徐治東，杜培明，張仁春

（安徽工業(yè)大學 電氣與信息工程學院，安徽 馬鞍山 243000）

引言

帶鋼邊部出現(xiàn)的缺陷主要包括孔洞、缺口和豁口，本文通過提取圖像的紋理特征訓練支持向量機（SVM），完成對帶鋼邊部缺陷的在線檢測[1-3]。

1 帶鋼邊部圖像特征提取

1.1 差分激勵

像素點xc差分激勵為ζ（xc），計算過程如圖1所示：

圖1 差分激勵計算圖

首先用濾波器f00計算出當前像素點與其鄰接像素點之間的灰度差值，公式如下:

其中xi（i=0，…，p-1）表示當前像素點x 的p 個相鄰的像素，進一步計算的比值:

1.2 梯度方向

韋伯局部描述符中的梯度方向，可由公式4 進行表示：

為了獲取圖像中更多的紋理細節(jié)信息，在量化之前首先對θ 做如下映射f：θ→θ′

易知，0∈[-π/2，π/2]，θ′∈[-π/2，π/2]。通過公式6，即可得到圖像局部區(qū)域內(nèi)的梯度方向分量，其量化函數(shù)如公式7 所示。

1.3 直方圖

首先利用ζ（xc）和φ（t）并對其進行量化差分激勵圖像和梯度方向圖像得到其二維直方圖{WLD（ζn，φt}，每一小塊WLD（ζn，φt）對應(yīng)的值是一個確定的差勵區(qū)間ζn，和梯度方向φt的頻率。

把構(gòu)成直方圖矩陣的N×T 個子直方圖按行串接起來得到N 個一維直方圖H（n）={Hn，t}，t=O，…，T-l 再將N 一維直方圖H（n）依次首尾相接，從而形成最終的一維直方圖H=[H（O），H（1），…，H（N-1）]。

1.4 原始WLD 的不足

1）局部窗內(nèi)像素點與中心像素點間的灰度差值之和導致了灰度變化信息沒有充分體現(xiàn);

2）方向算子僅表達了水平方向和垂直方向上灰度變化梯度的空間分布。

1.5 改進之后的WLD

為了增強紋理模式的可性，L-WLD 首先分別計算正、負差分激勵，再將負差分激勵變乘上負一與正激勵一起加到中心像素再取平均值；

2）為了提高紋理模式的識別能力，L-WLD 利用拉普拉斯算子代替原始WLD 的方向算子提取方向分布的信息[4]。

2 基于SVM 的分類識別

本文的目的是為了驗證所提出的改進韋伯局部描述子用于缺陷檢測上的有效性，而對分類器的選擇不作過多關(guān)注[5]。因此，為了跟前人提出的原始WLD 方法進行比較，為了保證對比性，我們也采用和前人一樣的線性核SVM作為缺陷檢測的分類器[6]。

3 實驗結(jié)果與分析

本文使用的數(shù)據(jù)集中包括70 幅有孔洞缺陷、70 幅有缺口缺陷以及70 幅有豁口缺陷和200 張無缺陷圖片（如圖2-圖5 所示）[7]。

圖2 無缺陷圖

圖3 空洞圖

圖4 缺口圖

圖5 豁口圖

3.1 分類器訓練

為比較L-WLD 與WLD 的性能采取兩種訓練方式，第一種訓練中每個圖片種類讀取3×i 個圖片用于訓練，然后每個圖片種類讀4i 張圖片用于預測，而在第二種訓練方式中，每次訓練的圖片與第一種訓練方式一樣，預測的對象為每個圖片種類的整個數(shù)據(jù)集，每次的訓練的準確率和召回率記錄在縱軸中，橫坐標為訓練集的大?。ㄈ鐖D6-圖9 所示）[8-9]。

圖6 WLD 的第一種訓練方法

圖7 WLD 的第二種訓練方法

圖8 L-WLD 第一種訓練方法

圖9 L-WLD 的第二種訓練方法

4 結(jié)語

實驗結(jié)果表明，改進的韋伯描述符特征比原始韋伯描述符特征能更有效地刻畫出帶鋼邊部缺陷，也獲得了更好的帶鋼邊部缺陷檢測性能。