光纖缺陷實時檢測與分類方法研究

劉小勇,鄭琨

(西安交通大學電子與信息工程學院, 710049, 西安)

光纖缺陷實時檢測與分類方法研究

劉小勇,鄭琨

(西安交通大學電子與信息工程學院, 710049, 西安)

針對人工檢測高速運動光纖表面缺陷的效率低、準確性差、難以實時檢測等問題,設計實現了一套基于機器視覺的快速光纖缺陷檢測系統。定義光纖缺陷,建立分類數據庫和分類標準;設計全方位數據采集系統自動連續獲取光纖表面圖像信息,輸入工控機進行處理;提取光纖目標區域,獲得光纖缺陷形態學特征數據;針對光纖缺陷特點和AdaBoost分類器的優缺點,設計了一種改進的基于形態特征的AdaBoost級聯分類器用于光纖缺陷檢測與分類,實現了光纖質量的實時監控。最后,將改進算法與標準AdaBoost算法在實際工業環境下進行對照實驗,實驗數據表明,改進算法的準確率達到99%以上,同時能大幅減少檢測耗時,證明了所設計的檢測系統具有很好的實時性和準確性。

光纖缺陷;快速檢測;形態特征;AdaBoost級聯分類器

光纖制導導彈所用線包在繞制之前必須進行光纖表面缺陷檢測,以保證其完整性。目前通常依靠人工檢測:檢查者觀察采集系統拍攝到的光線表面圖像,人工判定是否存在缺陷。檢查者需要連續工作,容易疲倦,導致檢查效率低下,且人工檢測難以保證標準一致,產品質量不穩定。線包繞制過程中,光纖行進速率通常為1～1.5m/s,人眼在這樣的速度下很難看清光纖上的缺陷,人工檢測只能通過降低繞制速度提高檢測準確率,但這樣不利于實現光纖的全自動繞制。因此,設計一種非接觸式的、實時可靠、成本低、自動化程度高的光纖缺陷檢測分類方法具有重要的現實意義,而機器視覺檢測技術為該問題提供了可行的解決方案。

機器視覺檢測技術利用圖像采集系統獲取圖像,采用圖像處理算法提取圖像中的關鍵信息,運用各種分類識別算法檢測出目標。提取信息的方法主要分為兩類:一類是頻域分析法,貢玉南等[1]設計Gabor濾波器檢測織物疵點,此類方法適合具有一定規律紋理的圖片;另一類是分析空間域檢測圖像中的形態學信息法,胡濤等[2]采用聯通區域獲取PCB板目標區域,采用輪廓匹配算法識別PCB缺陷,這種方法適合標準形狀目標中缺陷的檢測。分類識別算法有支持向量機、神經網絡分類器、主成分分析等算法。這些方法多面臨計算量大或者訓練周期較長的問題,故不適應實時性要求高的系統。

缺陷檢測的問題關鍵在于目標信息的提取和識別算法的設計,要根據實際問題的特點設計合適的方法。本文中需要檢測的光纖缺陷主要有黑斑、表面損傷和線徑異常3種,這些缺陷會造成光纖斷裂和繞制不均勻。黑斑是由于光纖加強層制造過程中摻入雜質所致,呈現不規則斑點形狀;表面損傷是由于加強層制造完成后受到破壞所致,嚴重的情況會損傷到光纖纖芯,呈現不規則邊緣凹陷和凸起;線徑異常是由于加強層過厚或者過薄造成,異常部位的直徑大于或者小于光纖標準直徑。根據這些缺陷的特點,提取了缺陷目標形態特征,設計了級聯的AdaBoost分類器對其進行分類。AdaBoost是一種迭代算法,可以通過組合多個弱分類器形成高精度的強分類器,對弱分類器的精度要求低。對于系統實時性要求高的特點,本文設計了一種改進的AdaBoost算法,用形態學特征值代替AdaBoost常用的矩形特征值,大幅減少特征值數量從而降低分類器計算量,減少分類器耗時,同時級聯多個分類器來減少平均檢測時間,最終滿足系統實時性要求。

1 光纖檢測系統硬件結構

光纖缺陷檢測系統由圖像采集系統、速度檢測模塊和工控機組成。數據采集系統結構圖如圖1所示,包括光源、高放大倍數的鏡頭和面陣工業相機。光纖速度檢測模塊由基于PCI總線的編碼器、正交脈沖計數卡及編碼器組成。

圖1 光纖缺陷檢測圖像采集系統示意圖

3個工業相機安裝在垂直于光纖的同一個平面上,互成120°角,同時采集3路圖像,以便獲取完整的光纖表面信息。系統工作時,光纖在導輪上運動,帶動編碼器旋轉,編碼器輸出信號進入脈沖計數卡,工控機通過該卡板獲得光纖位置和速度信息,光纖運行一幀圖像實際長度后,板卡輸出相機觸發信號,工業相機獲得觸發信號抓取圖像并傳回給工控機,工控機讀取數據進行缺陷檢測。如果檢測到缺陷,工控機將圖像數據和缺陷信息保存到數據庫中,并且顯示缺陷信息到人機界面上。缺陷信息包括缺陷類型、缺陷程度、缺陷在光纖的位置、光纖速度和光纖實測線徑等數據。

2 缺陷檢測與分類算法

2.1 檢測算法性能需求分析

系統要求能夠識別出大于0.2mm×0.2mm的缺陷,最低分辨率應滿足一個像素對應0.04mm2。為便于精確檢測,保留一定的冗余量,一個像素對應4×10-4mm2,即最小的黑斑缺陷對應100個像素。采用分辨率為640×480的相機,其水平視場的極限為12.8 mm。光纖的運動速度最大為1.5m/s,為保證拍攝到光纖表面所有缺陷,圖像幀率為139。系統采用3個相機同時工作,1 s內需要處理的圖像數量為417幀,每幀圖像的處理時間為2.4ms。缺陷檢測分類算法既要保證檢測分類的準確性,又要滿足系統實時性的要求。

2.2 目標區域提取

采集到的圖片普遍存在邊緣模糊、對比度偏弱、目標區域難以提取等問題,因此采用方形模板的中值濾波器對圖像進行濾波,并進行對比度線性展寬和γ校正相處理,從而提高光纖圖像的清晰度和對比度;然后采用最大類間差法[3]選擇分割閾值來區分背景,提取目標區域,同時對圖像進行閉運算等一系列形態學處理,消除目標邊緣毛刺內部細小孔洞,并根據目標區域的面積、長度等信息最終找到圖片中的光纖目標。

2.3 基于矩形特征的AdaBoost分類器檢測算法

(1)AdaBoost算法[4]通過組合多個弱分類器構造出高精度強分類器,其基本原理是:對樣本集進行訓練,若樣本沒有被當前弱分類器正確分類,則在訓練下一個弱分類器時該樣本被選入訓練集的概率增加;若被正確分類,則概率減小。算法能夠聚焦于更多信息的樣本上,從而提高分類的準確度。

假設X表示樣本空間,Y表示樣本標識集合,S={(x1,y1),(x2,y2),…,(xN,yN)}表示訓練樣本集合,xi∈X,yi∈Y,i=1,2,…,N。AdaBoost算法如下[5]:

{初始化樣本的權值,

fort=1,2,…,T(T表示迭代過程的輪數)

①根據樣本權值Dt,調用弱學習算法獲得弱分 類器ht:X→Y;

如果εt≥0.5,終止算法;

③計算樣本權值

at表示第t輪產生的弱分類器ht(x)的權重,由第t輪分類錯誤的樣本權值和εt決定,εt越小表示ht(x)越重要,權重越大。}

Freund等首先從理論上推導出了H(x)的訓練誤差邊界[5-6]

(1)

由式(1)可知,增加迭代次數和弱分類器數量,可以降低總體分類誤差上限,提高強分類器對樣本的分類精度。

(2)AdaBoost分類器通常采用矩形特征[7-8],常用的5個矩形特征模板如圖2所示。

圖2 AdaBoost分類器常用的矩形特征模板

矩形特征值為黑色區域的像素灰度值的和與白色區域的像素灰度值的和的差值。假設圖像大小為W×H,特征模板大小為w×h,那么樣本圖像產生的特征數量可由下式計算

對于圖2所示的5種特征模板,20×20的圖像有88 460種矩形特征,矩形特征的數量遠遠超出了圖像的像素數。

(3)Adaboost分類器具有很強的泛化能力,通過增加弱分類器個數和迭代次數能夠達到很高的準確性,但是Adaboost分類器也有不足之處:訓練周期長,樣本數據多,需要對大量特征值多輪迭代生成多個弱分類器,耗費大量時間;分類耗時長,獲取特征值計算量大,大量的特征值導致強分類器中包含大量弱分類器,分類計算復雜,難以實現實時檢測。

2.4 改進的AdaBoost級聯分類器

本文根據實際情況,提出用具有實際物理意義的形態特征值代替常用的矩形特征值的AdaBoost級聯分類器方法。該方法可以大幅減少特征值數量,減少了分類器的計算量,滿足了系統的實時性要求,并且所有的特征值在缺陷上有對應的含義,操作人員可以在人機界面輸入參數來干預分類過程。

(1)AdaBoost算法中需要大量訓練樣本,樣本的數量和質量直接關系到算法的性能。本文的樣本數據全部采用實際環境中不同角度拍攝的光纖圖像,以確保訓練樣本和實際檢測樣本的一致性。

(2)光纖圖像通過處理可以獲得帶有實際物理意義的特征值。對所有需要檢測的光纖缺陷進行粒子分析,獲取粒子面積、粒子周長、孔的個數、孔的面積、粒子的邊界信息等數據。這些數據作為分類器的特征值能夠準確描述光纖和缺陷的形態特征。

(3)采用閾值分類作為弱分類方法。訓練弱分類器就是根據當前特征和當前權重分布,確定對應的最優閾值θ*,使得這個弱分類器對所有訓練樣本的分類誤差最低。采用從累積直方圖中查找閾值θ的方法[9]求解θ*,具體操作步驟是:計算所有訓練樣本的特征值,統計每個特征值對應下的缺陷圖片占總樣本數目的比例和正常圖片占總樣本數目的比例,進一步獲取缺陷圖片累積數量和正常圖片累積數量占圖片總數的比例,如圖3所示,f(x)代表特征值,S代表圖片累積數量占圖片總數量的比例,在特征值閾值θ下,Sf是判斷為缺陷的圖片數占樣本總數的比例,Sn是判斷為正常圖片的數目占樣本總數的比例。

圖3 最優閾值計算方法

該閾值分類器的分類誤差為

e=1-Sf+Sn

(2)

計算所有的特征值f(x)對應的分類誤差e,找出最小分類誤差所對應的閾值,該閾值就是最優分類閾值θ*,利用這個最優閾值生成一個弱分類器。

(4)通過AdaBoost分類器級聯研究實際光纖樣本圖片發現,在所有圖片中缺陷圖片所占比例較小,低于10%,具有明顯的正負樣本分布不均衡、不對稱的特點,這樣的特點適合采用級聯分類器[10]。在圖4所示的級聯分類器中,每個分類器的分類對象輸入是前一級分類器的未識別對象輸出,已經識別的對象不再進入下一級分類器,各級分類器通過輸入不同的特征向量和內部運算對分類對象進行分類。

圖4 級聯分類器結構

假定第i個分類器的識別率、拒識率和誤識率分別用ri、δi和mi來表示,則整個系統的識別率

(3)

整個系統的拒識率

(4)

整個系統的誤識率

(5)

式中:δj=1-rj-mj。

由式(3)知,增加分類器級數,可以提高識別率。根據光纖缺陷的特點,設計了如圖5所示的AdaBoost 3級分類器。第1級分類器算法簡單,采用目標粒子數據作為特征值,可以過濾大部分正常圖像,大大減輕了2、3級分類器的負荷,減少了平均檢測時間。第2級分類器采用邊緣信息作為分類器特征值,第3級分類器采用線徑大小作為分類器特征值。2、3級分類器特征值數量增多,包含較多弱分類器,可對缺陷進行精確劃分。

圖5 光纖缺陷檢測3級分類器

針對AdaBoost分類器只能進行正負樣本分類的問題,本設計將多分類問題轉化為多個二分類問題,每1級分類器中有2個并聯的AdaBoost分類器。

3 測試結果

本文設計的光纖缺陷檢測系統運行平臺為Intel i7-2600處理器,主頻3.4GHz、8 GB內存的工控機。機器視覺圖像方法在光纖缺陷檢測中鮮有應用,作為對照,本文在該平臺采用常用的矩形特征值的標準AdaBosst算法進行測試。系統要求檢出大于0.2mm×0.2mm的黑斑缺陷,寬度大于0.2mm的外表損傷缺陷,超出光纖直徑5%的線徑異常缺陷。

2種方法經長時間循環測試,獲取了大量實驗數據,如表1和表2所示,由于訓練樣本和實際使用環境中的檢測樣本一致性較高,缺陷形態種類完善,所以2種算法對3種缺陷的檢測率都達到了97%以上,改進算法達到99%以上。改進的AdaBoost算法對外表損傷缺陷有相對較多的誤檢是由于光纖上的粘結劑碎屑干擾了檢測。標準算法對黑斑缺陷和外表損傷缺陷的檢測率高于改進算法,并且有更低的誤檢率,但是對線徑異常缺陷的檢測率低于改進算法。這是由于線徑異常缺陷較難在矩形特征中體現出來,而采用形態學特征很容易檢測這樣的缺陷。

表1 改進的AdaBoost分類器檢測結果統計

表2 標準AdaBoost分類器檢測結果統計

2種算法進行圖像處理與缺陷檢測的耗時如表3和表4所示。改進的AdaBosst算法處理與檢測正常光纖圖像的平均耗時為1.28 ms,檢測有缺陷光纖圖像耗時3.16 ms。在處理與缺陷檢測算法中,采用隊列結構用于平均圖像的處理和檢測時間,能夠保證平均處理時間在2.4ms以內,在光纖以1.5m/s的速率繞制過程中檢測沒有丟失數據,滿足系統的實時性要求。標準AdaBoost算法由于不針對具體特征,使用分類器級聯效果不明顯,正常光纖和有缺陷光纖檢測耗時都為16 ms以上,不能滿足系統實時性的要求。

表3 改進AdaBosst算法耗時 ms

表4 標準AdaBoost算法耗時 ms

4 結 論

AdaBoost分類算法通過組合多個結構簡單、準確性要求不高的弱分類器構造出任意精度的強分類器。本文首次嘗試將此分類器應用于光纖缺陷檢測系統,根據實際光纖缺陷的特點,針對通常采用的矩形特征值數量多、計算量大的問題,提出了采用光纖缺陷形態數據作為特征值的改進方法,大大減少了分類器的運算量和檢測耗時,并設計了AdaBoost級聯分類器以提高檢測精度,并減少平均檢測時間。與標準Adaboost算法對比,改進算法能夠達到與標準算法相同的檢測精度,同時大大縮短了檢測時間,滿足了系統的實時性要求。經實際測試,改進算法的光纖缺陷檢測系統工作穩定、準確率高,較好地實現了對快速運動光纖缺陷的實時檢測。

[1] 貢玉南, 華建興, 黃秀寶. 基于匹配Gabor濾波器的規則紋理缺陷檢測方法 [J]. 中國圖象圖形學報, 2001, 6(7): 14-18.

GONG Yunan, HUA Jianxing, HUANG Xiubao. Regular texture defect detection based on matched Gabor filters [J]. Journal of Image and Graphics, 2001, 6(7): 14-18.

[2] 胡濤. 基于輪廓對比的PCB裸板缺陷檢測算法研究 [D]. 武漢: 華中科技大學, 2009.

[3] OTSU N. A threshold selection method from gray-level histograms [J]. Automatica, 1975, 11(1): 23-27.

[4] FREUND Y, SCHAPIRE R E. A decision-theoretic generalization of on-line learning and an application to boosting [J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139.

[5] LIENHART R, KURANOV A, PISAREVSKY V. Empirical analysis of detection cascades of boosted classifiers for rapid object detection [C]∥Proceedings of the 25th German Pattern Recognition Symposium. Berlin, Germany: Springer, 2003: 297-304.

[6] SCHAPIRE R E, SINGER Y. Improved boosting algorithms using confidence-rated predictions [J]. Machine Learning, 1999, 37(3): 297-336.

[7] PAUL V, MICHAEL J. Robust real-time object detection, TR CRL 2001-01 [R]. Cambridge, UK: Cambridge Research Laboratory, 2001.

[8] VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features [C]∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Piscataway, NJ, USA: IEEE, 2001: 511-518.

[9] MEYNET J. Fast face detection using AdaBoost pattern recognition[EB/OL]. [2003-07-16]. http:∥ftp.utcluj.ro/pub/users/nedevschi/AV/References/B3_Face%20detection/Meynet 2003_923.pdf.

[10]趙鋒, 薛惠鋒, 王偉, 等. 采用多級分類器的手寫數字識別技術研究 [J]. 微電子學與計算機, 2006, 30(12): 30-32.

ZHAO Feng, XUE Huifeng, WANG Wei, et al. Handwritten digit recognition technology based on multistage classifying device [J]. Microelectronics & Computer, 2006, 30(12): 30-32.

(編輯 趙煒)

ResearchonOpticalFiberDefectReal-TimeDetectionandClassification

LIU Xiaoyong,ZHENG Kun

(School of Electronics and Information Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

A real-time optical fiber defect detection system based on machine vision is designed to solve the problem that manual method is inefficient and imprecise in detecting fast moving fiber. Fiber defects are defined to establish a database and criterions for classification. Continuous fiber images captured automatically by 3industrial cameras are transmitted to IPC for classification, and the IPC obtains morphological characteristics data of defects in fiber target after image processing. An advanced AdaBoost cascade classifier based on morphological characteristics is designed to analyze the defect image features. The advanced AdaBoost method and the classical AdaBoost method are tested under industry condition, and detection results show that the detection accuracy of the system with advanced AdaBoost is over 99% but the system with advanced AdaBoost takes much less time. It can be concluded that the proposed detection method has good real-time performance and a high detecting accuracy.

optical fiber defect; fast detection; morphological characteristics; AdaBoost cascade classifier

2014-03-20。

劉小勇(1972—),男,副教授。

時間:2014-07-03

10.7652/xjtuxb201409001

TP274

:A

:0253-987X(2014)09-0001-05

網絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20140703.1129.001.html