蘭葉深

摘要：針對(duì)傳統(tǒng)軸承表面缺陷圖像分類(lèi)方法中特征矢量提取困難，分類(lèi)精度不高的問(wèn)題，提出一種基于字典學(xué)習(xí)的軸承表面缺陷圖像分類(lèi)方法。將圖像稀疏表示和基于Fisher判別準(zhǔn)則的字典學(xué)習(xí)應(yīng)用在軸承表面缺陷分類(lèi)檢測(cè)中，根據(jù)字典學(xué)習(xí)的判別性稀疏編碼實(shí)現(xiàn)對(duì)軸承表面缺陷圖像的精確分類(lèi)。實(shí)驗(yàn)研究結(jié)果表明，該算法可以有效的提高軸承表面缺陷的分類(lèi)精度，在軸承表面缺陷類(lèi)型的平均分類(lèi)精度達(dá)到95.4%。

關(guān)鍵詞：字典學(xué)習(xí);稀疏表示;軸承缺陷;Fisher判別

中圖分類(lèi)號(hào)：TH133.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-957X（2020）22-0147-02

0? 引言

作為機(jī)械基礎(chǔ)零件，軸承被廣泛應(yīng)用在汽車(chē)、航空航天、數(shù)控機(jī)床等工業(yè)領(lǐng)域[1]，軸承表面作為軸承最易損壞的工作面，其質(zhì)量的優(yōu)劣，直接影響著軸承的性能、精度和使用壽命[2]。隨著現(xiàn)代計(jì)算機(jī)技術(shù)的快速發(fā)展，基于機(jī)器視覺(jué)的軸承表面缺陷檢測(cè)技術(shù)也得到了飛速發(fā)展[3]，然而，目前很多軸承表面缺陷圖像分類(lèi)方法中的特征矢量提取大部分是基于人工設(shè)計(jì)和選擇，導(dǎo)致圖像特征矢量提取困難以及缺陷類(lèi)別分類(lèi)精度不高。近年來(lái)，稀疏編碼表示因其具有較強(qiáng)的圖像特征表征能力，被廣泛應(yīng)用在圖像處理領(lǐng)域[4]，而圖像稀疏表示編碼模型往往需要訓(xùn)練樣本的字典學(xué)習(xí)獲取圖像特征的稀釋編碼，因此設(shè)計(jì)有效、通用性能強(qiáng)的學(xué)習(xí)字典已成為圖像稀疏表示的熱點(diǎn)研究方向。例如，張瑞杰等人[5]針對(duì)傳統(tǒng)視覺(jué)詞典判別性弱的問(wèn)題，提出了基于Fisher判別稀疏編碼的圖像場(chǎng)景分類(lèi)算法，采用Fisher判別約束準(zhǔn)則來(lái)增強(qiáng)圖像稀疏表示的判別性，并結(jié)合支持向量機(jī)分類(lèi)器提高場(chǎng)景分類(lèi)能力;西安工程大學(xué)的任茹[6]根據(jù)玻璃纖維布缺陷類(lèi)別特點(diǎn)，采用HOG+LBP特征提取器對(duì)玻璃纖維布缺陷圖像進(jìn)行降維和預(yù)處理，并利用字典學(xué)習(xí)模型獲取每類(lèi)缺陷圖像的特征矩陣的特定類(lèi)字典，實(shí)現(xiàn)缺陷的有效分類(lèi);北京理工大學(xué)的時(shí)永剛等人[7]針對(duì)現(xiàn)有多圖譜對(duì)海馬子圖像分割困難的問(wèn)題，利用局部二值化特征增強(qiáng)了訓(xùn)練字典的判別性，通過(guò)求解訓(xùn)練字典中稀疏表示來(lái)標(biāo)記缺陷，最后平均分割準(zhǔn)確率達(dá)到了89%。

為此，針對(duì)傳統(tǒng)軸承表面缺陷圖像分類(lèi)方法所存在的問(wèn)題，本文提出了一種基于字典學(xué)習(xí)的軸承表面缺陷分類(lèi)方法，將圖像稀疏表示和基于Fisher判別準(zhǔn)則的學(xué)習(xí)字典應(yīng)用在軸承表面缺陷分類(lèi)檢測(cè)中，根據(jù)字典學(xué)習(xí)的判別性稀疏編碼實(shí)現(xiàn)對(duì)軸承表面缺陷圖像的精確分類(lèi)。

1? 算法理論

1.1 圖像稀疏表示理論

稀疏表示在圖像分類(lèi)中應(yīng)用較為廣泛，圖像稀疏表示是指將一幅自然圖像通過(guò)一個(gè)基函數(shù)在字典中進(jìn)行線性疊加表示[8]。設(shè)原始圖像為■，基函數(shù)字典為■，則D可以用式（1）表達(dá)稀疏表示模型。

1.2 字典學(xué)習(xí)理論

由于稀疏表示中的集合Y中含有大量冗余信息的矩陣[9]，為減少稀疏表示模型求解計(jì)算量，采用字典學(xué)習(xí)獲取有限個(gè)簡(jiǎn)化的稀疏表示求解過(guò)程，傳統(tǒng)字典學(xué)習(xí)模型如式（4）所示。

1.3 Fisher判別分析

2? 實(shí)驗(yàn)與分析

在某軸承生產(chǎn)企業(yè)，在充分了解軸承制造工藝流程的基礎(chǔ)上，對(duì)現(xiàn)場(chǎng)軸承表面缺陷進(jìn)行了圖像采集，常見(jiàn)的軸承表面缺陷類(lèi)型如圖1所示，有銹斑、磕碰、裂紋、污漬四種典型的軸承表面缺陷。為了對(duì)基于Fisher判別準(zhǔn)則軸承表面缺陷類(lèi)型訓(xùn)練學(xué)習(xí)字典模型進(jìn)行準(zhǔn)確的評(píng)價(jià)，分別采集120張每種類(lèi)型的軸承表面缺陷圖像，采用字典學(xué)習(xí)的缺陷分類(lèi)流程對(duì)軸承表面缺陷類(lèi)型進(jìn)行分類(lèi)測(cè)試（見(jiàn)圖2），并通過(guò)分類(lèi)準(zhǔn)確率分類(lèi)結(jié)果進(jìn)行統(tǒng)計(jì)計(jì)算：分類(lèi)準(zhǔn)確率=正確分類(lèi)軸承表面樣本數(shù)/總的軸承表面樣本數(shù)。

如圖3所示，基于Fisher判別準(zhǔn)則的學(xué)習(xí)字典分類(lèi)方法在軸承表面缺陷數(shù)據(jù)集上的收斂性，可知，當(dāng)?shù)螖?shù)到達(dá)7次以后，算法的損失值逐漸穩(wěn)定，迭代次數(shù)相對(duì)其他算法不是很高。圖4為Fisher判別準(zhǔn)則Y（X）隨迭代次數(shù)的變化情況，可知，隨著迭代次數(shù)的增加Y（X）的值越小，說(shuō)明訓(xùn)練樣本字典學(xué)習(xí)判別性能越高，和前述Fisher判別分析的結(jié)果一致。圖5為四種缺陷類(lèi)型的分類(lèi)準(zhǔn)確度，可知，學(xué)習(xí)字典在軸承表面缺陷類(lèi)型的平均分類(lèi)精度達(dá)到90.4%，基本滿足軸承工業(yè)現(xiàn)場(chǎng)分類(lèi)精度要求，但對(duì)于銹斑和污漬缺陷的分類(lèi)精準(zhǔn)度低于裂紋和磕碰類(lèi)型的分類(lèi)精準(zhǔn)，主要是由于軸承表面銹斑和污漬缺陷圖像特征矢量具有一定的相似性，導(dǎo)致識(shí)別率準(zhǔn)確度相對(duì)其他2種典型缺陷類(lèi)型稍低。

3? 結(jié)論

為有效提高軸承表面缺陷類(lèi)型的分類(lèi)精度，提出了一種基于學(xué)習(xí)字典的軸承表面缺陷分類(lèi)方法，將圖像稀疏表示和基于Fisher判別準(zhǔn)則的學(xué)習(xí)字典應(yīng)用在軸承表面缺陷分類(lèi)檢測(cè)中，根據(jù)字典學(xué)習(xí)的判別性稀疏編碼實(shí)現(xiàn)對(duì)軸承表面缺陷圖像的精確分類(lèi)。實(shí)驗(yàn)研究結(jié)果表明，該方法對(duì)軸承表面缺陷類(lèi)型的分類(lèi)精度達(dá)到95.4%，能夠精確的識(shí)別軸承表面缺陷的類(lèi)型，但由于受軸承表面銹斑缺陷和污漬缺陷圖像特征矢量相似性較多的影響，對(duì)銹斑和污漬缺陷的識(shí)別準(zhǔn)確率還有待進(jìn)一步的提高，需接下來(lái)以微小缺陷特征矢量提取為重點(diǎn)研究對(duì)象以提高其分類(lèi)準(zhǔn)確率。

參考文獻(xiàn)：

[1]那亞莉.機(jī)械軸承和齒輪的失效原因及解決方案[J].內(nèi)燃機(jī)與配件，2019，19：134-135.

[2]郭浩，雷建中，王玉良，等.軸承套圈的常見(jiàn)缺陷及預(yù)防措施[J].軸承，2019，1：66-71.

[3]張明輝，王建武，張文，等.機(jī)器視覺(jué)在軸承檢測(cè)中的研究現(xiàn)狀及發(fā)展趨勢(shì)[J].機(jī)床與液壓，2019，47（23）：183-189.

[4]常振春，禹晶，肖創(chuàng)柏，等.基于稀疏表示和結(jié)構(gòu)自相似性的單幅圖像盲解卷積算法[J].自動(dòng)化學(xué)報(bào)，2017，43（11）：1908-1919.

[5]張瑞杰，魏福山.結(jié)合Fisher判別分析和稀疏編碼的圖像場(chǎng)景分類(lèi)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2015，27（5）：808-814.

[6]任茹.字典學(xué)習(xí)在玻璃纖維布缺陷分類(lèi)中的研究[D].西安：西安工程大學(xué)，2019.

[7]時(shí)永剛，王東青，劉志文.字典學(xué)習(xí)和稀疏表示的海馬子區(qū)圖像分割[J].中國(guó)圖象圖形學(xué)報(bào)，2015，20（12）：1593-1601.

[8]孫君頂，趙慧慧.圖像稀疏表示及其在圖像處理中的應(yīng)用[J].紅外技術(shù)，2014，36（7）：533-537.

[9]李爭(zhēng)名，楊南粵，岑健.基于原子Fisher判別準(zhǔn)則約束字典學(xué)習(xí)算法[J].計(jì)算機(jī)應(yīng)用，2017，37（6）：1716-1721，1740.

[10]霍雷剛，馮象初.基于主成分分析和字典學(xué)習(xí)的高光譜遙感圖像去噪方法[J].電子信息學(xué)報(bào)，2014，36（11）：2723-2729.