentation and Measurement Technology Conference，2001. IMTC 2001. Proceedings of the 18th IEEE. IEEE，2001(1):287 -294.