朱立忠,陳美洋

(沈陽理工大學(xué) 自動化與電氣工程學(xué)院,沈陽 110159)

隨著經(jīng)濟(jì)的發(fā)展,人們對交通工具的需求越來越高,在汽車生產(chǎn)過程中,膠粘劑密封膠[1]是重要角色。就涂膠工藝而言,達(dá)標(biāo)的技術(shù)能提高汽車的壽命,相反,不合格的技術(shù)則會帶來消極影響。當(dāng)涂膠出現(xiàn)缺口、漏涂、斷膠時,會影響汽車的使用壽命、安全性能等等。傳統(tǒng)涂膠質(zhì)量的檢查主要靠人工檢測,缺點(diǎn)是會造成一致性差、工作效率低等結(jié)果。

為了取代傳統(tǒng)的人工檢測方法，王亞運(yùn)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行汽車涂膠圖像分類[2]；韋帥利用了Harris角點(diǎn)檢測算法結(jié)合邏輯回歸對涂膠進(jìn)行檢測識別[3]；金亦挺運(yùn)用CPDA自適應(yīng)角點(diǎn)檢測算法結(jié)合模板匹配對涂膠進(jìn)行檢測[4]。其中文獻(xiàn)[2-3]運(yùn)用不同的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測,但識別率不高,效果也不是很理想。文獻(xiàn)[4]利用傳統(tǒng)檢測方法模板匹配來識別和判斷涂膠的完整度，識別率還算可以,但效率不高。

為解決以上方法中存在的缺點(diǎn),提出一種基于快速模板匹配和SVM分類器的級聯(lián)判別方法,首次將LBP 特征應(yīng)用于汽車涂膠圖像的特征提取,在識別率和檢測速度方面有了很大的提高。

1 汽車涂膠采集系統(tǒng)設(shè)計(jì)

視覺檢測系統(tǒng)是以圖像采集為基礎(chǔ),只有在圖像采集準(zhǔn)確無誤的基礎(chǔ)上,視覺檢測系統(tǒng)方能提供有效信息,便于檢測。采集系統(tǒng)主要包括電荷耦合器件(CCD)相機(jī)[5]、照明光源和鏡頭等部分。光源以低角度環(huán)形光主。其中,相機(jī)采取800×600 的像素,精確值達(dá)80幀/s,鏡頭采用220mm的工作距離,以24mm×18mm為視場標(biāo)準(zhǔn)。光源以低角度環(huán)形光為主,使其發(fā)揮無影特性,便于曝光涂膠缺陷的具體位置。隨后,將偵測的到信息及圖像傳到計(jì)算機(jī)上。

圖1 攝像頭安裝示意圖

2 圖像預(yù)處理

為了更好的識別汽車涂膠圖像,并提高實(shí)驗(yàn)的準(zhǔn)確率,需要對圖像進(jìn)行預(yù)處理。

2.1 最大間類方差法閾值分割

二值化處理以去除無用信息為主要手段,通過增強(qiáng)圖像對比度來找出缺口,具有實(shí)際操作效果。二值化的函數(shù)表達(dá)式

(1)

式中：T為指定的閾值；f(x)為閾值運(yùn)算前圖像；g(x)為閾值運(yùn)算后的圖像。最常用的分割算法是圖像的閾值分割，閥值分割過程如圖2所示。

圖2 分割過程流程圖

經(jīng)過多年的研究得出了很多分割方法,現(xiàn)如今被廣泛運(yùn)用于實(shí)踐中的有最小誤差法、最大熵法和最大類間方差法等。最大類間方差法[6]以聚類為主要操作理念,已達(dá)到同類差異大,同級差別小的目的,主要以方差計(jì)算灰度級為主要分類方式。在此基礎(chǔ)上,將算法融入二值化處理中使得工作效率得到了很大提高。算法控制的因素較少便于實(shí)際操作。所以,使用最大類間方差法可以減少錯分概率。閾值分割如圖3所示。

圖3 閾值分割處理圖像

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對模板圖像和采集的圖像進(jìn)行向下采樣和高斯平滑，該方法可以提高后續(xù)由粗到細(xì)進(jìn)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)為像素坐標(biāo)值;σ為采樣系數(shù);G(x,y,σ)為高斯核函數(shù);I(x,y)為原圖像函數(shù);L(x,y,σ)為高斯分解后函數(shù)。

3 汽車涂膠缺陷的初次判斷

初次判斷主要針對存在比較明顯缺陷的汽車涂膠,采用快速模板匹配對汽車涂膠圖像進(jìn)行配準(zhǔn),以便檢測目標(biāo)物體的完整性并計(jì)算相似值,將相似值與實(shí)際的值比較,將涂膠不達(dá)標(biāo)的去除。最后,針對不達(dá)標(biāo)的汽車涂膠,對其進(jìn)行相關(guān)數(shù)據(jù)分析以便于尋找提高汽車質(zhì)量的措施。

圖4 金字塔圖像

本文采用的檢測算法為SSDA[8]結(jié)合金字塔算法。用等比例降采樣[9]方法將目標(biāo)圖像和模板圖像進(jìn)行處理,最大8倍降采樣,一個單位為2倍。從最小分辨率開始進(jìn)行SSDA采樣。由于分辨率較低的原因,所以在上一層對應(yīng)的粗匹配位置附近進(jìn)行SSDA采樣,獲得概率更大的采樣點(diǎn)。直到整個匹配過程得到最大分辨率。匹配率低于80%的涂膠圖像判斷為有缺陷的涂膠。高于80%的將會進(jìn)入二次判斷,匹配效果如圖5所示。

圖5 模板匹配實(shí)驗(yàn)結(jié)果

4 汽車涂膠缺陷的二次判斷

4.1 改進(jìn)的 LBP特征提取

初次判斷只能判斷出比較明顯的缺陷涂膠,對于涂膠缺陷不是很明顯的圖像需要進(jìn)行二次判斷。將基于改進(jìn)的LBP特征提取算法[10]即等價模式LBP應(yīng)用于本文中，對于紋理特征提取有很好的效果。

未改進(jìn)的LBP特征作用在3×3的鄰域范圍內(nèi),將鄰域像素與中心像素灰度值進(jìn)行比較，若鄰域灰度值比中心灰度值大,該鄰域像素取值為1,反之則取值為0。這樣,會產(chǎn)生8個二進(jìn)制數(shù)。將這8個數(shù)據(jù)按順時針排列產(chǎn)生的值即為中心像素的LBP特征值。其表達(dá)式如下。

(4)

L=s(g0-gc),s(g1-gc),…,s(gp-1-gc)

(5)

式中：gc為任意像素點(diǎn)值;g0、g1、…、gp-1為所在鄰域的其他P個點(diǎn)像素值;L表示所的到的二進(jìn)制數(shù)列;s(x)為比較函數(shù)。

原始的LBP特征只是LBP特征發(fā)展的雛形,在實(shí)用性上還有欠缺,缺乏旋轉(zhuǎn)不變性且特征維數(shù)過高,計(jì)算速度慢,因此原始LBP的識別效果不是很理想。

為了增強(qiáng)識別率，本文提出等價模式LBP,描述為LBP所對應(yīng)的循環(huán)二進(jìn)制數(shù)首尾相連,若從0到1或從1到0跳變次數(shù)最多兩次，稱該LBP特征值為一個等價模式類，其余的稱之為混合模式類，表達(dá)式如下。

(6)

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

(7)

式中,U為跳變次數(shù);P為像素值。

這樣二進(jìn)制模式種類會減少很多，特征向量的維數(shù)也有所降低,由256維降至59維，大大的提高了識別速度。

4.2 基于SVM的汽車涂膠識別

4.2.1 最優(yōu)超平面

SVM是一種高效機(jī)器學(xué)習(xí)方法,其基礎(chǔ)是以VC維理論和構(gòu)造風(fēng)險最小化,替代了傳統(tǒng)風(fēng)險最小化問題。在樣本數(shù)量不足的情況下SVM訓(xùn)練效果較好,準(zhǔn)確率高,效率快。對采集的汽車涂膠樣本進(jìn)行預(yù)處理后提取LBP特征。將LBP特征直方圖送至SVM分類器進(jìn)行訓(xùn)練。

SVM的優(yōu)勢是處理二分類問題。尋找二分類的超平面是最大的問題。超平面兩側(cè)最近點(diǎn)到平面的距離相等。超平面表達(dá)式為

wx+b=0

(8)

對于正類樣本,要求

(w·xi+b)≥1i=1,…,k

(9)

對于負(fù)類樣本,要求

(w·xi+b)≤-1i=1,…,k

(10)

式中:w·xi是向量點(diǎn)積;w為n維向量;b為偏移量。圖6為超平面示意圖。

圖6中H為兩類樣本的最優(yōu)分類線，H1和H2分別為與最優(yōu)分類線平行的且最近的直線,H1與H2直接距離為分類間隔，即margin；SVM最優(yōu)超平面要求margin=2/‖w‖。

4.2.2 核函數(shù)

SVM選取正確的核函數(shù)是成功的關(guān)鍵。核函數(shù)是定義一個對稱K函數(shù):Rn×Rn→R,即將兩個Rn空間中的n維向量映射為一個實(shí)數(shù)。

K(xi,xj)=ψ(xi)·ψ(xj)

(12)

式中:ψ表示從x到內(nèi)積特征空間F的映射;xi和xj表示變換之前的兩個向量。常用的核函數(shù)有以下幾種。

(1)多項(xiàng)式核函數(shù):

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

(13)

式中：x和y表示坐標(biāo)點(diǎn);d表示內(nèi)積維數(shù)。

(2)徑向基形式核函數(shù):

(14)

式中δ表示核函數(shù)系數(shù)。

(3)Sigmoid行核函數(shù):

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

(15)

式中：b和c表示常量。

5 實(shí)驗(yàn)結(jié)果

5.1 初次判斷試驗(yàn)結(jié)果和分析

圖7表示的是 20 個經(jīng)過涂膠缺陷處理后的數(shù)據(jù)。

其中橫坐標(biāo)表示汽車涂膠缺陷圖像序號,縱坐標(biāo)表示涂膠模板匹配相似度。根據(jù)圖7中的信息,不難發(fā)現(xiàn)缺陷涂膠圖像的相似度一般情況下低于 65%。

圖7 有缺陷的汽車涂膠匹配相似度

圖8表示的是20個正常的涂膠經(jīng)過處理后的相似度。

圖8 完好的汽車涂膠匹配相似度

其中橫坐標(biāo)表示汽車涂膠圖像序號,縱坐標(biāo)表示涂膠模板匹配相似度。根據(jù)圖8的相關(guān)分析,不難發(fā)現(xiàn)完好涂膠圖像的相似度都高于80%。

5.2 二次判斷試驗(yàn)結(jié)果和分析

正樣本采集無缺陷的汽車涂膠圖片,負(fù)樣本采集漏涂、斷膠、以及涂膠不夠?qū)捄统瑢挼娜毕萃磕z圖像。正負(fù)樣本各300張,用于訓(xùn)練。正負(fù)樣本各75張,用于測試。這些樣本是在不同的光照強(qiáng)度下采集到的。圖9為涂膠正負(fù)樣本示例。

通過 Matlab 圖像處理模塊對訓(xùn)練樣本集進(jìn)行批量 LBP特征提取并輸出特征矩陣,組成訓(xùn)練特征數(shù)據(jù)集及預(yù)測數(shù)據(jù)集。其后對于訓(xùn)練的模型用已知樣本標(biāo)簽的預(yù)測集去測試模型的有效性。把樣本標(biāo)簽和與之對應(yīng)的訓(xùn)練特征集輸入到 SVM 中進(jìn)行訓(xùn)練,實(shí)驗(yàn)結(jié)果如圖10所示。

為了增強(qiáng)識別率,運(yùn)用5種不同的核函數(shù)分別對樣本進(jìn)行分類訓(xùn)練,其結(jié)果如表1所示。

圖9 汽車涂膠樣本示例

圖10 涂膠圖像特征提取圖

識別率/%最優(yōu)參數(shù)線性核函數(shù)85RBF核函數(shù)94.5δ=0.125多項(xiàng)式核函數(shù)88.9μ=0.1Sigmoid核函數(shù)90.1d=2多核函數(shù)95δ=0.25,μ=0.1,d=2

實(shí)驗(yàn)表明采用多核函數(shù)的識別效果最好，識別率達(dá)95%，可以滿足工業(yè)精度要求，其中對膠線的漏涂、過寬、過細(xì)分類效果較好。提取特征屬性和核函數(shù)的選擇對準(zhǔn)確率的影響起決定性因素。如想提高準(zhǔn)確率,就要對汽車涂膠的特征進(jìn)行深入研究,并且選擇合適的核函數(shù)。

6 結(jié)束語

本文研究了一種模板匹配與基于SVM分類器級聯(lián)的兩步檢測方法，提取汽車涂膠圖像的LBP特征，選擇了最優(yōu)的核函數(shù),提高了檢測精度,完成了對汽車涂膠缺陷的檢測。該方法與傳統(tǒng)的模板匹配相比準(zhǔn)確率更高,并且效率也有很大提升。