基于PCA和SVM的陶瓷零件研磨后的正廢品識(shí)別

李顏瑞

（山西機(jī)電職業(yè)技術(shù)學(xué)院信息工程系 山西 長(zhǎng)治 046011）

1 引言

傳統(tǒng)的檢測(cè)方法，是采用人工的方式進(jìn)行檢測(cè)。人工檢測(cè)效率低且人為因素較多，存在一定的漏檢、錯(cuò)檢情況。而智能制造在檢測(cè)上，必須借助設(shè)備實(shí)現(xiàn)自動(dòng)檢測(cè)。一些高精尖的制造產(chǎn)品或者零部件雖然已經(jīng)具備一套完整的設(shè)備用于自動(dòng)檢測(cè)，但還存在一部分制造產(chǎn)品或者零部件無法實(shí)現(xiàn)自動(dòng)檢測(cè)的情況。這些制造產(chǎn)品或者零部件不屬于高精尖，但是卻與人民生活息息相關(guān)。其中就包括陶瓷制品，體積較小，成本很低，用量相對(duì)較大，主要檢測(cè)表面的平整程度，要求表面不能出現(xiàn)氣泡孔、劃痕和缺口，一旦出現(xiàn)這些情況，就直接定為廢品。但如果直接使用廢品部件，會(huì)造成制造產(chǎn)品不能正常使用，如果利用人工檢測(cè)，會(huì)提高生產(chǎn)成本，也不能保證百分之百的檢測(cè)率，故而研究出了一種自動(dòng)檢測(cè)方法，利用主成分分析（PCA）對(duì)陶瓷產(chǎn)品部件圖像進(jìn)行特征提取，然后使用支持向量機(jī)（SVM）進(jìn)行自動(dòng)識(shí)別。

2 主成分分析理論

主成分分析方法[1-2]即PCA，是一種線性判別方法，由Pentland和Turk提出，也稱為K-L方法。

3 基于PCA和SVM的陶瓷零件研磨后的正廢品識(shí)別

3.1 陶瓷零件預(yù)處理[3-4]

零件圖像的采集裝置是用高清放大設(shè)備，固定位置拍照采集。所有零件圖像整體效果比較好，并且零件圖像中（圖1）只包含零件部分，基本沒有多余部分，可以用于下一步操作。對(duì)零件圖像進(jìn)行灰度化處理，可以利用公式（2）：

經(jīng)過處理后，原彩色零件圖像就生產(chǎn)為黑白的灰度零件圖像（圖2）。其中R表示原圖像中紅色部分，G表示原圖像中綠色部分，B表示原圖像中藍(lán)色部分

圖1 原零件圖象

圖2 灰度零件圖象

3.2 提取陶瓷零件圖像特征

研磨后的陶瓷零件總體分為兩種狀態(tài)，即合格與不合格。其中陶瓷零件表面有劃痕、缺口和氣泡都為不合格狀態(tài)。

選取四張?zhí)沾闪慵D像，分別為合格、劃痕、缺口、氣泡。記為，大小均為像素。

（2）先計(jì)算矩陣M每行的平均值，則由這些平均值構(gòu)成一個(gè)列向量，然后用M矩陣的每一列減去列向量T，構(gòu)成行的矩陣B。

（3）先計(jì)算BBT矩陣的值，選擇K個(gè)最大的特征值對(duì)應(yīng)的特征向量組成一個(gè)矩陣β，記為。然后將其轉(zhuǎn)置，記，k的具體值由閾值η決定。那么t就稱為投影空間。

（5）選擇有劃痕、缺口和氣泡零件圖像各五張，做投影和求平均值計(jì)算，分別得到對(duì)應(yīng)的特征向量，記為。

3.3 陶瓷零件識(shí)別

支持向量機(jī)即SVM[5]，主要方法是結(jié)構(gòu)中風(fēng)險(xiǎn)最小化的歸納原則近似。本文直接調(diào)用了LIBSVM包，LIBSVM是由臺(tái)灣大學(xué)的林智仁教授研制開發(fā)的。

（1）先將待識(shí)別的零件圖像經(jīng)過預(yù)處理和轉(zhuǎn)換成列向量，然后在投影空間上進(jìn)行投影運(yùn)算生產(chǎn)特征向量，即。

（2）直接使用支持向量機(jī)LIBSVM包，將訓(xùn)練的任意兩個(gè)特征向量都生成一個(gè)分類器，則共生成六個(gè)分類器。

（3）將待識(shí)別的特征向量，放入所有的分類器中進(jìn)行識(shí)別，并記下每個(gè)分類器識(shí)別結(jié)果。

（4）統(tǒng)計(jì)所有的分類器產(chǎn)生的結(jié)果，識(shí)別結(jié)果為分類器產(chǎn)生的結(jié)果中出現(xiàn)次數(shù)最多的。

4 實(shí)驗(yàn)結(jié)果與分析

在2000張零件圖像上進(jìn)行實(shí)驗(yàn)研究，其中合格零件圖像為500張，有劃痕的零件圖像500張，有缺口的零件圖像500張，有氣泡的零件圖像500張。訓(xùn)練零件圖像各取5張，測(cè)試零件圖像為1980張。實(shí)驗(yàn)結(jié)果見表1、表2。

表1 不同的實(shí)驗(yàn)方法

表2 閾值的不同對(duì)實(shí)驗(yàn)的影響

兩個(gè)實(shí)驗(yàn)證明，用PCA做特征提取，SVM做識(shí)別，其識(shí)別率最高。證明了PCA提取的特征質(zhì)量較高，并且SVM識(shí)別效果高于近鄰方法。閾值對(duì)識(shí)別有一定的影響，因?yàn)殚撝禌Q定著投影空間的大小。如果閾值越小，那么投影空間就會(huì)越小，投影得到的特征向量越小，那么影響識(shí)別的關(guān)鍵數(shù)據(jù)可能就會(huì)排除到特征向量之外，影響識(shí)別率；反之，如果閾值越大，那么投影空間就會(huì)越大，投影得到的特征向量越大，那么有些不利于識(shí)別的無用數(shù)據(jù)也會(huì)放到特征向量里，影響識(shí)別率。所以，閾值選擇0.93時(shí)，用SVM進(jìn)行識(shí)別，其識(shí)別率最理想。

5 結(jié)語

文章研究了使用PCA做特征提取，用SVM做識(shí)別，在包含2000張?zhí)沾闪慵?shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)，獲得了比較滿意的識(shí)別率。再次證明了，使用PCA和SVM在驗(yàn)證陶瓷零件這種小配件是否合格上具有一定的可行性。識(shí)別率基本達(dá)到了企業(yè)的要求。如果要應(yīng)用必須具備相應(yīng)的硬件條件，例如PLC或者單片機(jī)以及其他附屬設(shè)備，因此，今后的研究重點(diǎn)要放到實(shí)際的工業(yè)應(yīng)用上。