劉傳澤，羅 瑞，陳龍現(xiàn)，王 霄，周玉成

（1.山東建筑大學(xué) 信息與電氣工程學(xué)院，濟(jì)南 250101；2.中國(guó)林業(yè)科學(xué)院，北京 100000）

0 引言

人造板的生產(chǎn)已經(jīng)實(shí)現(xiàn)自動(dòng)化，但是末端缺陷檢測(cè)環(huán)節(jié)仍然依靠人工，由于工作勞動(dòng)強(qiáng)度大，容易出現(xiàn)誤檢、漏檢，嚴(yán)重制約著人造板行業(yè)的發(fā)展，因此迫切研發(fā)一套人造板缺陷檢測(cè)系統(tǒng)。由于機(jī)器視覺(jué)具有識(shí)別速度快、精度高等優(yōu)點(diǎn)被廣泛應(yīng)用于產(chǎn)品表面缺陷檢測(cè)[1～3]?；跈C(jī)器視覺(jué)人造板缺陷檢測(cè)系統(tǒng)，首先采集圖像，獲得特征值；再次利用分類器根據(jù)特征值進(jìn)行識(shí)別，最后通過(guò)人造板缺陷種類、大小進(jìn)行定級(jí)。缺陷識(shí)別的結(jié)果直接影響對(duì)人造板外觀質(zhì)量的判斷[5]。連續(xù)壓機(jī)生產(chǎn)線不間斷生產(chǎn)，速度為1.5m/s，間隔小于0.4m，出廠板子面積為2.4m×4.8m，實(shí)時(shí)性要求比較高，需在3s以內(nèi)作出判斷，需求一種快速準(zhǔn)確的算法實(shí)現(xiàn)人造板缺陷的在線識(shí)別。

現(xiàn)階段，主要的缺陷識(shí)別算法有神經(jīng)網(wǎng)絡(luò)（neural network，NN）、支持向量機(jī)（support vector machine，SVM）、貝葉斯（naive bayes，NB）、聚類（cluster，C）、決策樹（decision tree，DT）和RF等[4]，并在相應(yīng)的領(lǐng)域取得很好的效果。由于NN、SVM計(jì)算復(fù)雜且難以應(yīng)用到實(shí)際；NB算法需要一定的先驗(yàn)信息；C算法采用窮舉的算法計(jì)算量較大；DT決策樹容易過(guò)擬合等缺點(diǎn)，以上算法均不適合人造板缺陷的在線識(shí)別。其中RF是一種基于DT的算法，通過(guò)對(duì)變量和樣本數(shù)據(jù)的隨機(jī)選擇，產(chǎn)生多棵DT，匯總DT的分類結(jié)果，總數(shù)最多的為缺陷類別[5]。在采樣（bootstrap）的過(guò)程中，有三分之一的數(shù)據(jù)未被選到，作為袋外數(shù)據(jù)（out of bag，OOB）用來(lái)評(píng)價(jià)分類器的準(zhǔn)確率。Breiman等證明，OBB誤差是泛化誤差估計(jì)的組成，可代替測(cè)試集的誤差估計(jì)[6]。RF算法具有以下優(yōu)點(diǎn)：1）不需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)測(cè)精度高；2）能處理大數(shù)據(jù)集和變量，運(yùn)行速度快；3）使用OOB誤差進(jìn)行模型評(píng)價(jià)，無(wú)需采用交叉驗(yàn)證和獨(dú)立測(cè)試集驗(yàn)證；4）不會(huì)產(chǎn)生過(guò)擬合現(xiàn)象。

本文提出基于局部特征提取和隨機(jī)森林的算法，通過(guò)利用局部特征提取的方法提取人造板表面缺陷的形狀、紋理特征，進(jìn)而建立基于隨機(jī)森林的人造板缺陷分類模型，實(shí)現(xiàn)人造板缺陷檢測(cè)的自動(dòng)化發(fā)展，為人造板缺陷識(shí)別提供了一種快速、準(zhǔn)確的方法，并可以應(yīng)用于其他板材缺陷的在線識(shí)別。

1 特征提取

1.1 缺陷區(qū)域篩選

連續(xù)壓機(jī)生產(chǎn)線上的人造板面積為2.4m×4.8m，主要有油污、雜物、大刨花、膠斑等四種類型，缺陷面積在0.01m×0.01m～0.1m×0.1m之間，目標(biāo)、背景所占面積相差懸殊，全局的分割算法無(wú)法取得較好的效果，而局部閾值分割需要計(jì)算各部分的閾值，速度較慢。針對(duì)于人造板大面積、小缺陷的特點(diǎn)，剔除一種基于區(qū)域篩選分割的方法，將整副人造板圖像換分成若干個(gè)區(qū)塊，對(duì)每個(gè)區(qū)塊進(jìn)行分類，篩選出缺陷區(qū)域之后進(jìn)行分割。

人造板表面缺陷背景單一，目標(biāo)與背景的灰度值差異較大且灰度值均勻，因此本研究將方差作為區(qū)塊的分類特征。在劃分的過(guò)程中，可能出現(xiàn)缺陷被劃分到多個(gè)子區(qū)塊中的現(xiàn)象，基于此對(duì)相鄰的子區(qū)域進(jìn)行合并，獲得缺陷區(qū)域，其主要步驟如下：

1）將人造板圖像劃分為k×l個(gè)像素的區(qū)塊cell×cell，其大小根據(jù)缺陷進(jìn)行合理選擇，計(jì)算每個(gè)子區(qū)塊的方差σ2，公式為：

2）建立i行j列的矩陣A，初始值為0，將方差σ2大于一定閾值β的子區(qū)塊矩陣中的元素置為1；

3）遍歷矩陣A，將矩陣A中的值為1的相鄰元素進(jìn)行合并，記錄合并結(jié)果集中左上角元素和右下角元素下標(biāo)。如果圖像中有多個(gè)缺陷，根據(jù)缺陷的分布位置，得到不同的結(jié)果集。將每個(gè)結(jié)果集中的左上角元素和右下角元素下標(biāo)形成的區(qū)域映射回原圖中，就可以提取若干個(gè)缺陷區(qū)域。

1.2 缺陷區(qū)域特征提取

人造板缺陷特征提取是缺陷識(shí)別的關(guān)鍵，由于人造板圖像的背景灰度值均勻，缺陷區(qū)域內(nèi)的灰度值相似，各類缺陷的形狀差異較大，基于選取缺陷圖像的形狀、紋理特征對(duì)缺陷進(jìn)行表征，利用OTSU算法對(duì)上述的缺陷區(qū)域D進(jìn)行特征提取，其表達(dá)式如表1、表2所示。

其中：N為缺陷區(qū)域內(nèi)像素點(diǎn)的個(gè)數(shù)；Nb為缺陷區(qū)域邊緣像素點(diǎn)的個(gè)數(shù)；MER為缺陷區(qū)域最小外接矩形；LMER為M E R的長(zhǎng)；WMER為M E R的寬；SMER為MER的面積。

表1 形狀特征計(jì)算公式

表2 紋理特征計(jì)算公式

其中，M(i)為缺陷各點(diǎn)的灰度值，N為缺陷區(qū)域像素點(diǎn)的個(gè)數(shù)。通過(guò)對(duì)缺陷區(qū)域內(nèi)形狀、紋理特征統(tǒng)計(jì)，獲得10個(gè)特征屬性的特征值，得到缺陷特征向量Q（S、L、O、OR、P、u、σD、σP、σS、σR）構(gòu)成樣本數(shù)據(jù)L，作為 RF的輸入，訓(xùn)練RF分類模型。

2 人造板缺陷自動(dòng)識(shí)別

人造板表面缺陷在線識(shí)別的實(shí)現(xiàn)流程如圖2所示。

1）圖像預(yù)處理。對(duì)CMOS相機(jī)獲得的在線人造板圖像，用均值濾波去除噪聲干擾；

2）缺陷檢測(cè)及定位。將經(jīng)過(guò)預(yù)處理的圖像進(jìn)行分區(qū)塊檢測(cè)，計(jì)算每一各區(qū)塊的平均灰度值和方差，將方差大于一定閾值定義為缺陷板，通過(guò)和并子區(qū)塊的方式獲得缺陷區(qū)域；

3）圖像分割。利用Otsu閾值分割法對(duì)缺陷區(qū)域進(jìn)行分割；

4）特征提取。統(tǒng)計(jì)缺陷區(qū)域中的形狀、紋理特征構(gòu)成特征向量；

5）RF分類模型。通過(guò)RF分類器進(jìn)行分類。

當(dāng)有新輸入的人造板圖像時(shí)，首先進(jìn)行缺陷檢測(cè)判斷是否有缺陷，如果檢測(cè)有缺陷，進(jìn)行缺陷定位、通過(guò)圖像分割獲得缺陷的特征值，作為RF分類器的輸入，通過(guò)匯總RF中每棵DT得到缺陷類別。其中最重要RF分類器的構(gòu)建。

圖1 基于RF的人造板缺陷自動(dòng)識(shí)別流程

2.1 CART樹構(gòu)建

CART樹是RF算法中的基本單元，多個(gè)CART樹構(gòu)建出RF。CART樹由CART算法實(shí)現(xiàn)，CART算法是一種高效的二分叉樹，不斷對(duì)數(shù)據(jù)進(jìn)行二分達(dá)到分類的目的。構(gòu)建CART樹的算法流程如下[7]：

1）建立根節(jié)點(diǎn)N，CART樹開始生長(zhǎng)；

2）如果訓(xùn)練集L中只剩下一類樣本，則返回N為葉節(jié)點(diǎn)；

3）分別計(jì)算當(dāng)前各個(gè)特征屬性的Gini指數(shù)，將得到最大的Gini指數(shù)特征屬性作為子節(jié)點(diǎn)，使L劃分為L(zhǎng)1和L2兩個(gè)子集，之后遞歸構(gòu)建決策樹，讓其充分生長(zhǎng)，不剪枝。

其中，根節(jié)點(diǎn)、子節(jié)點(diǎn)為特征屬性中的一種，葉節(jié)點(diǎn)為缺陷的類別。Gini指數(shù)代表當(dāng)前各個(gè)特征屬性的分裂的程度，數(shù)值越大說(shuō)明數(shù)據(jù)復(fù)雜，不確定性越大，將Gini指數(shù)最小的特征屬性設(shè)置為節(jié)點(diǎn)。其中的Gini指數(shù)的計(jì)算如下：

假設(shè)訓(xùn)練集L中的樣本有n個(gè)不同的類別Ci（i=1，…，n）。則概率分布的Gini指數(shù)定義為：

式中pi為類別Ci在S中所占比例。訓(xùn)練集在某個(gè)特征屬性V下被分為兩部分L1和L2，則L的Gini指數(shù)即分裂指數(shù)為：

2.2 最優(yōu)RF分類構(gòu)建

對(duì)于人造板缺陷識(shí)別問(wèn)題，實(shí)質(zhì)建立各類缺陷的特征值與缺陷類別的非線性映射關(guān)系。RF模型的輸入向量Q（S、L、O、OR、P、u、σD、σP、σS、σR），bj表示10個(gè)特征屬性中的第j個(gè)，輸出層為缺陷類別O為1，2，3，4，分別代表大刨花、膠斑、雜物、油污，建立映射關(guān)系為Q…I。本研究用Matlab工具進(jìn)行程序編寫，提取h張人造板缺陷圖像的特征值構(gòu)成樣本數(shù)據(jù)L與10種特征屬性m組成RF的輸入，利用bootstrap的方式隨機(jī)抽取樣本數(shù)據(jù)和特征屬性，通過(guò)CART算法訓(xùn)練出500棵數(shù)，構(gòu)建10個(gè)RF分類器Rm（m=1，…，10）。Rm構(gòu)建過(guò)程中，只有屬性的個(gè)數(shù)m一個(gè)變量，通過(guò)統(tǒng)計(jì)每棵CART樹產(chǎn)生的OOB泛化誤差E（E1，…，E500），求出E的平均值作為最佳參數(shù)try的評(píng)估指標(biāo)?；诖藢?shù)的棵數(shù)定位500，m=try，構(gòu)建出的Rtry為最優(yōu)分類模型。

3 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)采用分辨率為2560×2040，像素深度為8位的，大恒圖像JAI SP-5000M-USB3.0工業(yè)COMS相機(jī)采集人造板表面灰度圖像。計(jì)算機(jī)硬件為在Intel Core I7-7500U 2.7GHZ，8GB內(nèi)存的硬件環(huán)境下和Windows7，Visual C++的軟件環(huán)境下進(jìn)行算法編寫。人造板廠家提供帶有膠斑、大刨花、油污、雜物人造板150塊，將其分為訓(xùn)練樣本和測(cè)試樣本，分別為100、50。其中實(shí)驗(yàn)樣本數(shù)據(jù)如表3所示。

表3 人造板缺陷樣本數(shù)量

3.1 缺陷區(qū)域提取及分割

首先對(duì)人造板圖像缺陷區(qū)域進(jìn)行提取。由于人造板面積較大，所以工業(yè)相機(jī)拍攝人造板一半的面積2.4m×2.4m，進(jìn)行缺陷識(shí)別的時(shí)候連拍兩張。經(jīng)過(guò)調(diào)試和多次試驗(yàn)，確定將表面圖像會(huì)分為64×51個(gè)40×40的像素區(qū)域，并進(jìn)行缺陷區(qū)域提取，利用OTSU分割算法進(jìn)行缺陷分割。在提取之前，利用中值濾波進(jìn)行濾波，消除噪聲干擾，各缺陷的原圖像和分割后的圖像如圖2所示，根據(jù)圖2提取形狀特征，將坐標(biāo)映射回到原圖中，獲取紋理特征，并將獲得特征值構(gòu)成特征向量。從圖2特征提取的結(jié)果看，本文提出的基于區(qū)域篩選分割的方法能夠有效的提取出面積很小的缺陷區(qū)域，對(duì)于多個(gè)缺陷也能進(jìn)行準(zhǔn)確的提取。將提取的特征向量作為訓(xùn)練集100個(gè)特征向量構(gòu)建RF分類器。

3.2 最優(yōu)RF構(gòu)建

采用bootstrap的方法將訓(xùn)練集L分為訓(xùn)練子集Lg（g=1，…，500），將Lg和隨機(jī)抽取的m個(gè)特征屬性作為輸入，利用CART算法生成500棵CART樹構(gòu)建出RF。特征屬性的個(gè)數(shù)m是唯一變量，根據(jù)OOB誤差率E的平均值評(píng)價(jià)Rm。由圖3所示，當(dāng)m值變化時(shí)的OOB平均誤差率也隨之變化，隨著m個(gè)數(shù)增加誤差率明顯下降，當(dāng)m=6時(shí)誤差率為最低0.01，m值大于6時(shí)誤差率增加，主要由于樣本數(shù)據(jù)中特征屬性過(guò)多，每棵CART樹的樣本數(shù)據(jù)被充分表達(dá)，導(dǎo)致RF分類器識(shí)別率降低，基于此最優(yōu)m值為6，構(gòu)建出的最優(yōu)RF分類器為R6。

圖2 四類缺陷分割圖

圖3 RF中特征屬性個(gè)數(shù)對(duì)性能的影響

3.3 結(jié)果分析

3.3.1 正確率分析

為了驗(yàn)證構(gòu)建的R6的分類效果，將訓(xùn)練好的分類模型對(duì)測(cè)試集進(jìn)行分類，其結(jié)果表4所示，只有1個(gè)樣本出現(xiàn)錯(cuò)分的情況，整體識(shí)別正確率高達(dá)98%。從表4可知膠斑、大刨花缺陷識(shí)別正確率為100%，其余兩種缺陷出現(xiàn)錯(cuò)分的情況，其原因主要是：1）大刨花的灰度值明顯高于其他三種缺陷；2）膠斑的形狀近似圓形，易與油污、雜物區(qū)分；3）油污、雜物兩種缺陷灰度值較為接近且形狀不規(guī)則，造成誤分的情況。

表4 R7測(cè)試結(jié)果

3.3.2 實(shí)時(shí)性分析

通過(guò)計(jì)算機(jī)測(cè)得一張人造板圖像輸入到缺陷識(shí)別總耗時(shí)657ms，其中耗時(shí)最多的為圖像分割達(dá)到320ms，其次是特征提取為167ms，由于此次采集的是正常人造板一半面積的圖像，在實(shí)際中總耗時(shí)為1.314s小于3s，完全可以滿足人造板實(shí)時(shí)性的要求。綜上通過(guò)對(duì)算法正確率和實(shí)時(shí)性要求分析，本研究建立的RF分類器可以應(yīng)用到人造板缺陷檢測(cè)系統(tǒng)中。

4 結(jié)論

本研究采用區(qū)域篩選分割的算法對(duì)大背景下小面積的缺陷進(jìn)行很好的分割，考慮人造板表面缺陷的各種特點(diǎn)，選取10個(gè)表征缺陷的形狀、紋理特征（S、L、O、OR、P、u、σD、σP、σS、σR）可以用來(lái)表征缺陷，利用采集到的缺陷的特征數(shù)據(jù)建立人造板缺陷識(shí)別的RF分類器。利用本研究構(gòu)建的RF分類器對(duì)人造板缺陷進(jìn)行識(shí)別，識(shí)別正確率高達(dá)98%，運(yùn)算速度快、結(jié)果準(zhǔn)確可靠，能夠滿足缺陷檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性，實(shí)現(xiàn)人造板缺陷在線檢測(cè)。