基于SVM的濾光片表面缺陷識別方法

吳俊芳，劉桂雄，付夢瑤，王小輝

（1.華南理工大學理學院，廣東廣州510640；2.華南理工大學機械與汽車工程學院，廣東廣州510640；3.廣州市光機電計算研究院，廣東廣州510663）

?

基于SVM的濾光片表面缺陷識別方法

吳俊芳1，劉桂雄2，付夢瑤2，王小輝3

（1.華南理工大學理學院，廣東廣州510640；2.華南理工大學機械與汽車工程學院，廣東廣州510640；3.廣州市光機電計算研究院，廣東廣州510663）

摘要：針對目前濾光片表面缺陷識別普遍采用人工方式，成本高、無法滿足實時性等問題，提出一種基于有向無環圖支持向量機（DAG-SVM）的濾光片表面缺陷識別方法。該方法結合濾光片常見缺陷的特點，設計出包含3個結構簡單、性能優良的二分類器的濾光片表面缺陷識別方法，克服多分類器算法復雜、難以保證分類正確率的問題。實驗結果表明：該方法對濾光片的點缺陷、印子缺陷、劃痕缺陷及崩缺陷的識別正確率為100%。

關鍵詞：濾光片；表面缺陷；分類識別；支持向量機

0　引言

機器視覺技術，是一門涉及人工智能、圖像處理、模式識別等諸多領域的交叉學科，目前已廣泛應用于機械制造、農業生產、醫藥醫療、智能交通等產業的在線質量檢測[1-4]。光學薄膜濾光片廣泛應用于光通信、激光技術、光學成像與檢測等領域，在微型攝像頭、生物醫學儀器、先進激光系統中起著重要作用。根據國家標準GB/T 1185——2006《光學零件表面疵病》，濾光片的表面缺陷主要包括點、斑印、劃痕、崩[5]4種。濾光片產品表面缺陷的檢測目前普遍采用人工逐片檢測的方法，檢測效果受操作人員的影響較大，且效率低，不能滿足現代工業需求。若采用一個多分類器同時識別多種缺陷，存在算法復雜、耗時長等問題，難以保證分類效率[6-7]。針對多分類器的這些缺陷，本文提出一種基于有向無環圖支持向量機（DAG-SVM）的濾光片表面缺陷識別方法，設計分類決策樹，利用3個基于SVM的二分類器逐一識別各類缺陷，有效提高缺陷識別正確率。

1　支持向量機多分類原理

1.1支持向量機

支持向量機（SVM）是Vapnik在1995年提出的一種基于結構風險最小化準則的學習方法，是借助最優化方法解決機器學習問題的一種二分類工具，對小樣本、非線性以及高維識別問題更有優勢[8-12]。其網絡模型圖如圖1所示，它的主要思想是將輸入通過非線性變換到一個高維空間，然后在該高維空間中求取一個最優線性分類面。其中非線性變換通過一個內積函數實現，即支持向量機的核函數。本文采用高斯徑向基核函數，其表達式為

圖1　SVM網絡模型圖

1.2多分類模型

實際使用中常須對多個類別進行分類，通常采用將多個二分類SVM進行組合。組合的多類分類模型主要包括一對多（OAA）模型，一對一（OAO）模型和有向無環圖（DAG）模型[13]。

對N分類問題，OAA模型構造N個二分類SVM，第i個SVM用第i類中的訓練樣本作為正樣本，其他樣本作為負樣本進行訓練。最后決策函數輸出值最大的類別就是樣本的類別。這種方法容易出現分類重疊和不可分現象。OAO模型構造N（N-1）/2個二分類SVM，每個分類器只針對兩類數據進行訓練，采用投票法對未知樣本進行預測。這種方法改善了OAA模型的不可分程度，但識別一個樣本需要進行N（N-1）/2次分類計算，分類效率低。DAG模型是OAA和OAO模型的改進，構造N（N-1）/2個二分類SVM排列成N-1層，一個4分類的DAG-SVM結構圖如圖2所示。DAG-SVM模型對一個未知樣本分類時，自上而下，根據當前節點的分類結果轉向下層的左節點或右節點繼續分類，直到得到該樣本類別。這種方法只需對樣本進行N-1次判別，分類效率較OAA和OAO大大提高。

圖2　4分類DAG-SVM結構圖

2　基于SVM的濾光片表面缺陷分類方法

對濾光片的4種常見缺陷類別編號：點為A，印子為B，劃痕為C，崩為D。分析這4類缺陷的形態可知，點缺陷與斑印缺陷外形較接近矩形，而崩缺陷與劃痕缺陷較為狹長。根據這一特點，本文設計的濾光片表面缺陷識別DAG-SVM決策樹結構如圖3所示。

決策樹包含3個分類器，即Curve-Rectangle分類器、Point-Mark分類器及Scratch-Broken分類器，它們均為二分類SVM。

圖3　濾光片表面缺陷識別DAG-SVM決策樹

3個分類器作用如下：

1）Curve-Rectangle分類器將A類、B類缺陷作為第1類缺陷，C類、D類缺陷作為第2類缺陷。對于輸入該分類器的任一缺陷樣本，若將其判為第1類缺陷，則其缺陷類型為點或印子，接著輸入Point-Mark分類器繼續判斷；若將其判為第2類缺陷，則其缺陷類型為劃痕或崩，接著輸入Scratch-Broken分類器繼續判斷。

2）Point-Mark分類器對Curve-Rectangle分類器判為第1類的缺陷作進一步細分，即將A類缺陷作為第1類缺陷，B類缺陷作為第2類缺陷。對于輸入該分類器的缺陷樣本，若將其判為第1類缺陷，則其缺陷類型為點；若將其判為第2類缺陷，則其缺陷類型為印子。

3）Scratch-Broken分類器對Curve-Rectangle分類器判為第2類的缺陷作進一步細分，即將C類缺陷作為第1類缺陷，D類缺陷作為第2類缺陷。對于輸入該分類器的缺陷樣本，若將其判為第1類缺陷，則其缺陷類型為劃痕；若將其判為第2類缺陷，則其缺陷類型為崩。

濾光片表面缺陷識別流程如圖4所示，主要步驟為采集濾光片圖像、圖像預處理、缺陷特征參數計算、缺陷分類識別。其中，圖像預處理主要包括邊緣檢測、形態學處理等；缺陷特征參數包括缺陷的幾何特征、形狀特征及Hu不變矩等10個特征值，如表1所示。表中缺陷ROI即包含缺陷區域的外接矩形，且該矩形的長、短邊與圖像像素排列方向一致。

3　測試結果和分析

濾光片表面缺陷圖像采集裝置主要包括CCD相機、鏡頭、數據采集線、光源、相機支架、待檢濾光片及托盤等。

實驗中首先拍攝濾光片圖像，然后依次進行邊緣檢測、形態學處理、缺陷ROI提取等處理。圖5為濾光片4種缺陷的圖像采集及預處理結果，其中圖5（a）為缺陷的原始圖像，圖5（b）為相應缺陷的邊緣檢測結果，圖5（c）為對圖5（b）進行膨脹處理及二值化的形態學處理結果，圖5（d）為對圖5（c）中的缺陷區域進行ROI提取的結果，ROI邊界以紅線表示。

對每個缺陷樣本計算表1所列特征值，表2為每種缺陷樣本的特征值計算實例。

選取200個樣本完成濾光片表面缺陷分類實驗，其中150個樣本用于訓練，50個樣本用于測試。考慮實際生產中各類缺陷出現概率不同，訓練樣本及測試樣本中各類缺陷所占比例應與該缺陷實際出現概率相同。實驗中各類缺陷樣本數量如表3所示。

圖4　濾光片表面缺陷識別流程圖

表1　濾光片表面缺陷特征參數

表4是各類缺陷樣本的編號，其中缺陷樣本Xi（i=1，…，200）是一個含10個特征值的特征向量。

濾光片分類實驗包括對Curve-Rectangle分類器、Point-Mark分類器及Scratch-Broken分類器的訓練與測試，所用樣本編號如表5所示，測試結果如表6所示。

表2　濾光片表面缺陷特征參數取值

表3　濾光片各類缺陷樣本數量

表4　濾光片缺陷樣本編號

表6結果顯示，3個二分類SVM的分類正確率均達到100%，表明濾光片表面缺陷特征參數的選擇及分類器的設計能夠實現對濾光片4種常見表面缺陷（點缺陷、印子缺陷、劃痕缺陷及崩缺陷）的正確分類。

圖5　濾光片4種缺陷的圖像采集及預處理結果

表5　各分類器所用樣本

表6　分類器測試結果

4　結束語

本文基于支持向量機，分析濾光片4種常見表面缺陷（點缺陷、印子缺陷、劃痕缺陷、崩缺陷）的特點，提出了包含3個二分類SVM的濾光片表面缺陷識別方法。實驗結果表明，所設計的基于DAG-SVM濾光片表面缺陷識別方法能夠逐一識別濾光片的4類缺陷，缺陷分類正確率為100%。

由于各類產品如鋼板、玻璃等的表面缺陷與濾光片表面缺陷在種類與形態上相似，如均存在印子、劃痕等，因此本文提出的由二分類器構造多分類器的表面缺陷識別思路對其他產品表面缺陷識別具有啟發意義。

參考文獻

[1]刁智華，王會丹，魏偉.機器視覺在農業生產中的應用研究[J].農機化研究，2014（3）：206-211.

[2]侯海飛.基于機器視覺的膠囊表面缺陷的識別與分揀技術研究[D].杭州：浙江大學，2013.

[3]秦玲.基于機器視覺的無人車道路識別[D].西安：西安工業大學，2013.

[4] BENJAMIM X C，GOMES R B. Visual identification of medicine boxes using features matching[C]∥Proceedings of IEEE International Conference on Virtual Environments，2012：43-47.

[5]光學零件表面疵病：GB/T 1185——2006[S].北京：中國標準出版社，2006.

[6]劉懷廣.浮法玻璃缺陷在線識別算法的研究及系統實現[D].武漢：華中科技大學，2011.

[7]汪云云.結合先驗知識的分類器設計研究[D].南京：南京航空航天大學，2011.

[8] FERENCZ A，LEARNED-Miller E G. Building a classification cascade for visual identification from one example[C]∥Proceedings of the Tenth IEEE International Conference on Computer Vision，2005.

[9]范勁松. SVM理論及其應用的研究[D].合肥：中國科學技術大學，2000.

[10] DAMIANO V，SIMONE D F，DINUZZO. Finding potential support vectors in separable classification problems [J]. IEEE Transactions on Neural Networks and Learning Systems，2013，24（11）：799-1813.

[11] CHEN L J，MAO X，XUE Y L. Speech emotion recognition：features and classification models[J]. Digital Signal Processing，2013，22（6）：1154-1160.

[12] CHEN C H，GAN Z L Action Recognition from a different view[J]. China Communications，2013，10（12）：139-148.

[13]朱波，劉飛，李順江.基于優化有向無環圖支持向量機的多變量過程均值異常識別[J].計算機集成制造系統，2013 （3）：559-568.

（編輯：徐柳）

Surface defects classification for optical filters based on support vector machine

WU Junfang1，LIU Guixiong2，FU Mengyao2，WANG Xiaohui3
（1. School of Science，South China University of Technology，Guangzhou 510640，China；2. School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，China；3. Guangzhou Research Institute of Optics-Mechanics-Electricity Technology，Guangzhou 510663，China）

Abstract:As the surface defects of optical filters are commonly identified by artificial manner which is uneconomical and hysteretic，a new surface defects classification methods for optical filter based on directed acyclic graph support vector machine（DAG-SVM）is proposed. The proposed method takes the characters of filter surface defects into account and comprises three two -classifiers which is simple and performs well. It solves such problems as complex algorithm and lower classification accuracy which occur in multi-classifiers. The experimental result indicates that the proposed method can classify the four common types of filters defects，including point，mark，scratch and broken，with the accuracy of 100%.

Keywords:optical filter；surface defects；classification；support vector machine

作者簡介：吳俊芳（1977-），女，講師，博士，主要從事智能傳感與檢測技術研究。

基金項目：廣東省產學研結合引導項目（粵財教[2012]393）中央高校基本科研業務費資助項目（2014ZM0077）

收稿日期：2015-06-07；收到修改稿日期：2015-08-11

doi：10.11857/j.issn.1674-5124.2016.02.021

文獻標志碼：A

文章編號：1674-5124（2016）02-0092-04