字典學習在軸承表面缺陷分類中的研究

蘭葉深

摘要：針對傳統軸承表面缺陷圖像分類方法中特征矢量提取困難，分類精度不高的問題，提出一種基于字典學習的軸承表面缺陷圖像分類方法。將圖像稀疏表示和基于Fisher判別準則的字典學習應用在軸承表面缺陷分類檢測中，根據字典學習的判別性稀疏編碼實現對軸承表面缺陷圖像的精確分類。實驗研究結果表明，該算法可以有效的提高軸承表面缺陷的分類精度，在軸承表面缺陷類型的平均分類精度達到95.4%。

關鍵詞：字典學習;稀疏表示;軸承缺陷;Fisher判別

中圖分類號：TH133.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2020）22-0147-02

0? 引言

作為機械基礎零件，軸承被廣泛應用在汽車、航空航天、數控機床等工業領域[1]，軸承表面作為軸承最易損壞的工作面，其質量的優劣，直接影響著軸承的性能、精度和使用壽命[2]。隨著現代計算機技術的快速發展，基于機器視覺的軸承表面缺陷檢測技術也得到了飛速發展[3]，然而，目前很多軸承表面缺陷圖像分類方法中的特征矢量提取大部分是基于人工設計和選擇，導致圖像特征矢量提取困難以及缺陷類別分類精度不高。近年來，稀疏編碼表示因其具有較強的圖像特征表征能力，被廣泛應用在圖像處理領域[4]，而圖像稀疏表示編碼模型往往需要訓練樣本的字典學習獲取圖像特征的稀釋編碼，因此設計有效、通用性能強的學習字典已成為圖像稀疏表示的熱點研究方向。例如，張瑞杰等人[5]針對傳統視覺詞典判別性弱的問題，提出了基于Fisher判別稀疏編碼的圖像場景分類算法，采用Fisher判別約束準則來增強圖像稀疏表示的判別性，并結合支持向量機分類器提高場景分類能力;西安工程大學的任茹[6]根據玻璃纖維布缺陷類別特點，采用HOG+LBP特征提取器對玻璃纖維布缺陷圖像進行降維和預處理，并利用字典學習模型獲取每類缺陷圖像的特征矩陣的特定類字典，實現缺陷的有效分類;北京理工大學的時永剛等人[7]針對現有多圖譜對海馬子圖像分割困難的問題，利用局部二值化特征增強了訓練字典的判別性，通過求解訓練字典中稀疏表示來標記缺陷，最后平均分割準確率達到了89%。

為此，針對傳統軸承表面缺陷圖像分類方法所存在的問題，本文提出了一種基于字典學習的軸承表面缺陷分類方法，將圖像稀疏表示和基于Fisher判別準則的學習字典應用在軸承表面缺陷分類檢測中，根據字典學習的判別性稀疏編碼實現對軸承表面缺陷圖像的精確分類。

1? 算法理論

1.1 圖像稀疏表示理論

稀疏表示在圖像分類中應用較為廣泛，圖像稀疏表示是指將一幅自然圖像通過一個基函數在字典中進行線性疊加表示[8]。設原始圖像為■，基函數字典為■，則D可以用式（1）表達稀疏表示模型。

1.2 字典學習理論

由于稀疏表示中的集合Y中含有大量冗余信息的矩陣[9]，為減少稀疏表示模型求解計算量，采用字典學習獲取有限個簡化的稀疏表示求解過程，傳統字典學習模型如式（4）所示。

1.3 Fisher判別分析

2? 實驗與分析

在某軸承生產企業，在充分了解軸承制造工藝流程的基礎上，對現場軸承表面缺陷進行了圖像采集，常見的軸承表面缺陷類型如圖1所示，有銹斑、磕碰、裂紋、污漬四種典型的軸承表面缺陷。為了對基于Fisher判別準則軸承表面缺陷類型訓練學習字典模型進行準確的評價，分別采集120張每種類型的軸承表面缺陷圖像，采用字典學習的缺陷分類流程對軸承表面缺陷類型進行分類測試（見圖2），并通過分類準確率分類結果進行統計計算：分類準確率=正確分類軸承表面樣本數/總的軸承表面樣本數。

如圖3所示，基于Fisher判別準則的學習字典分類方法在軸承表面缺陷數據集上的收斂性，可知，當迭代次數到達7次以后，算法的損失值逐漸穩定，迭代次數相對其他算法不是很高。圖4為Fisher判別準則Y（X）隨迭代次數的變化情況，可知，隨著迭代次數的增加Y（X）的值越小，說明訓練樣本字典學習判別性能越高，和前述Fisher判別分析的結果一致。圖5為四種缺陷類型的分類準確度，可知，學習字典在軸承表面缺陷類型的平均分類精度達到90.4%，基本滿足軸承工業現場分類精度要求，但對于銹斑和污漬缺陷的分類精準度低于裂紋和磕碰類型的分類精準，主要是由于軸承表面銹斑和污漬缺陷圖像特征矢量具有一定的相似性，導致識別率準確度相對其他2種典型缺陷類型稍低。

3? 結論

為有效提高軸承表面缺陷類型的分類精度，提出了一種基于學習字典的軸承表面缺陷分類方法，將圖像稀疏表示和基于Fisher判別準則的學習字典應用在軸承表面缺陷分類檢測中，根據字典學習的判別性稀疏編碼實現對軸承表面缺陷圖像的精確分類。實驗研究結果表明，該方法對軸承表面缺陷類型的分類精度達到95.4%，能夠精確的識別軸承表面缺陷的類型，但由于受軸承表面銹斑缺陷和污漬缺陷圖像特征矢量相似性較多的影響，對銹斑和污漬缺陷的識別準確率還有待進一步的提高，需接下來以微小缺陷特征矢量提取為重點研究對象以提高其分類準確率。

參考文獻：

[1]那亞莉.機械軸承和齒輪的失效原因及解決方案[J].內燃機與配件，2019，19：134-135.

[2]郭浩，雷建中，王玉良，等.軸承套圈的常見缺陷及預防措施[J].軸承，2019，1：66-71.

[3]張明輝，王建武，張文，等.機器視覺在軸承檢測中的研究現狀及發展趨勢[J].機床與液壓，2019，47（23）：183-189.

[4]常振春，禹晶，肖創柏，等.基于稀疏表示和結構自相似性的單幅圖像盲解卷積算法[J].自動化學報，2017，43（11）：1908-1919.

[5]張瑞杰，魏福山.結合Fisher判別分析和稀疏編碼的圖像場景分類[J].計算機輔助設計與圖形學學報，2015，27（5）：808-814.

[6]任茹.字典學習在玻璃纖維布缺陷分類中的研究[D].西安：西安工程大學，2019.

[7]時永剛，王東青，劉志文.字典學習和稀疏表示的海馬子區圖像分割[J].中國圖象圖形學報，2015，20（12）：1593-1601.

[8]孫君頂，趙慧慧.圖像稀疏表示及其在圖像處理中的應用[J].紅外技術，2014，36（7）：533-537.

[9]李爭名，楊南粵，岑健.基于原子Fisher判別準則約束字典學習算法[J].計算機應用，2017，37（6）：1716-1721，1740.

[10]霍雷剛，馮象初.基于主成分分析和字典學習的高光譜遙感圖像去噪方法[J].電子信息學報，2014，36（11）：2723-2729.