譚立志

（湖南汽車工程職業(yè)學(xué)院 機(jī)電工程學(xué)院，株洲 412001）

火花塞是現(xiàn)代汽車的關(guān)鍵組成部件之一，與發(fā)動機(jī)氣缸相連接，火花塞制造的電壓導(dǎo)入發(fā)動機(jī)氣缸，輔助氣缸內(nèi)部物質(zhì)點(diǎn)燃，為汽車的啟動提供動力[1]。為了確保汽車穩(wěn)定啟動，避免出現(xiàn)安全隱患，就需要時(shí)刻關(guān)注火花塞的運(yùn)行情況，觀察其是否存在裂紋、變形等表面缺陷[2]，引起汽車發(fā)動機(jī)抖動。隨著汽車制造行業(yè)的蓬勃發(fā)展，常規(guī)的缺陷檢測方法無法滿足工業(yè)化生產(chǎn)要求，越來越多的缺陷檢測技術(shù)被研究人員提出。

文獻(xiàn)[3]依托于K-means 聚類原理，對常規(guī)YOLOv3網(wǎng)絡(luò)進(jìn)行優(yōu)化，形成包含大尺度檢測圖層的改進(jìn)YOLOv3 算法。將實(shí)時(shí)采集的工件表面圖像輸入改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)中，輸出表面缺陷檢測結(jié)果。但是，該方法檢測效率較低；文獻(xiàn)[4]依托于級聯(lián)孿生密集網(wǎng)絡(luò)，設(shè)計(jì)一種有效的表面缺陷檢測模式。在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，添加空洞空間金字塔池化模塊結(jié)構(gòu)，提取表面圖像包含的多尺度特征信息。針對特征提取數(shù)據(jù)進(jìn)行迭代訓(xùn)練，得到缺陷類別檢測結(jié)果。但是，該方法檢測結(jié)果誤差較大；文獻(xiàn)[5]考慮到一些時(shí)候樣本數(shù)量較少，缺陷檢測結(jié)果誤差較大。應(yīng)用度量學(xué)習(xí)算法，建立小樣本缺陷檢測模型?；趧討B(tài)卷積單元，建立特征金字塔網(wǎng)絡(luò)，與區(qū)域建議網(wǎng)絡(luò)相結(jié)合，提取小樣本缺陷特征。再將其輸入多模態(tài)網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)，得到表面缺陷檢測結(jié)果。但是，該檢測方法應(yīng)用局限性較大。

為了更加準(zhǔn)確地識別表面缺陷，文中依托于卷積神經(jīng)網(wǎng)絡(luò)，提取火花塞表面缺陷圖像包含的深層特征，以此為基礎(chǔ)完成缺陷檢測。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的火花塞表面缺陷檢測方法

1.1 火花塞表面圖像預(yù)處理

火花塞表面缺陷的檢測，需要以表面圖像為基礎(chǔ)。文中應(yīng)用工業(yè)相機(jī)作為圖像采集設(shè)備，獲取火花塞表面圖像。為了避免火花塞表面圖像內(nèi)存在的干擾信息，影響表面缺陷檢測結(jié)果。依托于非下采樣剪切波變換原理，提取火花塞表面圖像的最優(yōu)稀疏信號[6]，以此為基礎(chǔ)展開表面圖像預(yù)處理。去除圖像冗余信息的同時(shí)，保留火花塞表面圖像中包含的缺陷輪廓特征。實(shí)際圖像預(yù)處理過程中，圖像的處理主要包括多尺度剖分、方向局部化兩方面內(nèi)容，具體操作模式如圖1 所示。

圖1 中，a 表示圖像層數(shù)；λ 表示圖像；λ1表示高頻子帶圖；λ2表示低頻子帶圖。根據(jù)圖1 可知，每一次圖像層數(shù)的分解，都是在非下采樣金字塔濾波器的作用下完成的，選定的分解尺度直接影響了高頻子帶和低頻子帶的分布情況。

圖1 非下采樣剪切波變換示意圖Fig.1 Schematic diagram of non down sampling shear wave transformation

火花塞表面圖像變換時(shí)，涉及圖像重構(gòu)。根據(jù)非下采樣剪切波變換原理可知，該變換模式下依據(jù)原始圖像的坐標(biāo)系映射結(jié)果，直接得到重構(gòu)火花塞表面圖像。由于圖像預(yù)處理過程中，沒有要求濾波器大小，需要設(shè)置平移不變特性規(guī)則，保證重構(gòu)圖像與原始采集圖像尺寸相同。通過上述圖像預(yù)處理策略，得到包含紋理信息、缺陷輪廓信息的火花塞表面圖像。

1.2 建立表面缺陷區(qū)域規(guī)劃策略

應(yīng)用K 折交叉驗(yàn)證方法，對預(yù)處理后的火花塞表面圖像進(jìn)行劃分，形成多個(gè)圖像數(shù)據(jù)子集。

式中：B 表示火花塞表面缺陷圖像數(shù)據(jù)集；b 表示圖像數(shù)據(jù)子集；ε 表示子集數(shù)量。

表面缺陷區(qū)域規(guī)劃過程中，需要針對每一個(gè)圖像數(shù)據(jù)子集展開計(jì)算。運(yùn)用霍夫圓檢測方法，在表面缺陷所在位置規(guī)劃圓形區(qū)域，確保缺陷位置完全包含在圓內(nèi)。因此，表面缺陷區(qū)域規(guī)劃策略的實(shí)施，本質(zhì)上就是尋找霍夫圓的過程。應(yīng)用Canny 算子[7]，通過灰度化處理、梯度值計(jì)算、抑制非極大值等步驟，檢測火花塞表面圖像內(nèi)缺陷區(qū)域邊緣。在二維高斯核卷積結(jié)構(gòu)的作用下，對目標(biāo)圖像進(jìn)行濾波處理。再基于Sobel 算子，計(jì)算梯度幅值、梯度方向，提取描述圖像內(nèi)變化較大的點(diǎn)。經(jīng)過橫向梯度檢測和縱向梯度檢測，得到新的圖像，具體計(jì)算公式為

式中：x，y 分別表示橫向梯度和縱向梯度；δx表示橫向梯度檢測后的缺陷表面圖像；δy表示縱向梯度檢測后的缺陷表面圖像；S 表示平滑圖像。其中，梯度幅值計(jì)算公式為

式中：η 表示梯度方向；arctan 表示反正切函數(shù)。

在非極大值抑制法的作用下，描述缺陷規(guī)劃區(qū)域邊緣信息。為了確保最終描述區(qū)域符合規(guī)劃要求，文中應(yīng)用霍夫梯度尋圓算法[8]，對已經(jīng)呈現(xiàn)出邊緣信息的霍夫圓進(jìn)行驗(yàn)證，具體參數(shù)方程為

式中：（τ1，τ2）表示霍夫圓的圓心坐標(biāo)；r 表示霍夫圓半徑。

根據(jù)圓心坐標(biāo)和圓心半徑，生成規(guī)劃后的表面缺陷區(qū)域。

1.3 設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法

對表面缺陷規(guī)劃區(qū)域進(jìn)行特征提取，是火花塞表面缺陷檢測的主要環(huán)節(jié)，文中應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)，建立特征提取模型[9]，在多個(gè)神經(jīng)網(wǎng)絡(luò)層的共同作用下，挖掘圖像內(nèi)包含的深度特征。參考火花塞表面典型缺陷類型，建立特征提取框架，如圖2 所示。

圖2 基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取框架Fig.2 Feature extraction framework based on convolutional neural network

根據(jù)圖2 可知，基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取框架中，卷積層、池化層和全連接層數(shù)量均為3個(gè)，按照上述結(jié)構(gòu)進(jìn)行卷積操作，得出的輸出圖像尺寸為

式中：E 表示輸入火花塞表面缺陷圖像的尺寸；W表示濾波核尺寸；G 表示填充的像素圈數(shù)量；H 表示步長；φ 表示卷積神經(jīng)網(wǎng)絡(luò)輸出圖像尺寸。

通常情況下，通過一次卷積運(yùn)算，就可以得到火花塞表面缺陷圖像的特征映射圖，而文中采用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像特征提取，卷積操作計(jì)算公式為

式中：L 表示輸入像素值；P 表示輸出像素值；i，j 表示濾波核尺寸；n 表示濾波核尺寸取值范圍；T 表示權(quán)重；λ 表示偏置值。

針對輸入像素值進(jìn)行卷積運(yùn)算，并將運(yùn)算結(jié)果導(dǎo)入激活函數(shù)，實(shí)現(xiàn)非線性運(yùn)算。實(shí)際運(yùn)算過程中，激活函數(shù)表達(dá)公式為

式中：e 表示激活函數(shù)；max 表示最大值。在收尾的池化層后方，放置一個(gè)Dropout 層，隨機(jī)調(diào)整隱藏層神經(jīng)元數(shù)量，避免特征提取過擬合問題[10]。

將網(wǎng)絡(luò)提取的局部特征輸入全連接層進(jìn)行整合處理，得到火花塞表面缺陷特征提取結(jié)果。

1.4 輸出火花塞表面缺陷檢測結(jié)果

特征提取完成后，運(yùn)用RPN 算法建立多個(gè)錨點(diǎn)窗口，用于檢測火花塞表面缺陷?；赗PN 生成的錨點(diǎn)窗口為

應(yīng)用RPN 算法進(jìn)行缺陷檢測，屬于典型的二分類過程，計(jì)算過程中，損失函數(shù)可以表示為

式中：l 表示損失函數(shù)；u 表示單個(gè)圖像特征對應(yīng)的窗口索引值；qu表示特征屬于某類表面缺陷的概率；qu′表示常數(shù)；log 表示對數(shù)函數(shù)。

而對于單個(gè)特征樣本來說，RPN 缺陷檢測的損失函數(shù)為

按照上述計(jì)算形式，對特征圖上每一個(gè)像素點(diǎn)進(jìn)行缺陷分類概率計(jì)算，得到多個(gè)概率結(jié)果，選定最佳分類概率值，確定當(dāng)前像素點(diǎn)對應(yīng)的缺陷類別，輸出火花塞表面缺陷檢測結(jié)果。

2 仿真測試

2.1 數(shù)據(jù)集

為了驗(yàn)證以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的缺陷檢測方法的可行性，需要展開實(shí)驗(yàn)分析。應(yīng)用CCD 相機(jī)，采集多張火花塞表面圖像，在預(yù)處理完成后構(gòu)成實(shí)驗(yàn)數(shù)據(jù)集?？紤]到深度學(xué)習(xí)過程中，需要較多樣本進(jìn)行訓(xùn)練，才能避免卷積神經(jīng)網(wǎng)絡(luò)在真實(shí)缺陷檢測時(shí)，保持較好的泛化性。本次實(shí)驗(yàn)通過旋轉(zhuǎn)、偏移、縮放等方式，按照表1 所示的參數(shù)進(jìn)行火花塞圖像樣本擴(kuò)充，實(shí)現(xiàn)樣本圖像數(shù)量的增加。

表1 火花塞表面缺陷圖像樣本擴(kuò)充參數(shù)Tab.1 Expansion parameters of spark plug surface defect image samples

根據(jù)表1 所示的擴(kuò)充參數(shù)進(jìn)行處理后，得到700 幅樣本圖像。主要包括無缺陷花塞圖像，以及電極熔斷、電極燒融、零件變形3 種典型缺陷火花塞圖像，如圖3 所示。為了避免測試樣本出現(xiàn)不平衡問題，選擇30 幅無缺陷火花塞圖像、10 幅電極熔斷圖像、10 幅電極燒融圖像，以及10 幅零件變形圖像，組成包含60 幅圖像的測試集。其余640 幅火花塞圖像，共同構(gòu)成訓(xùn)練集。

圖3 火花塞合格表面與典型缺陷表面示意圖Fig.3 Schematic diagram of qualified surface and typical defective surface of spark plug

2.2 網(wǎng)絡(luò)參數(shù)設(shè)置

應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)，對火花塞表面進(jìn)行缺陷檢測時(shí)，網(wǎng)絡(luò)參數(shù)取值結(jié)果，直接影響了檢測準(zhǔn)確程度。因此，本次實(shí)驗(yàn)設(shè)置學(xué)習(xí)率為0.01，批處理樣本兩位64，針對訓(xùn)練樣本集進(jìn)行迭代訓(xùn)練，得到花塞表面缺陷檢測準(zhǔn)確率及損失曲線，如圖4 所示。

圖4 火花塞表面缺陷檢測準(zhǔn)確率及損失曲線Fig.4 Surface defect detection accuracy and loss curve of spark plug

根據(jù)圖4 可知，隨著迭代次數(shù)的增加，火花塞表面缺陷檢測準(zhǔn)確率不斷提升。當(dāng)?shù)螖?shù)為3600次時(shí)，網(wǎng)絡(luò)模型的檢測準(zhǔn)確率達(dá)到了最高值93.5%。與此同時(shí)，網(wǎng)絡(luò)模型的損失函數(shù)值達(dá)到了最低值，為0.05。綜上所述，后續(xù)測試過程中，迭代次數(shù)可以設(shè)置為3600，保證檢測結(jié)果更加高效、準(zhǔn)確。

2.3 檢測結(jié)果展示

網(wǎng)絡(luò)參數(shù)調(diào)整結(jié)束后，根據(jù)文中研究內(nèi)容，對測試樣本集進(jìn)行缺陷檢測，得到火花塞表面缺陷檢測結(jié)果，如圖5 所示。缺陷類別0，1，2，3 分別表示火花塞表面處于無缺陷狀態(tài)、電極熔斷狀態(tài)、電極燒融狀態(tài)以及零件變形狀態(tài)。為了描述所提檢測方法的合理性，缺陷檢測結(jié)果中，還標(biāo)注了每個(gè)檢測樣本的真實(shí)缺陷類別。二者對比可知，所提方法檢測結(jié)果與樣本真實(shí)情況基本保持一致，只有一幅火花塞零件變形圖像，被誤判定為無缺陷圖像。整體來看，文中所提缺陷檢測方法具有可行性。

圖5 火花塞表面缺陷檢測結(jié)果Fig.5 Surface defect detection results of spark plug

2.4 檢測性能對比

為了描述所提方法的缺陷檢測性能，本次以Recall 值為橫軸，Precision 值為縱軸，生成對應(yīng)的PR 曲線，如圖6 所示。該曲線下方陰影面積即為該檢測方法的mAP 值，如圖6（a）所示。選定基于SVM的檢測方法、基于KNN 的檢測方法、基于MLP 的檢測方法作為對照組，對測試集進(jìn)行火花塞表面缺陷檢測，得到圖6（b）、圖6（c）、圖6（d）。根據(jù)圖6可知，所提檢測方法的mAP 值為0.96，其它3 種檢測方法的mAP 值分別為0.81，0.75 和0.69。綜上所述，依托于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行火花塞表面缺陷檢測，使得缺陷檢測結(jié)果的mAP 值提升了15%，21%和27%。

圖6 不同檢測方法的mAP 值對比Fig.6 Comparison of mAP values of different detection methods

3 結(jié)語

隨著人們對汽車安全越來越重視，汽車零件缺陷檢測問題亟待解決。考慮到傳統(tǒng)檢測方法得出結(jié)果誤差較大，文中以火花塞為研究對象，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)一種新的表面缺陷檢測方法。從實(shí)驗(yàn)結(jié)果可以看出，所提方法得出的檢測結(jié)果更加精確，對火花塞質(zhì)量檢測有著現(xiàn)實(shí)意義。