基于改進(jìn)的韋伯算子的帶鋼邊部缺陷識(shí)別

徐治東，杜培明，張仁春

（安徽工業(yè)大學(xué) 電氣與信息工程學(xué)院，安徽 馬鞍山 243000）

引言

帶鋼邊部出現(xiàn)的缺陷主要包括孔洞、缺口和豁口，本文通過提取圖像的紋理特征訓(xùn)練支持向量機(jī)（SVM），完成對(duì)帶鋼邊部缺陷的在線檢測[1-3]。

1 帶鋼邊部圖像特征提取

1.1 差分激勵(lì)

像素點(diǎn)xc差分激勵(lì)為ζ（xc），計(jì)算過程如圖1所示：

圖1 差分激勵(lì)計(jì)算圖

首先用濾波器f00計(jì)算出當(dāng)前像素點(diǎn)與其鄰接像素點(diǎn)之間的灰度差值，公式如下:

其中xi（i=0，…，p-1）表示當(dāng)前像素點(diǎn)x 的p 個(gè)相鄰的像素，進(jìn)一步計(jì)算的比值:

1.2 梯度方向

韋伯局部描述符中的梯度方向，可由公式4 進(jìn)行表示：

為了獲取圖像中更多的紋理細(xì)節(jié)信息，在量化之前首先對(duì)θ 做如下映射f：θ→θ′

易知，0∈[-π/2，π/2]，θ′∈[-π/2，π/2]。通過公式6，即可得到圖像局部區(qū)域內(nèi)的梯度方向分量，其量化函數(shù)如公式7 所示。

1.3 直方圖

首先利用ζ（xc）和φ（t）并對(duì)其進(jìn)行量化差分激勵(lì)圖像和梯度方向圖像得到其二維直方圖{WLD（ζn，φt}，每一小塊WLD（ζn，φt）對(duì)應(yīng)的值是一個(gè)確定的差勵(lì)區(qū)間ζn，和梯度方向φt的頻率。

把構(gòu)成直方圖矩陣的N×T 個(gè)子直方圖按行串接起來得到N 個(gè)一維直方圖H（n）={Hn，t}，t=O，…，T-l 再將N 一維直方圖H（n）依次首尾相接，從而形成最終的一維直方圖H=[H（O），H（1），…，H（N-1）]。

1.4 原始WLD 的不足

1）局部窗內(nèi)像素點(diǎn)與中心像素點(diǎn)間的灰度差值之和導(dǎo)致了灰度變化信息沒有充分體現(xiàn);

2）方向算子僅表達(dá)了水平方向和垂直方向上灰度變化梯度的空間分布。

1.5 改進(jìn)之后的WLD

為了增強(qiáng)紋理模式的可性，L-WLD 首先分別計(jì)算正、負(fù)差分激勵(lì)，再將負(fù)差分激勵(lì)變乘上負(fù)一與正激勵(lì)一起加到中心像素再取平均值；

2）為了提高紋理模式的識(shí)別能力，L-WLD 利用拉普拉斯算子代替原始WLD 的方向算子提取方向分布的信息[4]。

2 基于SVM 的分類識(shí)別

本文的目的是為了驗(yàn)證所提出的改進(jìn)韋伯局部描述子用于缺陷檢測上的有效性，而對(duì)分類器的選擇不作過多關(guān)注[5]。因此，為了跟前人提出的原始WLD 方法進(jìn)行比較，為了保證對(duì)比性，我們也采用和前人一樣的線性核SVM作為缺陷檢測的分類器[6]。

3 實(shí)驗(yàn)結(jié)果與分析

本文使用的數(shù)據(jù)集中包括70 幅有孔洞缺陷、70 幅有缺口缺陷以及70 幅有豁口缺陷和200 張無缺陷圖片（如圖2-圖5 所示）[7]。

圖2 無缺陷圖

圖3 空洞圖

圖4 缺口圖

圖5 豁口圖

3.1 分類器訓(xùn)練

為比較L-WLD 與WLD 的性能采取兩種訓(xùn)練方式，第一種訓(xùn)練中每個(gè)圖片種類讀取3×i 個(gè)圖片用于訓(xùn)練，然后每個(gè)圖片種類讀4i 張圖片用于預(yù)測，而在第二種訓(xùn)練方式中，每次訓(xùn)練的圖片與第一種訓(xùn)練方式一樣，預(yù)測的對(duì)象為每個(gè)圖片種類的整個(gè)數(shù)據(jù)集，每次的訓(xùn)練的準(zhǔn)確率和召回率記錄在縱軸中，橫坐標(biāo)為訓(xùn)練集的大?。ㄈ鐖D6-圖9 所示）[8-9]。

圖6 WLD 的第一種訓(xùn)練方法

圖7 WLD 的第二種訓(xùn)練方法

圖8 L-WLD 第一種訓(xùn)練方法

圖9 L-WLD 的第二種訓(xùn)練方法

4 結(jié)語

實(shí)驗(yàn)結(jié)果表明，改進(jìn)的韋伯描述符特征比原始韋伯描述符特征能更有效地刻畫出帶鋼邊部缺陷，也獲得了更好的帶鋼邊部缺陷檢測性能。