一种基于SVM的中密度纤维板表面粗糙缺陷检测方法
来源:用户上传
作者:宋辉 刘佳玮
摘要：中密度纤维板是目前家具制作市场上的重要原材料，其产品的美观性是决定其商业价值的重要因素之一。目前针对中密度纤维板外观上的表面粗糙缺陷通常采用人工检测方法，为实现板面粗糙的自动检测，本文提出一种基于SVM的中密度纤维板表面粗糙检测方法。采用线阵相机搭配远心镜头完成样品图像的采集，计算图像灰度均值与标准差，利用灰度共生矩阵提取能量、逆差分矩等5个特征，构建SVM进行训练、识别。训练图库70张，测试图库50张，该方法的识别准确率为96%。
关键词：中密度纤维板;表面粗糙;纹理检测;灰度共生矩阵;SVM
中图分类号：TP317.4 文献标识码：A
文章编号：1009-3044（2020）13-0036-03
1引言
中密度纤维板是以小径级原木、采伐、加工剩余物以及非木质的植物纤维原料，经切片、蒸煮、纤维分离、干燥后施加脲醛树脂或其他适用的胶粘剂，再经热压后制成的一種人造板材，在家具制作，音响乐器制作以及建筑行业等都发挥重要作用。在纤维板热压成型并按要求切割后，需要采用砂光机进行砂光，由于打磨过程中砂纸粗糙度不够，或者砂轮与板面产生缝隙，纤维板表面未得到充分砂光进而形成表面粗糙缺陷。中密度纤维板表面纹理纵横交错，纹理不存在重复的序列性，而粗糙缺陷的纹理杂乱度更高。当前，针对工业加工产品表面的粗糙度检测一般采用的方法是比较法、触针法、基于显微图像的光切法和干涉法等嘲。对于纤维板表面粗糙检测来说，上述方法操作困难且硬件成本过高。张召等人利用LBP技术对R、G、B三个通道的颜色直方图进行分析，计算出要训练的多维特征向量，通过多次实验实现参数寻优，该方法识别准确率达到90%以上，但计算量较大。唐银凤等人通过Gabor算法、GMRF算法和GLCM灰度共生矩阵提取出12个图像特征，在训练时选用了一对多的SVM分类器并取得良好的分类效果。何敏等人通过大津法和形态学原理实现目标的分割，将灰度均值、灰度共生矩阵最大值、二阶矩、对比度、相关、熵这6个参数为支持向量机的训练特征，实现煤或矸石的识别。Camilo Pu-lido等人由灰度共生矩阵得到10个纹理测量值，利用主成分分析法选择有效特征，利用SVM分类识别蔬菜与杂草嘲。针对以上问题，本文利用统计方法提取特征，利用SVM算法进行分类识别出粗糙板材。
2图像采集系统介绍
纤维板表面粗糙缺陷一般随机出现在板面的某一局部，常呈现矩形状，依据实际图像采集需要，图像采集系统由DALSA生产的型号为LA-GC-02K05B的黑白线阵相机，其物理分辨率为2048pixel、l倍率远心镜头、上海纬朗光电公司的FG-BRT30027-W白色线型光源以及对应的光源驱动器组成。由光电传感器、松下伺服电机、传送带组成运动控制模块。由于粗糙缺陷是局部出现在纤维板表面，为了更好地反应粗糙表面的纹理特性进而进行分类，使缺陷充满整幅图像，将采集的图像裁剪成500*500像素的小图像，建立训练图库70张，其中平滑图像30张，粗糙图像40张;建立测试图库50张，其中平滑图像10张，粗糙图像40张。
（上图中第一、二张图为粗糙板面纹理图像，第三、四张图像为充分砂光的纤维板表面纹理）
3特征提取
3.1灰度特征提取
灰度直方图能从整体上描述图像的灰度信息，是图像的重要特征之一。粗糙纹理图像由于反光问题存在面积较大的反光区域，而经过充分砂光的表面反光区域面积小，灰度均值与方差可以反映两种图像的灰度区别。分辨率为Na×Nb的图像，单一像素灰度值为厂（x，y），则均值Mean与方差σ2分别为：
3.2纹理特征提取
本文利用GLCM算法提取纹理特征，能够反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，不同于灰度直方图，它考虑了灰度的空间相关特性。灰度共生矩阵是两个像素灰度的联合直方图，是描述了图像中保持固定距离的两个像素灰度的二阶统计量。任意取图像上一点f（x，y），在θ方向上存在一点f（x+a，y+b），其中。和6为偏移量。取该点对应的灰度值作为新坐标，记为（g1，g2），对于灰度级为Ⅳ的图像来说，统计出每一种（g1，g2）值出现的次数并归一化成概率，可得到一个大小为N×N的方阵，即为灰度共生矩阵。本文提取能量、熵、对比度、相关度与逆差分矩这五个纹理特征属性用于训练。能量（ASM）是灰度共生矩阵中各点灰度值的平方和，能够反映图像灰度分布的均匀程度和纹理的粗细情况;熵（Entropy）的大小是图像中信息量的表示，熵在共生矩阵中所有元素有最大的随机性、所有值几乎相等时较大;对比度（comrast）是指图像中某个像素点与其指定邻域内像素点的灰度值对比情况，能够反映图像的清晰度和纹理深浅程度，对于人的视觉系统来说，纹理沟纹越深，其对比度越大，视觉效果越清晰，当该值为0时，可认为输入图像无纹理。相关度（CORR）用来度量图像的灰度级在行或列方向上的相似程度，反映局部灰度相关性。逆差分矩（DEF）反映图像纹理的同质性，度量图像纹理局部变化的多少，其值与局部均匀程度成正比。这五种特征的原理公式如下：
4SVM纹理分类与实验分析
SVM在1964年首次被提出，在二十世纪90年代得到快速发展，是一种按监督学习方式寻求最大分类间隔的机器学习方法，是对数据进行二元分类的广义线性分类器。SVM适用于小样本分类，能够在模型复杂性和学习能力之间找到最佳方法。本文中，纤维板粗糙图像和平滑图像样本较少，故选择支持向量机实现图像分类。
本次实验选取30张平滑图像和40张粗糙图像作为训练样本，用50张图像作为测试样本，其中包括10张平滑图像，40张粗糙图像。在训练时，将平滑图像标记为1，粗糙图像标记为0，在核函数选择上，通过对比实验对线性、多项式、RBF、sig-moid核函数进行测试，测试结果如表1。
RBF具有复杂度低、计算速度高的优点，在此基础上，采用交叉验证方法确定适用于本次训练的最优惩罚参数c和核函数参数g。以上支持向量机分类器的实现利用了MATLAB的LIBSVM工具包。
5结论
实验结果表明，利用灰度均值、方差和灰度共生矩阵中的能量、熵、对比度、互相关和逆差分矩作为有效特征，用SVM进行二分类可以有效区分中密度纤维板样品的粗糙表面与光滑表面，该方法具有很好的泛化能力，对于中密度纤维板表面粗糙检测进一步研究提供了一个可行方向。对于表面微粗糙与存在杂质的平滑表面的识别是下一步研究的重点。
转载注明来源:https://www.xzbu.com/8/view-15267282.htm
