字典学习在轴承表面缺陷分类中的研究

兰叶深

摘要：针对传统轴承表面缺陷图像分类方法中特征矢量提取困难，分类精度不高的问题，提出一种基于字典学习的轴承表面缺陷图像分类方法。将图像稀疏表示和基于Fisher判别准则的字典学习应用在轴承表面缺陷分类检测中，根据字典学习的判别性稀疏编码实现对轴承表面缺陷图像的精确分类。实验研究结果表明，该算法可以有效的提高轴承表面缺陷的分类精度，在轴承表面缺陷类型的平均分类精度达到95.4%。

关键词：字典学习;稀疏表示;轴承缺陷;Fisher判别

中图分类号：TH133.3                                   文献标识码：A                                  文章编号：1674-957X（2020）22-0147-02

0  引言

作为机械基础零件，轴承被广泛应用在汽车、航空航天、数控机床等工业领域[1]，轴承表面作为轴承最易损坏的工作面，其质量的优劣，直接影响着轴承的性能、精度和使用寿命[2]。随着现代计算机技术的快速发展，基于机器视觉的轴承表面缺陷检测技术也得到了飞速发展[3]，然而，目前很多轴承表面缺陷图像分类方法中的特征矢量提取大部分是基于人工设计和选择，导致图像特征矢量提取困难以及缺陷类别分类精度不高。近年来，稀疏编码表示因其具有较强的图像特征表征能力，被广泛应用在图像处理领域[4]，而图像稀疏表示编码模型往往需要训练样本的字典学习获取图像特征的稀释编码，因此设计有效、通用性能强的学习字典已成为图像稀疏表示的热点研究方向。例如，张瑞杰等人[5]针对传统视觉词典判别性弱的问题，提出了基于Fisher判别稀疏编码的图像场景分类算法，采用Fisher判别约束准则来增强图像稀疏表示的判别性，并结合支持向量机分类器提高场景分类能力;西安工程大学的任茹[6]根据玻璃纤维布缺陷类别特点，采用HOG+LBP特征提取器对玻璃纤维布缺陷图像进行降维和预处理，并利用字典学习模型获取每类缺陷图像的特征矩阵的特定类字典，实现缺陷的有效分类;北京理工大学的时永刚等人[7]针对现有多图谱对海马子图像分割困难的问题，利用局部二值化特征增强了训练字典的判别性，通过求解训练字典中稀疏表示来标记缺陷，最后平均分割准确率达到了89%。

为此，针对传统轴承表面缺陷图像分类方法所存在的问题，本文提出了一种基于字典学习的轴承表面缺陷分类方法，将图像稀疏表示和基于Fisher判别准则的学习字典应用在轴承表面缺陷分类检测中，根据字典学习的判别性稀疏编码实现对轴承表面缺陷图像的精确分类。

1  算法理论

1.1 图像稀疏表示理论

稀疏表示在图像分类中应用较为广泛，图像稀疏表示是指将一幅自然图像通过一个基函数在字典中进行线性叠加表示[8]。设原始图像为■，基函数字典为■，则D可以用式（1）表达稀疏表示模型。

1.2 字典学习理论

由于稀疏表示中的集合Y中含有大量冗余信息的矩阵[9]，为减少稀疏表示模型求解计算量，采用字典学习获取有限个简化的稀疏表示求解过程，传统字典学习模型如式（4）所示。

1.3 Fisher判别分析

2  实验与分析

在某轴承生产企业，在充分了解轴承制造工艺流程的基础上，对现场轴承表面缺陷进行了图像采集，常见的轴承表面缺陷类型如图1所示，有锈斑、磕碰、裂纹、污渍四种典型的轴承表面缺陷。为了对基于Fisher判别准则轴承表面缺陷类型训练学习字典模型进行准确的评价，分别采集120张每种类型的轴承表面缺陷图像，采用字典学习的缺陷分类流程对轴承表面缺陷类型进行分类测试（见图2），并通过分类准确率分类结果进行统计计算：分类准确率=正确分类轴承表面样本数/总的轴承表面样本数。

如图3所示，基于Fisher判别准则的学习字典分类方法在轴承表面缺陷数据集上的收敛性，可知，当迭代次数到达7次以后，算法的损失值逐渐稳定，迭代次数相对其他算法不是很高。图4为Fisher判别准则Y（X）随迭代次数的变化情况，可知，随着迭代次数的增加Y（X）的值越小，说明训练样本字典学习判别性能越高，和前述Fisher判别分析的结果一致。图5为四种缺陷类型的分类准确度，可知，学习字典在轴承表面缺陷类型的平均分类精度达到90.4%，基本满足轴承工业现场分类精度要求，但对于锈斑和污渍缺陷的分类精准度低于裂纹和磕碰类型的分类精准，主要是由于轴承表面锈斑和污渍缺陷图像特征矢量具有一定的相似性，导致识别率准确度相对其他2种典型缺陷类型稍低。

3  结论

为有效提高轴承表面缺陷类型的分类精度，提出了一种基于学习字典的轴承表面缺陷分类方法，将图像稀疏表示和基于Fisher判别准则的学习字典应用在轴承表面缺陷分类检测中，根据字典学习的判别性稀疏编码实现对轴承表面缺陷图像的精确分类。实验研究结果表明，该方法对轴承表面缺陷类型的分类精度达到95.4%，能够精确的识别轴承表面缺陷的类型，但由于受轴承表面锈斑缺陷和污渍缺陷图像特征矢量相似性较多的影响，对锈斑和污渍缺陷的识别准确率还有待进一步的提高，需接下来以微小缺陷特征矢量提取为重点研究对象以提高其分类准确率。

参考文献：

[1]那亚莉.机械轴承和齿轮的失效原因及解决方案[J].内燃机与配件，2019，19：134-135.

[2]郭浩，雷建中，王玉良，等.轴承套圈的常见缺陷及预防措施[J].轴承，2019，1：66-71.

[3]张明辉，王建武，张文，等.机器视觉在轴承检测中的研究现状及发展趋势[J].机床与液压，2019，47（23）：183-189.

[4]常振春，禹晶，肖创柏，等.基于稀疏表示和结构自相似性的单幅图像盲解卷积算法[J].自动化學报，2017，43（11）：1908-1919.

[5]张瑞杰，魏福山.结合Fisher判别分析和稀疏编码的图像场景分类[J].计算机辅助设计与图形学学报，2015，27（5）：808-814.

[6]任茹.字典学习在玻璃纤维布缺陷分类中的研究[D].西安：西安工程大学，2019.

[7]时永刚，王东青，刘志文.字典学习和稀疏表示的海马子区图像分割[J].中国图象图形学报，2015，20（12）：1593-1601.

[8]孙君顶，赵慧慧.图像稀疏表示及其在图像处理中的应用[J].红外技术，2014，36（7）：533-537.

[9]李争名，杨南粤，岑健.基于原子Fisher判别准则约束字典学习算法[J].计算机应用，2017，37（6）：1716-1721，1740.

[10]霍雷刚，冯象初.基于主成分分析和字典学习的高光谱遥感图像去噪方法[J].电子信息学报，2014，36（11）：2723-2729.