基于最優Gabor濾波與局部二值模式的物體表面缺陷檢測

摘 要： 通過對物體表面缺陷的研究，提出一種新的缺陷檢測方法。該方法首先利用Gabor濾波器組得到多尺度多方向的濾波圖像，通過代價函數選取缺陷與非缺陷局部反差最大的圖像通道作為最優濾波通道，在最優通道上用LBP算子進一步提取局部特征，最后用支持向量機對其進行分類檢測。該方法應用于織布瑕疵和釹磁鐵表面缺陷檢測，與傳統的Gabor濾波器等表面缺陷檢測方法相比，具有更高的檢測率。

關鍵詞： Gabor濾波； 局部二值模式； 缺陷檢測； 支持向量機

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2015）09?0100?04

Abstract：Based on the research of the object surface defect， a new defect detection method is proposed. Firstly， the filtered images of multi?scale and multi?direction are got by Gabor filters. Then by setting the proper cost function， the channel whose filtered image of the parts of defection with non?defection is most obvious contrast as the optimal filter channel， in which LBP operator is used to extract the further object local feature of the image. Finally the support vector machine is used to classify the features. The experimental results show that applied this method to the detection of fabric defects and neodymium magnets surface， the recognition rate of the proposed method is higher than other surface defect detection methods by using traditional Gabor filters.

Keywords： Gabor filtering； local binary pattern； defect detection； SVM

0 引 言

物體表面的缺陷檢測是一個備受關注且富有挑戰性的研究課題。隨著機器視覺和人工智能技術的發展，基于機器視覺的檢測技術因其低成本、高效益、高品質的檢測性能逐漸代替傳統的人工檢測方法，并應用于木材、鋼板、陶瓷、紡織品和太陽能硅片等各種工業產品表面缺陷的自動檢測中。

物體表面的缺陷檢測實質上是圖像局部紋理特征提取和特征分類的問題。因此，大多數的表面缺陷檢測可以分為兩個部分：

（1） 根據表面缺陷的特點，構造和提取能有效表示缺陷紋理的特征；

（2） 設計一個特征向量分類器，以實現正常表面和缺陷表面的分類。

目前，特征提取算法可分為基于模型的方法（如Markov模型[1]）、基于統計的方法（如灰度共生矩陣[2]和局部二值模式[3]）、基于信號處理的方法（如小波變換[4]和Gabor濾波[5?7]）等。常見的分類器則有傳統的Adaboost分類器[8]、神經網絡分類器[9]和支持向量機（Support Vector Machine，SVM）等。其中，SVM是由Vapnik首先提出[10]，在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優勢。

Gabor濾波在頻域和時域上具有最佳分辨率的特點，能很好地兼顧時域和頻域信息，因而被廣泛應用于紋理分析和描述中。多通道Gabor濾波器組[7]最早由Kumar與Pang提出，它采用16通道（4個尺度、4個方向）對圖像濾波，然后進行圖像融合，實驗結果證實了該方法的有效性，但其缺點是數據冗余量大，運算量較大，容易受噪聲影響。文獻[5]在多通道Gabor濾波器的方法上，用主成分分析（Principal Component Analysis，PCA）來選擇相關的特征，降低了特征維數，檢測率有所提高。

本文針對表面缺陷紋理特征的提取問題，提出了一種基于Gabor小波和局部二值模式的特征提取方法，利用濾波子圖均值的最大值和最小值之差與最小值的比值構成評價函數，從多通道濾波器組輸出的圖像中選取缺陷與背景相差最大的通道作為最優通道，再利用局部二值模式（Local Binary Pattern，LBP）進一步提取表面紋理的特征，最后通過經小樣本訓練的SVM進行表面缺陷的檢測。該方法避免了多通道濾波器組的數據冗余和計算量大的缺點，減少了特征維數，有效提高了檢測效率。最后將該方法應用于布匹瑕疵和釹磁鐵表面的缺陷檢測，取得了滿意的效果。

1 Gabor變換

Gabor變換是一種加窗傅里葉變換，在時域和頻域都具有良好的局部性，常用于紋理的表示和描述。空間域中二維的Gabor濾波器是一個正弦平面波和高斯核函數的乘積，具有在空間域和頻率域同時取得最優局部化的特性，因此能夠很好地描述對應于空間頻率（尺度）、空間位置及方向選擇性的局部結構信息。二維Gabor函數空間表達的一般形式如下：

2 最優濾波通道的選擇

由于Gabor基函數并不能構成一組正交基，多通道Gabor濾波器提取的特征具有冗余信息，不是所有的特征都對識別有效。因此，本文應用文獻[6]中Ajay Kumar提出的優化代價函數，從多通道濾波中選擇缺陷與無缺陷局部反差最大的通道作為優化選擇通道。具體步驟流程如下：

（1） 缺陷圖像經多通道Gabor濾波后得到幅值圖像[Ipq，][pq]表示某一通道，[pq=1，2，…，S×L。]

（2） 將通過[pq]通道濾波后的幅值圖像分割成相同大小的子圖，求出子圖均值的最大值和最小值分別記為[Dpqmax]和[Dpqmin。]

（3） 將[pq]通道子圖均值最大和最小值之差與最小值的比值作為代價函數，如下式所示：

[J（pq）=Dpqmax-DpqminDpqmin] （8）

（4） 求出所有通道的代價函數值，選取代價函數最大值的通道作為最優濾波通道。

3 局部二值模式

局部二進制模式LBP最早是作為一種有效的紋理描述算子提出的。應用LBP算子的過程與濾波過程中的模板操作相類似，逐行掃描圖像，以圖像中的每一個像素點的像素值為閾值，對其周圍的3×3的8鄰域進行二值化，按照一定的順序將二值化的結果組成一個8位二進制數，并以此二進制數的值（0～255）作為該點的響應。在整個逐行掃描過程結束后，得到一個LBP響應圖像，這個響應圖像的直方圖被稱為LBP統計直方圖，作為識別的特征，也稱為LBP特征。圖1給出了3×3矩形區域中像素值為5的中心像素LBP特征值：LBP=64+32+16+1=113。

為減少冗余的LBP模式，同時保留足夠多的具有重要描繪能力的模式，本文采用統一化模式。所謂的統一模式是指在將局部二進制模式的二進制位串視為循環的情況下，其包含的從0到1或者從1到0轉變不多于兩個的模式。在隨后的LBP直方圖的計算過程中，只為統一化模式分配單獨的直方圖收集箱，而所有的非統一化模式都被放入一個公用的收集箱，這就使LBP特征的數目大大減少。一般來說，保留的統一化模式往往是反映重要信息的那些模式，而那些非統一化模式中過多的轉變往往由隨機噪聲引起，不具有良好的統計意義。

4 基于最優Gabor濾波與LBP的物體表面缺

陷檢測

基于最優Gabor濾波與LBP的物體表面缺陷檢測的基本原理如下：首先利用Gabor濾波器組得到多尺度多方向的濾波圖像，然后利用濾波圖像均值的最大值和最小值之差與最小值的比值構成評價函數，從濾波圖像中選取缺陷與背景相差最大的最優通道，利用LBP在最優通道提取LBP特征直方圖作為識別特征，最后由SVM實現表面缺陷的檢測。

該方法分為訓練和測試兩個部分，其流程步驟如下：

（1） 圖像預處理：對圖像進行中值濾波，并在圖像尺寸上進行規格化處理。

（2） Gabor濾波：采用4個尺度[（S=4，]最大頻率[fmax=12，]間隔因子[f=18）、]8個方向[L=8，θ=π8，π4，][3π8，π2，5π8，3π4，7π8，π]共32組濾波器組對規格化圖像濾波，得到不同尺度和方向上的濾波幅值圖像。

（3） 選取最優通道：將濾波圖像分成4個子圖，根據式（8）選取其中評價函數最大的通道作為最優濾波通道。

（4） 提取LBP特征：對最優濾波通道輸出的圖像，采用統一化模式，提取LBP特征直方圖，并將得到的圖像數據采用最大最小規格化方法，線性地縮放各個屬性到[-1，1]范圍。

（5） SVM訓練：針對訓練樣本，利用上述4個步驟，得到訓練樣本的圖像特征規格化數據，將其作為支持向量機的輸入向量；支持向量機選擇RBF核函數，采用網格尋優的方法得到最佳的懲罰參數和核函數參數，最終得到支持向量機的訓練模型。

（6） 缺陷檢測：將測試樣本經過上述（1）～（4）步驟得到規格化的圖像特征數據，輸入到支持向量機的訓練模型中，進行特征的分類以檢測缺陷。

5 實驗結果與分析

在實驗中，將本文方法應用于布匹瑕疵和釹磁鐵表面缺陷檢測。布匹圖像是由一組線陣工業CCD相機拍攝獲得，其中每個CCD相機分別拍攝整幅布匹的某一部分，對各個CCD相機的子圖像進行瑕疵檢測，判定布匹的瑕疵及其位置。釹磁鐵表面的圖像是由LED光源、工業CCD相機和一個黑盒結構采用光柵投影法獲得的一種光柵條紋圖像，對于表面無缺陷的釹磁鐵其圖像呈現為一種平行規整的光柵條紋，而表面有缺陷（如麻坑、砂眼、劃痕和裂紋等）的釹磁鐵其圖像則呈現出光柵條紋紊亂的現象。圖3和圖4分別給出了上述兩種圖像的示例。

本實驗中得到布匹圖像和光柵條紋圖像各160幅，其中有缺陷和無缺陷圖像各為120幅和40幅。在兩組實驗中，都隨機抽取了有缺陷的80幅圖像和無缺陷的20幅圖像構成訓練集，其余有缺陷的40幅圖像和無缺陷的20幅圖像構成測試集。表1給出了本文方法在上述兩組實驗中訓練集和測試集的識別率，表2給出了上述兩組實驗中本文方法與其他常用檢測方法對測試集的實際檢測結果。

從上述兩組實驗的實際檢測結果可以看出，本文所提出的方法的檢測率均優于傳統的Gabor濾波器方法，其特點如下：

（1） 增強了缺陷特征，提高了算法的效率。通過構建一個合適的評價函數來選取最優濾波通道，在增強了表面缺陷與背景的差異，突出缺陷特征的同時，也避免了多通道數據的冗余和計算量大的缺點。

（2） 降低了特征的維數，提高了缺陷檢測率。與原始紋理特征集的維數相比，通過提取最優濾波圖像的LBP直方圖特征作為識別特征，采用統一化模式，將特征集維數降至59，局部特征得到進一步增強，提高了物體表面缺陷的檢測效率。

6 結 語

本文方法對缺陷圖像進行多通道Gabor 濾波，應用代價函數選擇最優通道，將濾波圖像的LBP特征直方圖作為支持向量機的特征向量，相比其他方法，表面缺陷檢測的準確率有了明顯的提高，并成功地應用于布匹、釹磁鐵等表面缺陷檢測。在后續研究中，如何進一步降低特征向量的維數，提高算法的效率，還有待進行深入研究。

參考文獻

[1] WANG Xiao?song， Mirmehdi M. Archive film defect detection and removal： An automatic restoration framework [J]. IEEE Transactions on Image， 2012， 21（8）： 3757?3769.

[2] LAL R J， SUNIL K， ANKIT C. Fabric defect detection based on GLCM and Gabor filter： A comparison [J]. Optik?international journal for light and electron optics， 2013， 124（23）： 6469?6474.

[3] BERND S R， DANIEL W， HENDRIK T. Automated surface inspection of cold?formed micro?parts [J]. Cirp annals?manufacturing technology， 2012， 61（1）： 531?534.

[4] WEI Chen?li， DU M T. Wavelet?based defect detection in solar wafer images with inhomogeneous texture [J]. Pattern Recognition， 2012， 45（2）： 742?756.

[5] 徐卓飛，張海燕，徐倩倩，等.印刷星標的Gabor紋理特征分析與自動識別研究[J].計算機工程與應用，2014，50（17）：230?235.

[6] KUMAR A， PANG G. Defect detection in textured materials using Gabor filters [J]. IEEE transactions on industry applications， 2002， 38（2）： 425?440.

[7] KUMAR A， PANG G. Fabric defect segmentation using multichannel blob detectors [J]. Optical Engineering， 2000， 39 （12）： 3176?3190.

[8] CORD A， CHAMBON S. Automatic road defect detection by textural pattern recognition based on AdaBoost [J]. Computer?aided civil and infrastructure engineering， 2012， 27（4）： 244?259.

[9] WEIMER D， THAMER H， REITER B S. Learning defect classifiers for textured surfaces using neural networks and statistical feature representations [C]// Forty sixth CIRP conference on manufacturing systems 2013. [ S.l.]： Procedia CIRP， 2013， 7： 347?352.

[10] BERNHARD S， SUNG K K， BURGES C， et al. Comparing support vector machines with Gaussian kernels to radial basis function classifiers [J]. IEEE Transactions on Signal Proces?sing， 1997， 45（11）： 2758?2765.

[11] 李益紅，盧朝陽，李靜，等.一種新的Gabor 優化選擇檢測算法及應用[J].計算機工程與應用，2012，48（5）：4?6.

[12] 張士可，路林吉.基于圖像紋理的車位識別方法[J].微型電腦應用，2013，30（6）：45?47.