面向再制造服務(wù)的回轉(zhuǎn)類表面缺陷識(shí)別

劉翔+夏緒輝+王蕾

摘 要： 再制造活動(dòng)現(xiàn)場(chǎng)復(fù)雜的環(huán)境對(duì)獲取清晰的再制造目標(biāo)表面缺陷圖像造成了困難，針對(duì)這一問(wèn)題提出一種結(jié)合頻域與空域特征進(jìn)行回轉(zhuǎn)類表面缺陷識(shí)別的方法。首先使用非下采樣Contourlet變換提取原始圖像中各尺度下的Contourlet系數(shù)特征，并與圖像中的灰度紋理特征組合；再采用基于徑向基核函數(shù)的PCA分析方法對(duì)原始特征進(jìn)行降維處理；最后，利用最小二乘概率分類方法對(duì)降維后的特征進(jìn)行分類。通過(guò)對(duì)現(xiàn)場(chǎng)采集的圖像進(jìn)行案例分析，所提出的分類識(shí)別方法對(duì)4類再制造軋輥缺陷的分類平均正確率達(dá)到92%以上。

關(guān)鍵詞： 再制造服務(wù)； 表面缺陷識(shí)別； 非下采樣輪廓波變換； 核主成分分析

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（2017）23?0047?04

Abstract： For the complex environment in remanufacturing activity fields， it is difficult to acquire the clear image with surface defect in the remanufacturing target. Aiming at this problem， a surface detect recognition method of rotational parts is proposed， which is based on the characteristics of frequency domain and spatial domain. The nonsubsampled Contourlet transform is used to extract the Contourlet coefficient characteristics of original image under different dimensions， and then the characteristics are combined with the gray textural characteristics in the image. The PCA method based on radial basis kernel function is adopted to perform the dimension reduction for the original characteristics. The least square probability classification method is employed to classify the characteristics after dimension reduction. The case analysis is carried on for the image acquired on site. By using the proposed classification and recognition method， the average classification accuracy of the four types of the remanufacturing roll surface defect is higher than 92%.

Keywords： remanufacturing service； surface defect recognition； nonsubsampled contourlet transform； kernel principal component analysis

0 引 言

按照不同的表面缺陷制定有針對(duì)性的再制造方案是再制造服務(wù)活動(dòng)能否成功的關(guān)鍵。提高物體表面缺陷的識(shí)別率，是解決這一關(guān)鍵問(wèn)題的有效途徑。目前，很多學(xué)者在如何提高表面缺陷的識(shí)別率上開(kāi)展了深入的研究。

文獻(xiàn)[1]為提高鋼芯缺陷的識(shí)別率，提出一種基于屬性數(shù)據(jù)標(biāo)準(zhǔn)差的鄰域粗糙集特征約簡(jiǎn)算法，該方法有效克服了前向貪心屬性約減算法達(dá)不到最小約減的缺點(diǎn)，不僅有效地降低特征維數(shù)，還提高了分類識(shí)別準(zhǔn)確率。

文獻(xiàn)[2]將時(shí)域峰值特征與小波包能量特征結(jié)合構(gòu)成表征圖像的混合特征，通過(guò)實(shí)驗(yàn)證明，混合特征具有比單一小波包能量特征更強(qiáng)的可分離性，將其用于SVM分類具有識(shí)別泛化誤差小，正確率高的特點(diǎn)。文獻(xiàn)[3]采用盲信號(hào)ICA分析法提取冷軋帶鋼表面缺陷特征，并采用PCA對(duì)特征進(jìn)行降維，提高了SVM分類器的識(shí)別正確率。文獻(xiàn)[4]將DS證據(jù)理論引入SVM分類框架，設(shè)計(jì)了一種多特征SVM?DS決策規(guī)則，在缺陷識(shí)別正確率和泛化性方面都比SVM有優(yōu)勢(shì)。文獻(xiàn)[5]針對(duì)SVM分類器在多類識(shí)別問(wèn)題中效率較低的問(wèn)題，采用最優(yōu)有向無(wú)環(huán)圖支持向量機(jī)（DAG?SVM）對(duì)帶鋼表面缺陷進(jìn)行分類識(shí)別，在識(shí)別率、識(shí)別速度及抗噪性等方面都有較大改善。

考慮到再制造服務(wù)現(xiàn)場(chǎng)生產(chǎn)環(huán)境惡劣使圖像中混入過(guò)多的噪聲形成“偽缺陷”的實(shí)際情況，上述一些方法可能會(huì)由于“偽缺陷”的存在使分類識(shí)別的性能惡化。本文從提取圖像中較為穩(wěn)定的變換域特征著手，利用非下采樣Contourlet變換提取缺陷的變換域特征，采用基于核函數(shù)的PCA分析法對(duì)提取的特征進(jìn)行降維處理，利用處理的結(jié)果作為最小二乘概率分類器的輸入對(duì)樣本進(jìn)行分類。最后以軋輥表面缺陷分類識(shí)別為案例對(duì)該算法進(jìn)行驗(yàn)證，驗(yàn)證的結(jié)果表明，本文提出的算法對(duì)于軋輥表面缺陷的分類識(shí)別具有較高的識(shí)別率。

1 缺陷特征提取與選擇

特征提取就是用一組符號(hào)或數(shù)字將樣本的特征表示出來(lái)以便于后續(xù)處理，特征提取的優(yōu)劣程度強(qiáng)烈地影響到分類器的設(shè)計(jì)及其分類性能。而特征選擇則是尋找最重要的特征，并忽略掉對(duì)正確分類貢獻(xiàn)率較低的特征，進(jìn)一步對(duì)所提取的特征進(jìn)行優(yōu)化，改善分類器的性能。endprint

1.1 非下采樣Contourlet變換

為提取較為完整的缺陷變換域信息，本文采用了文獻(xiàn)[6?7]提出的Contourlet變換（CT）的改進(jìn)方法——非下采樣Contourlet變換（NSCT），該方法不僅克服了小波變換在處理二維信號(hào)“奇異線”時(shí)由于缺少方向性而無(wú)法將信號(hào)精確表示出來(lái)的缺陷，對(duì)存在各向異性的圖像也能很好地進(jìn)行多尺度分析；還克服了標(biāo)準(zhǔn)Contourlet變換不具備平移不變性，容易導(dǎo)致偽吉布斯（Gibbs）現(xiàn)象的缺點(diǎn)。非下采樣Contourlet變換采用非下采樣金字塔結(jié)構(gòu)（NPS）和非下采樣方向?yàn)V波器組（NDFB）替換標(biāo)準(zhǔn)Contourlet變換中使用的拉普拉斯塔式濾波器（LP）與方向?yàn)V波器組（DFB），其原理可用圖1表示。

原始圖像先經(jīng)過(guò)NPS濾波分解成了一個(gè)低通子帶和一個(gè)帶通子帶，其中的低通子帶是原始圖像的逼近，帶通子帶則是原始圖像中的中高頻細(xì)節(jié)；再對(duì)帶通子帶采取NDFB濾波得到圖像在各個(gè)方向上的細(xì)節(jié)；同時(shí)，對(duì)低通子帶繼續(xù)采用如上方法濾波可實(shí)現(xiàn)圖像多尺度分析。由于NSCT對(duì)CT的改進(jìn)使其具有更好的空域與頻域性質(zhì)，因此能夠更好地表征與提取原始圖像中缺陷的幾何特征。

1.2 基于核函數(shù)的PCA分析

主成分分析（PCA）[8]是一種將高維特征映射為低維綜合特征的統(tǒng)計(jì)分析方法，在模式識(shí)別問(wèn)題中有著廣泛的應(yīng)用。其思想是使降維后的數(shù)據(jù)與原始數(shù)據(jù)相比具有最小的信息損失，即降維后的數(shù)據(jù)是原始數(shù)據(jù)的正交投影。

2 基于最小二乘原則的概率分類方法

3 案例分析

本文選取國(guó)內(nèi)某大型鋼鐵企業(yè)CSP車(chē)間現(xiàn)場(chǎng)采集的752幅4大類軋輥表面缺陷圖像作為樣本與測(cè)試集對(duì)文中所提方法進(jìn)行驗(yàn)證分析，為了后期處理方便，已預(yù)先將所有圖像統(tǒng)一成80×80大小的分辨率。這4大類缺陷752幅圖像的具體情況如表1所示。

為客觀驗(yàn)證所提方法的有效性，采用交叉驗(yàn)證的方法。即將樣本分為兩部分：一部分作為訓(xùn)練樣本集；另一部分作為測(cè)試集。具體驗(yàn)證過(guò)程為：

Step1：從訓(xùn)練樣本集中提取特征，構(gòu)成樣本集特征矩陣。

對(duì)每個(gè)樣本共進(jìn)行5種尺度下的非下采樣Contourlet變換，如圖2所示（以一種夾渣缺陷為例）。按照原始圖像、低尺度圖像、高尺度圖像的順序?qū)⒏鲌D像依次排列，再依先后次序依次提取各圖像的灰度均值與方差，最后將這些均值與方差做歸一化處理組合起來(lái)，作為樣本特征。由于每種尺度下的非下采樣Contourlet變換最多可有[2i]個(gè)子圖，因此每個(gè)樣本可用一個(gè)126維的向量表示。

為了減少計(jì)算圖像紋理特征的復(fù)雜度，將樣本圖像由原來(lái)的256個(gè)灰度級(jí)重新量化成16個(gè)灰度級(jí)。接下來(lái)，提取圖像中0°，45°，90°與135°四個(gè)方向上的灰度共生矩陣[11]（Gray Level Co?occurrence Matrix，GLCM）。再?gòu)拇司仃囍杏?jì)算出可以表征圖像內(nèi)容的統(tǒng)計(jì)量（能量、熵、二階矩與相關(guān)量）作為紋理特征。由于每一種紋理統(tǒng)計(jì)量均有4個(gè)方向上的值，對(duì)每個(gè)方向上的各紋理統(tǒng)計(jì)量計(jì)算均值與方差可得到一個(gè)8維向量。將該8維特征向量與上述126維特征向量進(jìn)行組合可得134維特征向量。因此，樣本集可以表示為一個(gè)376×134維的特征矩陣。

Step2：對(duì)樣本特征進(jìn)行降維。

按照基于核函數(shù)的PCA分析方法對(duì)原始特征進(jìn)行降維，提取前[m]個(gè)主要成分作為原始樣本特征的替代。圖3表示的是基于核函數(shù)的主成分累積貢獻(xiàn)率。由該圖可知，若考慮主成分積累效應(yīng)<0.8，只需提取前面的3個(gè)主成分分量構(gòu)成新的特征矩陣，但此時(shí)描述不同樣本的特征數(shù)太少，會(huì)大大影響分類的準(zhǔn)確性；若考慮主成分積累效應(yīng)<0.9，則需提取前37個(gè)主成分分量作為新的特征矩陣，此時(shí)描述樣本的特征數(shù)較多，會(huì)增加分類器的復(fù)雜程度。綜合考慮以上因素，本文選取主成分積累效應(yīng)<0.85，這樣只需提取前面的18個(gè)主成分，大大降低了分類器的復(fù)雜程度。經(jīng)過(guò)降維，樣本的特征矩陣從376×134降為376×18，特征數(shù)據(jù)被壓縮了86.56%。圖4反映的是標(biāo)準(zhǔn)PCA與核PCA方法在處理本文特征向量時(shí)耗時(shí)的情況。由圖4可知，核PCA方法在處理樣本數(shù)量大于特征數(shù)量的情況下計(jì)算速度較快。

Step3：設(shè)計(jì)分類器，對(duì)降維后樣本特征進(jìn)行分類。表2列出了本文方法得到的分類結(jié)果。其中，測(cè)試1的結(jié)果是將全部樣本的前1/2作為訓(xùn)練集，后1/2作為測(cè)試集得到的；測(cè)試2的結(jié)果是將測(cè)試1的訓(xùn)練集與測(cè)試集交換后得到的。另外，為了驗(yàn)證本文方法的有效性，設(shè)計(jì)了兩組對(duì)照組試驗(yàn)。對(duì)照組1采用的是“混合特征+SVM”的方法，對(duì)照組2采用的是“變換域特征+概率分類”的方法。

4 結(jié) 論

針對(duì)回轉(zhuǎn)類零部件表面缺陷再制造活動(dòng)現(xiàn)場(chǎng)復(fù)雜的環(huán)境對(duì)表面缺陷需進(jìn)行分類識(shí)別的要求，利用非下采樣Contourlet變換提取樣本圖像中較為穩(wěn)定的變換域特征與紋理特征構(gòu)成分類的特征集，采用基于核函數(shù)的PCA分析方法對(duì)提取的特征進(jìn)行降維，最后利用基于最小二乘分類器對(duì)測(cè)試樣本進(jìn)行分類。從工業(yè)現(xiàn)場(chǎng)采集的軋輥樣本案例分析結(jié)果可知，在樣本數(shù)不大的情況下，本文所提出的方法對(duì)于常見(jiàn)的4種軋輥表面缺陷的平均識(shí)別正確率達(dá)到92%以上，缺陷識(shí)別效果較好。

參考文獻(xiàn)

[1] 毛清華，馬宏偉，張旭輝.改進(jìn)鄰域粗糙集的輸送帶缺陷特征約簡(jiǎn)算法[J].儀器儀表學(xué)報(bào)，2014，35（7）：1676?1680.

[2] 孫紅春，謝里陽(yáng)，邢海濤.基于混合特征和支持向量機(jī)的抽油桿缺陷識(shí)別[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，30（2）：266?269.

[3] 段志娟，周新星，陳分雄，等.基于獨(dú)立成分分析的冷軋帶鋼表面缺陷識(shí)別[J].鋼鐵研究學(xué)報(bào)，2011，23（10）：63?66.

[4] 車(chē)紅昆，呂福在，項(xiàng)占琴.多特征SVM?DS融合決策的缺陷識(shí)別[J].機(jī)械工程學(xué)報(bào)，2010，46（16）：101?105.endprint

[5] 任海鵬，馬展峰.基于復(fù)雜網(wǎng)絡(luò)特性的帶鋼表面缺陷識(shí)別[J].自動(dòng)化學(xué)報(bào)，2011，37（11）：1407?1412.

[6] CUNHA A L D， ZHOU J P， DO M N. The nonsubsampled contourlet transform： theory， design， and applications [J]. IEEE transactions on image processing， 2006， 15（10）： 3089?3101.

[7] DO M N， VETTERLI M. The contourlet transform： an efficient directional multiresolution image representation [J]. IEEE tran?sactions on image processing， 2005， 14（12）： 2091?2106.

[8] JOLLIFFE I T. Principal component analysis [M]. Berlin： Springer， 2002.

[9] SCHOLKOPF B， SMOLA A J， MULLER K R. Nonlinear component analysis as a kernel eigenvalue problem [J]. Neural computation， 1998， 10（5）： 1299?1319.

[10] MULLER K R， MIKA S， RATSCH G， et al. An introduction to kernel?based learning algorithms [J]. IEEE transactions on neural networks， 2001， 12（2）： 181?201.

[11] PASARIBU D P. An investigation of textural characteristic for geological purposes [C]// Proceedings of 1996 Geoscience and Remote Sensing Symposium. [S.l.]： IEEE， 1996： 372?373.endprint