李軍華，權(quán)小霞，汪宇玲

1.南昌航空大學(xué) 江西省圖像處理與模式識別重點(diǎn)實(shí)驗(yàn)室，南昌 330063

2.東華理工大學(xué) 江西省放射性地學(xué)大數(shù)據(jù)技術(shù)工程實(shí)驗(yàn)室，南昌 330013

1 引言

瓷磚作為建筑和裝飾的重要材料之一，其表面質(zhì)量的好壞直接影響著瓷磚的性能、美觀及使用壽命。隨著瓷磚的廣泛應(yīng)用和瓷磚種類的日漸豐富，各行業(yè)對瓷磚質(zhì)量的要求也在不斷地提高，瓷磚出廠前的分揀環(huán)節(jié)對于大批量和多種類生產(chǎn)的瓷磚來說由于其表面缺陷類型繁雜，識別率較低，達(dá)不到預(yù)期的效果，因此利用自動(dòng)化分類技術(shù)對瓷磚進(jìn)行智能分類就顯得尤為重要。已有的分類算法大多采用瓷磚圖像的顏色特征或是其簡單的邊緣信息進(jìn)行分類，Hanzaei等人[1]通過對瓷磚表面缺陷區(qū)域進(jìn)行標(biāo)記，提取缺陷的幾何特征來實(shí)現(xiàn)缺陷瓷磚的分類。Ragab等人[2]提出基于圖像處理單元的并行算法，對瓷磚選區(qū)域進(jìn)行分類，大大縮短了其檢測所需要的時(shí)間。李慶利等人[3]提出一種基于灰色關(guān)聯(lián)分析的顏色特征提取算法，完成了陶瓷磚表面缺陷的檢測。以上算法雖然能對缺陷瓷磚進(jìn)行較好的檢測和分類，但大多只對含有簡單花紋的瓷磚和單色瓷磚有效，而對于花紋復(fù)雜的瓷磚由于其表面干擾較大，出錯(cuò)率較高，很難滿足實(shí)際生產(chǎn)線上的需求。因此，需要研究一種針對復(fù)雜瓷磚表面缺陷的分類方法。

采用傳統(tǒng)算法提取瓷磚表面缺陷特征進(jìn)行分類時(shí)，由于缺陷本身的異構(gòu)性和不明確性，使得提取到的缺陷特征過于單薄，特征量過小而無法滿足預(yù)期的效果，因此提出一種基于多特征融合的瓷磚表面缺陷檢測算法。該算法對瓷磚圖像特征的提取主要分為兩部分，第一部分在BoF模型的基礎(chǔ)上，采用SIFT算法改進(jìn)之后的FSIFT算法來描述灰度瓷磚缺陷圖像的區(qū)域特征，該算法結(jié)合了SIFT特征的優(yōu)點(diǎn)，同時(shí)彌補(bǔ)了SIFT算法無法滿足實(shí)時(shí)性要求的不足，加快了運(yùn)算速度；第二部分則采用顏色矩來描述彩色瓷磚缺陷圖像的區(qū)域特征[4]。對于上述步驟所提取到的兩種瓷磚圖像缺陷區(qū)域的特征首先采用預(yù)分類處理，根據(jù)每種特征對瓷磚被分類的準(zhǔn)確率大小分配0和1作為各自的權(quán)重系數(shù)實(shí)現(xiàn)特征的加權(quán)融合，并將融合后的綜合特征向量送入SVM分類器中進(jìn)行最終分類，從而完成瓷磚缺陷圖像的分類任務(wù)。經(jīng)實(shí)驗(yàn)驗(yàn)證表明，本文提出的基于多特征融合的瓷磚表面缺陷檢測算法，耗時(shí)較短、過程簡單且能獲得大量的特征，具有更強(qiáng)的容錯(cuò)能力，相對于傳統(tǒng)的多特征融合分類方法[5-6]，進(jìn)一步提升了瓷磚分類的準(zhǔn)確率。

2 相關(guān)工作

對于復(fù)雜瓷磚表面缺陷的檢測和分類，提出一種基于多特征融合的瓷磚表面缺陷檢測算法。首先，將輸入的彩色瓷磚圖像轉(zhuǎn)化為灰度圖像，通過FSIFT算法對特征點(diǎn)進(jìn)行描述，利用BoF模型對得到的缺陷特征向量進(jìn)行量化編碼，解決瓷磚圖像特征數(shù)量不一的問題；其次，將顏色空間轉(zhuǎn)換至HSV空間采用顏色矩特征完成對彩色瓷磚圖像特征的提?。蛔詈?，將提取到的兩種不同的特征向量進(jìn)行加權(quán)融合形成綜合特征向量，輸入到訓(xùn)練好的分類器中，完成缺陷瓷磚分類的目的。

2.1 灰度瓷磚圖像特征提取

2.1.1 尺度不變特征轉(zhuǎn)換（SIFT）

SIFT算法是由Lowe在1999年發(fā)表，并于2004年完善總結(jié)[7]，該算法通過在尺度空間中尋找極值點(diǎn)，并提取出其位置、尺度以及旋轉(zhuǎn)不變量，因此常被用來描述圖像中的局部特征。SIFT特征提取主要包括五個(gè)步驟：

步驟1構(gòu)建尺度空間。首先利用高斯函數(shù)對圖像進(jìn)行模糊采樣，得到圖像的高斯金字塔；然后利用圖像高斯金字塔構(gòu)建高斯差分（DOG）金字塔，完成尺度空間的構(gòu)建。

步驟2檢測尺度空間極值點(diǎn)。將每一個(gè)采樣點(diǎn)與其圖像域或尺度域的相鄰點(diǎn)進(jìn)行比較，確定該點(diǎn)是否是圖像在該尺度下的一個(gè)極值點(diǎn)。

步驟3精確定位極值點(diǎn)。將步驟2中檢測到的局部極值點(diǎn)通過擬合三維二次函數(shù)，去除不穩(wěn)定以及錯(cuò)檢的極值點(diǎn)，精確地確定極值點(diǎn)的位置和尺度。

步驟4關(guān)鍵點(diǎn)方向信息分配。每個(gè)關(guān)鍵點(diǎn)的方向向量都是通過極值點(diǎn)鄰域像素的梯度方向分布特征實(shí)現(xiàn)的，使關(guān)鍵點(diǎn)對圖像的旋轉(zhuǎn)具有不變性。

步驟5關(guān)鍵點(diǎn)描述子的生成。將關(guān)鍵點(diǎn)周圍的圖像區(qū)域劃進(jìn)行分塊處理，計(jì)算每個(gè)塊的梯度直方圖，生成一個(gè)唯一的向量，該向量為關(guān)鍵點(diǎn)的抽象描述。

2.1.2 FAST特征點(diǎn)檢測算法

FAST算法是2006年Rosten提出的一種基于加速分割測試的算法[8]。該算法判斷一點(diǎn)是否為特征點(diǎn)，如圖1所示，p為候選特征點(diǎn)，r為半徑，對于圓上的16個(gè)像素點(diǎn)的位置，最少n個(gè)連續(xù)的像素點(diǎn)都滿足≥Ip+t或≤Ip-t，則該點(diǎn)被認(rèn)為是特征點(diǎn)。若選擇一個(gè)像素點(diǎn)x對上述得到的特征點(diǎn)集進(jìn)行劃分，其公式如下：

圖1 FAST特征點(diǎn)檢測

其中，p為候選特征點(diǎn)，I為像素的灰度值，t為閾值，x是以P為中心，r為半徑的圓周上的任意一點(diǎn)像素值。由公式（1）可知，每個(gè)像素點(diǎn)都有一個(gè)狀態(tài)與之相對應(yīng)，通過計(jì)算狀態(tài)為darker或brighter的像素點(diǎn)的個(gè)數(shù)，如果個(gè)數(shù)大于n，則該點(diǎn)被視為特征點(diǎn)。本文根據(jù)文獻(xiàn)[9]中所建議的，選取r=4,n=12，閾值通過第4章實(shí)驗(yàn)結(jié)果選取最優(yōu)閾值t=20。

2.1.3 FSIFT特征提取

采用尺度不變特征轉(zhuǎn)換（SIFT）提取灰度瓷磚圖像區(qū)域特征時(shí)，由于該算法不受圖像尺寸的影響，對噪聲能保持一定的穩(wěn)定性且具有旋轉(zhuǎn)不變性等優(yōu)點(diǎn)，避免了瓷磚在生產(chǎn)線上因其擺放位置產(chǎn)生的偏移或方向變動(dòng)所造成的偏差。Ouyang等人[10]提出一種基于Zernike矩和尺度不變特征轉(zhuǎn)換（SIFT）的圖像哈希算法，實(shí)現(xiàn)了對偽造圖像的檢測和定位。Al等人[11]利用SIFT來增強(qiáng)感興趣區(qū)域（ROI）的提取過程，建立了MRI軸位掃描診斷腰間盤突出病癥的CAD系統(tǒng)。對于圖像特征點(diǎn)的檢測，SIFT算法雖然具有較強(qiáng)的不變性，提取到的特征效果也較好，但由于其計(jì)算和數(shù)據(jù)的存儲復(fù)雜度比較高，所需時(shí)間較長，從而不適用于處理實(shí)時(shí)性較強(qiáng)的圖像。而在工業(yè)生產(chǎn)過程中，瓷磚圖像特征的采集依賴特征提取算法具有較強(qiáng)的實(shí)時(shí)性，以便瓷磚在不同階段對由于傳輸不當(dāng)而造成的瓷磚表面刮傷和擦劃缺陷進(jìn)行實(shí)時(shí)地檢測和處理。所以本文采用FAST算法來彌補(bǔ)SIFT算法在實(shí)時(shí)性方面的不足，況且對于灰度瓷磚圖像而言，F(xiàn)SAT算法相比于圖像的灰度值變化比SIFT算法在檢測方面更加簡單快速。但是FAST算法只能對特征點(diǎn)進(jìn)行檢測處理，并不能對其進(jìn)行特征描述，因此基于SIFT算法和FAST算法的優(yōu)點(diǎn)，提出FSIFT特征提取算法對瓷磚表面缺陷特征進(jìn)行檢測和描述。采用FSIFT算法對圖像特征進(jìn)行提取，首先通過FAST特征點(diǎn)檢測算法，利用公式（1）檢測特征點(diǎn)；其次，將以16×16窗口為中心的特征點(diǎn)劃分為16個(gè)4×4的patch，如圖2（a）所示，計(jì)算每個(gè)像素的梯度值，如圖2（b）所示，其計(jì)算公式如下：

其中，m(x,y)表示梯度在像素(x,y)處的模量，I(x,y)表示梯度在像素(x,y)處的灰度值，θ(x,y)則代表梯度在像素(x,y)處的方向。將各patch上的梯度直方圖劃分為8個(gè)方向，計(jì)算每個(gè)梯度方向的累積值并形成一個(gè)種子點(diǎn)，每個(gè)種子點(diǎn)有8個(gè)方向的向量，則每個(gè)特征共有16個(gè)種子點(diǎn)如圖2（c）所示，最終就可得到16×8=128維向量作為特征點(diǎn)的描述向量。

圖2 FSIFT特征描述子的過程

2.2 BoF模型建立

FSIFT算法在特征的提取速度和提取特征個(gè)數(shù)方面具有較大的優(yōu)勢，但采用該算法提取的缺陷特征包含大量的冗余特征，不能直接將其應(yīng)用于瓷磚表面缺陷的分類。因此，構(gòu)建BoF[12]模型將冗余特征通過計(jì)算詞頻向量的方式來實(shí)現(xiàn)瓷磚的缺陷分類。BoF模型是由Joachims[13]在1997年提出的，作為一種結(jié)構(gòu)簡單、計(jì)算效率高的分類方法，它不僅保留了圖像的局部特征，降低了單次特征提取所需要的數(shù)量，同時(shí)還可以利用大量冗余特征的統(tǒng)計(jì)特性來描述缺陷的類型，隨著眾多學(xué)者將其應(yīng)用于圖像處理鄰域[14-15]，因而得到了廣泛的應(yīng)用，其理論對應(yīng)關(guān)系如圖3所示。

圖3 BoF模型理論關(guān)系對應(yīng)

構(gòu)建BoF模型共包含三個(gè)步驟：

步驟1特征提?。翰捎藐P(guān)鍵點(diǎn)檢測法，分別提取每張訓(xùn)練圖像所有區(qū)域的FSIFT特征，得到n個(gè)特征描述向量。

步驟2K-means聚類：利用K-means聚類算法構(gòu)造詞匯表，對n個(gè)特征向量進(jìn)行聚類，以k為聚類中心，每個(gè)聚類中心表示一個(gè)視覺單詞，集合所有的特征單詞組成視覺詞典。

步驟3生成視覺詞典：對特征個(gè)數(shù)進(jìn)行歸一化處理，統(tǒng)計(jì)詞典中每個(gè)單詞出現(xiàn)的頻率形成視覺單詞直方圖，避免了因提取特征數(shù)不同而造成的分類不準(zhǔn)的問題。構(gòu)建BoF模型流程框圖如圖4所示。

圖4 BoF模型流程框圖

2.3 彩色瓷磚圖像特征提取

由于瓷磚缺陷類型多種多樣，其表面缺陷中所包含的顏料刮劃和色差等缺陷與瓷磚表面的顏色具有一定的聯(lián)系，使得顏色特征也成為了瓷磚缺陷檢測中較為重要的特征之一。與其他特征相比較，顏色特征因?yàn)槠鋵D像的方位、大小等變化不敏感，且對彩色瓷磚表面的顏色分布能進(jìn)行有效的表征，因此具有較高的魯棒性。本文利用顏色矩特征來描述彩色瓷磚圖像的缺陷區(qū)域，作為一種簡單有效的顏色特征提取方法，顏色矩特征避免了對瓷磚表面顏色進(jìn)行量化處理，同時(shí)又降低了瓷磚顏色特征的維數(shù)，明顯優(yōu)于其他顏色特征表示方法[16]。

對彩色瓷磚圖像提取其顏色特征時(shí)，需要用數(shù)量來描述其顏色的差別，由于RGB顏色空間的不均勻性，所以需要其轉(zhuǎn)換至更切合人類視覺的HSV空間中進(jìn)行顏色特征提取。利用顏色矩特征對彩色瓷磚圖像的顏色特征進(jìn)行描述時(shí)，圖像中的所有顏色分布都可以用它的矩來表示，由于顏色分布信息主要集中在低階矩中，因此采用顏色的一階矩（均值）、二階矩（方差）以及三階矩（偏移性）就足以表現(xiàn)出彩色瓷磚表面的顏色分布。利用顏色矩特征來描述彩色瓷磚表面的顏色特征時(shí)只需9個(gè)分量（3個(gè)顏色分量，每個(gè)分量上3個(gè)低階矩），每個(gè)分量的統(tǒng)計(jì)量定義為：

其中，Pij表示彩色瓷磚圖像第i個(gè)顏色通道分量中第j個(gè)圖像像素值，N表示單通道圖像中的總像素?cái)?shù)。m表示一階矩均值，描述了彩色瓷磚在第i個(gè)顏色通道上所有像素的均值；s表示二階矩方差用來描述彩色瓷磚在第i個(gè)顏色通道上所有像素的方差；S表示三階矩偏移性，描述彩色瓷磚的在第i個(gè)顏色通道上所有像素偏差的三次方根。圖像3個(gè)分量的前3階顏色矩即可組成一個(gè)9維的顏色特征向量對彩色圖像的特征進(jìn)行描述。

3 算法模型建立

本文提出的瓷磚表面缺陷檢測算法包括兩部分，一部分是在灰色瓷磚圖像上建立BoF模型提取圖像特征，另一部分則是在彩色瓷磚圖像上利用顏色矩來描述瓷磚的區(qū)域特征，該算法系統(tǒng)架構(gòu)模型[17-18]如圖6所示。對提取到的特征，首先采用SVM分類器分別對這兩種特征進(jìn)行單獨(dú)預(yù)分類，得到缺陷瓷磚的初步分類正確率。然后，以兩種不同特征對瓷磚被準(zhǔn)確分類的準(zhǔn)確率作為權(quán)重的分配依據(jù)，若某一特征分類的準(zhǔn)確率較高，則說明該特征對瓷磚缺陷的描述能力較強(qiáng)，因此對其分配較大的權(quán)重。本文采用0和1作為兩種特征的權(quán)重系數(shù)，準(zhǔn)確率高的特征權(quán)重系數(shù)分配為1，其余分配為0。其計(jì)算特征權(quán)重系數(shù)的定義如下：假設(shè)提取到圖像的n種特征分別為f1,f2,…,fn；ri1,ri2,…,rin分別為第i類瓷磚在特征f1,f2,…,fn條件下的分類正確率；wi1,wi2,…,win分別為第i類瓷磚在特征f1,f2,…,fn處的權(quán)重系數(shù)，則各權(quán)重系數(shù)的具體計(jì)算方式如下所示：

最后，對預(yù)分類之后的特征根據(jù)各自的分類正確率大小分配不同的權(quán)重系數(shù)以促成兩種特征的加權(quán)融合，從而形成融合后的綜合特征向量（示意圖如圖5所示），并對其再次采用SVM進(jìn)行分類，獲取最終的瓷磚分類結(jié)果。相比于傳統(tǒng)特征融合方法，并行融合方法的計(jì)算復(fù)雜，應(yīng)用范圍較窄，本文所采用的融合方法不僅可以從融合的兩種特征中獲取最具差異性的信息，消除因不同特征集之間的相關(guān)性而產(chǎn)生的冗余信息，而且還避免了串行融合方法由于對每種單一特征本身的準(zhǔn)確度具有較高要求，否則融合后的分類結(jié)果可能會導(dǎo)致差異放大，反而降低瓷磚分類效率的不足。

圖5 特征融合示意圖

綜上所述，本文將提出的基于多特征融合的瓷磚表面缺陷檢測算法步驟歸納如下：

步驟1輸入訓(xùn)練圖像集T和測試圖像集E（均為彩色圖像）。

步驟2分別提取T和E，將所有瓷磚灰度化之后的FSIFT特征，及將圖像空間轉(zhuǎn)換至HSV空間后的所有彩色瓷磚圖像的顏色矩特征。

步驟3采用K-means聚類生成T和E中的FSIFT特征詞匯表DS；對已提取T和E中的顏色矩特征進(jìn)行分析，去除受光照因素強(qiáng)的的亮度屬性特征，保留集中性較好，描述能力較強(qiáng)的屬性特征值Fc。

步驟4對T和E中提取到的所有灰色瓷磚圖像的特征向量進(jìn)行量化編碼，得到瓷磚的FSIFT特征編碼向量Fs。

步驟5將訓(xùn)練圖像集T中對應(yīng)的Fs送入SVM中得到FSIFT特征的預(yù)分類結(jié)果rs，然后將T中對應(yīng)的Fc送入SVM中得到顏色矩特征的預(yù)分類結(jié)果rc。

步驟6根據(jù)前文所述的特征融合時(shí)特征權(quán)重系數(shù)的計(jì)算公式，采用式（8）計(jì)算Fs和Fc特征的權(quán)重系數(shù)，然后按照式（9）對兩種特征進(jìn)行加權(quán)融合得到對應(yīng)訓(xùn)練圖像集的綜合特征向量M。

其中，Ws和Wc分別表示FSIFT特征和顏色矩特征的權(quán)重值，rs和rc則表示基于FSIFT特征和顏色矩特征進(jìn)行單獨(dú)預(yù)分類時(shí)缺陷瓷磚的分類正確率。

步驟7將訓(xùn)練圖像集T中的綜合特征向量C送入SVM分類器中進(jìn)行訓(xùn)練，從而得到SVM分類器的模型參數(shù)。

步驟8將測試圖像集E中對應(yīng)的Fs送入SVM中得到FSIFT特征的預(yù)分類結(jié)果rs，然后將E中所對應(yīng)的Fc送入SVM中得到顏色矩特征的預(yù)分類結(jié)果rc。

步驟9根據(jù)公式（8）計(jì)算Fs和Fc特征的權(quán)重系數(shù)，然后按照公式（9）對兩種特征進(jìn)行加權(quán)融合得到對應(yīng)測試圖像集E的綜合特征向量M。

步驟10將測試圖像集E的綜合特征向量M送入SVM分類器中進(jìn)行分類，得到缺陷瓷磚分類的最終分類結(jié)果。

圖6 多特征融合算法架構(gòu)模型

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文提出算法的有效性，將實(shí)驗(yàn)分為兩組分別進(jìn)行，第一組將所用缺陷瓷磚分為灰色瓷磚和彩色瓷磚兩部分輸入到圖6的算法架構(gòu)模型中進(jìn)行驗(yàn)證，通過數(shù)據(jù)分析各部分特征提取算法的性能，第二組采用不同支持向量機(jī)分類方法，將本文提出的融合特征算法與其他單一特征進(jìn)行比較。實(shí)驗(yàn)所用瓷磚庫包含了18種不同類型瓷磚表面的4種缺陷，每種缺陷包含了90幅瓷磚缺陷圖像，每類60個(gè)樣本用于訓(xùn)練，30個(gè)樣本作為測試集來統(tǒng)計(jì)缺陷瓷磚分類結(jié)果的正確率，每幅圖像尺寸為256×256像素，這些瓷磚中包含各種不規(guī)則缺陷的瓷磚圖像，文中采用將這4種缺陷統(tǒng)一概括為線性缺陷和點(diǎn)狀缺陷兩大類進(jìn)行分析。由于篇幅所限，只列舉了12種不同類型的瓷磚樣本圖像，包含兩大類型缺陷圖像和標(biāo)準(zhǔn)瓷磚圖像，如圖7所示為部分瓷磚圖像。

圖7 實(shí)驗(yàn)部分瓷磚圖像示例

從圖7可知，由于圖像拍攝視點(diǎn)和焦距的不同，使得瓷磚圖像在光照及旋轉(zhuǎn)變化方面有較大的不同。瓷磚表面的缺陷有的清晰、有的模糊，且存在相同缺陷之間有較大差異的情況，因此通過人眼感官角度對瓷磚進(jìn)行定性分析從而進(jìn)一步地測試算法的性能。

為了驗(yàn)證本文提出算法的優(yōu)越性，對標(biāo)準(zhǔn)、線性缺陷及斑點(diǎn)缺陷3種不同類型的灰度瓷磚缺陷圖像分別采用SIFT算法和FSIFT算法進(jìn)行測試。圖8為采用SIFT算法和FSIFT算法對不同缺陷類型瓷磚提取到的特征點(diǎn)進(jìn)行比較，表1則通過利用SIFT算法和FSIFT算法提取到的特征點(diǎn)的個(gè)數(shù)和用于特征檢測所需要的時(shí)間，對兩種算法的性能進(jìn)行了比較。由表1可知，其中FSIFT算法提取到的特征點(diǎn)的平均數(shù)量為305，而SIFT算法在對灰度瓷磚表面缺陷特征進(jìn)行檢測時(shí)，由于丟失了部分的圖像信息使得其提取到的特征點(diǎn)平均數(shù)量僅為122。且對比SIFT算法和FSIFT算法在特征檢測過程中所使用的平均檢測時(shí)間，F(xiàn)SIFT算法的平均檢測時(shí)間是0.049 ms，而SIFT算法的平均檢測時(shí)間是6.27 ms。根據(jù)兩種算法提取到的特征點(diǎn)的平均數(shù)量進(jìn)行比較，F(xiàn)SIFT算法提取到的特征點(diǎn)的個(gè)數(shù)是SIFT算法的2.5倍，且SIFT算法所使用的平均檢測時(shí)間是FSIFT算法的127.95倍。因此，通過上述分析可以看出，F(xiàn)SIFT算法不僅可以提高特征檢測的速度，而且相比于SIFT算法可以更快地獲取更多的特征，使得運(yùn)算變得更加快速有效，從而降低了運(yùn)算的復(fù)雜度。

圖8 SIFT算法與FSIFT算法特征點(diǎn)比較

表1 SIFT算法與FSIFT算法性能比較

為了分析使用融合特征算法描述瓷磚缺陷區(qū)域?qū)Ρ疚乃惴ǚ诸愋阅艿挠绊?，根?jù)圖6架構(gòu)模型所示，對輸入瓷磚圖像分別通過建立BoF模型和提取瓷磚圖像的顏色特征兩部分進(jìn)行分析。在基于BoF模型的基礎(chǔ)上提取FSIFT特征，經(jīng)實(shí)驗(yàn)驗(yàn)證，其特征點(diǎn)檢測閾值t及特征詞典容量k的選取會對最終的瓷磚缺陷分類結(jié)果產(chǎn)生一定的影響。選取不同類型的缺陷瓷磚，測試其在不同閾值t下提取的特征個(gè)數(shù)，如圖9所示，隨著閾值t逐漸增大，提取到的特征個(gè)數(shù)就越少，并在某一值時(shí)趨于穩(wěn)定。通過實(shí)驗(yàn)驗(yàn)證可知，當(dāng)提取的特征個(gè)數(shù)過少時(shí)則不具備描述圖像區(qū)域的能力，而過多則會導(dǎo)致運(yùn)算速度變慢，達(dá)不到預(yù)期的效果。

因此，為保證所選閾值t對瓷磚圖像的缺陷區(qū)域具有一定描述能力，經(jīng)實(shí)驗(yàn)濾除t在不同取值范圍時(shí)，提取到的特征個(gè)數(shù)過多和過少的閾值，選取t=5、10、15、20、25、30為6個(gè)實(shí)驗(yàn)組，測試各組在不同k值下的整體識別率，設(shè)置每組k值的范圍為（20，300），結(jié)果如圖10所示。由圖10可知，當(dāng)閾值t取5、10時(shí)，在整個(gè)k的取值范圍內(nèi)，其整體識別率上下波動(dòng)較大，達(dá)不到一個(gè)穩(wěn)定的值。當(dāng)t=15時(shí)，其整體識別率雖然不穩(wěn)定，但在k=（140，180）范圍內(nèi)趨于穩(wěn)定，整體識別率超過了90%，并在k=180時(shí)達(dá)到了92%。當(dāng)t=20，k=（140，160）時(shí)，整體識別率達(dá)到90%以上。當(dāng)t=25、30時(shí)，整體識別率不夠穩(wěn)定，達(dá)不到一個(gè)穩(wěn)定值。因此，在保證整體識別率的前提下，本文選擇t的范圍在（15，20），k的范圍在（160，180），考慮到運(yùn)行效率，選擇較大的t和較小的k應(yīng)用于實(shí)驗(yàn)中，所以選擇t=20，k=160為最佳取值。

圖9 不同t下提取的不同缺陷類型特征個(gè)數(shù)

圖10 不同t、k條件下的整體識別率

圖11 不同訓(xùn)練樣本數(shù)下各步長識別精度

選擇FSIFT特征點(diǎn)檢測閾值為20，特征詞典容量為160的基礎(chǔ)上，改變BoF模型的參數(shù)，即各個(gè)patch在不同步長情況下，針對不同樣本個(gè)數(shù)的缺陷識別精度。本文選取步長L=2、4、6、8、10五組情況，分別在訓(xùn)練樣本數(shù)為10、20、40、60時(shí)檢測其對瓷磚缺陷的識別精度，如圖11所示。由圖可知，在同一樣本數(shù)下，各patch之間間距越小，則缺陷的識別精度就越高；而如果選擇的訓(xùn)練樣本數(shù)目太少，則會導(dǎo)致視覺詞典不完備，使得識別精度值較低。選擇步長為2的情況下，隨著訓(xùn)練樣本數(shù)目的變化，瓷磚的識別精度呈現(xiàn)上升趨勢，并在樣本數(shù)目為60時(shí)，達(dá)到最高精度值；若選擇步長為8或10時(shí)，對于瓷磚表面存在一些細(xì)微、淺顯的缺陷而言，則會由于patch之間間距過大，不能對缺陷區(qū)域進(jìn)行詳細(xì)的描述，從而導(dǎo)致瓷磚的識別精度不高，達(dá)不到實(shí)際的需求。

基于BoF模型對灰色瓷磚圖像特征進(jìn)行量化處理后，采用顏色矩特征對彩色瓷磚圖像的表面缺陷進(jìn)行描述。作為一種簡單有效的顏色特征，其主要思想體現(xiàn)在，圖像中的所有顏色分布都可以用它的矩來表示，且顏色分布信息主要集中在低階矩中。顏色矩特征的優(yōu)點(diǎn)主要在于，該特征能較好地表征彩色瓷磚圖像表面的顏色分布，從而可以識別出各顏色之間的差異?？紤]到RGB顏色空間的不均勻性，因此將其轉(zhuǎn)換至HSV空間提取瓷磚圖像的顏色矩特征，該空間以一個(gè)亮度屬性值V和兩個(gè)色度屬性值（色調(diào)H和飽和度S）來表示一種色彩，如圖12所示。

圖12 瓷磚樣本圖像

由圖可知，瓷磚圖像的表面缺陷特征主要集中在飽和度分量和亮度分量中，但是在工廠的實(shí)際生產(chǎn)過程中，瓷磚圖像的采集由于受光照因素的影響，使得其對比度較低，缺陷區(qū)域和背景反差較大。因此，為降低光照因素對瓷磚分類效果的影響，本文選擇去除亮度屬性值，只采用色調(diào)分量和飽和度分量提取其相關(guān)顏色矩特征對缺陷瓷磚進(jìn)行檢測和分類處理。

第二組實(shí)驗(yàn)在基于BoF模型的基礎(chǔ)上，選取FSIFT算法閾值t=20，特征詞典容量k=160和顏色矩特征進(jìn)行加權(quán)融合，采用徑向基核支持向量機(jī)、直方圖交叉核支持向量機(jī)、空間金字塔匹配徑向基核支持向量機(jī)和空間金字塔匹配直方圖交叉核支持向量機(jī)分類方法進(jìn)行分類，并與單一特征局部二值模式（LBP）、尺度不變特征轉(zhuǎn)換（SIFT）、灰度梯度共生矩陣（GGCM）進(jìn)行比較，結(jié)果如圖13所示。在4種分類器方法中直方圖交叉核支持向量機(jī)的分類效果最好，在加入空間金字塔徑向基核支持向量機(jī)和空間金字塔匹配直方圖交叉核支持向量機(jī)分類方法后，其性能存在下降趨勢，少數(shù)有提高。由圖13可知，本文算法在采用徑向基核支持向量機(jī)的分類正確率可達(dá)95%，而且采用多特征融合算法應(yīng)用于瓷磚表面缺陷特征的描述也明顯比單一特征算法的分類正確率要高。

圖13 算法分類正確率比較

瓷磚在日常生產(chǎn)過程中，其采集裝置大多應(yīng)用于工廠環(huán)境內(nèi)，因此對瓷磚圖像進(jìn)行獲取時(shí)會不可避免地受到周圍環(huán)境、光照以及噪聲因素的干擾。對于不同類型的瓷磚表面缺陷，由于其表面粗糙程度不一，會造成圖像采集時(shí)受其表面反光作用的影響，產(chǎn)生不同程度的曝光，進(jìn)而影響瓷磚的性能。同時(shí)，瓷磚在傳輸過程中也會受到噪聲因素的干擾，這在很大程度上影響了瓷磚處理的難度。因此，為了驗(yàn)證本文算法的有效性和可靠性，選擇對瓷磚圖像加入在實(shí)際生產(chǎn)過程中常見的不同等級的高斯噪聲和不同程度的曝光率，并分析該算法在不同狀態(tài)下對瓷磚被準(zhǔn)確分類的大小，其結(jié)果如表2～表4所示。

表2 δ=15情況下瓷磚的缺陷識別率%

表3 δ=20情況下瓷磚的缺陷識別率%

對瓷磚缺陷圖像加入δ=15、20、25三種不同的高斯噪聲后，分析在該情況下，曝光率分別為40、60、80、100、120、140六種不同狀態(tài)時(shí)檢測到的瓷磚表面缺陷的識別率大小。由表中數(shù)據(jù)可知，在三種不同的噪聲等級下，隨著瓷磚表面曝光率的增加，瓷磚的平均識別率呈現(xiàn)出逐漸上升的趨勢，當(dāng)曝光率達(dá)到120、140時(shí)，其平均識別率也達(dá)到了最高。因此，通過數(shù)據(jù)分析也說明了光照因素對瓷磚表面缺陷檢測的影響。

表4 δ=25情況下瓷磚的缺陷識別率%

由表2、表3可知，選擇對瓷磚表面加入不同等級的高斯噪聲時(shí)，隨著曝光率的不斷增加，瓷磚表面缺陷的平均識別率雖然在小范圍內(nèi)出現(xiàn)一定的波動(dòng)，但仍趨于上升的狀態(tài)。在表4中噪聲等級為δ=25的情況下，瓷磚的平均識別率相比于表2、表3雖存在輕微的下降趨勢，但對比本文算法在正常情況下對瓷磚表面缺陷的平均識別率（如圖13所示）可知，在對瓷磚缺陷圖像加入不同等級的高斯噪聲與不同程度的曝光率后，其識別率并沒有出現(xiàn)大幅度的下降，因此，其檢測效果仍具有一定的參考意義，該實(shí)驗(yàn)結(jié)果也表明了本文提出算法的有效性和可靠性。

5 結(jié)束語

由于瓷磚表面缺陷的異構(gòu)性和不確定性，導(dǎo)致單一特征提取到的特征量過于薄弱，而無法完整地描述瓷磚缺陷的問題，本文提出一種多特征融合的瓷磚表面缺陷檢測算法。該算法通過提取灰色瓷磚圖像和彩色瓷磚圖像的不同特征進(jìn)行優(yōu)勢互補(bǔ)，有效地彌補(bǔ)了圖像特征量過小、運(yùn)算速度過慢以及BoF模型缺失空間和幾何信息的問題。對提取到的瓷磚缺陷特征，采用權(quán)重的鑒別能量方式對其進(jìn)行鑒別分析，進(jìn)一步地對特征進(jìn)行優(yōu)選加權(quán)從而形成新的融合特征向量，加強(qiáng)了算法的鑒別能力。實(shí)驗(yàn)證明，該算法提高了瓷磚缺陷分類的準(zhǔn)確性，對有淺顯細(xì)微缺陷的瓷磚、缺陷類型復(fù)雜的瓷磚、簡單瓷磚及有光照變化的瓷磚均能取得較好的分類效果。