劉 浩,陳再良,張 良

(蘇州大學(xué) 機(jī)電工程學(xué)院,江蘇 蘇州 215131)

0 引言

車刀是一種用在機(jī)械加工過程中最常見的刀具。在刀具生產(chǎn)的過程中，由于工藝條件及生產(chǎn)過程中的運(yùn)輸不當(dāng)?shù)仍?，刀具的表面?huì)出現(xiàn)各種缺陷。這些缺陷會(huì)極大地破壞刀具的外觀完整性和降低刀具的使用壽命。例如刀具的邊緣豁口缺陷，可能會(huì)造成待加工表面的凸凹不平，進(jìn)而影響產(chǎn)品的表面粗糙度和一致性；又如涂層剝落缺陷，可能會(huì)嚴(yán)重影響刀具的力學(xué)性能，造成加工過程中的“崩刀”[1]。因此，對(duì)刀具表面的缺陷進(jìn)行檢測(cè)具有重要的意義。所以刀具的健康檢測(cè)也成為整個(gè)生產(chǎn)過程安全、順利進(jìn)行的一個(gè)重要環(huán)節(jié)[2-3]。刀具實(shí)物圖見圖1。

圖1 刀具實(shí)物圖

根據(jù)行業(yè)現(xiàn)狀以及企業(yè)生產(chǎn)的情況來看，刀具的表面缺陷主要有劃痕、凹坑、涂層剝落和邊緣豁口這4種。

現(xiàn)有的質(zhì)量檢測(cè)方式可分為直接測(cè)量及間接測(cè)量法。直接測(cè)量法有機(jī)械接觸法、機(jī)器視覺法、射線(X-ray or Gamma ray)檢測(cè)法與電阻檢測(cè)法。間接檢測(cè)法是以間接參數(shù)來測(cè)量刀具質(zhì)量，如電流檢測(cè)、振動(dòng)檢測(cè)、發(fā)聲檢測(cè)等[4]。目前，刀具的表面缺陷檢測(cè)主要通過人工肉眼完成[5]，這種檢測(cè)方式效率低、準(zhǔn)確率低、勞動(dòng)強(qiáng)度大，無法適應(yīng)現(xiàn)代大規(guī)模、高質(zhì)量的生產(chǎn)需求。同時(shí)，由于必須在強(qiáng)光源的照射下才能快速準(zhǔn)確的找到刀具的表面缺陷，會(huì)造成工人的用眼疲勞甚至是眼部疾病。

基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的缺陷檢測(cè)方式是近年來研究的熱點(diǎn)和重點(diǎn)。采用深度學(xué)習(xí)進(jìn)行缺陷檢測(cè)方式需要大量的數(shù)據(jù)樣本和更為苛刻的數(shù)據(jù)形式，同時(shí)需要更多的計(jì)算量和計(jì)算時(shí)間。在小規(guī)模數(shù)據(jù)集上，傳統(tǒng)的機(jī)器學(xué)習(xí)模型更具備分類優(yōu)勢(shì)[6]。因此工業(yè)上更多的是采用機(jī)器學(xué)習(xí)的方式進(jìn)行缺陷的分類。

四川大學(xué)的李宇庭等人，通過建立特征數(shù)據(jù)集、使用遺傳算法和SVM模型實(shí)現(xiàn)了對(duì)腐蝕坑和裂紋兩種缺陷的高精度分類算法[7]。R.E.Gong等人提出了基于SVM的MHSVM+算法來檢測(cè)鋼材表面缺陷[8]；H.Hagi等人提出了基于隨機(jī)抽樣的和特征選擇的算法來對(duì)電路板缺陷進(jìn)行檢測(cè)[9]。湖南大學(xué)的周顯恩等人提出基于隨機(jī)圓評(píng)估定位方法，利用殘差分析、動(dòng)態(tài)閾值分割與全局閾值分割相結(jié)合的方法實(shí)現(xiàn)了瓶口的缺陷檢測(cè)。最終將檢測(cè)正確率提高了2.22%[10]。

武漢大學(xué)的舒文娉對(duì)印品的缺陷進(jìn)行特征提取和分析，利用SVM對(duì)特征數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，最終達(dá)到缺陷識(shí)別率100%、分類準(zhǔn)確率93.94%的效果，提出的算法能夠較好地滿足印品質(zhì)量的任務(wù)需求[11]。S.Benzahioul等人，提出了一種基于圖像處理和模式識(shí)別的缺陷檢測(cè)方法，即通過提取缺陷的HOG特征和利用SVM分類器，前后共分4個(gè)步驟實(shí)現(xiàn)了對(duì)異步電動(dòng)機(jī)生產(chǎn)過程中缺陷的檢測(cè)，結(jié)果表明，算法具有較高的效率和準(zhǔn)確率[12]。

本研究也借鑒機(jī)器學(xué)習(xí)的內(nèi)容，針對(duì)刀具的表面缺陷檢測(cè)及分類任務(wù)，提出了一種結(jié)合圖像處理和機(jī)器學(xué)習(xí)的缺陷自動(dòng)化檢測(cè)及分類方法。

本文主要完成了以下幾部分的工作：

1)對(duì)刀具圖像的預(yù)處理進(jìn)行研究，主要包括圖像的降噪、圖像的增強(qiáng)以及缺陷區(qū)域的分割。最終通過計(jì)算及試驗(yàn)確定了基于雙邊濾波的降噪方法、基于差分的圖像增強(qiáng)方法和基于最大類間方差法的閾值分割方法。

2)研究了刀具表面缺陷檢測(cè)算法，最終提出了基于圖像差分的刀具表面缺陷檢測(cè)算法。

3)研究了特征的提取和選擇，設(shè)計(jì)了基于SVM的刀具表面缺陷分類算法。通過提取缺陷的高維特征，結(jié)合PCA進(jìn)行降維，最后使用降維后的特征對(duì)SVM分類器進(jìn)行訓(xùn)練。

1 圖像預(yù)處理

1.1 表面缺陷的分類

表面缺陷的種類如圖2所示。

圖2 表面缺陷的種類

1.1.1 劃痕缺陷

劃痕缺陷呈現(xiàn)出明顯的細(xì)長(zhǎng)型，一般是由于在流水線生產(chǎn)的過程中，由于刀具和其他堅(jiān)硬物體的相對(duì)運(yùn)動(dòng)而造成的一種缺陷。劃痕缺陷在刀具受到較大的沖擊力時(shí)會(huì)影響刀具原有的力學(xué)性能、破壞刀具的原有結(jié)構(gòu)，從而造成加工過程中的刀具斷裂。

1.1.2 磕碰凹坑

磕碰凹坑缺陷一般近似圓形，是由于刀具和刀具或其他堅(jiān)硬雜質(zhì)的碰撞或擠壓而產(chǎn)生的，磕碰產(chǎn)生的凹坑會(huì)破壞表面的粗糙度，同時(shí)對(duì)表面涂層的一致性有比較大的影響，且可能會(huì)發(fā)展成為更大面積的涂層剝落缺陷。

1.1.3 涂層剝落

在刀具基體加工完成后，為了增強(qiáng)刀具的硬度、延長(zhǎng)刀具的壽命通常會(huì)在刀具的表面涂覆一層保護(hù)材料增強(qiáng)刀具的硬度和耐磨性。但是由于工藝不良等原因會(huì)出現(xiàn)刀具表面涂層的剝落。表面涂層剝落缺陷會(huì)造成刀具壽命縮短、刀具表面硬度下降等一系列問題，會(huì)很大程度地影響刀具的壽命。

1.1.4 邊緣豁口

在刀具基體的制造過程中，經(jīng)常會(huì)出現(xiàn)由于加工不當(dāng)?shù)仍蛟斐傻牡毒哌吘壊牧蟻G失的豁口缺陷?；砜谌毕菔亲顕?yán)重的缺陷之一，會(huì)出現(xiàn)待加工表面的凸凹不平等多種問題。所以有豁口缺陷存在的刀具是必須要檢測(cè)出并且剔除的。

1.2 圖像的降噪

圖像在采集的過程中，由于灰塵及光學(xué)元件自身的性能影響，采集到的圖片會(huì)包含各種噪聲 。噪聲具有離散型、隨機(jī)性、多樣性等多種屬性。一般的噪聲模型主要有椒鹽噪聲、高斯噪聲、瑞麗噪聲、伽馬噪聲等[13]。噪聲一般是無法避免的，直接對(duì)原始圖像進(jìn)行處理，由于噪聲的干擾，得到的結(jié)果可能會(huì)與期望的結(jié)果大相徑庭。所以，圖像的降噪是圖像處理中必不可少的環(huán)節(jié)。

圖像的降噪主要是借助濾波器，對(duì)圖像中明顯偏離真實(shí)值的像素點(diǎn)進(jìn)行剔除或降低權(quán)重的操作，圖像的降噪主要可以分為空間域降噪和頻域降噪。其中傅里葉變換等頻域降噪濾波的主要實(shí)現(xiàn)步驟是將空間域上的圖像數(shù)據(jù)變換到頻域上，針對(duì)頻域上的圖像進(jìn)行后續(xù)的處理。處理完成后，再通過逆變換將頻域上的數(shù)據(jù)變換到空間域上，這樣就可以去除部分具有固定頻域的噪聲。但是由于頻域?yàn)V波大多是針對(duì)所有點(diǎn)進(jìn)行，會(huì)消耗大量的計(jì)算機(jī)資源和占用比較多的計(jì)算時(shí)間，無法達(dá)到實(shí)際生產(chǎn)中的實(shí)時(shí)性要求，所以一般只在噪聲具有特定頻率的場(chǎng)合下使用。所以本文主要采用空間域?yàn)V波降噪的方式。

空間域?yàn)V波主要有中值濾波、均值濾波、高斯濾波以及雙邊濾波。在濾波器的選取上,要依據(jù)實(shí)際圖像要求,盡可能地在保證邊緣完整性的前提下最大化的降低噪聲的干擾[14]。

以劃痕缺陷為例，對(duì)缺陷圖像分別運(yùn)用中值濾波、均值濾波、高斯濾波和雙邊濾波操作后的結(jié)果如圖3所示。

圖3 不同濾波操作后的劃痕圖像

濾波方法降噪效果邊緣保持能力中值濾波較差好均值濾波較好較差高斯濾波差差雙邊濾波好較好

中值濾波對(duì)圖像邊緣完整性的保留最差，已經(jīng)將邊緣完全模糊。均值濾波核高斯濾波具有一定的降噪效果，但是對(duì)比雙邊濾波，降噪效果略差。雙邊濾波是一種非線性濾波器，它既能保留完整的邊緣也能實(shí)現(xiàn)降噪平滑的效果。雙邊濾波器使用高斯分布對(duì)周圍的像素點(diǎn)進(jìn)行加權(quán)平均，同時(shí)還考慮中心的輻射差濾波，所以可以在保留完好邊緣的前提下，對(duì)圖像進(jìn)行良好的降噪。結(jié)合圖3可以發(fā)現(xiàn)，缺陷的邊緣保留和降噪效果都是最好的。因此，本文采用雙邊濾波器對(duì)圖像進(jìn)行降噪。

1.3 圖像的增強(qiáng)

在圖像的采集過程中，表面缺陷區(qū)域和刀具的正常區(qū)域可能具有很高的灰度相似性，所以需要通過圖像增強(qiáng)的方式來放大缺陷部分和正常部分的差異。常見的圖像增強(qiáng)方式主要有灰度線性變換、直方圖均衡化以及基于差分的對(duì)比度增強(qiáng)方法[15]。

灰度值變換可以理解成單個(gè)點(diǎn)的處理，即某點(diǎn)的新灰度值只取決于該點(diǎn)的原始灰度值。這種處理方法，會(huì)使圖像的灰度范圍會(huì)得到提高，圖像質(zhì)量也會(huì)有明顯提升。線性灰度變換的表達(dá)式為：

圖像的直方圖是對(duì)一副圖像中所有出現(xiàn)的灰度值次數(shù)的統(tǒng)計(jì)，它能夠反映各個(gè)灰度等級(jí)和頻率的關(guān)系。通過圖像系統(tǒng)采集到的原始圖片可能具有灰度分布不均衡、部分灰度級(jí)缺失等情況，采用直方圖均衡化能夠改善這種情況，讓整幅圖像的灰度等級(jí)分布更均勻。直方圖均衡化的表達(dá)式為：

f(g) =[255∑x = 0…gh(x) + 0.5]

基于差分的對(duì)比度增強(qiáng)算法的計(jì)算公式如下式所示，它能將刀具及缺陷所在的直方圖范圍從原始圖像30～50擴(kuò)展到20～70，在對(duì)圖像增強(qiáng)的同時(shí)又沒有過大的增強(qiáng)背景。

res=round((f-g)*k)+f

res為返回的結(jié)果；F為原始圖片的各像素點(diǎn)；G為對(duì)原始圖片各像素點(diǎn)的實(shí)施中值核卷積。

以邊緣豁口缺陷為例，對(duì)圖像運(yùn)用線性變換、直方圖均衡化和基于差分的對(duì)比度增強(qiáng)方法。結(jié)果如圖4所示。

圖4 圖像增強(qiáng)效果對(duì)比

可以發(fā)現(xiàn)，線性變換后的圖像顯著地提高了圖像的對(duì)比度，但是對(duì)于凹坑這種小缺陷卻降低了和表面其他區(qū)域的灰度差，增加了檢測(cè)難度。對(duì)于直方圖均衡化后的圖像，由于缺陷區(qū)域和背景的灰度差值較小，造成背景被過度加強(qiáng)，容易造成缺陷的誤檢。采用基于差分的對(duì)比度增強(qiáng)算法，能夠在保證的邊緣完整、真實(shí)的前提下對(duì)圖像進(jìn)行很好地增強(qiáng)。綜上所述，結(jié)合試驗(yàn)對(duì)比，選定基于差分的對(duì)比度增強(qiáng)算法來進(jìn)行圖像的增強(qiáng)。

1.4 圖像的分割

圖像分割是目標(biāo)檢測(cè)、識(shí)別和跟蹤等技術(shù)的前提，目的是將圖像中關(guān)鍵有用的目標(biāo)信息從背景中分離出來[16]。就是把圖像按照顏色、強(qiáng)度、紋理等分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的同質(zhì)區(qū)域并分離出感興趣目標(biāo)的技術(shù)和過程[17]。因此為了更好地提取刀具的表面缺陷，需要對(duì)刀具的缺陷區(qū)域進(jìn)行分割。對(duì)目標(biāo)區(qū)域的分割是進(jìn)行后續(xù)特征提取的關(guān)鍵步驟，好的區(qū)域分割方式能大幅降低特征提取的難度。閾值分割法主要有固定閾值法、最大類間方差法和局部閾值法等。

以涂層剝落缺陷為例，分別使用固定閾值法、最大類間方差法和動(dòng)態(tài)閾值法進(jìn)行分割，結(jié)果如圖5所示。

圖5 分割方法效果對(duì)比

通過上述實(shí)驗(yàn)可以發(fā)現(xiàn)，使用固定閾值法不能夠很好地對(duì)目標(biāo)區(qū)域進(jìn)行分割，有較多的背景噪點(diǎn)被誤當(dāng)做目標(biāo)；另一方面，由于不同批次的產(chǎn)品表面狀況不一，固定閾值法的分割效果較差；采用動(dòng)態(tài)閾值法，由于圖像中的背景面積比較大，同時(shí)算法易受目標(biāo)區(qū)域的噪聲干擾，分割效果也比較差。使用最大類間方差法的效果最好，能夠在降低噪聲影響的前提下很好地分割出目標(biāo)區(qū)域。綜上，本文最終采用最大類間方差法來實(shí)現(xiàn)對(duì)刀具缺陷區(qū)域的分割。

2 缺陷檢測(cè)

缺陷檢測(cè)流程主要如圖6所示。

圖6 缺陷檢測(cè)流程

缺陷檢測(cè)首先對(duì)圖像進(jìn)行降噪、增強(qiáng)，然后利用全局閾值分割及圖像差分進(jìn)行缺陷的檢測(cè)。部分檢測(cè)效果如圖7所示。

圖7 缺陷檢測(cè)結(jié)果

可以發(fā)現(xiàn)，基于圖像差分的缺陷檢測(cè)方法能夠較好地對(duì)各種缺陷進(jìn)行檢測(cè)。對(duì)于肉眼難以觀察到的部分凹坑和豁口缺陷，同樣具有良好的檢測(cè)效果。

3 基于SVM的缺陷分類及實(shí)驗(yàn)分析

3.1 缺陷特征的提取

圖像的特征指的是圖像特有的一些屬性，其不會(huì)受目標(biāo)的位置、方向等因素的影響。圖像特征有多種，最常見的主要有形狀特征、紋理特征和灰度特征本文提取的特征主要可以有形狀特征、灰度特征和紋理特征共34維，最終的特征集合如表2所示

表2 提取到的特征

3.2 缺陷特征的降維

提取了一共34個(gè)維度的特征，這些特征從不同的角度描述了缺陷的信息，但是特征和特征之間可能存在很強(qiáng)的相關(guān)性，為了減少特征冗余，增強(qiáng)數(shù)據(jù)的有效性和提高計(jì)算效率[18]，同時(shí)為了避免由維數(shù)過高引發(fā)的“維數(shù)災(zāi)難[19]，算法采取了降維措施。

主成分分析法是機(jī)器學(xué)習(xí)領(lǐng)域非常常用的一種降維方法，它能夠在最大化保留信息完整性的前提下去降低數(shù)據(jù)的冗余程度。對(duì)所有采集到的數(shù)據(jù)降維實(shí)驗(yàn)，特征貢獻(xiàn)率和累計(jì)貢獻(xiàn)率如圖8所示。

圖8 特征向量貢獻(xiàn)率和累計(jì)貢獻(xiàn)率

可以發(fā)現(xiàn)：前5個(gè)維度的特征具有很高的貢獻(xiàn)，累計(jì)貢獻(xiàn)率≥95%，即前5個(gè)維度已經(jīng)具有很好的表征能力。最終使用5個(gè)維度的主成分來替換原有的34維特征。

4 基于SVM的缺陷分類

4.1 核函數(shù)的選擇

支持向量機(jī)的核函數(shù)是分類器中非常重要的一部分，它可以將部分線性不可分?jǐn)?shù)據(jù)進(jìn)行分離。核函數(shù)主要有線性核函數(shù)、多項(xiàng)式核函數(shù)、RBF核函數(shù)及sigmoid核函數(shù)。表3是運(yùn)用不同的核函數(shù)在缺陷檢測(cè)上的準(zhǔn)確率結(jié)果，RBF具有最高的分類準(zhǔn)確率，最終選用RBF作為分類器的核函數(shù)。

表3 采用不同核函數(shù)的準(zhǔn)確率 %

4.2 實(shí)驗(yàn)結(jié)果及分析

每類抽取45個(gè)缺陷樣本用作測(cè)試集對(duì)本文算法進(jìn)行實(shí)驗(yàn)，最終的結(jié)果如表4所示。

表4 分類結(jié)果

結(jié)合表4可知：

1)劃痕樣本的檢出率和分類準(zhǔn)確率最高，這是因?yàn)閯澓廴毕莺推渌N類的缺陷相比具有比較明顯的區(qū)分特征，更有利于劃痕缺陷的檢測(cè)和分類。

2)凹坑缺陷由于面積相對(duì)較小，檢出率較低。且凹坑缺陷和涂層剝落缺陷具有一定的幾何相似性，容易造成分類的錯(cuò)誤，所以凹坑缺陷的分類準(zhǔn)確率也較低。

3)涂層剝落缺陷由于缺陷區(qū)域面積較大，檢出率較高。

4)邊緣豁口的檢測(cè)效果比較差，這是因?yàn)椴糠诌吘壔砜诘奶卣鞑惶黠@，檢測(cè)算法容易忽略該部分區(qū)域，從而造成檢出率較低。但由于豁口的特征比較獨(dú)特，最終的分類準(zhǔn)確率較高。

綜上，基于圖像差分的缺陷檢測(cè)算法具有較高的檢出率，綜合檢出率達(dá)97.2%?；谔卣魈崛『蚐VM的分類方法具有較高的準(zhǔn)確率，綜合準(zhǔn)確率達(dá)94.3%。每個(gè)樣本的檢測(cè)與分類算法平均耗時(shí)約165 ms。

5 結(jié)束語

提出的基于雙邊濾波的圖像降噪方法和基于差分的圖像增強(qiáng)方法以及基于最大類間方差法的缺陷區(qū)域分割方法能夠很好地對(duì)刀具圖像進(jìn)行預(yù)處理?；趫D像差分的缺陷檢測(cè)算法能夠達(dá)到97.2%的檢出率。結(jié)合圖像處理的特征提取以及基于SVM的分類方法能夠達(dá)到94.3%的分類準(zhǔn)確率，單張圖片檢測(cè)和分類平均耗時(shí)165 ms。

綜上所述，本文提出的缺陷檢測(cè)及分類算法能夠滿足高檢測(cè)率、準(zhǔn)確率和實(shí)時(shí)性的檢測(cè)需求，對(duì)于刀具生產(chǎn)企業(yè)而言，該系統(tǒng)能夠提高產(chǎn)品的檢測(cè)效率、降低人工成本、幫助企業(yè)更好地總結(jié)和分析缺陷產(chǎn)生的原因，從而改進(jìn)相關(guān)的工藝方法和生產(chǎn)流程。對(duì)于其他相關(guān)行業(yè)，本課題中對(duì)缺陷檢測(cè)及分類算法的研究也能提供一定的參考價(jià)值。