基于最優(yōu)Gabor濾波與局部二值模式的物體表面缺陷檢測(cè)

摘 要： 通過(guò)對(duì)物體表面缺陷的研究，提出一種新的缺陷檢測(cè)方法。該方法首先利用Gabor濾波器組得到多尺度多方向的濾波圖像，通過(guò)代價(jià)函數(shù)選取缺陷與非缺陷局部反差最大的圖像通道作為最優(yōu)濾波通道，在最優(yōu)通道上用LBP算子進(jìn)一步提取局部特征，最后用支持向量機(jī)對(duì)其進(jìn)行分類檢測(cè)。該方法應(yīng)用于織布瑕疵和釹磁鐵表面缺陷檢測(cè)，與傳統(tǒng)的Gabor濾波器等表面缺陷檢測(cè)方法相比，具有更高的檢測(cè)率。

關(guān)鍵詞： Gabor濾波； 局部二值模式； 缺陷檢測(cè)； 支持向量機(jī)

中圖分類號(hào)： TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）09?0100?04

Abstract：Based on the research of the object surface defect， a new defect detection method is proposed. Firstly， the filtered images of multi?scale and multi?direction are got by Gabor filters. Then by setting the proper cost function， the channel whose filtered image of the parts of defection with non?defection is most obvious contrast as the optimal filter channel， in which LBP operator is used to extract the further object local feature of the image. Finally the support vector machine is used to classify the features. The experimental results show that applied this method to the detection of fabric defects and neodymium magnets surface， the recognition rate of the proposed method is higher than other surface defect detection methods by using traditional Gabor filters.

Keywords： Gabor filtering； local binary pattern； defect detection； SVM

0 引 言

物體表面的缺陷檢測(cè)是一個(gè)備受關(guān)注且富有挑戰(zhàn)性的研究課題。隨著機(jī)器視覺(jué)和人工智能技術(shù)的發(fā)展，基于機(jī)器視覺(jué)的檢測(cè)技術(shù)因其低成本、高效益、高品質(zhì)的檢測(cè)性能逐漸代替?zhèn)鹘y(tǒng)的人工檢測(cè)方法，并應(yīng)用于木材、鋼板、陶瓷、紡織品和太陽(yáng)能硅片等各種工業(yè)產(chǎn)品表面缺陷的自動(dòng)檢測(cè)中。

物體表面的缺陷檢測(cè)實(shí)質(zhì)上是圖像局部紋理特征提取和特征分類的問(wèn)題。因此，大多數(shù)的表面缺陷檢測(cè)可以分為兩個(gè)部分：

（1） 根據(jù)表面缺陷的特點(diǎn)，構(gòu)造和提取能有效表示缺陷紋理的特征；

（2） 設(shè)計(jì)一個(gè)特征向量分類器，以實(shí)現(xiàn)正常表面和缺陷表面的分類。

目前，特征提取算法可分為基于模型的方法（如Markov模型[1]）、基于統(tǒng)計(jì)的方法（如灰度共生矩陣[2]和局部二值模式[3]）、基于信號(hào)處理的方法（如小波變換[4]和Gabor濾波[5?7]）等。常見(jiàn)的分類器則有傳統(tǒng)的Adaboost分類器[8]、神經(jīng)網(wǎng)絡(luò)分類器[9]和支持向量機(jī)（Support Vector Machine，SVM）等。其中，SVM是由Vapnik首先提出[10]，在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)。

Gabor濾波在頻域和時(shí)域上具有最佳分辨率的特點(diǎn)，能很好地兼顧時(shí)域和頻域信息，因而被廣泛應(yīng)用于紋理分析和描述中。多通道Gabor濾波器組[7]最早由Kumar與Pang提出，它采用16通道（4個(gè)尺度、4個(gè)方向）對(duì)圖像濾波，然后進(jìn)行圖像融合，實(shí)驗(yàn)結(jié)果證實(shí)了該方法的有效性，但其缺點(diǎn)是數(shù)據(jù)冗余量大，運(yùn)算量較大，容易受噪聲影響。文獻(xiàn)[5]在多通道Gabor濾波器的方法上，用主成分分析（Principal Component Analysis，PCA）來(lái)選擇相關(guān)的特征，降低了特征維數(shù)，檢測(cè)率有所提高。

本文針對(duì)表面缺陷紋理特征的提取問(wèn)題，提出了一種基于Gabor小波和局部二值模式的特征提取方法，利用濾波子圖均值的最大值和最小值之差與最小值的比值構(gòu)成評(píng)價(jià)函數(shù)，從多通道濾波器組輸出的圖像中選取缺陷與背景相差最大的通道作為最優(yōu)通道，再利用局部二值模式（Local Binary Pattern，LBP）進(jìn)一步提取表面紋理的特征，最后通過(guò)經(jīng)小樣本訓(xùn)練的SVM進(jìn)行表面缺陷的檢測(cè)。該方法避免了多通道濾波器組的數(shù)據(jù)冗余和計(jì)算量大的缺點(diǎn)，減少了特征維數(shù)，有效提高了檢測(cè)效率。最后將該方法應(yīng)用于布匹瑕疵和釹磁鐵表面的缺陷檢測(cè)，取得了滿意的效果。

1 Gabor變換

Gabor變換是一種加窗傅里葉變換，在時(shí)域和頻域都具有良好的局部性，常用于紋理的表示和描述?？臻g域中二維的Gabor濾波器是一個(gè)正弦平面波和高斯核函數(shù)的乘積，具有在空間域和頻率域同時(shí)取得最優(yōu)局部化的特性，因此能夠很好地描述對(duì)應(yīng)于空間頻率（尺度）、空間位置及方向選擇性的局部結(jié)構(gòu)信息。二維Gabor函數(shù)空間表達(dá)的一般形式如下：

2 最優(yōu)濾波通道的選擇

由于Gabor基函數(shù)并不能構(gòu)成一組正交基，多通道Gabor濾波器提取的特征具有冗余信息，不是所有的特征都對(duì)識(shí)別有效。因此，本文應(yīng)用文獻(xiàn)[6]中Ajay Kumar提出的優(yōu)化代價(jià)函數(shù)，從多通道濾波中選擇缺陷與無(wú)缺陷局部反差最大的通道作為優(yōu)化選擇通道。具體步驟流程如下：

（1） 缺陷圖像經(jīng)多通道Gabor濾波后得到幅值圖像[Ipq，][pq]表示某一通道，[pq=1，2，…，S×L。]

（2） 將通過(guò)[pq]通道濾波后的幅值圖像分割成相同大小的子圖，求出子圖均值的最大值和最小值分別記為[Dpqmax]和[Dpqmin。]

（3） 將[pq]通道子圖均值最大和最小值之差與最小值的比值作為代價(jià)函數(shù)，如下式所示：

[J（pq）=Dpqmax-DpqminDpqmin] （8）

（4） 求出所有通道的代價(jià)函數(shù)值，選取代價(jià)函數(shù)最大值的通道作為最優(yōu)濾波通道。

3 局部二值模式

局部二進(jìn)制模式LBP最早是作為一種有效的紋理描述算子提出的。應(yīng)用LBP算子的過(guò)程與濾波過(guò)程中的模板操作相類似，逐行掃描圖像，以圖像中的每一個(gè)像素點(diǎn)的像素值為閾值，對(duì)其周圍的3×3的8鄰域進(jìn)行二值化，按照一定的順序?qū)⒍祷慕Y(jié)果組成一個(gè)8位二進(jìn)制數(shù)，并以此二進(jìn)制數(shù)的值（0～255）作為該點(diǎn)的響應(yīng)。在整個(gè)逐行掃描過(guò)程結(jié)束后，得到一個(gè)LBP響應(yīng)圖像，這個(gè)響應(yīng)圖像的直方圖被稱為L(zhǎng)BP統(tǒng)計(jì)直方圖，作為識(shí)別的特征，也稱為L(zhǎng)BP特征。圖1給出了3×3矩形區(qū)域中像素值為5的中心像素LBP特征值：LBP=64+32+16+1=113。

為減少冗余的LBP模式，同時(shí)保留足夠多的具有重要描繪能力的模式，本文采用統(tǒng)一化模式。所謂的統(tǒng)一模式是指在將局部二進(jìn)制模式的二進(jìn)制位串視為循環(huán)的情況下，其包含的從0到1或者從1到0轉(zhuǎn)變不多于兩個(gè)的模式。在隨后的LBP直方圖的計(jì)算過(guò)程中，只為統(tǒng)一化模式分配單獨(dú)的直方圖收集箱，而所有的非統(tǒng)一化模式都被放入一個(gè)公用的收集箱，這就使LBP特征的數(shù)目大大減少。一般來(lái)說(shuō)，保留的統(tǒng)一化模式往往是反映重要信息的那些模式，而那些非統(tǒng)一化模式中過(guò)多的轉(zhuǎn)變往往由隨機(jī)噪聲引起，不具有良好的統(tǒng)計(jì)意義。

4 基于最優(yōu)Gabor濾波與LBP的物體表面缺

陷檢測(cè)

基于最優(yōu)Gabor濾波與LBP的物體表面缺陷檢測(cè)的基本原理如下：首先利用Gabor濾波器組得到多尺度多方向的濾波圖像，然后利用濾波圖像均值的最大值和最小值之差與最小值的比值構(gòu)成評(píng)價(jià)函數(shù)，從濾波圖像中選取缺陷與背景相差最大的最優(yōu)通道，利用LBP在最優(yōu)通道提取LBP特征直方圖作為識(shí)別特征，最后由SVM實(shí)現(xiàn)表面缺陷的檢測(cè)。

該方法分為訓(xùn)練和測(cè)試兩個(gè)部分，其流程步驟如下：

（1） 圖像預(yù)處理：對(duì)圖像進(jìn)行中值濾波，并在圖像尺寸上進(jìn)行規(guī)格化處理。

（2） Gabor濾波：采用4個(gè)尺度[（S=4，]最大頻率[fmax=12，]間隔因子[f=18）、]8個(gè)方向[L=8，θ=π8，π4，][3π8，π2，5π8，3π4，7π8，π]共32組濾波器組對(duì)規(guī)格化圖像濾波，得到不同尺度和方向上的濾波幅值圖像。

（3） 選取最優(yōu)通道：將濾波圖像分成4個(gè)子圖，根據(jù)式（8）選取其中評(píng)價(jià)函數(shù)最大的通道作為最優(yōu)濾波通道。

（4） 提取LBP特征：對(duì)最優(yōu)濾波通道輸出的圖像，采用統(tǒng)一化模式，提取LBP特征直方圖，并將得到的圖像數(shù)據(jù)采用最大最小規(guī)格化方法，線性地縮放各個(gè)屬性到[-1，1]范圍。

（5） SVM訓(xùn)練：針對(duì)訓(xùn)練樣本，利用上述4個(gè)步驟，得到訓(xùn)練樣本的圖像特征規(guī)格化數(shù)據(jù)，將其作為支持向量機(jī)的輸入向量；支持向量機(jī)選擇RBF核函數(shù)，采用網(wǎng)格尋優(yōu)的方法得到最佳的懲罰參數(shù)和核函數(shù)參數(shù)，最終得到支持向量機(jī)的訓(xùn)練模型。

（6） 缺陷檢測(cè)：將測(cè)試樣本經(jīng)過(guò)上述（1）～（4）步驟得到規(guī)格化的圖像特征數(shù)據(jù)，輸入到支持向量機(jī)的訓(xùn)練模型中，進(jìn)行特征的分類以檢測(cè)缺陷。

5 實(shí)驗(yàn)結(jié)果與分析

在實(shí)驗(yàn)中，將本文方法應(yīng)用于布匹瑕疵和釹磁鐵表面缺陷檢測(cè)。布匹圖像是由一組線陣工業(yè)CCD相機(jī)拍攝獲得，其中每個(gè)CCD相機(jī)分別拍攝整幅布匹的某一部分，對(duì)各個(gè)CCD相機(jī)的子圖像進(jìn)行瑕疵檢測(cè)，判定布匹的瑕疵及其位置。釹磁鐵表面的圖像是由LED光源、工業(yè)CCD相機(jī)和一個(gè)黑盒結(jié)構(gòu)采用光柵投影法獲得的一種光柵條紋圖像，對(duì)于表面無(wú)缺陷的釹磁鐵其圖像呈現(xiàn)為一種平行規(guī)整的光柵條紋，而表面有缺陷（如麻坑、砂眼、劃痕和裂紋等）的釹磁鐵其圖像則呈現(xiàn)出光柵條紋紊亂的現(xiàn)象。圖3和圖4分別給出了上述兩種圖像的示例。

本實(shí)驗(yàn)中得到布匹圖像和光柵條紋圖像各160幅，其中有缺陷和無(wú)缺陷圖像各為120幅和40幅。在兩組實(shí)驗(yàn)中，都隨機(jī)抽取了有缺陷的80幅圖像和無(wú)缺陷的20幅圖像構(gòu)成訓(xùn)練集，其余有缺陷的40幅圖像和無(wú)缺陷的20幅圖像構(gòu)成測(cè)試集。表1給出了本文方法在上述兩組實(shí)驗(yàn)中訓(xùn)練集和測(cè)試集的識(shí)別率，表2給出了上述兩組實(shí)驗(yàn)中本文方法與其他常用檢測(cè)方法對(duì)測(cè)試集的實(shí)際檢測(cè)結(jié)果。

從上述兩組實(shí)驗(yàn)的實(shí)際檢測(cè)結(jié)果可以看出，本文所提出的方法的檢測(cè)率均優(yōu)于傳統(tǒng)的Gabor濾波器方法，其特點(diǎn)如下：

（1） 增強(qiáng)了缺陷特征，提高了算法的效率。通過(guò)構(gòu)建一個(gè)合適的評(píng)價(jià)函數(shù)來(lái)選取最優(yōu)濾波通道，在增強(qiáng)了表面缺陷與背景的差異，突出缺陷特征的同時(shí)，也避免了多通道數(shù)據(jù)的冗余和計(jì)算量大的缺點(diǎn)。

（2） 降低了特征的維數(shù)，提高了缺陷檢測(cè)率。與原始紋理特征集的維數(shù)相比，通過(guò)提取最優(yōu)濾波圖像的LBP直方圖特征作為識(shí)別特征，采用統(tǒng)一化模式，將特征集維數(shù)降至59，局部特征得到進(jìn)一步增強(qiáng)，提高了物體表面缺陷的檢測(cè)效率。

6 結(jié) 語(yǔ)

本文方法對(duì)缺陷圖像進(jìn)行多通道Gabor 濾波，應(yīng)用代價(jià)函數(shù)選擇最優(yōu)通道，將濾波圖像的LBP特征直方圖作為支持向量機(jī)的特征向量，相比其他方法，表面缺陷檢測(cè)的準(zhǔn)確率有了明顯的提高，并成功地應(yīng)用于布匹、釹磁鐵等表面缺陷檢測(cè)。在后續(xù)研究中，如何進(jìn)一步降低特征向量的維數(shù)，提高算法的效率，還有待進(jìn)行深入研究。

參考文獻(xiàn)

[1] WANG Xiao?song， Mirmehdi M. Archive film defect detection and removal： An automatic restoration framework [J]. IEEE Transactions on Image， 2012， 21（8）： 3757?3769.

[2] LAL R J， SUNIL K， ANKIT C. Fabric defect detection based on GLCM and Gabor filter： A comparison [J]. Optik?international journal for light and electron optics， 2013， 124（23）： 6469?6474.

[3] BERND S R， DANIEL W， HENDRIK T. Automated surface inspection of cold?formed micro?parts [J]. Cirp annals?manufacturing technology， 2012， 61（1）： 531?534.

[4] WEI Chen?li， DU M T. Wavelet?based defect detection in solar wafer images with inhomogeneous texture [J]. Pattern Recognition， 2012， 45（2）： 742?756.

[5] 徐卓飛，張海燕，徐倩倩，等.印刷星標(biāo)的Gabor紋理特征分析與自動(dòng)識(shí)別研究[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（17）：230?235.

[6] KUMAR A， PANG G. Defect detection in textured materials using Gabor filters [J]. IEEE transactions on industry applications， 2002， 38（2）： 425?440.

[7] KUMAR A， PANG G. Fabric defect segmentation using multichannel blob detectors [J]. Optical Engineering， 2000， 39 （12）： 3176?3190.

[8] CORD A， CHAMBON S. Automatic road defect detection by textural pattern recognition based on AdaBoost [J]. Computer?aided civil and infrastructure engineering， 2012， 27（4）： 244?259.

[9] WEIMER D， THAMER H， REITER B S. Learning defect classifiers for textured surfaces using neural networks and statistical feature representations [C]// Forty sixth CIRP conference on manufacturing systems 2013. [ S.l.]： Procedia CIRP， 2013， 7： 347?352.

[10] BERNHARD S， SUNG K K， BURGES C， et al. Comparing support vector machines with Gaussian kernels to radial basis function classifiers [J]. IEEE Transactions on Signal Proces?sing， 1997， 45（11）： 2758?2765.

[11] 李益紅，盧朝陽(yáng)，李靜，等.一種新的Gabor 優(yōu)化選擇檢測(cè)算法及應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（5）：4?6.

[12] 張士可，路林吉.基于圖像紋理的車位識(shí)別方法[J].微型電腦應(yīng)用，2013，30（6）：45?47.