黃夢濤 王 露

（西安科技大學(xué)電氣與控制工程學(xué)院，西安 710000）

0 引言

經(jīng)濟(jì)的發(fā)展帶動(dòng)能源需求增加，鋰電池由于零排放、體積小、使用壽命長等優(yōu)點(diǎn)廣泛應(yīng)用于電動(dòng)汽車、電子產(chǎn)品等領(lǐng)域。極片作為鋰電池的要件直接決定其電化學(xué)性能及安全性[1]，但是極片在涂覆、輥壓等生產(chǎn)環(huán)節(jié)可能會(huì)產(chǎn)生各種缺陷，通過缺陷檢測可防止不良品流向市場，避免安全事故發(fā)生。對(duì)缺陷分類便于企業(yè)分析缺陷產(chǎn)生的原因并做出相應(yīng)的調(diào)整，從根源上降低甚至避免極片缺陷的產(chǎn)生，減少經(jīng)濟(jì)損失。

隨著計(jì)算機(jī)和機(jī)器視覺技術(shù)的發(fā)展，基于圖像處理的極片缺陷分類方法得到廣泛應(yīng)用。將提取的特征輸入分類器中訓(xùn)練分類模型，然后利用模型預(yù)測分類。特征提取作為其中的關(guān)鍵步驟，對(duì)分類性能有直接性影響[2]。本文將主要研究特征提取，現(xiàn)有方法中主要提取極片缺陷的形狀特征和灰度特征[3-6]，但是缺陷的形狀大小和數(shù)目具有不確定性，而且形態(tài)特征參數(shù)的準(zhǔn)確性易受圖像分割效果的影響。除此之外，還要考慮光線等環(huán)境因素對(duì)極片圖像的影響。本文對(duì)極片的劃痕缺陷、掉料缺陷和暗斑缺陷分類時(shí)，提出局部SURF特征與灰度特征融合的方法。前者可以避免光照的影響，后者從全局角度分析極片缺陷，兩種特征融合對(duì)缺陷的描述更全面。目前，特征融合在人臉識(shí)別[7]、車輛檢測[8]及醫(yī)學(xué)圖像[9]等多方面有所應(yīng)用。

1 極片缺陷BoF-SURF特征提取

1.1 SURF特征提取

SURF（Speeded Up Robust Feature）是Herbert Bay等提出的一種局部特征，不僅對(duì)尺度、旋轉(zhuǎn)和噪聲等因素具有很強(qiáng)的不變性，而且對(duì)光照和仿射透射變化具有一定的魯棒性[10]。在SURF算法中，將圖像中的點(diǎn)與二階高斯模板卷積，構(gòu)建Hessian矩陣如式(1)并利用其行列式是否大于零來尋找局部極值點(diǎn)。

為加速運(yùn)算，使用盒子濾波近似代替二階高斯模板。然后逐漸增大盒子濾波器的模板尺寸構(gòu)建尺度空間。Hessian矩陣近似判別式表達(dá)如下：

其中Dxx，Dxy，Dyy是盒子濾波與圖像的卷積。

將經(jīng)過Hessian矩陣處理的像素點(diǎn)與其領(lǐng)域內(nèi)的26個(gè)點(diǎn)比較大小，若該點(diǎn)是其中最大或最小值則作為候選特征點(diǎn)保留，再進(jìn)行插值運(yùn)算確定最終特征點(diǎn)。

以特征點(diǎn)為中心，以6δ（δ為特征點(diǎn)尺度）為半徑統(tǒng)計(jì)60°扇形鄰域內(nèi)harr小波響應(yīng)值總和，并以一定間隔旋轉(zhuǎn)該鄰域遍歷整個(gè)圓形區(qū)域，響應(yīng)值最大的扇形對(duì)應(yīng)的方向即為該特征點(diǎn)的主方向。沿主方向取邊長為20δ的方框，并劃分為16個(gè)子區(qū)域，統(tǒng)計(jì)每個(gè)子區(qū)域的haar小波響應(yīng)值，得到4維特征向量表示，因此每個(gè)特征點(diǎn)就是64維向量。

1.2 SURF特征的BoF量化

通過以上步驟得到極片缺陷圖像的SURF特征向量集合，每個(gè)特征向量是64維，但是每張圖像提取到的SURF特征點(diǎn)數(shù)目不一樣，不能直接作為分類器的輸入。所以采用Bag-of-feature（BoF）模型對(duì)SURF特征進(jìn)行量化。

BoF方法源于文本處理的詞袋模型（BoW），將圖像看成是若干個(gè)特征的無序集合。首先提取極片缺陷的SURF特征，并利用K-means算法聚類，得到K個(gè)聚類中心，每個(gè)聚類中心看作一個(gè)視覺單詞，所有視覺單詞構(gòu)成一個(gè)大小為K×64的視覺詞匯表Vdictionary=[v1,v2,...vk]。若聚類數(shù)K過小，則圖像的SURF特征劃分粗糙，導(dǎo)致視覺詞匯的區(qū)分度低。而聚類數(shù)過大，容易造成信息冗余。所以本文將通過實(shí)驗(yàn)選取合適的K值。

得到視覺詞匯表之后，將極片缺陷SURF特征按照最近鄰原則D(Vi,Vsurf)=min{D(Vsurf，Vj)j=1,2,...k}映射到視覺詞匯表中距離最近的視覺單詞上，通過統(tǒng)計(jì)每個(gè)視覺單詞出現(xiàn)的次數(shù)或頻率建立詞頻直方圖。進(jìn)一步將極片缺陷圖像以詞頻向量形式表示，且大小為1×K維。如式(3)所示：

其中fSn表示第n個(gè)視覺單詞出現(xiàn)的次數(shù)。

2 極片缺陷灰度特征提取及特征融合

2.1 灰度特征提取

一般情況下，極片劃痕缺陷由于光線原因會(huì)在缺陷處出現(xiàn)反光亮點(diǎn)，掉料缺陷區(qū)域比背景區(qū)域亮，暗斑缺陷區(qū)域較背景區(qū)域更暗。因此考慮從直方圖中統(tǒng)計(jì)灰度參數(shù)信息，分析各極片缺陷的灰度分布。

以上灰度均值、方差和偏斜度的表達(dá)式中，L是灰度級(jí)數(shù)，P(ri)表示灰度值ri出現(xiàn)的概率。將這三個(gè)灰度參數(shù)分別用fh1，fh2，fh3表示并組合得到一個(gè)三維特征向量Fh，以此描述極片缺陷圖像的灰度特征。如式(4)所示：

2.2 特征融合

SURF特征雖然對(duì)光照和噪聲等因素具有魯棒性，但只是針對(duì)局部的分析，缺乏極片缺陷的全局信息。而灰度特征從全局角度描述極片缺陷的灰度值分布，計(jì)算簡單，但忽略了細(xì)節(jié)特征。將這兩種特征融合可以互相彌補(bǔ)不足，從多方面描述極片缺陷，獲取更豐富的信息。

在融合之前，采用min-max方法如式(5)所示分別對(duì)兩種特征向量歸一化，避免不同特征間的量綱差異對(duì)分類性能的影響。

將歸一化后的特征向量分別表示為F'BOF-SURF和F'h。

特征融合[11]指按照某種規(guī)則組合待融合的特征并得到新的特征，包括串行和加性融合方式。串行融合是直接將兩個(gè)特征向量連接得到一個(gè)新的特征向量，且維度是待融合特征的維度之和。加性融合是將待融合的特征對(duì)應(yīng)維度位置的元素相加，融合后特征向量的維度不變，這要求待融合特征的向量長度盡量相同。本文提取的特征向量F'BOF-SURF是K維，F(xiàn)'h是3維，兩者維度差異較大，不適用加性融合。

因此嘗試串行融合兩種特征，并考慮到不同的特征對(duì)分類性能的重要程度不同，所以融合時(shí)對(duì)歸一化后的特征加以相應(yīng)的權(quán)值，得到融合特征V表示如下：

其中w1和w2分別是F'BOF-SURF和F'h的權(quán)值系數(shù)，且w1+w2=1。系數(shù)值將通過實(shí)驗(yàn)分析選取。

3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

3.1 實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證特征融合方法對(duì)極片缺陷描述的有效性，結(jié)合分類算法對(duì)缺陷進(jìn)行分類實(shí)驗(yàn)。實(shí)驗(yàn)樣本的訓(xùn)練集和測試集各有255幅極片缺陷圖像，其中包括劃痕、掉料和暗斑三種缺陷。劃痕缺陷是由硬物劃傷所致；掉料缺陷是輥壓壓力過大導(dǎo)致；暗斑缺陷是異物或雜質(zhì)導(dǎo)致。圖1為極片缺陷圖像。

圖1 極片缺陷圖像

由于本文的實(shí)驗(yàn)樣本少，而SVM算法[12]對(duì)于小樣本、非線性模式識(shí)別具有獨(dú)特的優(yōu)勢，而且對(duì)未知樣本具有較好的泛化能力，得到廣泛應(yīng)用。因此選擇SVM算法結(jié)合融合特征對(duì)極片缺陷分類。在訓(xùn)練階段，依據(jù)本文所提特征融合方法提取極片缺陷圖像的特征向量，再將其輸入SVM中訓(xùn)練并建立分類模型。在預(yù)測階段，調(diào)用模型實(shí)現(xiàn)分類。圖2為算法框架。

圖2 本文算法框架

3.2 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)1 聚類數(shù)K的選擇。經(jīng)過1.2節(jié)分析可知，K值過大或過小均不利于缺陷的分類，因此本文選擇在100～400之間，以增幅50選取不同的K值對(duì)SURF特征聚類，然后BoF量化得到特征向量，結(jié)合SVM算法對(duì)極片缺陷測試樣本進(jìn)行分類，圖3為實(shí)驗(yàn)結(jié)果。

圖3 不同K值下缺陷分類準(zhǔn)確率

從圖3分析可知，取不同K值是確實(shí)對(duì)分類性能有不同的影響。本文實(shí)驗(yàn)樣本下K值為200時(shí)，極片缺陷的分類準(zhǔn)確率最高。為進(jìn)一步精確K值，在K取200附近繼續(xù)縮小增幅范圍，得出最佳K值為190，此時(shí)準(zhǔn)確率為89.8%。

實(shí)驗(yàn)2 特征權(quán)值系數(shù)的確定。在實(shí)驗(yàn)1的基礎(chǔ)上使用最佳K值，分析不同特征權(quán)值系數(shù)時(shí)本文算法的分類性能。如圖4所示，橫軸w1表示BoF-SURF權(quán)值系數(shù)，縱軸表示使用融合特征時(shí)的分類算法性能。w1=0表示只使用灰度特征的時(shí)分類準(zhǔn)確率，w1=1表示只使用BoF-SURF特征時(shí)的分類準(zhǔn)確率。w1在0和1之間時(shí)表示兩種特征以不同的系數(shù)加權(quán)融合。

圖4 不同加權(quán)系數(shù)下缺陷分類準(zhǔn)確率

從圖4分析可知，w1為0.6時(shí)本文算法取得最佳分類性能94.11%。而兩種特征單獨(dú)用于分類時(shí)，BoF-SURF的效果更好，因?yàn)榫植刻卣鞲芊从潮举|(zhì)特性。

實(shí)驗(yàn)3 分類算法時(shí)間性能比較。表1是SVM+Fh、SVM+FBOF-SURF和本文算法對(duì)單幅極片缺陷圖像的平均分類時(shí)間。其中SVM+FBOF-SURF和本文算法所用K值為實(shí)驗(yàn)1所得最佳值，本文算法所用權(quán)值系數(shù)則是實(shí)驗(yàn)2所得最佳值。

表1 分類算法的時(shí)間性能比較

以上算法的時(shí)間性能差異主要體現(xiàn)在灰度特征易于計(jì)算和提取，F(xiàn)BOF-SURF特征需要聚類和量化處理，而本文算法分類時(shí)除了兩種特征的提取，還要對(duì)其加權(quán)融合，所以單幅極片缺陷圖像的平均分類時(shí)間最長。結(jié)合表1和圖4可知，SVM+Fh分類算法時(shí)間性能最佳，但分類效果最差。而本文算法與SVM+FBOF-SURF算法相比，雖然在時(shí)間性能上相差不大，但是分類效果更好。綜合以上分析，本文提出的特征融合與SVM算法對(duì)極片缺陷分類性能更好。

4 結(jié)語

為了對(duì)極片缺陷的描述更全面，從而提高分類性能，本文提出將BoF-SURF特征與灰度特征加權(quán)融合。為驗(yàn)證所提方法的有效性，結(jié)合SVM算法對(duì)極片缺陷進(jìn)行分類實(shí)驗(yàn)，結(jié)果表明本文所提方法對(duì)極片缺陷的分類有較好的性能，準(zhǔn)確率達(dá)94.11%。在后續(xù)工作中將繼續(xù)研究其他融合方法，嘗試更多類型缺陷分類。