基于SVM的玻璃瓶缺陷分類(lèi)算法研究

魯可，石慶升，張曉東

（河南工業(yè)大學(xué)電氣工程學(xué)院，河南　鄭州　450007）

基于SVM的玻璃瓶缺陷分類(lèi)算法研究

魯可，石慶升，張曉東

（河南工業(yè)大學(xué)電氣工程學(xué)院，河南鄭州450007）

針對(duì)玻璃瓶質(zhì)量檢測(cè)系統(tǒng)缺陷分類(lèi)難的問(wèn)題，選取氣泡、結(jié)石、裂紋、污點(diǎn)、皺紋這五種常見(jiàn)的缺陷作為分類(lèi)目標(biāo)，從研究每種缺陷的圖像特征入手，提出了七個(gè)統(tǒng)計(jì)特征作為分類(lèi)器的輸入特征向量，根據(jù)該分類(lèi)問(wèn)題的特點(diǎn)構(gòu)建SVM分類(lèi)器，采用現(xiàn)場(chǎng)采集的缺陷圖像樣本對(duì)SVM分類(lèi)器進(jìn)行訓(xùn)練和測(cè)試。實(shí)驗(yàn)結(jié)果表明：設(shè)計(jì)的SVM分類(lèi)器識(shí)別率較高，適合玻璃瓶缺陷圖像分類(lèi)。

玻璃瓶缺陷圖像；特征提??；缺陷分類(lèi)；支持向量機(jī)

0　引言

玻璃瓶廣泛應(yīng)用于生物制藥、食品飲料、日化用品的包裝，與人民的生活密切相關(guān)。同時(shí)，玻璃瓶因其易碎、易破的特性以及容易產(chǎn)生爆炸造成人身傷害的問(wèn)題，從而使玻璃瓶制造業(yè)成為質(zhì)量要求很高的行業(yè)［1］。在質(zhì)量控制方面，從本世紀(jì)初期開(kāi)始，國(guó)內(nèi)的一些大型玻璃瓶生產(chǎn)企業(yè)開(kāi)始引進(jìn)國(guó)外的基于機(jī)器視覺(jué)技術(shù)的質(zhì)量檢測(cè)系統(tǒng)，同時(shí)國(guó)內(nèi)的一些研究院所和單位也開(kāi)始研發(fā)類(lèi)似的玻璃瓶質(zhì)量在線(xiàn)檢測(cè)系統(tǒng)，并取得了較大的成果［2］。

當(dāng)前國(guó)內(nèi)外的玻璃瓶質(zhì)量檢測(cè)設(shè)備還只是注重于廢品的剔除率，而對(duì)剔除的廢品很少能夠按照實(shí)際的缺陷類(lèi)型進(jìn)行準(zhǔn)確的分類(lèi)。從現(xiàn)有的資料來(lái)看，應(yīng)用圖像識(shí)別和分類(lèi)算法進(jìn)行玻璃瓶缺陷分類(lèi)在國(guó)內(nèi)還是空白，當(dāng)前投入實(shí)際應(yīng)用的玻璃瓶檢驗(yàn)機(jī)的缺陷分類(lèi)功能還只是簡(jiǎn)單的基于幾何特征的粗略分類(lèi)，這種分類(lèi)對(duì)用戶(hù)只有一定的參考意義，與用戶(hù)的實(shí)際需求還有很大的差距。

本文基于支持向量機(jī)（SVM），提出一種玻璃瓶缺陷的分類(lèi)、識(shí)別方法。首先以采集好的玻璃瓶缺陷圖像作為研究圖像，分析各種缺陷的圖像特征，提出面積、傾斜度、長(zhǎng)寬比、離心率、填充度、密實(shí)度、灰度方差等七個(gè)具有較好區(qū)分度的特征屬性作為輸入特征向量，對(duì)SVM分類(lèi)器進(jìn)行反復(fù)訓(xùn)練，最后用測(cè)試樣本對(duì)訓(xùn)練好的分類(lèi)器進(jìn)行識(shí)別檢驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該分類(lèi)器識(shí)別率較高，在一定程度上可以對(duì)常見(jiàn)的玻璃瓶缺陷進(jìn)行精確的分類(lèi)。

1　玻璃瓶缺陷圖像的特征提取

玻璃瓶缺陷種類(lèi)繁多，為了使研究更有針對(duì)性和實(shí)用性，本文選取氣泡、結(jié)石、裂紋、污點(diǎn)、皺紋這五種最常見(jiàn)的最有代表性的外觀缺陷作為識(shí)別分類(lèi)目標(biāo)。為了研究玻璃瓶缺陷分類(lèi)算法，首先需要從研究玻璃瓶圖像特點(diǎn)出發(fā)，對(duì)每種缺陷的特征進(jìn)行分析，提出對(duì)上述五種典型玻璃瓶缺陷具有較強(qiáng)可分性的缺陷特征集。

1.1玻璃瓶缺陷特點(diǎn)分析

圖1是氣泡、結(jié)石、裂紋、污點(diǎn)、皺紋這五種缺陷的典型樣本圖像。通過(guò)對(duì)收集的大量的氣泡、結(jié)石、裂紋、污點(diǎn)、皺紋等缺陷樣本的觀察研究，這幾種玻璃瓶缺陷主要呈現(xiàn)以下幾個(gè)特點(diǎn)：①氣泡主要呈圓形或橢圓形，從水平方向看主軸傾斜角為90°，缺陷主體占的比重比較大，往往占有效點(diǎn)85%以上，亮度比較高，內(nèi)部均勻，邊緣平滑清晰；②結(jié)石主要呈圓形，面積較小，缺陷主體占的比重接近100%，亮度比較低，內(nèi)部均勻，邊緣尖銳清晰；③裂紋主要呈長(zhǎng)條狀，主軸方向不定，亮度比較低，邊緣尖銳清晰；④污點(diǎn)形狀不定，內(nèi)部灰度不均勻，整體亮度較低，邊緣不清晰，主軸方向不定；⑤皺紋呈條狀，并且一般是由平行的幾段條狀連通區(qū)域組成，各個(gè)條狀連通區(qū)域的主軸傾斜角為0°，之間的間隔較小。

圖1　缺陷圖例Fig.1 Examples of defects

1.2玻璃瓶缺陷特征選取

圖像特征包括灰度特征、幾何特征、統(tǒng)計(jì)規(guī)律特征等，在進(jìn)行圖像分割時(shí)主要使用灰度特征，在進(jìn)行缺陷特征提取時(shí)，目前一般使用的是與幾何形狀相關(guān)的特征，如面積、周長(zhǎng)、長(zhǎng)度、寬度等，這些特征物理含義明確，計(jì)算簡(jiǎn)單，對(duì)于具有特定大小和形狀的缺陷可以比較準(zhǔn)確的識(shí)別出來(lái)，但對(duì)目標(biāo)形狀和大小比較敏感，這對(duì)形狀各異的玻璃瓶缺陷表達(dá)力就不夠，還需要提取其它更具代表性的特征。在圖像識(shí)別領(lǐng)域，圖像矩是建立在對(duì)一個(gè)區(qū)域內(nèi)部灰度值分布的統(tǒng)計(jì)分析基礎(chǔ)上的，是一種統(tǒng)計(jì)分析的描述，它可以從全局觀點(diǎn)描述對(duì)象的整體特征，因此其具有良好的統(tǒng)計(jì)不變性，依據(jù)圖像矩提取的統(tǒng)計(jì)特征受目標(biāo)的位置、角度、尺度變化影響較小，具有平移不變性、旋轉(zhuǎn)不變性和尺度不變性的特點(diǎn)，在進(jìn)行玻璃瓶缺陷分類(lèi)時(shí)具有較好的可分性［3］。

基于以上分析，本文根據(jù)玻璃瓶缺陷的特點(diǎn)，提出面積、傾斜度、長(zhǎng)寬比、離心率、填充度、密實(shí)度、灰度方差等7個(gè)具有較好區(qū)分度的特征屬性作為機(jī)器學(xué)習(xí)的輸入特征向量，這些特征描述的是圖像整體的分布，避開(kāi)了同類(lèi)缺陷因局部像素帶來(lái)的特征差異，具有很好的容差性，可以最大限度的提升特征的描述能力。

（1）面積：在圖像處理中，面積一般用目標(biāo)所占的像素?cái)?shù)目來(lái)描述，缺陷的面積是缺陷嚴(yán)重程度的一個(gè)重要量度。

（2）傾斜度：用來(lái)描述缺陷像素整體走向的物理量，一般用最小外接橢圓的主軸角度來(lái)衡量。

（3）長(zhǎng)寬比：用來(lái)區(qū)分缺陷為點(diǎn)狀缺陷或條狀缺陷，一般用外接矩形的長(zhǎng)度和寬度之比來(lái)衡量。

（4）離心率：用來(lái)描述缺陷的扁平程度，一般用最小外接橢圓的長(zhǎng)軸和短軸之比來(lái)衡量，離心率越大，缺陷越細(xì)長(zhǎng)。

（5）填充度：表示缺陷的面積與缺陷外接矩形的面積比，可用來(lái)衡量缺陷主體占比的程度。

（6）密實(shí)度：用L表示區(qū)域的周長(zhǎng)，用A表示區(qū)域的面積，則密實(shí)度C的定義為：。當(dāng)區(qū)域是實(shí)心圓形時(shí)，密實(shí)度是1，當(dāng)區(qū)域是長(zhǎng)條形或者區(qū)域內(nèi)部含有空洞時(shí)，密實(shí)度大于1，區(qū)域越細(xì)長(zhǎng)，或者空洞面積越大，密實(shí)度就越大。因此密實(shí)度可以作為區(qū)分結(jié)石和裂紋、氣泡的參考值。

（7）灰度方差：主要反應(yīng)了缺陷有效區(qū)域內(nèi)灰度集中的程度，也用來(lái)衡量邊緣清晰度，前邊的六個(gè)特征都反映的是區(qū)域的形態(tài)特征，灰度方差可以來(lái)表征缺陷的灰度特征。

對(duì)于每個(gè)樣本圖像，將提取出這七個(gè)特征向量作為SVM分類(lèi)器的輸入特征向量，用于分類(lèi)器的訓(xùn)練和識(shí)別。

2　玻璃瓶缺陷分類(lèi)器設(shè)計(jì)

支持向量機(jī)（SVM）是一種有監(jiān)督式學(xué)習(xí)的方法，它廣泛地應(yīng)用于統(tǒng)計(jì)分類(lèi)以及回歸分析中，SVM是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的泛化能力。SVM分類(lèi)方法的基本思想是通過(guò)一個(gè)非線(xiàn)性映射，將特征向量映射到一個(gè)更高維的空間，在這個(gè)空間里建立一個(gè)最大間隔超平面，使得在原來(lái)的樣本空間中非線(xiàn)性不可分的問(wèn)題轉(zhuǎn)化為在特征空間中的線(xiàn)性可分的問(wèn)題［4］。

SVM分類(lèi)器的設(shè)計(jì)需要對(duì)輸入特征向量個(gè)數(shù)、輸出類(lèi)型個(gè)數(shù)、核函數(shù)類(lèi)型、多類(lèi)組合判決方式等參數(shù)進(jìn)行設(shè)置。在本文中，選用了缺陷圖像的面積、傾斜度、長(zhǎng)寬比、離心率、填充度、密實(shí)度、灰度方差等七個(gè)特征向量，需要分成裂紋、結(jié)石、氣泡、污點(diǎn)、皺紋等五種缺陷類(lèi)型，因此，輸入特征向量個(gè)數(shù)為7，輸出類(lèi)型個(gè)數(shù)為5。在核函數(shù)的選擇上，鑒于徑向基核函數(shù)（RBF）的光滑性和泛化作用，本文選用RBF核函數(shù)。在多類(lèi)組合判決方式上，有一對(duì)多的最大響應(yīng)方法和一對(duì)一的投票方法可以選擇，對(duì)于五類(lèi)的玻璃瓶缺陷，一對(duì)多的最大響應(yīng)方法需要構(gòu)成5個(gè)SVM二分器，一對(duì)一的投票方法需要構(gòu)成10個(gè)SVM二分器，本文通過(guò)試驗(yàn)法來(lái)確定最終選擇哪種方法。

3　實(shí)驗(yàn)及結(jié)果

在本文中，針對(duì)裂紋、結(jié)石、氣泡、污點(diǎn)、皺紋這五種缺陷，每種缺陷都選取了50個(gè)樣本，從中隨機(jī)選取25個(gè)來(lái)進(jìn)行訓(xùn)練，其余25個(gè)用來(lái)進(jìn)行測(cè)試。因此訓(xùn)練集共計(jì)有125個(gè)樣本，即125組特征向量，測(cè)試集也有125個(gè)樣本。特征向量的計(jì)算和分類(lèi)器的訓(xùn)練及測(cè)試都采用德國(guó)MVTec公司的圖像處理庫(kù)HALCON 11.0中相應(yīng)的庫(kù)函數(shù)來(lái)實(shí)現(xiàn)。

首先對(duì)每個(gè)樣本圖像都計(jì)算出對(duì)應(yīng)的七個(gè)特征向量，然后將訓(xùn)練集中的125組特征向量逐一添加到SVM分類(lèi)器中進(jìn)行訓(xùn)練，訓(xùn)練終止誤差設(shè)置為0.001。訓(xùn)練完成之后，再使用分類(lèi)器對(duì)測(cè)試集中的樣本逐一進(jìn)行分類(lèi)測(cè)試，統(tǒng)計(jì)測(cè)試誤差。

為了選擇效果最好的多類(lèi)組合判決方式，分別使用一對(duì)多的最大響應(yīng)方法、一對(duì)一的投票方法，訓(xùn)練SVM分類(lèi)器，測(cè)試結(jié)果如表1所示。

表1　不同多類(lèi)判決方法的測(cè)試結(jié)果Tab.1 Test Results of different multi-class decision method

從上面的結(jié)果可以看出，一對(duì)多的最大響應(yīng)方法錯(cuò)誤率較低。表2是使用是一對(duì)多的最大響應(yīng)方法對(duì)測(cè)試集的詳細(xì)分類(lèi)結(jié)果：

從表2可以看出，本文設(shè)計(jì)的SVM分類(lèi)器分類(lèi)正確率可以達(dá)到84%，成功率較高。其中對(duì)污點(diǎn)的分類(lèi)效果最好，對(duì)結(jié)石的分類(lèi)效果最差，這也跟有些結(jié)石的圖像特征與氣泡、污點(diǎn)比較相近有關(guān)。同樣也說(shuō)明，特征屬性的選擇和訓(xùn)練樣本的質(zhì)量將直接決定分類(lèi)器訓(xùn)練效果的好壞，想要得到較好的分類(lèi)效果，就要仔細(xì)對(duì)缺陷的特征進(jìn)行研究，選取的特征向量要對(duì)缺陷有良好的描述性，選用的訓(xùn)練樣本集也要能較好反映全部樣本的空間分布規(guī)律。

表2　SVM對(duì)測(cè)試集分類(lèi)結(jié)果Tab.2 Classification results of the test set on SVM

4　結(jié)束語(yǔ)

本文通過(guò)提取玻璃瓶缺陷圖像的七種統(tǒng)計(jì)特征，并設(shè)計(jì)了相應(yīng)的SVM分類(lèi)器，對(duì)常見(jiàn)的五種玻璃瓶缺陷進(jìn)行了分類(lèi)。實(shí)驗(yàn)數(shù)據(jù)及結(jié)果表明：選取的七種特征較好的反映了玻璃瓶缺陷的空間分布規(guī)律，對(duì)缺陷具有良好的描述性，設(shè)計(jì)的SVM分類(lèi)器對(duì)玻璃瓶常見(jiàn)缺陷的識(shí)別率較高，可以在一定程度上解決玻璃瓶質(zhì)量檢測(cè)系統(tǒng)缺陷分類(lèi)難的問(wèn)題。但除了這五種常見(jiàn)缺陷之外，在玻璃瓶生產(chǎn)過(guò)程中還會(huì)產(chǎn)生結(jié)瘤、飛翅、異形等其他類(lèi)型的缺陷，下一步還將對(duì)其他的玻璃瓶缺陷圖像進(jìn)行研究，完善基于SVM的缺陷分類(lèi)算法。

［1］徐美君.2015年全球玻璃包裝市場(chǎng)將超過(guò)360億美元［J］.玻璃與搪瓷，2011，4.

［2］覃毅.基于機(jī)器視覺(jué)技術(shù)的玻璃瓶的質(zhì)量檢測(cè)方法［J］.廣西質(zhì)量監(jiān)督導(dǎo)報(bào)，2008，8.

［3］劉懷廣.浮法玻璃缺陷在線(xiàn)識(shí)別算法的研究及系統(tǒng)實(shí)現(xiàn)［D］.武漢：華中科技大學(xué)，2011.

［4］劉厚鵬，苗長(zhǎng)云，李現(xiàn)國(guó).基于SVM的輸送帶鋼絲繩芯圖像的缺陷分類(lèi)［J］.現(xiàn)代計(jì)算機(jī)，2012，20.

Research on the Defect Classification of Glass Bottle Based on SVM Classifier

LU Ke，SHI Qing-Sheng，ZHANG Xiao-Dong
（Henan University of Technology，College of Electrical Engineering，Zhengzhou Henan 450007，China）

Aiming at the defects classification of glass bottle inspection system，five common defects（blister，stone，crack，dirt and crinkle）are chosen.Based on the image features of every defect，seven statistical features are put forward as input feature vector of classifier.According to the characteristic of such classification problem，SVM classifier is constructed，trained and test.The experimental result shows that the SVM classifier has high identification accuracy，and is suitable for the defect classification of glass bottle image.

glass bottle defects image；feature extraction；defect classification；SVM

TP273

A

10.3969/j.issn.1002-6673.2015.01.008

1002-6673（2015）01-023-03

2014-09-28

魯可（1981-），女，河南新鄭人，講師，工學(xué)碩士。主要從事軟件技術(shù)和嵌入式技術(shù)方面的研究，已發(fā)表論文十一篇。