唐 瑋,余桂英,鄭春煌,徐 旭

(中國(guó)計(jì)量學(xué)院 計(jì)量測(cè)試工程學(xué)院,浙江 杭州 310018)

基于Gabor特征的曲面工件缺陷檢測(cè)方法的研究

唐 瑋,余桂英,鄭春煌,徐 旭

(中國(guó)計(jì)量學(xué)院 計(jì)量測(cè)試工程學(xué)院,浙江 杭州 310018)

針對(duì)曲面工件加工過(guò)程中出現(xiàn)的表面缺陷問(wèn)題,使用Gabor函數(shù)能夠提取出圖像在不同位置、頻率和方向上特征的優(yōu)點(diǎn),構(gòu)建5個(gè)方向8個(gè)尺度的Gabor濾波器組.對(duì)采集的圖像進(jìn)行Gabor濾波,提取濾波后圖像的灰度均值和方差作為Gabor紋理特征向量,使用主成分分析法進(jìn)行特征的降維處理,最后建立馬氏距離最近鄰分類器,實(shí)現(xiàn)了對(duì)工件表面缺陷的識(shí)別和分類.

Gabor濾波器組;特征提取;識(shí)別分類

隨著社會(huì)的進(jìn)步和科技的發(fā)展,人們對(duì)產(chǎn)品質(zhì)量和工藝的要求越來(lái)越髙.在工廠流水線的大批量生產(chǎn)環(huán)境下,工件表面會(huì)不可避免的產(chǎn)生一些缺陷,如劃傷、點(diǎn)傷、凹坑、夾雜、裂紋,而目前最普遍的方法是通過(guò)人眼來(lái)檢測(cè),效率低下.針對(duì)這種現(xiàn)狀,采用機(jī)器視覺(jué)的方法,用成像器件來(lái)代替人眼觀測(cè)工件.近年來(lái),機(jī)器視覺(jué)在產(chǎn)品的缺陷識(shí)別方面得到越來(lái)越廣泛的運(yùn)用[1].Shen Hao,Li Shuxiao等使用機(jī)器視覺(jué)的方法來(lái)檢測(cè)軸承缺陷,開(kāi)發(fā)了一個(gè)基于機(jī)器視覺(jué)的軸承缺陷檢測(cè)系統(tǒng),可以檢查軸承各種類型的缺陷,如變形、生銹、劃痕[2].在時(shí)域中進(jìn)行檢測(cè)過(guò)程中很容易受細(xì)小的油污和灰塵的干擾從而不能正確的分辨是否存在缺陷.

為此,筆者選擇杭州富光科技有限公司生產(chǎn)的電子目鏡塑制曲面封裝殼,針對(duì)封裝殼生產(chǎn)過(guò)程中存在的細(xì)小缺陷,從頻域的角度出發(fā),在不同位置、頻域以及方向上提取缺陷圖像的Gabor特征,提高了對(duì)缺陷工件的識(shí)別率.

1 Gabor特征紋理描述

Gabor函數(shù)和哺乳動(dòng)物的視覺(jué)感受相當(dāng)吻合[3-4],這對(duì)研究圖像特征檢測(cè)或空間域頻率濾波非常有用.Gabor函數(shù)能很好地提取出圖像在不同空間位置、頻率和方向上的特征.因此Gabor小波變換在紋理特征分析和目標(biāo)識(shí)別領(lǐng)域得到了廣泛應(yīng)用[5].

1.1 Gabor小波

在空間域中,2D Gabor小波是由高斯函數(shù)調(diào)制的正弦波,通過(guò)設(shè)置參數(shù)α和β的大小來(lái)調(diào)節(jié)高斯函數(shù)在x軸和y軸上的精度.

2D Gabor小波定義如下:

φ(f,θ,cx,cy)(x,y)=

exp(j2πfxr);

(1)

xr=(x-xc)cosθ+(y-yc)sinθ;

(2)

yr=(x-xc)sinθ+(y-yr)cosθ.

(3)

其中:(cx,cy)—Gabor小波在圖像中所處的位置,f是調(diào)制正弦波的頻率,α=f/γ,β=f/η,α和β決定了高斯包絡(luò)的寬度,θ—橢圓高斯長(zhǎng)軸方向.正弦小波中心頻率越高,正弦包絡(luò)在圖像中包含的區(qū)域越小.

所以Gabor小波就由以下幾個(gè)參量決定:不斷改變位置的(cx,cy),方向θ,以及頻率f和高斯包絡(luò)在γ、η軸上的步長(zhǎng)比例.然而在實(shí)際的應(yīng)用中,都是構(gòu)造一系列擁有不同頻率fu和方向θv的小波.

ψ=(φn1,φn2,φn3,…,φnN)

(4)

圖1 5×8的Gabor濾波器組Figure 1 Gabor filter bank of 5 multiplied by 8

1.2 Gabor特征提取

使用Gabor濾波器組對(duì)灰度化后的曲面工件圖像進(jìn)行卷積處理,得到不同尺度和不同方向下的濾波圖像.提取圖像的灰度均值和方差作為特征值來(lái)分類曲面工件.假設(shè)給定的Gabor小波濾波器組為

ψ=(φn1,φn2,φn3,…,φnN).

(5)

那么Gabor濾波器與圖像做卷積運(yùn)算

G(I)=(ωn1,ωn2,ωn3,…,ωnN).

(6)

其中

ωni(x,y)=?I(x,y)·φni(x-xi)·

(y-yi)dxidyi.

(7)

φni中n=(f,θ,cx,cy),I(x,y)表示灰度圖像.

取濾波后的圖像灰度均值μni和方差σni作為Gabor特征t值[6-7]：

μni=?|ωni(x,y)|dxdy;

(8)

(9)

t=[μ01，μ02，…，μ40，σ01,σ02,…,σ40].

(10)

2 基于主成分分析法的特征降維

Gabor小波變換提取到的灰度特征值維數(shù)較高,計(jì)算量很大,不利于識(shí)別分類.主成分分析(principal component analysis,PCA)是對(duì)特征降維的經(jīng)典算法之一[8].

PCA算法[9-10]原理如下:在測(cè)量空間中找到一組由m個(gè)正交矢量組成的向量,要求這組矢量能最大的表現(xiàn)出數(shù)據(jù)的方差,然后將原來(lái)的n維矢量投影到這組正交矢量組成的m維空間,投影系數(shù)就構(gòu)成特征矢量,同時(shí),這一步驟也完成了數(shù)據(jù)的降維(m<

設(shè)x1,x2,…,xp是一個(gè)評(píng)價(jià)體系,評(píng)價(jià)對(duì)象在評(píng)價(jià)指標(biāo)上的表現(xiàn)為x1i,x2i,…,xpi,假設(shè)有n個(gè)評(píng)價(jià)對(duì)象.

1)標(biāo)準(zhǔn)化

即用zki代替xki:

(11)

(12)

(13)

2)計(jì)算相關(guān)矩陣

(14)

則相關(guān)矩陣

R=Z·Zr/n.

(15)

3)求相關(guān)矩陣特征值

因?yàn)橄嚓P(guān)矩陣R至少是對(duì)稱半定的,特征值

3 實(shí)驗(yàn)與數(shù)據(jù)分析

實(shí)驗(yàn)中對(duì)200個(gè)樣本集和200個(gè)驗(yàn)證集采集圖像,將圖像分為無(wú)缺陷、劃傷、點(diǎn)傷、夾雜、裂紋、凹坑六個(gè)評(píng)定等級(jí),提取每個(gè)樣本圖像的特征值,對(duì)特征值做數(shù)據(jù)降維,通過(guò)計(jì)算樣本和已知缺陷集合的馬氏距離完成對(duì)工件的缺陷分類.

3.1 曲面工件圖像的采集和特征值提取

采集封裝殼圖像,如圖2.

圖2 曲面工件的圖像Figure 2 Image of cambered workpieces

實(shí)驗(yàn)中的200個(gè)樣本經(jīng)過(guò)5×8的40個(gè)Gabor濾波器濾波后,分別提取濾波后圖像的灰度均值和方差組成的200×80×1的列向量a=[a1,a2,…,a200]作為特征向量.樣本的特征值矩陣(節(jié)錄)如表1.由表1可以看出采集到的Gabor特征值數(shù)據(jù)量相當(dāng)龐大,在后續(xù)計(jì)算中會(huì)產(chǎn)生巨大的計(jì)算量,這不便于后續(xù)的識(shí)別和分類,因此需要對(duì)這部分的數(shù)據(jù)進(jìn)行降維處理.

表1 樣本的特征值矩陣(節(jié)錄)

3.2 特征數(shù)據(jù)降維

將上述表1中的樣本特征值導(dǎo)入到IBM SPSS中,SPSS軟件可以自動(dòng)進(jìn)行標(biāo)準(zhǔn)化、相關(guān)矩陣和相關(guān)矩陣特征值計(jì)算.軟件分析得到的主成分?jǐn)?shù)為4,表2和表3分別為解釋的總方差和成分矩陣.

表2 解釋的總方差

表3 成份矩陣

對(duì)200樣本的數(shù)據(jù)進(jìn)行主成分分析法,特征數(shù)據(jù)降維后,每一個(gè)樣本的特征值為T=[α1β1,α2β2,α3β3,α4β4].

3.3 實(shí)驗(yàn)結(jié)果分析

將待分類的特征值在主成分特征矩陣上投影,計(jì)算待檢測(cè)對(duì)象特征值和樣本特征值之間的馬氏距離,構(gòu)造最近鄰分類器[11],200個(gè)驗(yàn)證集的識(shí)別結(jié)果如表4.

4 結(jié) 語(yǔ)

文中設(shè)計(jì)了一種頻域中的工件缺陷檢測(cè)方案,構(gòu)造5×8的Gabor濾波器,對(duì)工件圖像進(jìn)行濾波,提取Gabor紋理特征,結(jié)合主成分分析法進(jìn)行數(shù)據(jù)降維,最后構(gòu)造最近鄰分類器,實(shí)現(xiàn)了對(duì)

表4 最近鄰分類器分類結(jié)果

工件六種類型的識(shí)別.

[1] MALLAT S G A. Theory for multi-resolution signal decomposition:the wavelet representation[J]. Trans on Pattern and Machine Intelligence,1989,11(7):674-693.

[2] BIN Zhu, LU Jiang. Gabor feature-based apple quality inspection using Kernel principal compoment analysis[J]. Food Engineering,2007,81:741-749.

[3] HAO Shen, LI Shuxiao. Bearing defect inspection based on machine vision[J]. Measurement,2012,4(45):719-733.

[4] ZHAO W, CHELLAPPA R, PHILIPS P J. Face recognition a literature survey[J]. ACM Computing,2003,3(54):399-458.

[5] LIN Kezheng, XU Ying, ZHONG Yuan. Using 2D Gabor values and kernel fisher discriminant analysis for face recognition[C]//Proceedings of the 2nd International Conference on Information Science and Engineering. Piscataway :IEEE Computer Society,2010:7624-7627.

[6] 張剛,馬宗明.一種采用Gabor小波的紋理特征提取方法[J].中國(guó)圖形圖像學(xué)報(bào),2010,15(2):247-254. ZHANG Gang, MA Zongming. An approach of using Gabor wavelets for texture feature extraction[J]. Journal of Image and Graphics,2010,15(2):247-254.

[7] 聶祥飛,郭軍.利用Gabor小波變換解決人臉識(shí)別中的小樣本問(wèn)題[J].光學(xué)精密工程,2007,15(6):973-977. NIE XiangFei, GUO Jun. Solution of small sample size problem in face recognition using Gabor wavelet transform[J]. Optics and Precision Engineering,2007,15(6):973-977.

[8] TURK M, PENTLAND A. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience,1991,3(1):72-86.

[9] 齊興敏.基于PCA的人臉識(shí)別技術(shù)的研究[D].武漢:武漢理工大學(xué),2007. QI Xingmin. Technology research of face recognition based on PCA[D]. Wuhan: Wuhan University of Technology,2007.

[10] 范立南,韓曉微,張廣淵.圖像處理與模式識(shí)別[M].北京:科學(xué)出版社,2007:30-32.

[11] 袁紅中.基于機(jī)器視覺(jué)的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法的應(yīng)用研究[D].秦皇島:燕山大學(xué),2010. YUAN Hongzhong. The research of workpiece surface defect based on machine vision[D]. Qinhuangdao: Yanshan University,2010.

Research of surface defects detection of cambered workpieces based on Gabor feature

TANG Wei, YU Guiying, ZHENG Chunhuang, XU Xu

(College of Metrology and Measurement Engineering, China Jiliang University, Hangzhou 30018, China)

Aiming at the surface defects that emerged in the process of cambered workpiece matching, the Gabor function was used to extract characteristics on different frequencies and orientations. A Gabor filter bank was built with five directions and eight dimensions. The collected images were filtrated by the Gabor filter. Then, the mean gray level and the variance of filtered images were detected as the Gabor texture feature vector. The principal component analysis was used for feature reduction. A nearest neighbor classifier of Markov was established to realize the identification and classification of surface defects.

Gabor filter bank; defects detection; identification and classification

1004-1540(2015)01-0046-04

10.3969/j.issn.1004-1540.2015.01.008

2014-09-13 《中國(guó)計(jì)量學(xué)院學(xué)報(bào)》網(wǎng)址：zgjl.cbpt.cnki.net

浙江省重大科技專項(xiàng)計(jì)劃項(xiàng)目(No.2011C12025).

TH741

A