基于機(jī)器學(xué)習(xí)的金屬表面缺陷圖像處理系統(tǒng)設(shè)計(jì)摘要在工業(yè)實(shí)際生產(chǎn)中，由于機(jī)器溫度過(guò)高或者車間環(huán)境等因素的影響，工業(yè)產(chǎn)品表面會(huì)產(chǎn)生各種缺陷。以金屬板為例，這些缺陷不僅使金屬板的美觀性降低，而且對(duì)金屬板的導(dǎo)電性、抗腐蝕性都有一定的影響。傳統(tǒng)人工檢測(cè)不僅消耗大量的人力財(cái)力而且效率較低?；跈C(jī)器學(xué)習(xí)的金屬表面缺陷圖像處理系統(tǒng)可以設(shè)計(jì)出一種非接觸式的金屬表面缺陷自動(dòng)檢測(cè)系統(tǒng)。該系統(tǒng)運(yùn)用形態(tài)學(xué)的方法去除基線漂移以便更精確的獲取圖像特征信息。通過(guò)融合灰度共生矩陣與HOG算法提取到的特征信息建立缺陷模型，利用缺陷模型進(jìn)行SVM分類器訓(xùn)練，分類器識(shí)別結(jié)果的準(zhǔn)確率均值達(dá)到了96.67%，成功避免的通過(guò)Gabor濾波后造成的圖像扭曲失真而造成的識(shí)別錯(cuò)誤。大津法（OTSU）對(duì)圖片進(jìn)行閾值分割，對(duì)分割后的圖像先腐蝕再膨脹以去除大津法分割圖像所引入的噪聲干擾，可以更準(zhǔn)確找出圖像的缺陷所在。最后通過(guò)質(zhì)心算法，Hough直線檢測(cè)和所編的寫(xiě)的圖像邊緣描繪函數(shù)進(jìn)行缺陷的定位，長(zhǎng)度測(cè)量和邊緣描繪。該系統(tǒng)相較于一般的缺陷檢測(cè)提高了識(shí)別的精確度，搭配簡(jiǎn)潔的GUI頁(yè)面增強(qiáng)了系統(tǒng)的交互性?！娟P(guān)鍵詞】機(jī)器學(xué)習(xí)；缺陷檢測(cè)；圖像處理；SVM分類器目錄1引言 頁(yè)，共40頁(yè)1引言1.1研究背景隨著國(guó)際金融危機(jī)的影響漸漸緩解，發(fā)達(dá)國(guó)家和發(fā)展中國(guó)家緊緊抓住工業(yè)革命的機(jī)遇，工業(yè)化的核心從單純的增加工業(yè)制造的產(chǎn)值比重向結(jié)合現(xiàn)代信息技術(shù)的復(fù)雜工業(yè)制造轉(zhuǎn)變。我國(guó)進(jìn)入到經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)型的工業(yè)化后期，與日俱增的工業(yè)產(chǎn)品需求使得工廠為確保市場(chǎng)競(jìng)爭(zhēng)力而不得不對(duì)產(chǎn)品的質(zhì)量進(jìn)行嚴(yán)格快速的把控，因此產(chǎn)品質(zhì)量檢測(cè)在如今充滿競(jìng)爭(zhēng)壓力下的工業(yè)生產(chǎn)中顯得尤為重要。然而，部分工業(yè)生產(chǎn)商并沒(méi)有意識(shí)到產(chǎn)品質(zhì)量的檢測(cè)速度是打開(kāi)市場(chǎng)的關(guān)鍵因素之一，仍然采用人工的方法對(duì)產(chǎn)品進(jìn)行質(zhì)量檢測(cè)。人工檢測(cè)不僅消耗了工廠大量的財(cái)力而且檢測(cè)質(zhì)量得不到保證。工人們由于消耗過(guò)量的精力且頻繁做著重復(fù)的工作易產(chǎn)生困倦與疲勞，再加上外部環(huán)境因素如生產(chǎn)車間光線昏暗照射不均的狀況，工人很容易產(chǎn)生錯(cuò)誤判斷，最終導(dǎo)致檢測(cè)結(jié)果摻雜較多的主觀因素，這樣使產(chǎn)品檢測(cè)出來(lái)的質(zhì)量并不可靠[1]。如今，我國(guó)的計(jì)算機(jī)技術(shù)日益成熟，在創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略的推動(dòng)下，計(jì)算機(jī)技術(shù)逐漸融入到工業(yè)領(lǐng)域的各個(gè)環(huán)節(jié)之中。隨著機(jī)器學(xué)習(xí)理論的不斷完善，計(jì)算機(jī)視覺(jué)技術(shù)有著廣泛的應(yīng)用，包括印刷、鐵軌、機(jī)械零件等眾多行業(yè)。因此可以考慮將機(jī)器學(xué)習(xí)融入到工業(yè)產(chǎn)品的質(zhì)量檢測(cè)中。 1.2研究意義在工業(yè)實(shí)際生產(chǎn)中，由于機(jī)器溫度過(guò)高或者車間環(huán)境等因素的影響，工業(yè)產(chǎn)品表面會(huì)產(chǎn)生各種缺陷。以金屬板為例，這些缺陷使金屬板的美觀性降低，甚至對(duì)金屬板的導(dǎo)電性、抗腐蝕性都有一定的影響。因此對(duì)于市場(chǎng)上的金屬板制造商來(lái)說(shuō)，金屬板表面缺陷的檢測(cè)尤為重要。而把控檢測(cè)的時(shí)間與質(zhì)量直接影響了工廠在商場(chǎng)上的競(jìng)爭(zhēng)力?；跈C(jī)器學(xué)習(xí)的計(jì)算機(jī)視覺(jué)技術(shù)可以設(shè)計(jì)出一種非接觸式的金屬表面缺陷自動(dòng)檢測(cè)系統(tǒng)[2]。減少了工廠雇傭大量工人的支出，提高了缺陷檢測(cè)的效率和可靠性。2系統(tǒng)概述2.1項(xiàng)目介紹在日常生活中，工業(yè)金屬制品涉及生活方方面面，上至火箭鐵軌，下至手機(jī)電視。由于金屬板在生產(chǎn)過(guò)程中受自身還有外部環(huán)境的影響，會(huì)有一定概率出現(xiàn)形態(tài)各異、種類不同的缺陷。包括：細(xì)裂紋(crazing)、表面雜質(zhì)(inclusion)、斑點(diǎn)(patches)、麻點(diǎn)(pittedsurface)、軋入氧化皮(rolled-inscale)及劃痕(scratches)都是常見(jiàn)的金屬表面出現(xiàn)的缺陷。如圖2-1所示：圖2-1金屬表面缺陷分類本設(shè)計(jì)將會(huì)對(duì)斑點(diǎn)(patches)、軋入氧化皮(rolled-inscale)及劃痕(scratches)缺陷進(jìn)行探討設(shè)計(jì)出一套缺陷檢測(cè)識(shí)別準(zhǔn)確率高的缺陷檢測(cè)系統(tǒng)。2.2使用范圍系統(tǒng)名稱：基于機(jī)器學(xué)習(xí)的金屬表面缺陷圖像處理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)系統(tǒng)功能：該系統(tǒng)可以為各類金屬制造商提供金屬表面缺陷檢測(cè)功能，以幫助制造商擺脫傳統(tǒng)的人工檢測(cè)所帶來(lái)的弊端，提高金屬表面缺陷檢測(cè)的時(shí)間與效率，節(jié)約資本。同時(shí)搭配GUI界面，使用戶操作快捷方便。系統(tǒng)應(yīng)用：該系統(tǒng)能夠應(yīng)用于基于windows的設(shè)備。2.3開(kāi)發(fā)環(huán)境介紹開(kāi)發(fā)環(huán)境包括：硬件windows-x64系統(tǒng)及軟件Matlab2016a。2.4機(jī)器學(xué)習(xí)簡(jiǎn)介自2015年起，圖形處理器在國(guó)內(nèi)得到廣泛傳播，促使并行計(jì)算變得既便宜又快速，人工智能開(kāi)始爆發(fā)，同時(shí)促進(jìn)了大量不同種類的信息數(shù)據(jù)全面爆發(fā)。人工智能簡(jiǎn)單來(lái)說(shuō)就是讓機(jī)器像人一樣擁有智慧，而機(jī)器學(xué)習(xí)就是人工智能的方法論。通過(guò)算法來(lái)解析大量數(shù)據(jù)達(dá)到“學(xué)習(xí)”的目的，或者說(shuō)機(jī)器學(xué)習(xí)中的“機(jī)器”是數(shù)學(xué)統(tǒng)計(jì)模型，“學(xué)習(xí)”就是用大量數(shù)據(jù)來(lái)進(jìn)行擬合。機(jī)器學(xué)習(xí)按照學(xué)習(xí)方式分為：監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。依照功能的關(guān)聯(lián)度包括：分類、回歸、決策樹(shù)學(xué)習(xí)和深度學(xué)習(xí)等。但所有算法都包含：表示、評(píng)估、優(yōu)化等方面。機(jī)器學(xué)習(xí)的基本目標(biāo)概括可以理解為在訓(xùn)練的基礎(chǔ)上自動(dòng)識(shí)別新數(shù)據(jù)[3]。機(jī)器學(xué)習(xí)最成功的應(yīng)用是在計(jì)算機(jī)視覺(jué)領(lǐng)域。2.5Matlab簡(jiǎn)介 Matlab的編程環(huán)境雖然較為簡(jiǎn)單，但是它的調(diào)試系統(tǒng)還是比較完備的，是一款商業(yè)數(shù)學(xué)軟件。強(qiáng)大的圖像處理功能使計(jì)算結(jié)果和編程可視化。同時(shí)強(qiáng)大的模塊集和工具箱使用戶擺脫了大量的數(shù)學(xué)分析。具有人機(jī)交互性強(qiáng)、操作簡(jiǎn)單、可視化等特點(diǎn)。而Matlab語(yǔ)言是一種高級(jí)的矩陣語(yǔ)言，具有面向?qū)ο缶幊痰奶攸c(diǎn)，語(yǔ)法特點(diǎn)與C++語(yǔ)言相似但更加簡(jiǎn)單，這提高了編程的可移植性及可拓展性。3核心算法3.1構(gòu)造SVM分類器簡(jiǎn)介監(jiān)督學(xué)習(xí)的可以分為分類學(xué)習(xí)和回歸預(yù)測(cè)兩大類。本設(shè)計(jì)采用分類學(xué)習(xí)的監(jiān)督學(xué)習(xí)搭配傳統(tǒng)通用的特征提取算法以至于達(dá)到缺陷識(shí)別分類的效果。常用的分類學(xué)習(xí)包括：樸素貝葉斯、決策樹(shù)和支持向量機(jī)（SVM）等。由于支持向量機(jī)具有良好的泛化能力及完善的數(shù)學(xué)理論，在樣本數(shù)量較少的dome中能夠得到比其他算法好的多的效果故本設(shè)計(jì)選擇支持向量機(jī)（SVM）算法[4]。構(gòu)造SVM分類器就是先給一部分?jǐn)?shù)據(jù)打上類別標(biāo)簽，讓SVM模型使用這些打了類別標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，然后給訓(xùn)練好的SVM模型新的無(wú)類別標(biāo)簽的數(shù)據(jù)，SVM模型就可以自動(dòng)對(duì)這些新的數(shù)據(jù)分類[5]。原理是在多種不同類型的樣本之間尋找一個(gè)超平面作為樣本之間的分割面，從而達(dá)到精準(zhǔn)分類。由于SVM超平面比較抽象，接下來(lái)將會(huì)用具體圖像模擬說(shuō)明尋找超平面過(guò)程?，F(xiàn)有部分需要分類的兩類不同點(diǎn)，如圖3-1：圖3-1待分類的兩類點(diǎn)圖3-2L1、L2兩種分類器線L1和L2（圖3-2）都可以將上面的待分類點(diǎn)分為兩類，這兩條線稱為分類器。在上面樣本點(diǎn)的基礎(chǔ)上加入兩個(gè)樣本點(diǎn)，如圖3-3所示：圖3-3加入樣本點(diǎn)X根據(jù)數(shù)學(xué)定義，距離越近表示越相似，這也就意味著上方的X樣本點(diǎn)屬于B類，而下方的X樣本點(diǎn)屬于A類，顯然第一個(gè)分類器L1的判斷是正確的。現(xiàn)采用分類器L1，則樣本點(diǎn)到線L1的距離越遠(yuǎn)，樣本點(diǎn)屬于某一類的可能性越大（如圖3-4）。樣本點(diǎn)d屬于B類的可信度大于樣本點(diǎn)c屬于B類的可信度。SVM就是找到讓所有的樣本點(diǎn)分類可信度最高的那條線。圖3-4樣本可信度說(shuō)明圖3-5合理的超平面事實(shí)上，只需找到線附近的樣本，讓樣本與線的距離較遠(yuǎn)即可。如圖3-5，離直線最近的點(diǎn)為樣本點(diǎn)i和樣本點(diǎn)j，這兩個(gè)點(diǎn)稱為支持向量，而要尋找的那條最佳分類線稱為超平面。為了表示支持向量到超平面的距離最大化，還需要定義兩條經(jīng)過(guò)支持向量且平行于決策面的兩條平行線，稱為邊界分界面，如上圖中的紅、綠兩條細(xì)線。因?yàn)閮蓷l邊界分界面相互平行且超平面在二者的正中間，因此將以決策分界面到超平面距離的2倍作為兩個(gè)類之間的距離，如圖3-6：圖3-6超平面算法原理當(dāng)數(shù)據(jù)線性不可分時(shí)，需要借助KERNEL核函數(shù)將數(shù)據(jù)升到高維，在尋找超平面，如圖3-7?；舅枷胧窍嗤模唧w數(shù)學(xué)過(guò)程不再描述。圖3-7三位空間尋找超平面SVM算法如下[6]：存在數(shù)據(jù)集D=x1,y1minα12is.t.i得到凸二次規(guī)劃的最優(yōu)解：α?=(α計(jì)算w?=i選擇α?的一個(gè)分量αj?b?=yj最后求出超平面和分類決策函數(shù)：w?·x+ fx=sign(3.2分類器示例該示例使用了統(tǒng)計(jì)和機(jī)器學(xué)習(xí)工具箱中的fitcecoc函數(shù)和計(jì)算機(jī)視覺(jué)工具箱中的extractHOGFeatures函數(shù)。（1）數(shù)據(jù)集：利用合成數(shù)字作為訓(xùn)練圖像，手寫(xiě)數(shù)字作為測(cè)試圖像，這兩種圖像構(gòu)成數(shù)字?jǐn)?shù)據(jù)集。效果見(jiàn)圖3-8：圖3-8訓(xùn)練集使用的合成數(shù)字圖像與測(cè)試時(shí)使用的手寫(xiě)數(shù)字圖像在訓(xùn)練和測(cè)試分類器之前，先進(jìn)行兩種圖像的預(yù)處理，去除圖像采集時(shí)產(chǎn)生的噪音雜點(diǎn)。效果見(jiàn)圖3-9。圖3-9預(yù)處理，去除采噪聲偽影后的圖像（2）使用特征：用于訓(xùn)練分類器的數(shù)據(jù)是從訓(xùn)練圖像中提取的特征模型。因此，要確保HOG特征提取出來(lái)的缺陷模型盡量清晰。通過(guò)改變HOG的單元個(gè)數(shù)觀察對(duì)缺陷模型信息量的影響。效果圖對(duì)比見(jiàn)3-10。圖3-10cellsize參數(shù)對(duì)編碼在特征向量中的形狀信息量的影響（3）訓(xùn)練分類器：數(shù)字分類是一個(gè)多類別的分類問(wèn)題，必須把一幅圖像分成十個(gè)可能的數(shù)字類別中的一個(gè)。在本例中，fitcecoc函數(shù)用于使用SVM創(chuàng)建多類分類器。首先從訓(xùn)練集中提取HOG特征，這些特征將來(lái)進(jìn)行訓(xùn)練。（4）評(píng)估分類器準(zhǔn)確度使用測(cè)試集中的圖像對(duì)分類器進(jìn)行評(píng)估，并生成混淆矩陣使分類器的精度可視化。表3-1以百分比形式顯示了混淆矩陣。表3-1混淆矩陣012345678900.250.000.080.000.000.000.580.000.080.0010.000.750.000.000.080.000.000.080.080.0020.000.000.670.170.000.000.080.000.000.0830.000.000.000.580.000.000.330.000.000.0840.000.080.000.170.750.000.000.000.000.0050.000.000.000.000.000.330.580.000.090.0160.000.000.000.020.250.000.670.000.070.0070.000.080.080.330.000.0000.0880.000.000.000.080.000.000.000.080.670.1790.000.080.0000.080.000.000.42矩陣的列表示預(yù)測(cè)結(jié)果，行表示已知結(jié)果。通過(guò)該矩陣可以看到，數(shù)字0經(jīng)常被錯(cuò)誤地歸類為6，很可能是因?yàn)樗鼈兊男螤钕嗨?。使用更具代表性的?shù)據(jù)集進(jìn)行訓(xùn)練，其中包含數(shù)千個(gè)手寫(xiě)字符，與使用此合成數(shù)據(jù)集創(chuàng)建的分類器相比，可產(chǎn)生更好的分類器。3.3核心算法核心算法如下：%訓(xùn)練一個(gè)svm分類器，fitcecoc使用1對(duì)1的方案claifier=fitcecoc(trainingFeatures,trainingLabels);%使用測(cè)試圖像的特征向量預(yù)測(cè)樣本標(biāo)簽predictedLabels=predict(classifier,testFeatures);%%評(píng)估分類器%選取測(cè)試圖像放入分類器，生成混淆矩陣confMat=confusionmat(testLabels,predictedLabels)accuracy=(confMat(1,1)/sum(confMat(1,:))+confMat(2,2)/sum(confMat(2,:))+...confMat(3,3)/sum(confMat(3,:)))/3Predict('D:\SVM_YCTC\mypicture\mytest\斑點(diǎn)\In_4.bmp');pause(1);Predict('D:\SVM_YCTC\mypicture\mytest\氧化\Rs_259.bmp');pause(1);Predict('D:\SVM_YCTC\mypicture\mytest\劃痕\Sc_111.bmp');pause(1);4可行性分析4.1經(jīng)濟(jì)可行性自改革開(kāi)放以來(lái)，我國(guó)的制造業(yè)快速發(fā)展，已是世界第一制造大國(guó)。近幾年，由于教育政策的普及，我國(guó)的高等人才逐年增加，勞動(dòng)力成本過(guò)高帶來(lái)的壓力也逐漸上升，國(guó)內(nèi)制造業(yè)面臨嚴(yán)峻挑戰(zhàn)。部分制造商為維持生產(chǎn)成本將工廠遷移到越南老撾等勞動(dòng)力成本低的國(guó)家和地區(qū)。隨著我國(guó)的經(jīng)濟(jì)發(fā)展，信息化發(fā)展流行趨勢(shì)。中國(guó)已經(jīng)有許多制造業(yè)轉(zhuǎn)型成功，打造信息化的制造業(yè)，新產(chǎn)品、新模式和新業(yè)態(tài)不斷涌現(xiàn)，全新一輪的工業(yè)革命出現(xiàn)。信息化的工業(yè)革命，使企業(yè)避免了勞動(dòng)力成本的支出，節(jié)省了資金，提高了效率。4.2技術(shù)可行性從工業(yè)相機(jī)獲取到原始圖像，由于在拍攝過(guò)程中會(huì)出現(xiàn)光照不均使金屬表面缺陷和背景之間的灰度差較小，畫(huà)面對(duì)比度不強(qiáng)，導(dǎo)致缺陷不明顯或者在采集完成傳入電腦時(shí)生成高斯噪聲、椒鹽噪聲等噪聲將金屬表面缺陷掩蓋，特征提取不明顯，從而導(dǎo)致檢測(cè)不出缺陷。所以本設(shè)計(jì)將依據(jù)金屬表面缺陷圖像的特點(diǎn)，對(duì)圖片進(jìn)行適當(dāng)?shù)幕叶茸儞Q包括對(duì)比對(duì)增強(qiáng)和濾波處理。由于不同的圖片光源并不相同，故對(duì)比度增強(qiáng)將采用灰度歸一化和直方圖均衡化?？沼?yàn)V波和頻域?yàn)V波是兩種主要的濾波方式，雖然可以降噪，但是也會(huì)過(guò)濾掉一些細(xì)節(jié)信息，導(dǎo)致缺陷提取細(xì)節(jié)丟失。所以本設(shè)計(jì)將利用形態(tài)學(xué)的方法去除圖像采集時(shí)的光線不均問(wèn)題同時(shí)保持圖像邊緣細(xì)節(jié)的情況下實(shí)現(xiàn)圖像的去噪。利用HOG、GLCM特征提取算法對(duì)金屬缺陷進(jìn)行特征提取融合構(gòu)造SVM分類器。對(duì)比最大類間方差法（OTSU）、最大熵法和局部二值化Niblack法三種閾值分割算法，選取OTSU算法進(jìn)行圖像分割同時(shí)提高系統(tǒng)的準(zhǔn)確率。根據(jù)分類器訓(xùn)練的模型識(shí)別斑點(diǎn)、劃痕、軋入氧化皮三類缺陷，并得到相關(guān)信息。5系統(tǒng)設(shè)計(jì)與需求分析5.1系統(tǒng)流程圖該系統(tǒng)主要分為兩個(gè)模塊：監(jiān)督學(xué)習(xí)模塊和缺陷分類與檢測(cè)模塊。流程圖見(jiàn)圖5-1。監(jiān)督學(xué)習(xí)模塊:（a）讀入訓(xùn)練圖像。采集一定數(shù)量軋入氧化皮缺陷、斑點(diǎn)缺陷和劃痕缺陷的圖片，作為該系統(tǒng)的數(shù)據(jù)集。選取數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)作為SVM訓(xùn)練的訓(xùn)練圖片讀入。（b）訓(xùn)練圖像預(yù)處理。對(duì)讀入的訓(xùn)練圖片進(jìn)行預(yù)處理，該階段主要采用形態(tài)學(xué)的方法濾除圖像中照度不均的情況，同時(shí)還可以更多的保留圖像的邊緣細(xì)節(jié)信息。（c）訓(xùn)練圖像特征提取。將預(yù)處理過(guò)的訓(xùn)練圖片進(jìn)行特征提取，該階段主要提取圖像的方向梯度直方圖（HOG）特征和灰度共生矩陣（GLCM），目的是獲得圖像的結(jié)構(gòu)特征和局部紋理特征。（d）構(gòu)造分類器。該階段主要是將HOG特征和GLCM特征二者進(jìn)行融合，將融合后的特征作為樣本訓(xùn)練支持向量機(jī)（SVM）分類器，用訓(xùn)練后的模型識(shí)別測(cè)試圖像。缺陷分類及檢測(cè)模塊：（a）讀入測(cè)試圖像。將數(shù)據(jù)集中剩余的圖像作為測(cè)試圖像，選取其中一個(gè)圖像讀入。（b）測(cè)試圖像預(yù)處理。該階段的處理方法同訓(xùn)練圖像預(yù)處理一樣。（c）測(cè)試圖像特征提取。該階段的提取方法同訓(xùn)練圖像的特征提取方法相同。（d）輸入SVM分類器。將得到的圖象HOG特征和GLCM特征相融合后輸入到分類器中進(jìn)行缺陷分類。（e）測(cè)試圖像分割。該階段依據(jù)分類器的分類結(jié)果進(jìn)行具體缺陷具體分析。如果是軋入氧化皮缺陷和斑點(diǎn)缺陷則首先確定原測(cè)試圖像的波谷，接著利用大津法（OTSU）進(jìn)行分割。如果是劃痕缺陷則首先進(jìn)行原測(cè)試圖像的灰度反轉(zhuǎn)，再確定反轉(zhuǎn)圖像的波谷，最后利用OTSU分割圖像。（f）捕獲缺陷信息。利用OTSU分割結(jié)果作為缺陷的位置信息，數(shù)量信息則具體分析。對(duì)于軋入氧化皮缺陷和斑點(diǎn)缺陷計(jì)算其連通分量的個(gè)數(shù)作為其缺陷個(gè)數(shù)，對(duì)于劃痕則利用霍夫變換檢測(cè)結(jié)果作為其缺陷個(gè)數(shù)。圖5-1金屬表面缺陷圖像處理系統(tǒng)流程圖5.2監(jiān)督學(xué)習(xí)模塊5.2.1圖像的采集在圖像采集的過(guò)程中，本設(shè)計(jì)需要選擇特定光源分布，低噪，缺陷和背景灰度差對(duì)比度大的高質(zhì)量圖片?，F(xiàn)在工業(yè)用光源主要有金鹵燈、鈉燈泡及LED燈，見(jiàn)表5-1：表5-1金鹵燈、鈉燈泡、LED燈三類光源優(yōu)劣比較光源優(yōu)點(diǎn)缺點(diǎn)金鹵燈光效高、性能穩(wěn)定、顯色性好價(jià)格較貴、壽命短鈉燈泡光效比金鹵燈高、透霧性強(qiáng)顯色性很差LED燈節(jié)能、壽命長(zhǎng)、光效高、低熱量藍(lán)光危害經(jīng)對(duì)比選擇使用LED燈照明的圖像[5]。為了達(dá)到圖片最理想的效果，選擇左右對(duì)稱的條形光源。這樣的照明系統(tǒng)選擇為后續(xù)的圖像處理提供了方便。市面常見(jiàn)的相機(jī)有CCD相機(jī)（Charge-coupledDevice）和CMOS相機(jī)（CompementaryMetalOxideSemiconductor）。CCD相機(jī)采用半導(dǎo)體元件，將作為模擬信號(hào)的光學(xué)影像經(jīng)過(guò)A/D轉(zhuǎn)換處理為數(shù)字信號(hào)。為保證畫(huà)面的清晰度，CCD上植入了較多的像素，像素越多畫(huà)面越清晰。CMOS指采用互補(bǔ)金屬氧化物半導(dǎo)體，應(yīng)用于相機(jī)的感光元件，可以將單純的邏輯運(yùn)算在接收外界光線功能時(shí)運(yùn)用光伏效應(yīng)轉(zhuǎn)變成電能，通過(guò)A/D轉(zhuǎn)換將畫(huà)面信息轉(zhuǎn)為數(shù)字信號(hào)[7]。本設(shè)計(jì)選用CMOS相機(jī)成像的圖片，因CMOS影像傳感器的耗電量比CCD低同時(shí)周邊電路的整合性高。雖然成像出來(lái)的效果噪聲比CCD高，但可以選擇灰度相機(jī)，減少噪聲的產(chǎn)生。5.2.2圖像預(yù)處理 圖像預(yù)處理是所有數(shù)字圖像處理中的第一個(gè)步驟，也是關(guān)鍵的一步。該步驟處理圖像的好壞直接影響接下來(lái)的圖像分割及特征提取的準(zhǔn)確率，所以在數(shù)字圖像中必須重視該步驟。傳統(tǒng)的降噪方法包括中值濾波和高斯濾波等濾波算法，但他們都無(wú)法根據(jù)在特定的需求下達(dá)到滿意的效果。所以針對(duì)不同的應(yīng)用場(chǎng)景需要適合的濾波算法。如在缺陷紋理提取過(guò)程中Gabor濾波器是最常用的濾波器。但考慮到光源的照度不均，金屬表面會(huì)產(chǎn)生亮暗不均的反光，這會(huì)影響到后期的圖像分割結(jié)果。因此本系統(tǒng)的圖像預(yù)處理也將考慮采用形態(tài)學(xué)的方法去除圖像中的灰度基線[1]，即去除由照度不均引起的背景中的亮度變化，同時(shí)也可以濾除金屬表面的各種微小噪聲點(diǎn)。為了驗(yàn)證常用的Gabor濾波器與本系統(tǒng)考慮的形態(tài)學(xué)方法哪種預(yù)處理效果更好、對(duì)圖像特征提取更有幫助，本系統(tǒng)將會(huì)分別設(shè)計(jì)測(cè)試。5.2.3圖像特征提取 特征提取是從圖像中獲取所需的特定信息。圖像的特征包括自身的亮度、邊緣、紋理等。提取缺陷特征的方法有兩種，一種是利用HOG、LBP、Haar等傳統(tǒng)一般特征提取的算法，一種是利用特定的簡(jiǎn)單缺陷特征直接對(duì)缺陷進(jìn)行分類。直接提取方法本系統(tǒng)要分辨的缺陷包括:軋入氧化皮，斑點(diǎn)與劃痕，對(duì)這三者進(jìn)行最簡(jiǎn)單的直接差異分析就可直接提取缺陷。分析原理見(jiàn)圖5-2。以缺陷面積為例，軋入氧化皮面積與斑點(diǎn)和劃痕面積大小相比，面積最小呈現(xiàn)出來(lái)的是一個(gè)小斑點(diǎn)，而其他兩類缺陷面積都較大?；谶@一點(diǎn)可以快速區(qū)分軋入氧化皮缺陷，算法設(shè)計(jì)為：提取二值化圖像的缺陷邊緣信息，得到邊緣長(zhǎng)度，找到最長(zhǎng)邊緣與閾值大小進(jìn)行比較，若比閾值大則是斑點(diǎn)或劃痕，若比閾值小則為軋入氧化皮?？尚行钥此戚^高，但閾值的確定較為困難且具有主觀性，對(duì)缺陷測(cè)試結(jié)果的準(zhǔn)確性有一定的干擾。因此，本系統(tǒng)將選擇第二種缺陷提取方法。圖5-2特定的簡(jiǎn)單缺陷特征提取與分類 一般特征提取方法 一般的特征提取大都采用HOG算法、LBP算法及GLCM算法。HOG特征能夠描述圖像的邊緣梯度信息,對(duì)于發(fā)生幾何和光學(xué)變化具有一定程度的不變性；LBP特征和GLCM特征都是常用的缺陷紋理提取算法。但LBP特征是基于結(jié)構(gòu)的方法，其原理是將要檢測(cè)的紋理建模，然后在圖像中匹配相同的模型。而GLCM特征是基于統(tǒng)計(jì)數(shù)據(jù)的方法。是假設(shè)在圖像中，圖像紋理信息包含在各像素之間提出的具有廣泛性的紋理分析方法。 HOG特征提取算法兼容了圖像采集時(shí)光照不均的問(wèn)題，LBP特征提取算法和GLCM特征提取算法都是缺陷紋理缺陷特征提取時(shí)兩個(gè)不同方向的優(yōu)秀算法。因此本系統(tǒng)在特征提取時(shí)將采用基于結(jié)構(gòu)方法和基于統(tǒng)計(jì)數(shù)據(jù)的方法進(jìn)行提取結(jié)果的比較，同時(shí)配合使用HOG特征提取算法，測(cè)試生成的分類器哪一種分類結(jié)果在本系統(tǒng)的精確度更高。5.3缺陷分類及檢測(cè)模塊5.3.1輸入SVM分類器將得到的圖象HOG特征和GLCM特征相融合后輸入到分類器中進(jìn)行缺陷分類。分辨出具體的缺陷種類[7]。5.3.2閾值分割圖像分割是圖像預(yù)處理中不可避免的步驟之一，是近一步進(jìn)行圖像分析的前提。圖像分割的目的就算是對(duì)圖像進(jìn)行標(biāo)記，以分割的每一小塊為單元，對(duì)同一單元內(nèi)的像素賦予相同標(biāo)記，不同單元內(nèi)的像素標(biāo)記不同，這對(duì)后期圖像分析提供了方便。測(cè)試圖像先經(jīng)過(guò)預(yù)處理然后再進(jìn)行閾值處理。單一的閾值分割方法并不適合本設(shè)計(jì)中大量不同類型的缺陷目標(biāo)與背景分離，所以本設(shè)計(jì)將會(huì)對(duì)大津法、最大熵法及Niblack算法進(jìn)行討論。因此，本系統(tǒng)將探索一種既能保證缺陷細(xì)節(jié)信息保持較好的情況下又可以降低引入噪聲對(duì)圖像的干擾。5.3.3捕獲缺陷信息 利用圖像分割的結(jié)果作為存在缺陷的目標(biāo)區(qū)域，構(gòu)造缺陷檢測(cè)范圍函數(shù)，獲取軋入氧化皮缺陷的中心點(diǎn)坐標(biāo)作為其位置信息，繪制缺陷區(qū)域邊緣曲線的函數(shù)作為斑點(diǎn)缺陷的位置信息，對(duì)于劃痕缺陷則先利用細(xì)化操作降低檢測(cè)誤差，再利用霍夫變換確定劃痕缺陷的位置信息。通過(guò)計(jì)算軋入氧化皮缺陷缺陷和斑點(diǎn)缺陷圖像分割后的連通分量個(gè)數(shù)作為對(duì)應(yīng)缺陷的個(gè)數(shù)信息。通過(guò)獲取直線中網(wǎng)格像素被遍歷的最高次數(shù)得出劃痕最長(zhǎng)像素，并利用高斯投影的數(shù)學(xué)公式依據(jù)輸入的物距與焦距計(jì)算得劃痕實(shí)際長(zhǎng)度。6系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)6.1監(jiān)督學(xué)習(xí)模塊6.1.1讀取訓(xùn)練圖像對(duì)于圖像讀取，首先要判斷配置文件是否存，檢查文件中有無(wú)key值，如果沒(méi)有則直接返回，如果有則直接讀取后返回；如果找到該配置項(xiàng)，則讀取對(duì)應(yīng)value值。核心代碼如下:%判斷配置文件是否存在value='';if(exist(FilePath,'file')~=2)return;end%檢查文件中有無(wú)key值，如果有則直接讀取并返回，否則返回''fid=fopen(FilePath);while~feof(fid)tline=fgetl(fid);if~ischar(tline)||isempty(tline)continue;end%跳過(guò)無(wú)效行tline(find(isspace(tline)))=[];%刪除行中的空格Index=strfind(tline,[key'=']);if~isempty(Index)%如果找到該配置項(xiàng)，則讀取對(duì)應(yīng)的value值ParamName=strsplit(tline,'=');value=ParamName{2};break;endend6.1.2Gabor濾波與形態(tài)學(xué)處理經(jīng)過(guò)查看相關(guān)文獻(xiàn)發(fā)現(xiàn)，在缺陷紋理提取過(guò)程中Gabor濾波器是最常用的濾波器。本系統(tǒng)的圖像預(yù)處理考慮采用形態(tài)學(xué)的方法去除圖像中的灰度基線。為了驗(yàn)證常用的Gabor濾波器與本系統(tǒng)考慮的形態(tài)學(xué)方法哪種預(yù)處理效果更好、更方便圖像特征提取，本系統(tǒng)將分別設(shè)計(jì)測(cè)試。接下來(lái)將說(shuō)明Gabor濾波器與形態(tài)學(xué)方法的對(duì)比效果。Gabor二維濾波算法在圖像處理領(lǐng)域，Gabor濾波是一個(gè)基于小波分析理論的可以進(jìn)行邊緣提取的線性濾波器，是一個(gè)由Gaussian與復(fù)數(shù)相乘得到的母小波，隨后再體積放縮、位置旋轉(zhuǎn)得到Gabor濾波。Gabor濾波器對(duì)光線包容性強(qiáng)即對(duì)光照變化反應(yīng)遲鈍不敏感，因此它在紋理表示和描述方面具有極好的應(yīng)用[8]。二維Gabor函數(shù)的數(shù)學(xué)表達(dá)分析：復(fù)數(shù)表達(dá)式如下：gx,y;λ該表達(dá)式實(shí)部可以使圖像會(huì)變平滑，表達(dá)式如下：gx,y;λ,θ,ψ,σ,γ=exp?(?x虛部可對(duì)圖像進(jìn)行邊緣檢測(cè)，表達(dá)式如下：gx,y;λ,θ,ψ,σ,γ=exp?(?x這三個(gè)表達(dá)式中,為像素坐標(biāo):x'=xcosθ+y'=?xsinθ各參數(shù)的意義見(jiàn)表6-1:表6-1二維Gabor函數(shù)表達(dá)式中各參數(shù)意義參數(shù)含義λ調(diào)制正弦函數(shù)的波長(zhǎng)，一般λ>2θ平行線方向，θ∈[0,360)φ相位偏移量γ空間方向比例因子σ頻帶寬度*正弦函數(shù)的波長(zhǎng)

不同λ可以提取圖像不同頻率的分量信息，實(shí)驗(yàn)效果不同。如圖6-1：圖6-1不同λ=5,10,15下的卷積核圖像相同卷積核不同θ對(duì)應(yīng)的時(shí)域卷積核圖像不同。實(shí)驗(yàn)效果如圖6-2：圖6-2不同θ=0,45,90下的卷積核圖像形態(tài)學(xué)去基線漂移由于獲取到的圖像中存在照度不均的現(xiàn)象，因而采用形態(tài)學(xué)方法去除照度不均。數(shù)學(xué)形態(tài)學(xué)是一門(mén)建立在嚴(yán)格數(shù)學(xué)理論基礎(chǔ)上的學(xué)科,它提供了一種有效的非線性信號(hào)處理方法,可以很好地保持信號(hào)的幾何信息[9]。結(jié)構(gòu)元素是數(shù)學(xué)形態(tài)學(xué)中最基本的概念。與人觀察事物的方式一致，視覺(jué)焦點(diǎn)在事物得到各個(gè)部分聚焦，由此得出各部分的聯(lián)系，從而達(dá)到對(duì)整體事物的認(rèn)知。結(jié)構(gòu)元素在圖像中不斷聚焦移動(dòng)，得到圖形不同點(diǎn)的聯(lián)系,由于結(jié)構(gòu)元素可直接攜帶圖形信息，因此用不同的結(jié)構(gòu)元素來(lái)處理一維信號(hào)可以得出不同的結(jié)果。本系統(tǒng)采取直線型結(jié)構(gòu)元素的數(shù)學(xué)形態(tài)學(xué)濾波器，直線型結(jié)構(gòu)元素的寬度大于心電特征波形的寬度，經(jīng)過(guò)濾波后得到基線漂移的信號(hào)，原信號(hào)減漂移信號(hào)就可得到去除基線漂移后的信號(hào)。本系統(tǒng)取寬度M=120(特征波形最大寬度*采樣頻率)。核心代碼如下：a=Img;a=double(a);[r,c]=size(Img);b=zeros(r,c);se=strel('disk',30);%結(jié)構(gòu)元素，長(zhǎng)度120temp=(imclose(imopen(a,se),se)+imopen(imclose(a,se),se))/2;%(f開(kāi)b閉b+f閉b開(kāi)b)/2b=(a-temp);Img=b;另一方面還可以在保持圖像邊緣的情況下實(shí)現(xiàn)圖像的去噪。提高后期SVM訓(xùn)練的準(zhǔn)確性。Gabor二維濾波與形態(tài)學(xué)去基線效果對(duì)比圖6-3原始斑點(diǎn)圖像圖6-4Gabor濾波結(jié)果圖6-5形態(tài)學(xué)去基線結(jié)果較于Gabor濾波處理的效果，形態(tài)學(xué)去基線的圖片形成的輪廓更加準(zhǔn)確?？梢悦黠@看出缺陷區(qū)域得到了明顯的增強(qiáng)，背景更加干凈。6.1.3HOG、LBP算法與GLCM算法由5.2.3的分析可知，對(duì)于特定的簡(jiǎn)單缺陷特征提取來(lái)說(shuō)，可行性看似較高，但閾值的確定較為困難且具有主觀性，對(duì)缺陷測(cè)試結(jié)果的準(zhǔn)確性有一定的干擾。HOG特征提取算法兼容了圖像采集時(shí)光照不均的問(wèn)題，LBP特征提取算法和GLCM特征提取算法都是缺陷紋理缺陷特征提取時(shí)兩個(gè)不同方向的優(yōu)秀算法[10]。首先，進(jìn)行LBP特征提取算法與GLCM特征提取算法的比：LBP特征提取算法直方圖均衡化是觀察圖像的灰度分布范圍對(duì)圖像進(jìn)行細(xì)節(jié)調(diào)整的方法。如若一副圖像的灰度直方圖的數(shù)值集中在數(shù)軸的兩端，那么該圖像就不是理想圖像，圖像要么偏亮要么偏暗，模糊了圖像的細(xì)節(jié)信息。如果一副圖像的灰度直方圖的數(shù)值均勻分布在數(shù)軸的中間范圍，那么這幅圖像就是明暗清晰的最佳圖像，且細(xì)節(jié)保存完好[11]。如圖6-6所示：圖6-6不同圖像直方圖的分量分布由此，通常碰到灰度直方圖的數(shù)值集中在數(shù)軸某一端的時(shí)候，利用直方圖均衡化改善這種情況。通過(guò)這種方法，灰度分量可以較為均勻的分布在坐標(biāo)軸上，使圖像清晰，且不會(huì)破壞圖像的細(xì)節(jié)信息。圖像處理前后對(duì)比效果如圖6-7、6-8所示：本系統(tǒng)使用直方圖均衡化（LBP）發(fā)現(xiàn)其效果較差，不僅不利于尋找缺陷的紋理特征，還不利于構(gòu)造分類器，大大降低分類器的精準(zhǔn)度。因此最終決定采用基于統(tǒng)計(jì)數(shù)據(jù)的GLCM特征提取方法。圖6-7原始圖片圖6-8直方圖均衡化后的圖片GLCM特征提取算法灰度共生矩陣法(GLCM)是利用灰度圖像得到圖像的共生矩陣，然后再利用共生矩陣得到圖像矩陣的特征值，以此代表紋理缺陷的特征。GLCM包括圖像灰度的方向、相鄰間隔及變化幅度等多種信息，使分析圖像局部特征的前提[10]。算法實(shí)現(xiàn)步驟：(1)提取灰度圖像首先將彩色RGB圖像轉(zhuǎn)換為灰度圖像，然后提取出RGB通道的灰度圖像，最后選擇任意其中一個(gè)同搭配進(jìn)行紋理特征提取。(2)灰度級(jí)量化一般在RGB圖像中有256個(gè)灰度級(jí)，從0--255?？梢苑譃?或16個(gè)灰度級(jí)。當(dāng)分成8個(gè)灰度級(jí)時(shí)，如果直接將像素點(diǎn)的灰度值除以32取整，會(huì)導(dǎo)致圖像的紋理信息缺失圖像模糊，所以進(jìn)行灰度級(jí)壓縮時(shí)，首先會(huì)將圖片進(jìn)行LBP處理，增加灰度值的動(dòng)態(tài)范圍，這樣就增加了影像的整體對(duì)比效果。(3)計(jì)算特征值的參數(shù)選擇表6-2特征值參數(shù)選擇參數(shù)名參數(shù)值滑動(dòng)窗口尺寸5×5或7×7步距dd=1方向選擇0°、45°、90°、135°(4)缺陷特征值計(jì)算與紋理特征影像生成首先，計(jì)算單個(gè)窗口的灰度共生矩陣。接著，算出矩陣的特征值，對(duì)特征值進(jìn)行均值計(jì)算和方差計(jì)算，以便消除方向分量對(duì)紋缺陷理信息特征的影響。最后，移動(dòng)窗口。當(dāng)一個(gè)窗口完成特征值計(jì)算后，就可以滑動(dòng)到下一個(gè)像素，再一次開(kāi)始計(jì)算該窗口的共生矩陣的特征值。當(dāng)這一副圖像上的所有像素點(diǎn)都被計(jì)算過(guò)一遍后，此時(shí)的圖像就變成了包含缺陷紋理特征信息的特征矩陣。接下來(lái)介紹HOG特征提取的相關(guān)內(nèi)容。HOG特征提取算法介紹方向梯度直方圖（HOG）是通過(guò)局部的直方圖構(gòu)成缺陷的特征，通常用在計(jì)算機(jī)視覺(jué)和數(shù)字圖像處理中?；静襟E如下[13]：（1）標(biāo)準(zhǔn)化Gamma空間和顏色空間 因?yàn)镽GB信息對(duì)圖像的影響不大，所以對(duì)圖像進(jìn)行歸一化處理。不僅可以減圖像采集時(shí)光照不均的影響，還可以壓縮圖像的曝光，增強(qiáng)圖像信息的豐富度。（2）計(jì)算像素點(diǎn)的梯度梯度包括橫向梯度和縱度梯度，計(jì)算圖像所有像素不同方向上的梯度方法是用[-1,0,1]梯度算子對(duì)原圖像做卷積運(yùn)算，得到X方向的梯度分量gradscal_x，然后用[1,0,-1]梯度算子對(duì)原圖像做卷積運(yùn)算，得到Y(jié)方向的梯度分量gradscal_y。然后計(jì)算該像素點(diǎn)的梯度大小和方向。（3）構(gòu)建梯度方向直方圖首先將圖像分成多個(gè)細(xì)胞cell。將cell的梯度方向按需求分成若干個(gè)方向塊，然后將cell像素投影到直方圖中進(jìn)行加權(quán)計(jì)算，就可獲得構(gòu)建的梯度直方圖，如圖6-9所示。圖6-99維特區(qū)間劃分角度（4）塊內(nèi)歸一化因?yàn)閳D像的前景、背景受不均勻的光照所以需要做歸一化處理，把陰影及邊緣進(jìn)行壓縮，將比度值的范圍投影到合適的范圍內(nèi)。（5）收集HOG特征將檢測(cè)窗口中所有重疊的塊進(jìn)收集，并將它們結(jié)合成最終的缺陷特征模型供分類使用。 HOG特征提取流程圖見(jiàn)圖6-10。圖6-10HOG特征提取算法流程圖HOG特征和GLCM特征融合作為該系統(tǒng)的圖像特征提取方法[13] 針對(duì)金屬表面缺陷的結(jié)構(gòu)特征和局部紋理特征,提取其HOG特征和GLCM特征并將二者進(jìn)行融合。其核心代碼如下：%轉(zhuǎn)化為灰度圖像imgH=improc(img);%提取GLCM特征glcm=getGLCMFeatures(imgH);%提取HOG特征[hog,vis_hog]=extractHOGFeatures(imgH,'CellSize',cellSize);%合并兩個(gè)特征features(i,:)=[hogglcm];6.1.4構(gòu)造SVM分類器用融合后的特征作為樣本訓(xùn)練支持向量機(jī)（SVM）分類器,用訓(xùn)練后的模型識(shí)別測(cè)試圖像。圖6-11是對(duì)測(cè)試圖像進(jìn)行分類的部分結(jié)果。當(dāng)圖像對(duì)比度較低，同時(shí)形態(tài)學(xué)與處理時(shí)的結(jié)構(gòu)元素選取相對(duì)于缺陷的寬度而言較小，此時(shí)不能正確的增強(qiáng)缺陷區(qū)域。但是，本系統(tǒng)設(shè)計(jì)的分類器對(duì)于測(cè)試圖像中的其它樣本都給出了正確的分類，總體的分類準(zhǔn)確性達(dá)到了96.67%以上。分類結(jié)果：斑點(diǎn)分類結(jié)果：劃痕分類結(jié)果：軋入氧化皮圖6-11測(cè)試樣本分類結(jié)果倘若本系統(tǒng)不使用HOG特征和GLCM特征融合的特征作為訓(xùn)練樣本，只使用其中一個(gè)對(duì)光線照度兼容度強(qiáng)的HOG特征作為訓(xùn)練樣本，或者使用簡(jiǎn)單缺陷特征提取做作為SVM分類器的訓(xùn)練樣本，與經(jīng)過(guò)灰度共生矩陣（GLCM）和HOG特征提取做出的SVM分類器分類效果對(duì)比見(jiàn)表6-3。表6-3基于不同特征處理的分類器效果對(duì)比名稱特點(diǎn)效果HOG特征+SVM訓(xùn)練對(duì)光照信息不敏感、容差大準(zhǔn)確率77.2%簡(jiǎn)單缺陷特征提取+SVM訓(xùn)練原理簡(jiǎn)單，計(jì)算量小，但誤差大準(zhǔn)確率93.3%HOG特征+GLCM,+SVM訓(xùn)練不易理解，有一定計(jì)算量，但誤差較小準(zhǔn)確率96.67%由上表可見(jiàn)，單一的使用HOG特征作為SVM訓(xùn)練樣本準(zhǔn)確率偏低，而結(jié)合了GLCM特征以后的SVM分類器準(zhǔn)確率提高了19.97%，相比于利用簡(jiǎn)單缺陷特征制作的分類器準(zhǔn)確率提高了3.37%。因此，綜合考慮，本系統(tǒng)分類器采用支持向量機(jī)結(jié)合圖像的HOG特征和灰度共生矩陣訓(xùn)練產(chǎn)生。6.2缺陷分類及檢測(cè)模塊6.2.1輸入SVM分類器將得到的測(cè)試圖象HOG特征和GLCM特征相融合后輸入到分類器中進(jìn)行缺陷分類。分辨出具體的缺陷種類。根據(jù)不同的缺陷種類進(jìn)行下一步不同的缺陷分割方法。6.2.2大津法、最大熵法與Niblack算法測(cè)試圖像分割是要利用圖像預(yù)處理以后的圖像進(jìn)行圖片分割。在圖像預(yù)處理中本系統(tǒng)對(duì)比了Gabor濾波和基于形態(tài)學(xué)的方法去除基線漂移的預(yù)處理效果，后者的效果明顯好于前者。同樣基于形態(tài)學(xué)預(yù)處理的閾值分割結(jié)果比基于Gabor濾波預(yù)處理的閾值分割結(jié)果要好的多，形態(tài)學(xué)預(yù)處理后得出的分割結(jié)果更準(zhǔn)確，分割結(jié)果更加接近原始圖像的缺陷區(qū)域。對(duì)比圖見(jiàn)圖6-12至6-14。圖6-12原始斑點(diǎn)圖像圖6-13Gabor濾波后的分割圖6-14形態(tài)學(xué)方法后的分割可以實(shí)現(xiàn)圖像分割操作的有許多方法。單閾值分割方法只能選取一個(gè)閾值這并不適合本系統(tǒng)中大量不同類型的缺陷目標(biāo)與背景分離，所以將考慮率采用多個(gè)閾值分割法，包括全局的閾值分割大津法、最大熵法和部分閾值分割Niblack算法。系統(tǒng)設(shè)計(jì)時(shí)選擇為選擇出最為恰當(dāng)?shù)姆椒?，?duì)他們進(jìn)行了歸納整理[14]，見(jiàn)表6-4：表6-4大津法、最大熵法、Niblack算法一覽表方法名稱基本原理大津法基于圖像的灰度特性，前景和目標(biāo)之間的類間方差越大，說(shuō)明分割結(jié)果越準(zhǔn)確最大熵法基于統(tǒng)計(jì)中的信息熵，信息量越大其熵越大，二值圖像包含的缺陷信息越大Niblack局部動(dòng)態(tài)閾值算法，可以很好的對(duì)單個(gè)像素進(jìn)行處理但沒(méi)有考慮邊界問(wèn)題由上表可知，為了保證系統(tǒng)的準(zhǔn)確性和降低系統(tǒng)的計(jì)算量，大津法是該系統(tǒng)的圖像分割首選。為了滿足錯(cuò)分概率最小的要求，所以在進(jìn)行大津法分割之前，要先對(duì)預(yù)處理后的圖像利用形態(tài)學(xué)的方法進(jìn)行波谷檢測(cè)，以保證大津法閾值分割的結(jié)果更加準(zhǔn)確。 對(duì)于不同的缺陷類型，其波谷檢測(cè)方法也不同。由觀察法知，軋入氧化皮缺陷和斑點(diǎn)缺陷所在的位置是圖像中較暗的狹小區(qū)域，于是可直接利用數(shù)學(xué)形態(tài)法對(duì)預(yù)處理后的圖像進(jìn)行波谷提取。而劃痕缺陷區(qū)域較亮，可以看作波峰，因此要先進(jìn)行圖像的灰度反轉(zhuǎn)，將較亮的波峰變成較暗的波谷，然后再進(jìn)行波谷提取。之后就可利用大津法進(jìn)行圖像分割，縮小了分割以后目標(biāo)缺陷所在候選區(qū)的范圍，進(jìn)而提高了系統(tǒng)的精確度。核心代碼見(jiàn)附件6-7。接下來(lái)對(duì)軋入氧化皮缺陷分別使用大津法、最大熵法與Niblack算法，比較其差異，效果見(jiàn)圖6-15：圖6-15三種閾值分割算法對(duì)同一張圖像的效果大津法分割圖像是三種算法中顯示圖像缺陷信息最好的，但是會(huì)引入一些雜點(diǎn)。最大熵法和部分閾值分割Niblack法雖然沒(méi)有引入雜點(diǎn)，但同大津法相比缺陷的細(xì)節(jié)信息丟失較多。相比較于全局的最大熵法，局部的分閾值分割Niblack算法計(jì)算量明顯較大。綜上，要保證系統(tǒng)的準(zhǔn)確率，大津法閾值分割是首選，但引入的雜點(diǎn)即噪聲必須處理掉。這正是本系統(tǒng)需要解決和創(chuàng)新之處。在保證高精確度的前提下利用形態(tài)學(xué)的方法，對(duì)含有噪聲的圖像先腐蝕再膨脹，從而去除分割結(jié)果中的噪聲點(diǎn)。形態(tài)學(xué)處理方法包括腐蝕、膨脹、開(kāi)運(yùn)算、閉運(yùn)算等方法。腐蝕和膨脹的方法定義如下[6]：設(shè)信號(hào)序列f的定義域F={0，1，…，N?1}，結(jié)構(gòu)元素k定義域K={0，1，…，M?1}且N>M，那么腐蝕運(yùn)算可以定義為：（6-6）其中

m=0，1，…，N?M。結(jié)構(gòu)元素k對(duì)信號(hào)f的膨脹運(yùn)算可以定義為：（6-7）其中

m=M?1，M?2，…，N?1。將結(jié)構(gòu)元素K平移，信號(hào)F膨脹得到的是集合K相交于集合F的非空點(diǎn)的集合。在圖像上顯示的結(jié)果就擴(kuò)大了集合F。信號(hào)F腐蝕得到的是集合K包含與集合F所有點(diǎn)的集合。在圖像上顯示的結(jié)果就是縮小了集合F。其中開(kāi)（opening）運(yùn)算、閉（closing）運(yùn)算的定義如下：（6-8）開(kāi)運(yùn)算和閉運(yùn)算的功能對(duì)比見(jiàn)表6-5。表6-5開(kāi)運(yùn)算和閉運(yùn)算的功能對(duì)比名稱功能開(kāi)運(yùn)算在信號(hào)下方移動(dòng)的結(jié)構(gòu)元素，可以削除信號(hào)“波峰”，具有收縮性，消除信號(hào)孤立點(diǎn)，抑制正脈沖噪聲，使信號(hào)光滑。閉運(yùn)算在信號(hào)上方移動(dòng)結(jié)構(gòu)元素，可以填充信號(hào)的“波谷”，具有擴(kuò)張性，可抑制負(fù)脈沖噪聲。以下，分別給出開(kāi)、閉運(yùn)算對(duì)一段ECG信號(hào)進(jìn)行處理結(jié)果:開(kāi)運(yùn)算是為了去除信號(hào)的“波峰”。黑色線為ECG信號(hào)，黃色線為開(kāi)運(yùn)算的處理結(jié)果（見(jiàn)圖6-16）：圖6-16開(kāi)運(yùn)算削除了信號(hào)“波峰”同樣，閉運(yùn)算填充了信號(hào)“波谷”。黑色線為原始ECG信號(hào)，藍(lán)色線為閉運(yùn)算的處理結(jié)果（見(jiàn)圖6-17）：圖6-17開(kāi)運(yùn)算填充了信號(hào)“波谷”為了可同時(shí)去除信號(hào)中的波峰波谷兩種脈沖,因此采用開(kāi)、閉運(yùn)算的級(jí)聯(lián)組合形式:（6-9）為了取得更好的效果，可以將形態(tài)開(kāi)-閉和形態(tài)閉-開(kāi)組合關(guān)聯(lián)進(jìn)行濾波，設(shè)信號(hào)為f，則經(jīng)過(guò)濾波后的表達(dá)式為：（6-10）其代碼實(shí)現(xiàn)如下：function[g,T_best]=myotsu(im)[r,c]=size(im);T_best=0;mvar=-1;forT=2:254c1=im>T;c2=im<=T;N1=sum(sum(c1));N2=sum(sum(c2));omiga1=sum(sum(im.*c1))/(N1+eps);omiga2=sum(sum(im.*c2))/(N2+eps);sigmaB=N1*N2*(omiga1-omiga2)^2;ifsigmaB>mvarmvar=sigmaB;T_best=T;endendg=255*(im>T_best);處理效果見(jiàn)圖6-18至6-20：圖6-18斑點(diǎn)缺陷經(jīng)過(guò)OTSU法及降噪處理后圖像圖6-19軋入氧化皮缺陷經(jīng)過(guò)OTSU法及降噪處理后圖像圖6-20劃痕缺陷經(jīng)過(guò)OTSU法及降噪處理后圖像6.2.3捕獲缺陷信息軋入氧化皮缺陷和斑點(diǎn)缺陷 利用圖像分割的結(jié)果作為存在缺陷的目標(biāo)區(qū)域，構(gòu)造缺陷檢測(cè)范圍函數(shù)，獲取軋入氧化皮缺陷的中心點(diǎn)坐標(biāo)作為其位置信息，繪制缺陷區(qū)域邊緣曲線的函數(shù)作為斑點(diǎn)缺陷的位置信息。通過(guò)計(jì)算軋入氧化皮缺陷缺陷和斑點(diǎn)缺陷圖像分割后的提取連通分量個(gè)數(shù)作為對(duì)應(yīng)缺陷的個(gè)數(shù)信息。構(gòu)造檢測(cè)缺陷區(qū)域代碼如下：functionImg=imdenoise(Img)se=strel('disk',1);Img2=imerode(Img,se);Img2=imdilate(Img2,se);[Lo,Numo]=bwlabel(Img);fori=1:Numotemp=Lo==i;intersect=temp.*Img2;ifsum(intersect(:))==0Lo=Lo.*(1-temp);end；end；Img=Lo>0;計(jì)算缺陷中心點(diǎn)坐標(biāo)如下：functionlocats=getloaction(Bim)[L,num]=bwlabel(Bim);locats=zeros(num,2);fori=1:num[ry,cx]=find(L==i);locats(i,1)=mean(ry);locats(i,2)=mean(cx);end；end獲取中心坐標(biāo)效果顯示如圖6-21至6-22所示：圖6-21獲取到的軋入氧化皮缺陷中心圖6-22獲取到的斑點(diǎn)缺陷中心繪制缺陷區(qū)域邊緣曲線代碼如下：functionmdrawboundariesGUI(im,handles)[B,L]=bwboundaries(im,'noholes');axes(handles.ShowResult);fork=1:length(B)boundary=B{k};plot(boundary(:,2),boundary(:,1),'y','LineWidth',1);holdon;end;end所謂提取連通分量就是給圖像中的每個(gè)連通區(qū)域標(biāo)記一個(gè)唯一編號(hào)，獲取圖像分割后的連通分量編號(hào)就可以確定該缺陷的個(gè)數(shù)。系統(tǒng)捕獲的軋入氧化皮缺陷和斑點(diǎn)缺陷信息效果如圖6-23、6-24所示：圖6-23檢測(cè)出來(lái)的軋入氧化皮缺陷位置及個(gè)數(shù)信息圖6-24檢測(cè)出來(lái)的斑點(diǎn)缺陷位置及個(gè)數(shù)信息劃痕缺陷對(duì)于劃痕缺陷則先利用細(xì)化操作降低檢測(cè)誤差，再利用霍夫變換確定劃痕缺陷的位置信息。通過(guò)獲取直線中網(wǎng)格像素被遍歷的最高次數(shù)得出劃痕最長(zhǎng)像素，并利用高斯投影的數(shù)學(xué)公式依據(jù)輸入的物距與焦距計(jì)算得劃痕實(shí)際長(zhǎng)度。細(xì)化操作是因?yàn)橛械膭澓圯^寬，為了避檢測(cè)誤差，對(duì)劃痕進(jìn)行一定強(qiáng)度的細(xì)化處理。利用MATLAB集成箱里“bwmorph”形態(tài)學(xué)處理函數(shù)，選擇參數(shù)為“thin”。反復(fù)3次細(xì)化后的效果如圖6-25：圖6-25原劃痕二值圖與細(xì)化后的劃痕二值圖然后算法設(shè)計(jì)時(shí)就可以直接使用霍夫變換直線檢測(cè)算法提取直線成分[15]。其大體思路如下：對(duì)過(guò)點(diǎn)(x0, y0=ax0如果檢測(cè)出參數(shù)a、b均相等的直線系，那么則相當(dāng)于檢測(cè)出了直線。當(dāng)出現(xiàn)斜率a無(wú)窮大時(shí)，可以放在極坐標(biāo)系中，過(guò)點(diǎn)r=cosθ·如果檢測(cè)出參數(shù)均相等的直線系，那么則相當(dāng)于檢測(cè)出了直線。利用極坐標(biāo)對(duì)于所有斜率構(gòu)成的直線系在某處交于同一點(diǎn)，滿足三個(gè)點(diǎn)共線。如下圖6-26、6-27所示:圖6-26直線在極坐標(biāo)中的表示圖6-27過(guò)不同點(diǎn)的直線系的θ?因?yàn)閯澓鄄灰欢ㄊ侵本€，有可能是略帶彎曲或者被分為多段短線，如圖6-28和圖6-29所示:圖6-28豎線的霍夫直線檢測(cè)效果圖6-29橫線的霍夫直線檢測(cè)效果因此需要繼續(xù)處理來(lái)減少直線數(shù)并提取劃痕。見(jiàn)流程圖6-30：圖6-30后續(xù)算法流程圖霍夫變換的代碼實(shí)現(xiàn)如下：%%進(jìn)行霍夫變換[H,theta,rho]=hough(BW);%峰值axes(handles.ShowResult);P=houghpeaks(H,Num,'threshold',0.5*max(H(:)),'NHoodSize',[3535]);x=theta(P(:,2));y=rho(P(:,1));plot(x,y,'s','color','black');holdon;lines=houghlines(BW,theta,rho,P,'FillGap',20,'MinLength',10);max_len=0;count=1;points=zeros(2,2);fork=1:length(lines)points(count,1)=lines(k).point1(1);points(count,2)=lines(k).point1(2);count=count+1;points(count,1)=lines(k).point2(1);points(count,2)=lines(k).point2(2);count=count+1;xy=[lines(k).point1;lines(k).point2];plot(xy(:,1),xy(:,2),'LineWidth',1,'Color','green');plot(xy(1,1),xy(1,2),'x','LineWidth',1,'Color','yellow');plot(xy(2,1),xy(2,2),'x','LineWidth',1,'Color','red');len(k)=(xy(1,1)-xy(2,1))^2+(xy(1,2)-xy(2,2))^2;len(k)=len(k)^0.5;檢測(cè)效果如下圖6-31、6-32：圖6-31獲取中心點(diǎn)圖6-32霍夫檢測(cè)邊緣處理系統(tǒng)捕獲的劃痕缺陷信息效果如圖6-33：圖6-33檢測(cè)出來(lái)的劃痕缺陷位置及長(zhǎng)度信息6.3GUI設(shè)計(jì)為了提高系統(tǒng)的交互性，系統(tǒng)搭配了GUI界面。用戶可以根據(jù)頁(yè)面的上提示按鈕直接選擇電腦中的圖片，在點(diǎn)擊“開(kāi)始檢測(cè)”按鈕后，界面就會(huì)顯示缺陷的種類、缺陷的數(shù)量/長(zhǎng)度及位置信息。用戶還可需輸入焦距與物距，系統(tǒng)就可得出實(shí)際劃痕大小。一個(gè)良好的界面設(shè)計(jì)既使用戶操作計(jì)算機(jī)變得方便快捷增強(qiáng)人機(jī)交互性，同時(shí)又增加了軟件使用的頻率在市場(chǎng)競(jìng)爭(zhēng)中形成自己的優(yōu)勢(shì)。Matlab的GUI工具開(kāi)發(fā)使GUI的制作，只要分為兩個(gè)部分，第一部分為界面設(shè)計(jì)，第二部分為調(diào)用函數(shù)的定義。在界面設(shè)計(jì)的過(guò)程中，Matlab內(nèi)嵌了許多GUI設(shè)計(jì)函數(shù)，操作者只需拖動(dòng)按鈕進(jìn)行布局和綁定自定義功能的函數(shù)即可，如圖6-34。圖6-34Matlab中的GUI界面設(shè)計(jì)7軟件測(cè)試7.1軟件測(cè)試簡(jiǎn)介軟件測(cè)試是在特定的需求下對(duì)軟件進(jìn)行檢查操作，以此來(lái)驗(yàn)證軟件是否滿足客戶需求，避免在軟件投入市場(chǎng)后因?yàn)闇y(cè)試不足產(chǎn)生的各種風(fēng)險(xiǎn)隱患，提高軟件投入使用后的穩(wěn)定性，增強(qiáng)市場(chǎng)的競(jìng)爭(zhēng)能力和企業(yè)聲譽(yù)。7.2測(cè)試方法 軟件測(cè)試的方法多種多樣，該系統(tǒng)依照測(cè)試技術(shù)劃分中的白盒測(cè)試和黑盒測(cè)試對(duì)系統(tǒng)進(jìn)行檢測(cè)。白盒測(cè)試又稱結(jié)構(gòu)性測(cè)試，通過(guò)對(duì)程序內(nèi)部結(jié)構(gòu)的分析、檢測(cè)來(lái)尋找系統(tǒng)的問(wèn)題所在，也就是知道所有的算法原理和內(nèi)部邏輯然后按照邏輯順序檢查代碼的語(yǔ)法結(jié)構(gòu)錯(cuò)誤，并不考慮系統(tǒng)的所要實(shí)現(xiàn)的功能。黑盒測(cè)試方法與白盒測(cè)試方法截然相反，重點(diǎn)關(guān)注系統(tǒng)的功能需求，是否已經(jīng)滿足的所有需求，而不關(guān)注系統(tǒng)內(nèi)部的邏輯結(jié)構(gòu)。7.3測(cè)試的步驟單元測(cè)試單元測(cè)試是針對(duì)軟件設(shè)計(jì)的程序模塊進(jìn)行有效性檢查的測(cè)試工作。單元測(cè)試的難度相當(dāng)高，各種mock超級(jí)復(fù)雜，還有嚴(yán)重的侵入性。但是單元測(cè)試可以消除深度未知隱患比如可以覆蓋執(zhí)行路徑，而且測(cè)試一般在PC機(jī)上進(jìn)行反饋時(shí)間短，節(jié)省時(shí)間。集成測(cè)試集成測(cè)試也叫子系統(tǒng)測(cè)試。通常將各個(gè)子功能系統(tǒng)組合起來(lái)，測(cè)試是否達(dá)到預(yù)期的要求，在穿越模塊接口時(shí)測(cè)試數(shù)據(jù)是否會(huì)丟失，測(cè)試模塊之間的耦合性對(duì)不同模塊影響的大小，單個(gè)模塊的誤查錯(cuò)誤積累起來(lái)是否會(huì)放大甚至影響整個(gè)系統(tǒng)運(yùn)行的效果。確認(rèn)測(cè)試確認(rèn)測(cè)試是依據(jù)系統(tǒng)開(kāi)發(fā)時(shí)產(chǎn)品經(jīng)理和系統(tǒng)開(kāi)發(fā)人員共同確認(rèn)的開(kāi)發(fā)說(shuō)明鐘的功能進(jìn)行所有功能的確認(rèn)工作，保證系統(tǒng)功能符合特定的開(kāi)發(fā)需求。系統(tǒng)測(cè)試系統(tǒng)測(cè)試是將所有的子系統(tǒng)集成在一起形成一個(gè)完整的軟件系統(tǒng)，在不同的環(huán)境、數(shù)據(jù)下綜合測(cè)試該系統(tǒng)的功能，測(cè)試系統(tǒng)的健全性和適配性，在真實(shí)的使用環(huán)境下，對(duì)軟件進(jìn)行一些列相關(guān)測(cè)試。驗(yàn)收測(cè)試驗(yàn)收測(cè)試顧名思義就是在雙方交接的時(shí)候進(jìn)行系統(tǒng)測(cè)試，測(cè)試系統(tǒng)功能是否按照雙發(fā)約定的任務(wù)項(xiàng)目書(shū)中的要求進(jìn)行實(shí)現(xiàn)，如果沒(méi)有按照要求實(shí)現(xiàn)相關(guān)功能，可以拒絕接收系統(tǒng)。7.4系統(tǒng)運(yùn)行測(cè)試表7-1至7-3為例舉的系統(tǒng)模塊測(cè)試：表7-1軋入氧化皮缺陷檢測(cè)測(cè)試用例用例名稱軋入氧化皮缺陷檢測(cè)測(cè)試測(cè)試目的測(cè)試是否正常檢測(cè)到軋入氧化皮缺陷信息測(cè)試前提系統(tǒng)已完成分類學(xué)習(xí)，擁有一定量的訓(xùn)練數(shù)據(jù)集測(cè)試步驟輸入帶有軋入氧化皮缺陷圖像輸入數(shù)據(jù)1.RS_24.bmp；2.RS_67.bmp；預(yù)期結(jié)果1.顯示缺陷類別2.顯示缺陷個(gè)數(shù)測(cè)試結(jié)果檢測(cè)金屬板缺陷為軋入氧化皮缺陷并確定檢測(cè)缺陷個(gè)數(shù)表7-2斑點(diǎn)缺陷檢測(cè)測(cè)試用例用例名稱斑點(diǎn)缺陷檢測(cè)測(cè)試測(cè)試目的測(cè)試是否正常檢測(cè)到斑點(diǎn)缺陷信息測(cè)試前提系統(tǒng)已完成分類學(xué)習(xí)，擁有一定量的訓(xùn)練數(shù)據(jù)集測(cè)試步驟輸入帶有斑點(diǎn)缺陷圖像輸入數(shù)據(jù)1.ln_154.bmp；2.ln_276.bmp；預(yù)期結(jié)果1.顯示缺陷類別2.顯示缺陷個(gè)數(shù)測(cè)試結(jié)果檢測(cè)金屬板缺陷為斑點(diǎn)缺陷并確定檢測(cè)缺陷個(gè)數(shù)表7-3劃痕缺陷檢測(cè)測(cè)試用例用例名稱劃痕缺陷檢測(cè)測(cè)試測(cè)試目的測(cè)試是否正常檢測(cè)到劃痕缺陷信息測(cè)試前提系統(tǒng)已完成分類學(xué)習(xí)，擁有一定量的訓(xùn)練數(shù)據(jù)集測(cè)試步驟輸入帶有劃痕缺陷圖像輸入數(shù)據(jù)1.SC_450.bmp；2.SC_581.bmp；預(yù)期結(jié)果1.顯示缺陷類別2.顯示缺陷長(zhǎng)度測(cè)試結(jié)果檢測(cè)金屬板缺陷為劃痕缺陷并確定檢測(cè)缺陷的像素長(zhǎng)度與實(shí)際長(zhǎng)度對(duì)于軋入氧化皮，斑點(diǎn)，劃痕缺陷以及負(fù)樣本的測(cè)試,測(cè)試結(jié)果如圖7-1至7-4所示:圖7-1斑點(diǎn)缺陷檢測(cè)頁(yè)面圖7-2軋入氧化皮缺陷檢測(cè)頁(yè)面圖7-3劃痕缺陷檢測(cè)頁(yè)面圖7-4負(fù)樣本檢測(cè)頁(yè)面8總結(jié)金屬表面缺陷是工業(yè)生產(chǎn)過(guò)程中不可避免出現(xiàn)的產(chǎn)品問(wèn)題，面對(duì)嚴(yán)峻的市場(chǎng)競(jìng)爭(zhēng)如果不及時(shí)發(fā)現(xiàn)和解決這些問(wèn)題，將會(huì)影響產(chǎn)品的的美觀性，甚至對(duì)金屬的導(dǎo)電性、抗腐蝕性都有一定的影響，把控缺陷檢測(cè)的時(shí)間與質(zhì)量直接影響了企業(yè)在市場(chǎng)上的競(jìng)爭(zhēng)力。傳統(tǒng)人工檢測(cè)不僅消耗了工廠大量的財(cái)力而且檢測(cè)質(zhì)量得不到保證。工人們由于消耗過(guò)量的精力且頻繁做著重復(fù)的工作易產(chǎn)生困倦與疲勞，再加上外部環(huán)境因素如生產(chǎn)車間光線昏暗照射不均的狀況，工人很容易產(chǎn)生錯(cuò)誤判斷，最終導(dǎo)致檢測(cè)結(jié)果摻雜較多的主觀因素，這樣使產(chǎn)品檢測(cè)出來(lái)的質(zhì)量并不可靠?；跈C(jī)器學(xué)習(xí)的計(jì)算機(jī)視覺(jué)技術(shù)可以設(shè)計(jì)出一種非接觸式的金屬表面缺陷自動(dòng)檢測(cè)系統(tǒng)。減少了工廠雇傭大量工人的支出，提高了缺陷檢測(cè)的效率和可靠性。本系統(tǒng)能檢測(cè)金屬缺陷中比較典型的三種缺陷，對(duì)其進(jìn)行分類，并針對(duì)不同缺陷進(jìn)