李寶峰

（中國航發(fā)沈陽黎明航空發(fā)動(dòng)機(jī)有限責(zé)任公司，遼寧 沈陽 110041）

機(jī)器視覺在機(jī)械零件缺陷自動(dòng)識(shí)別中的應(yīng)用本質(zhì)上屬于模式識(shí)別技術(shù)，可根據(jù)機(jī)器視覺的各種算法，如區(qū)域分割、輪廓提取和邊緣檢測獲取機(jī)械零件和缺陷部位的特征，再與數(shù)據(jù)庫中參考圖像的相應(yīng)特征進(jìn)行對(duì)比，進(jìn)而判定出機(jī)械零件是否存在缺陷和何種缺陷[1]?？梢?，基于機(jī)器視覺的機(jī)械零件缺陷識(shí)別在很大程度上依賴于機(jī)器視覺相關(guān)特征提取方法的準(zhǔn)確性。隨著該方法不斷發(fā)展，基于單一特征的檢測方法暴露出檢測精度不高和魯棒性較低的問題[2]，因此產(chǎn)生了基于BP 神經(jīng)網(wǎng)絡(luò)的多特征訓(xùn)練學(xué)習(xí)的分類方法。隨著基于機(jī)器視覺的機(jī)械零件缺陷分類方法不斷發(fā)展，各種分類器的手段日益豐富，常見的分類器有BP 分類器、LR 分類器、DT 分類器、RF 分類器、SVM 分類器、CNN 分類器以及KNN 分類器等[3]。對(duì)于不同缺陷表現(xiàn)出來的機(jī)器視覺特征，不同分類器會(huì)表現(xiàn)出不同性能。本文將構(gòu)建多分類器融合的機(jī)械零件缺陷識(shí)別方法。本文方法同時(shí)使用多種分類器被，將不同機(jī)器視覺方法獲得的缺陷特征納入多種分類器，對(duì)缺陷類型進(jìn)行融合判斷。本文方法在機(jī)械零件缺陷的識(shí)別中具有較高的準(zhǔn)確率和較好的魯棒性。

1 基于形態(tài)學(xué)的機(jī)械零件圖像增強(qiáng)

本文采用了基于形態(tài)學(xué)的增強(qiáng)方法，并進(jìn)行了改進(jìn)處理。一般的形態(tài)學(xué)分割方法使用單一的結(jié)構(gòu)元素，處理過程相對(duì)簡單，處理結(jié)果很難同時(shí)滿足多項(xiàng)指標(biāo)要求。例如，使用圓形結(jié)構(gòu)元素時(shí)，背景去除量大，但是一些邊緣細(xì)節(jié)特征會(huì)被圓形模板的形態(tài)學(xué)處理消除掉；使用線形結(jié)構(gòu)元素時(shí)，原始圖像的邊緣細(xì)節(jié)特征得以清晰保留，但是背景去除量小。

為此，本文考慮改進(jìn)一般形態(tài)學(xué)處理方法，同時(shí)結(jié)合多種不同結(jié)構(gòu)元素完成開閉運(yùn)算等形態(tài)學(xué)處理，以取得更理想的效果。

在具體的計(jì)算機(jī)二進(jìn)制數(shù)據(jù)中，圓形結(jié)構(gòu)元素和線形結(jié)構(gòu)元素的模板形式如圖1所示。

圖1 不同結(jié)構(gòu)元素的模板

圖1 中給出了2 個(gè)同為4×4 的結(jié)構(gòu)元素模板，一個(gè)是圓形的，一個(gè)是線形的，結(jié)合2 種模板進(jìn)行形態(tài)學(xué)處理的執(zhí)行步驟如下。

首先，利用圓形的結(jié)構(gòu)元素對(duì)原始圖像執(zhí)行開運(yùn)算處理。圓形結(jié)構(gòu)元素用S1表示，原始圖像用f（x）表示，處理結(jié)果用A表示，處理過程如公式（1）所示。

其次，使用線形的結(jié)構(gòu)元素對(duì)原始圖像執(zhí)行閉運(yùn)算處理。線形結(jié)構(gòu)元素用S2表示，原始圖像用f（x）表示，處理結(jié)果用B表示，處理過程如公式（2）所示。

再次，利用原始圖像和上述2 步處理結(jié)果分別做差，得到的結(jié)果分別用A1和B1表示，處理過程如公式（3）所示。

最后，將上一步得到的2 個(gè)處理結(jié)果再做差集運(yùn)算，即可得到最終的去除背景的分割結(jié)果，如公式（4）所示。

為了驗(yàn)證改進(jìn)形態(tài)學(xué)分割方法的有效性，本文選取齒輪和軸的零件圖像分別進(jìn)行試驗(yàn)，同時(shí)采用線形結(jié)構(gòu)元素和圓形結(jié)構(gòu)元素，按照改進(jìn)方法的步驟進(jìn)行分割處理，得到的結(jié)果如圖2所示。

圖2 改進(jìn)形態(tài)學(xué)的增強(qiáng)結(jié)果

本文改進(jìn)后的形態(tài)學(xué)處理結(jié)果如圖2所示（同時(shí)使用了線形結(jié)構(gòu)元素和圓形結(jié)構(gòu)元素）。從處理結(jié)果可以看出，當(dāng)結(jié)構(gòu)元素的尺寸為10 時(shí)，背景被明顯剪除了。當(dāng)結(jié)構(gòu)元素的尺寸為20 時(shí)，背景元素完全被剪除，清晰地顯示出目標(biāo)區(qū)域，充分表明本文改進(jìn)措施的有效性。結(jié)構(gòu)元素尺寸為20 也是后續(xù)處理中采用的參數(shù)。

2 機(jī)械零件圖像的特征提取

根據(jù)機(jī)械零件圖像的原理和特點(diǎn)，本文將小波變化和Ostu 域值分割結(jié)合起來，構(gòu)建了一種全新的圖像特征提取方法。在小波變換的各級(jí)分辨率圖像上可以分別獲得高頻信息和低頻信息。其中，高頻信息包括圖像的細(xì)節(jié)和噪聲，低頻信息包括圖像的輪廓。傳統(tǒng)的Ostu 分割是在原始圖像上進(jìn)行分割，如果將該過程在小波變換的低頻成分上進(jìn)行，就可以避免噪聲和其他干擾性細(xì)節(jié)的影響。

設(shè)x（t）代表可積函數(shù)，那么x（t）有關(guān)其Fourier 變換φ（w）的連續(xù)小波可以定義為如公式（5）的形式。

基于此，小波反變換如公式（6）所示。

式中：a表示小波變換的尺度；b表示小波變換的位移。

其中φab（t）如公式（7）所示。

與一維Ostu 法相比，二維Ostu 法增加了鄰域平均灰度，從而將一維灰度直方圖擴(kuò)展為二維灰度直方圖，即正常的圖像灰度和鄰域平均灰度同時(shí)出現(xiàn)的概率。其基本操作過程如下：用f表示原始圖像，假設(shè)其灰度等級(jí)為L（0，1，…，L-1），整幅圖像的像素總數(shù)為N，鄰域平均灰度等級(jí)為L。進(jìn)一步用i表示一個(gè)像素的灰度等級(jí)，用j表示像素對(duì)應(yīng)的領(lǐng)域平均灰度等級(jí)，那么可以計(jì)算其聯(lián)合概率密度，如公式（8）所示。

二維Ostu 法比一維Ostu 法的處理精度高，因此本文選擇小波變化結(jié)合二維Ostu 法進(jìn)行機(jī)械零件特征提取，提取效果如圖3所示。

從圖3 可以看出，原始圖像中機(jī)械零件上出現(xiàn)了帶狀缺陷，小波結(jié)合二維Ostu 分割有效地提取了該部分特征。

3 試驗(yàn)結(jié)果與分析

按照本文提出的多分類器融合的機(jī)械零件缺陷識(shí)別方法進(jìn)行試驗(yàn)研究。根據(jù)缺陷識(shí)別的常見分類算法，本文將KNN 分類器、DT 分類器、SVM 分類器、NB 分類器、BP 分類器、LR 分類器、Adaboost 分類器、RF 分類器、GBDT 分類器以及XGBT 分類器作為候選分類器。參與分類的機(jī)械零件的缺陷類別包括點(diǎn)狀缺陷、多點(diǎn)缺陷、孔洞缺陷、多孔缺陷、線狀缺陷、多線缺陷和帶狀缺陷。根據(jù)機(jī)器視覺方法對(duì)這7 類缺陷進(jìn)行增強(qiáng)處理和特征提取后，納入各分類器進(jìn)行缺陷識(shí)別分類。10 種分類器對(duì)7 類缺陷的分類識(shí)別準(zhǔn)確率見表1。

表1 各分類器對(duì)不同缺陷的識(shí)別準(zhǔn)確率

從表1 可以看出，不同分類器對(duì)不同缺陷的識(shí)別效果有所不同。從7 類缺陷的平均識(shí)別率來看，KNN 分類器、GBDT分類器和XGBT 分類器的識(shí)別準(zhǔn)確率最高。為了進(jìn)一步提升缺陷識(shí)別的準(zhǔn)確率和魯棒性，將10 類分類器按照3 個(gè)一組隨機(jī)組合，分別納入第2 節(jié)的框架，形成融合分類器。最后得到排名最靠前的3 組組合，見表2。

表2 融合效果最好的3 組分類器

從表2 可以看出，3 組最好的融合模型中都有XGBT分類器和KNN 分類器，與這2 類分類器的效果最好有關(guān)。XGBT+KNN+RF 分類器的融合在缺陷識(shí)別精度和召回率方面均取得了最好的結(jié)果。本文進(jìn)一步給出上述3 組分類器融合模型對(duì)7 類機(jī)械零件缺陷的識(shí)別準(zhǔn)確率對(duì)比，結(jié)果見表3。

表3 3 組融合分類器模型對(duì)7 類機(jī)械零件缺陷的識(shí)別準(zhǔn)確率（%）

4 結(jié)論

針對(duì)機(jī)械零件缺陷的自動(dòng)識(shí)別和分類問題，本文構(gòu)建了一種基于機(jī)器視覺和多分類器融合的方法。在該方法中，多種不同的分類器被融合在一起，形成對(duì)機(jī)械零件缺陷的融合判別結(jié)果。每個(gè)分類器對(duì)缺陷的判別來自機(jī)器視覺獲取的圖像特征。本文采用多元素結(jié)構(gòu)的改進(jìn)形態(tài)學(xué)方法進(jìn)行圖像增強(qiáng)處理，以提升機(jī)械零件圖像的對(duì)比度。并進(jìn)一步采用小波變化結(jié)合二維Ostu 分割的方法獲取機(jī)械零件圖像的特征，作為分類器的輸入。在試驗(yàn)過程中，針對(duì)7 類機(jī)械零件缺陷采用10 類分類器進(jìn)行缺陷識(shí)別。測試顯示，XGBT+KNN+RF、XGBT+KNN+NB、XGBT+KNN+SVM 這3 組分類器的融合識(shí)別效果最好。其中，XGBT+KNN+RF 融合分類器不僅識(shí)別準(zhǔn)確率高，而且對(duì)7 類機(jī)械零件缺陷均具有較好的魯棒性。今后的研究工作中將進(jìn)一步測試其他分類器組合對(duì)機(jī)械零件缺陷識(shí)別的實(shí)際應(yīng)用效果。同時(shí)，在確保識(shí)別準(zhǔn)確率的基礎(chǔ)上進(jìn)一步提升識(shí)別速度也是今后的研究重點(diǎn)。