基于支持向量机和机器视觉的磁瓦缺陷检测的研究*

虞佳佳 张 耀 吕 俊

(浙江机电职业技术学院，浙江 杭州310053)

磁瓦是一种主要用于电机中的瓦状磁铁，磁瓦代替电励磁使电机具有结构简单、维修方便、重量轻、体积小、用铜量少、铜耗低、能耗小等优点。其表面的缺陷会直接影响电动机的性能和寿命，因此其生产过程中的缺陷检测具有十分重要的意义［1］。产品的缺陷、几何尺寸检测，传统上一般依靠人眼去判断即人工目测法，用各种量具去量测，检测效果受操作人员的影响较大，且效率低下，不能满足现代工业上的需求。

视觉检测是机器视觉应用于测量领域的重要分支，从一般的视觉检测概念和方法出发，把研究的重点放在定量的几何尺寸检测方面，基于机器视觉的三维几何尺寸检测技术国内外已经有一定的研究基础［2］。目前基于机器视觉的检测方法已成为食品、电子、钢板、汽车等领域缺陷检测和几何尺寸测量的一个发展方向［3-4］，通过高灵敏度的摄像头，光学成像上采用明域与暗域成像相结合等成像方式，图像数据上传计算机进行表面图像采集、处理和缺陷分类［5］。

相对于目前已经较广泛应用机器视觉检测缺陷的领域，基于机器视觉的小型金属零件缺陷检测和几何尺寸尚在起步阶段，小型金属零件表面缺陷主要包括破角、切割痕、凹坑、针孔、污斑、划痕等，具有多样性、复杂性等特点，缺陷更为细微，检测要求更高［6-7］，以致对其检测方法的研究一直以来没有得到实质性的进展;小型金属零件几何尺寸测量中存在非标产品类型多，形状不规则，不能用统一的三维模型进行有效测量，而且国内外从事此类研究工作的较少。小型金属零件质量在线检测通常在流水线上完成逐个检测，要求速度快，机构简单，其对摄像头、光源及处理工件图像的效率、动态性能等要求就更高，因此迫切需要进行基于机器视觉的小型金属零件质量在线检测技术的研究。

本文提出了一种基于支持向量机(SVM)和机器视觉的磁瓦缺陷的检测方法.

1 磁瓦缺陷图像的信息提取

图1 是本系统采集到的磁瓦侧面缺陷和正常的典型图，从图中可以看出，缺陷类型在形态上的差别较大，如果能有效实现磁瓦缺陷图像的预处理，提取磁瓦缺陷信息，可以通过采用特征参量分类的方法实现磁瓦缺陷的分类。

1.1 磁瓦缺陷部分图像的提取

本文对磁瓦图像缺陷信息的提取步骤包括如下:

(1)对图像批量进行图像预处理，通过布特沃斯(butterworth)低通滤波算法实现噪声减少噪声影响，在通过锐化处理增强目标对象的细节部分。

图1 磁瓦侧面缺陷和正常的典型图

图2 通过阈值处理后的零件正常部分信息

(2)采用相同阈值条件后对图像批量分割，在本批数据中通过各种验证采用0.6 阈值点进行分割。得到如图2 的不同缺陷或正常情况下的零件正常部分信息。可以看到通过该阈值方法后漏磨的部分信息被消除，需要后续进一步提取。

(3)采用相同结构元素对图像批量进行形态学的腐蚀和膨胀处理，在本批数据中通过验证采用SE2 =strel('diamond'，3)的结构元素对图像进行腐蚀和膨胀处理，得到如图3。

(4)考虑缺陷信息的特点，本文采用Matlab 中图像补缺函数imfill 对缺陷信息补全。得到如图4。

从图4 中我们可以看到大部分的缺陷信息都被保留，单由于边缘信息灰度值信息和缺陷信息比较雷同，被保留下来，这样的处理方法可以提高算法速度，但这基本上不影响本次缺陷信息的分类，因此同样保留。

图3 形态学腐蚀膨胀处理后的典型图片

图4 缺陷信息补全后的典型图片

1.2 磁瓦缺陷信息的特征量的提取

在提取缺陷信息以后，本文通过计算磁瓦各种缺陷类型的特征参数，其中包括缺陷的形态特征参量和纹理特征参量，以下分别论述各个参数的特点。在形态特征参量中，本文选择了面积、周长、紧凑性、离心率、一阶中心矩、二阶中心矩、三阶中心矩、四阶中心矩、五阶中心矩以及六阶中心矩等。信息面积Area 用于描述感兴趣区域的大小，由下面公式1 得到:

表1 部分训练样本的特征参量值

边界周长Perimeter 参数是通过计算边界上的像素计算得到，计算公式2 如下，通过和面积结果可以有效实现形状的描述。

紧凑性参数Compactness 的计算式(3)如下，可以发现当区域越接近圆形，Compactness 越接近于1。

中心矩反映的是形状平移、旋转和尺度变换不变性，图像函数f(x，y)的p+q阶矩的定义为:

f(x，y)的p+q阶中心矩定义为:

f(x，y)的归一化中心矩可以表示为:

而本文选取了归一化的一阶IM1、二阶IM2、三阶IM3、四阶IM4、五阶IM5和六阶IM6中心矩作为指标，其公式如下

通过Matlab 计算所有所测图片的形态参数，得到如表1 的部分样本的特征参量值。从表中可以看出各个样本之间的参量相关度并不是线性的区分关系，无法用简单的阈值实现3 种类别的区分，因此本文选择采用支持向量机来进行分类处理。

2 基于支持向量机的磁瓦缺陷检测

本文中要实现3 种磁瓦缺陷的区分，在支持向量机分类模型中对3 种样本需要进行二值化建码，为了能找到最好的建码方式，如表2 显示本文选取的4 种输出建码，包括最少输出建码法(MOC_Code)、错误矫正输出法(ECO_Code)、一对多建码法以及一对一建码法并在后续都进行了计算分析。

在对输出进行建码后，本文中共90 个特征参量样本中每种类型随机选取18 个样本，即共54 个样本作为LS-SVM 的建模量，其余36 个样本作为LS-SVM 的预测样本来检验模型的优劣。本文选取RBF 核函数建模LS-SVM［8］。在训练LS-SVM 模型过程中，我们需要关注两个调整参数一个是正则参数(gam)，它取决训练误差最小化和平滑程度的权衡程度;另一个是平方带宽(sig2)是作为核函数的参数指标［9］。本文中不同建码方式的各输出结果的准确率以及训练参数结果如表3 显示。

在对输出进行建码后，本文中共90 个特征参量样本中每种类型随机选取18 个样本，即共54 个样本作为LS-SVM 的建模量，其余36 个样本作为LS-SVM 的预测样本来检验模型的优劣。本文选取RBF 核函数建模LS-SVM［8］。在训练LS-SVM 模型过程中，我们需要关注两个调整参数一个是正则参数(gam)，它取决训练误差最小化和平滑程度的权衡程度;另一个是平方带宽(sig2)是作为核函数的参数指标［9］。本文中不同建码方式的各输出结果的准确率以及训练参数结果如表3 显示。

表2 不同建码方式下的类型二值码

表3 不同建码方式下的准确率和模型参数

从表中可以看出利用特征参量作为磁瓦缺陷的LS-SVM 的输入可以实现磁瓦缺陷的分类，其准确率都超过80%，而通过不同的输出建码方式分析，发现最小输出建码的方式的准确率最低，而其他三者的准确率相当。

3 结语

本研究提出的基于支持向量和机器视觉的磁瓦缺陷检测方法得到了实验验证，实验结果表明采用提取图像形态特征参量作为支持向量的输入，对磁瓦缺陷可以实现有效分类，准确率可达91.67%，这表明该方法可以实现磁瓦的缺陷检测，并为以后的在线检测提供了重要的参考依据。

［1］严俊龙，郑晓曦，李铁源. 磁瓦表面缺陷自动检测系统的研究［J］.计算机工程与应用，2009，45(36):228 -231.

［2］段峰，王耀南，雷晓峰，等. 机器视觉技术及其应用综述［J］. 自动化博览，2002(3):59 -62.

［3］朱登胜，邵咏妮，潘家志，等. 应用多光谱数字图像识别苗期作物与杂草［J］. 浙江大学学报:农业与生命科学版，2008，34(4):418-422.

［4］吴平川，路同浚，王炎. 机器视觉与钢板表面缺陷的无损检测［J］.无损检测，2000，22(1):13 -16.

［5］张云，吴晓君，马廷武，等. 基于机器视觉的零件图像采集及识别的研究［J］. 电子工程师，2006，32(4):29 -31.

［6］高潮，任可，郭永彩. 基于机器视觉的裂纹缺陷检测技术［J］. 航空精密制造技术，2007，43(5):23 -25.

［7］葛文谦，赵慧洁. 高曲率微小零件表面缺陷及外形尺寸测量系统研究［J］. 红外与激光工程，2008(S1).

［8］Suykens J A K，Lukas L，Vandewalle J. Sparse least squares Support Vector Machine classifiers［C］//ESANN. 2000:37 -42.

［9］Suykens J A K. Nonlinear modelling and support vector machines［C］/Instrumentation and Measurement Technology Conference，2001. IMTC 2001. Proceedings of the 18th IEEE. IEEE，2001(1):287 -294.