ABS齒圈表面缺陷視覺檢測方法

劉磊　陳愛軍　彭偉康　胡佳成

摘要：針對目前汽車零部件制造行業采用人工目測法進行ABS齒圈出廠檢測引起的效率低、速度慢等問題，該文提出一種ABS齒圈表面缺陷視覺檢測方法。首先提取齒圈表面缺陷圖像的幾何特征、灰度特征和紋理特征，構建特征向量，運用主成分分析法對測試樣本特征數據進行降維處理，獲得新的主成分，再利用自適應粒子群算法對SVM模型的關鍵參數進行優化，最后采用多項式核函數的SVM模型作為最佳分類模型對968型號的ABS齒圈進行檢測實驗，并與BP神經元網絡模型檢測結果進行對比。實驗結果表明，采用多項式核函數的SVM齒圈表面缺陷檢測模型實驗效果最佳，檢測正確準確率高達99.4%。

關鍵詞：ABS齒圈;SVM模型;表面缺陷檢測;圖像處理;特征提取

中圖分類號：TP391 文獻標志碼：A 文章編號：1674-5124（2019）08-0145-06

收稿日期：2019-05-15;收到修改稿日期：2019-06-04

基金項目：國家質檢總局科技計劃項目（20171K106）

作者簡介：劉磊（1995-），男，浙江武義縣人，碩士研究生，專業方向為圖像處理、深度學習。

0 引言

制動防抱死系統（ABS）是車輛最基本的安全系統，ABS齒圈是其中的一個核心零部件，它質量的好壞直接影響了ABS系統能否正常工作。因此，為了防止不合格的ABS齒圈投入到汽車生產中影響車輛的安全性能，各生產廠家在齒圈出廠前都會進行全檢。現代的生產工藝中，常用粉末冶金的方法生產ABS齒圈，在配料和液體中加入特粉并攪拌均勻，模壓成型后燒結。在生產過程中，人為因素、機械故障、參數錯誤、裝夾等都會造成齒圈質量不合格，其中由齒圈表面缺陷造成的齒圈質量不合格占了很大的比重，表面缺陷主要分為積液、缺齒和色差3種類型。目前，對ABS齒圈表面缺陷檢測仍然采用人工目測的傳統方法，該方法在待檢齒圈數量較大的情況下，容易引起費時費力、誤差大等問題[1]。

近年來，工業生產上將機器學習技術運用到產品出廠檢測及缺陷識別中已逐漸成為主流，其中使用最為廣泛的兩個機器學習模型為人工神經網絡模型與支持向量機（SVM）模型。例如：南昌航空大學的陳少平等[2]已將BP神經元網絡模型運用到齒輪類零件表面缺陷的識別檢測中;西南科技大學的劉雄祥等[3]運用卷積神經元網絡模型已實現對鐵軌的表面缺陷檢測。但由于這些傳統人工神經網絡模型本身具有一定的局限性（比如，BP神經元網絡模型需要大量的樣本數據，收斂速度慢且存在學習過程中容易收斂于局部最小值的問題[4];卷積神經元網絡檢測對象存在局限性，更適用于具有平移不變性的物體，另外由于卷積神經元網絡中池化層的存在，會將大量有價值的信息丟失，同時存在訓練中忽略整體與部分之間關聯的問題），因此影響了該模型在實際生產中的推廣與應用。而SVM模型在解決小樣本決策問題時具有較強的推廣能力，且能有效解決神經元網絡模型中高維問題和收斂于局部極小值的問題，同時該模型結構較簡單，因此應用于實際生產中具有較強的優勢。

目前，華東理工大學的郭慧等[5]已將SVM模型應用于鋼板表面缺陷中，取得了較好的缺陷識別結果;華東交通大學的涂宏斌等[6]提出的結合主成分分析法的SVM模型，成功的運用于軸承表面缺陷分類中。鑒于SVM自身特有的優點，本文將SVM模型運用于ABS齒圈表面缺陷檢測中，同時對基于4種不同核函數的SVM模型以及BP神經元網絡訓練識別結果進行對比，通過實驗結果比較得到最佳的SVM齒圈表面缺陷檢測模型。

1 表面缺陷檢測方法

本文提出的檢測方法的主要思想是：結合SVM理論與齒圈表面缺陷特征搭建齒圈表面缺陷檢測模型，同時采用粒子群優化算法對模型中的關鍵參數進行最佳選取，利用經過樣本訓練成熟后的SVM齒圈表面缺陷檢測模型對待檢齒圈進行缺陷識別檢測。

1.1 SVM模型

SVM模型主要用于解決線性可分條件下尋找最優分類面的問題，核心思想是尋找一個滿足分類要求的最優分類超平面，該超平面在保證樣本分類準確率的同時，應使分類間隔最大化。二元線性分類問題可以轉化為一個帶約束的最小值問題[7-9]，本文分別選用線性核函數、多項式核函數、高數徑向基核函數、sigmod核函數進行實驗，并將實驗結果進行比較，選取最適合的核函數并最終獲得齒圈表面缺陷檢測模型。

1.2 最佳參數確定

在利用SVM模型進行識別分類時，為了提高識別分類準確率，不僅需要尋找合適的核函數，還需要對懲罰因子C與核參數g進行最佳選取。經典的粒子群算法（particle swarm optimization，PSO）選取最佳參數，其基本原理可以表示為在D維的搜索空間中，先通過粒子群初始化生成一群隨機粒子，再通過更新迭代找到最優解。在每一次迭代過程中，隨機粒子會依據跟蹤個體極值P_idk（粒子本身所找到的最優解）以及全局極值P_gdk（當前整個種群所找到的最優解），并通過式（1）與式（2）來更新自己的速度與位置[10] ：其中，i=1，…，m，m為粒子個數，1≤d≤D，k為迭代次數（k≥0），學習因子c₁和c₂是非負常數，通常設置經驗值都為2，r₁與r₂分別為[0，1]間的隨機數。

本文在經典的PSO算法的基礎上引入簡單自適應變異算子，其基本原理為：在粒子每次更新后，為了防止種群粒子位置速度信息更新過快，對每次參與迭代的隨機數r₁和r₂進行條件限制，若隨機數大于0.5時，則重新初始化粒子。該方法能保持種群多樣性，提高算法尋找更優值的可能性。

利用引入簡單自適應變異算子的PSO對SVM模型中關鍵參數進行最佳選取的算法可以描述為：在（C，g）組成的二維目標搜索空間中確定粒子群大小，即由m個粒子構成一個群，同時，第i個粒子的位置信息可由一個二維向量X_i=（x_i1，x_i2）表示;記第i個粒子更新為歷史最優位置時的數據為P_i=（p_i1，p_i2），整體種群迄今搜索到的最佳位置的數據為P_g=（p_g1，p_g2），第i個粒子的“飛翔”速度數據為V_i=（v_i1，v_i2）。根據公式（1）與公式（2）不斷調整自己的位置與速度信息，其中，m=2，D=2，在粒子每次更新后，根據r₁與r₂的取值判斷是否需要重新初始化，直到迭代完成，輸出最佳參數（C，g）。

1.3 齒圈缺陷特征參數選取

ABS齒圈表面缺陷主要分為3種：積液、缺齒、色差，如圖1所示。這3種缺陷由于具有邊緣特征不規則、位置特征充滿隨機性的特點，無法僅從單一標準實現齒圈缺陷類型識別。因此，本文考慮從幾何特征、灰度特征、紋理特征3個方面選取能夠準確描述缺陷的特征參數。

1）幾何與灰度特征

由于3種類型缺陷連通域大小并不相同，因此，本文選取缺陷連通域內的像素點總數（即缺陷面積）N、伸長比（即與連通域具有相同標準二階中心距的橢圓長軸長與短軸長之比）l、離心率（即與連通域具有相同標準二階中心距的橢圓離心率）e作為初始幾何特征參數。另外，由原始灰度圖像可知，3種類型缺陷區域各自灰度化程度并不一致，因此，本文考慮3種缺陷區域的平均灰度值與灰度方差作為初始灰度特征參數[11]。

2）紋理特征

考慮到3種類型缺陷表面粗糙情況不一，因此，本文運用了統計方法中的灰度共生矩陣提取圖像紋理5個主要特征，即能量（圖像紋理粗細程度）、熵值（圖像中含有信息量的度量）、慣性矩（圖像紋理對比度）、相關性（圖像紋理相似程度）和逆差矩（圖像紋理矩陣中大值元素到對角線的集中程度）作為初始紋理特征參數[12]。

由于3種特征中計算所得到的各特征值難免存在描述重復的問題，容易影響識別過程中的計算效率，因此文本采用主成分分析法（PCA）對特征向量進行主元分析以提高各輸入數據間的相互獨立性，減少數據冗余。主成分分析法的求解步驟為[13]：

a）對原始特征數據進行標準化處理，消除數量級或量綱上的影響;

b）根據得到的標準化矩陣求出相關系數矩陣;

C）根據相關系數矩陣，求出相應的特征值和特征向量;

d）確定主成分，根據累計貢獻率選取大于90%對應指標作為主成分。

2 實驗結果及分析

本文分別選取1800個968型號的ABS齒圈作為訓練樣本，500個同型號的ABS齒圈作為測試樣本。在相同的軟硬件測試環境中，先對每個ABS齒圈表面圖像進行6種缺陷特征（像素面積、灰度均值、灰度方差、嫡值、慣性矩、逆差矩）提取，構成特征向量;然后利用訓練樣本的特征向量對SVM模型中的關鍵參數進行優化，同時通過比較基于4種核函數的SVM模型對ABS齒圈表面缺陷圖像分類結果，確定最佳的核函數;最后利用測試樣本特征向量進行識別，同時與BP神經元網絡模型識別分類結果進行比較，進一步驗證該方法的可行性。測試咐竟采用在Intel CPU，主頻3.90GHz，內存8.0GB的PC機上運用Matlab結合LIBSVM庫對968型號的齒圈表面缺陷圖像進行識別。

2.1 ABS齒圈表面圖像缺陷區域提取

本文利用旋轉電缸帶動被檢ABS齒圈旋轉，同時配合線陣CCD相機進行逐行采集，最終得到ABS齒圈表面展開圖像，如圖2所示。為了獲得齒圈表面缺陷特征參數，首先對ABS齒圈表面展開圖像進行處理，包括截圖、二值化、濾波去噪、圖像取反、消除“U”型背景[14]。以缺齒齒圈表面圖像為例，可得到相應的處理結果如圖3所示。在得到只含有缺陷區域的齒圈圖像后，即可對圖像中的缺陷連通域進行特征參數的提取，為后續利用SVM模型識別做好準備。

2.2 PCA數據降維

根據PCA算法步驟，對訓練樣本中1800×10的特征數據進行主成分分析（設置累計貢獻率大于90%），結果如圖4所示。

圖4中的藍色曲線反映了各主成分的貢獻累計過程，運用PCA法將10維的數據下降為6維，描述特征的數據量減少了40%，一定程度提高了后續識別運算速度。由于前6個主成分的累計貢獻率超過了90%，因此設新生成的前6個主成分為F₁、F₂、F₃、F₄、F₅、F₆，同時結合前6個主成分對應的特征值λ_i以及主成分載荷矩陣Q，根據下式計算各主成分系數a_ij，即：其中，i=1，2，…，10，j=1，2，…，6。在得到各主成分系數后相應的各主成分表達式為：

通過式（4）～式（9）對1800組特征數據進行降維計算構成新的主成分作為SVM模型的輸入因子。

2.3 PSO參數尋優

利用新組成的ABS齒圈訓練樣本表面缺陷特征數據進行參數尋優，先將樣本數據進行歸一化處理，再建立SVM分類模型，初始化參數C和g，同時設置粒子群的維數為2，種群最大數量為20，最大進化數量為200次，速度更新彈性系數為1，種群更新彈性系數為1，學習因子c₁與c₂分別為1.5和1.7。然后將訓練樣本進行交叉驗證意義下的準確率作為自適應PSO法中的適應度函數值，用于評價SVM模型對每一代種群分類精度的高低，并最終實現SVM參數的優化，如圖5所示為粒子群參數尋優適應度曲線，橫軸為進化次數，縱軸為適應度值，即分類準確率;圖中上方曲線表示每一代種群的最佳適應度，下方曲線表示每一代種群的平均適應度。由圖5可知，在粒子群進化200次后，可得到相對應的最佳參數，由于滿足最高驗證分類準確率的（C，g）組合存在多組情況，應選取懲罰參數C最小的那一組數據作為最佳參數，因此，最佳參數C為81.48，g為0.01，且最高適應度（準確率）為99.44%。

2.4 不同核函數缺陷分類比較

將自適應PSO方法獲得的最佳參數組合（C，g）運用到SVM檢測模型中，選取500個測試樣本，分別用4種不同核函數進行預測分類，得到的實驗結果如圖6所示，圖中縱坐標為3種缺陷類型序號，其中積液為1，缺齒為2，色差為3;橫坐標為樣本序號。

基于線性核函數、多項式核函數、高斯徑向基核函數、sigmoid核函數的SVM模型分類識別準確率結果分別為：74.8%、99.4%、77%、31.4%。因此，本文選取多項式核函數作為后續SVM模型ABS齒圈表面缺陷預測識別的核函數。

2.5 SVM模型與BP神經元網絡模型比較

為了進一步驗證SVM模型分類器性能，本文搭建了單隱層BP神經元網絡模型與SVM模型識別分類結果進行對比。該神經元網絡模型輸入層節點個數為6，輸出層節點個數為1，隱層節點數為3。選取與SVM模型中使用的相同的500個測試樣本進行實驗，神經元網絡模型實驗結果與SVM模型分類結果如表1所示。

由表1可知，采用基于多項式核函數SVM模型對于3種齒圈表面缺陷的檢測結果優于BP神經元網絡模型，且準確率高達99.4%。

3 結束語

本文利用SVM模型對ABS齒圈表面缺陷檢測分類進行了實驗研究，得到結論如下：

1）運用PCA法將缺陷圖像的幾何特征（缺陷面積、伸長比、離心率）、灰度特征（灰度均值、灰度方差）、紋理特征（熵值、慣性矩、相關性、逆差矩）對應的特征數據進行降維處理，得到的新6維主成分特征數據輸入到SVM模型中具有較好的實現分類的效果。

2）將通過自適應PSO算法得到的最佳參數組合（C，g）應用到SVM分類模型中，比較4種不同核函數下缺陷識別分類結果，從實驗結果可得，對于ABS齒圈表面缺陷分類問題，選擇基于多項式核函數的SVM分類器準確率最高。

3）通過比較基于多項式核函數的SVM模型與BP神經元網絡模型對ABS齒圈表面缺陷識別分類結果可得，在小樣本、高維數、非線性的條件下，采用SVM模型進行齒圈表面缺陷檢測的方法分類準確率優于BP神經元網絡，且分類準確率高達99.4%。因此，采用基于多項式核函數SVM模型的檢測方法更加適用于解決齒圈表面缺陷檢測分類問題，具有一定的發展潛力和可挖掘空間。

參考文獻

[1]羅雍惠.ABS齒圈和傳感器的應用與研究[J].中國高新技術企業，2010（24）：15-16.

[2]陳少平.基于機器視覺的零件表面缺陷檢測[D].南昌：南昌航空大學，2011.

[3]楊加東，謝明，王麗華，等.基于BP神經網絡的表面缺陷檢測分類[J].機床與液壓，2017，45（16）：160-164.

[4]吳靜，柳世考，鄧堃.基于改進BP神經網絡的故障診斷方法[J].工業儀表與自動化裝置2007（3）：45-48.

[5]郭慧，徐威，劉亞菲.基于支持向量機的鋼板表面缺陷檢測[J].東華大學學報（自然科學版），2018，44（4）：635-639.

[6]涂宏斌，周新建.基于支持向量機的軸承表面缺陷檢測[J].現代制造工程，2006（9）：90-92.

[7]向陽，陳黎，張曉龍.基于支持向量機的帶鋼表面缺陷識別研究[J].工業控制計算機，2012，25（8）：99-101.

[8]王鵬，郭朝勇，劉紅寧.基于支持向量機的槍彈外觀缺陷識別與分類[J].計算機工程與科學，2016，38（9）：1943-1949.

[9]汪曉玲.基于SVM的銀行客戶個人信用評估研究[D].西安：西北工業大學，2007.

[10]和麟，梁麗媛，黃瀟瑤，等.基于粒子群優化SVM的飛機發電機故障診斷[J].計算機測量與控制，2013，21（12）：3237-3239.

[11]黃忠棋.基于 BP神經網絡的墻地磚缺陷檢測技術研究[J].微型機與應用，2014（23）：81-83.

[12]劉佳男.基于機器視覺的水果表面缺陷識別方法的研究[D].無錫：江南大學2012.

[13]王德嘩，李永安.基于PCA算法的辦公建筑能耗影響因子分析[J].建筑節能，2018，46（12）：40-42.

[14]SHEN H，LI S，（i1]D，et al.Bearing defect inspection basedon machine vision[J].Measurement，2012，45（4）：719-733.

（編輯：劉楊）