劉毅川,陳明堅,歐敏飛

(1.廣州南方投資集團有限公司,廣東 廣州 510260;2.廣州南方電力技術工程有限公司,廣東 廣州 510600)

0 引言

鋁護套切割裝置的質量與切割產品的質量、性能均存在一定聯系。鋁護套切割裝置在加工時，常常因為設備的原因，出現凹陷、氣泡、裂縫、麻點、壓痕等缺陷。若未能及時檢測此類缺陷情況，直接使用鋁護套切割裝置對鋁護套產品進行切割，將導致鋁護套產品出現瑕疵，影響產品質量[1]。為此，鋁護套切割裝置缺陷檢測存在一定研究價值。

文獻[2]提出基于機器視覺的工件表面缺陷識別技術，設定被測對象為軸承零件，運用視覺系統，成像、濾波、圖像增強零件，對比圖像差值算法與標準圖樣，以提取零件表面缺陷，完成工件表面缺陷識別。該方法能夠檢測零件多種瑕疵，但檢測效果較差。文獻[3]提出基于改進Niblack算法的軸承滾子表面缺陷檢測方法：利用背光源在軸承滾子側面打光，得到缺陷區域圖像；采用閾值分割方法，提取軸承滾子區域；依據軸承滾子圖像灰度值不變的特點，運用改進Niblack算法，處理軸承滾子表面圖像，獲取分割后缺陷區域。該方法能夠有效檢測軸承滾子各類缺陷，但檢測效率較低。

針對上述問題，本文提出基于模糊模式識別的鋁護套切割裝置缺陷自動檢測方法。模式識別是將需要識別的目標屬性信息與參考特征信息進行對比，分辨目標類型，通過計算機判斷數據結構的過程。模糊模式識別使用計算機模擬人腦的形象思維與模糊邏輯思維實現目標屬性識別，是一種模糊問題識別的有效方法[4]。本文以模糊模式識別方法為應用核心，通過模糊聚類鋁護套切割裝置缺陷特征，采用模糊神經網絡判斷鋁護套切割裝置缺陷類型，實現了鋁護套切割裝置缺陷的自動檢測。

1 鋁護套切割裝置缺陷檢測方法

1.1 鋁護套切割裝置缺陷特征聚類

由于鋁護套切割裝置缺陷的形態和屬性多樣，會影響裝置缺陷檢測效果。因此，為了分辨鋁護套切割裝置缺陷形態和屬性的相似水平[5]，對鋁護套切割裝置缺陷特征進行聚類處理。通過獲取裝置樣本數據間相似水平的相似系數，計算每個裝置樣本數據的相似性統計量，構建分類目標集合中的模糊相似關系，獲取裝置樣本數據中的缺陷數據，實現鋁護套切割裝置缺陷特征聚類。

一般情況下，特征之間的相似水平可通過歐式距離法或絕對值減數法作判斷。對鋁護套切割裝置樣本數據，使用距離法判斷鋁護套切割裝置樣本特征的相似性較為合適，可使用夾角余弦法將較為相似的鋁護套切割裝置樣本數據劃成一種類型[6]。

設鋁護套切割裝置樣本數據集為{y1,y2,...,yn},屬于需要進行缺陷特征聚類操作的對象集。鋁護套裝置樣本數據yj(1≤j≤n)的屬性數量是n個，則yj={yj1,yj2,...,yjn}，鋁護套裝置樣本數據yj的第h維屬性值是yjh。

鋁護套裝置樣本中，2種數據間的夾角余弦是：

(1)

式中：sij為鋁護套裝置樣本中yi、yj兩種數據的相似度。

h維度中，鋁護套裝置兩種數據yih、yjh的相似水平越高，相似度sij的值越顯著。通過sij能夠獲取模糊相似關系矩陣為S=[sij]n×n。

但是上述所獲取的模糊相似關系矩陣S雖具有自反性、對稱性，但不具有傳遞性。此矩陣不存在模糊等價關系，需要將其進行優化[7-8]。基于模糊相似矩陣S，分別計算其平方值：

S→S2→S4→...→S2h=S*

(2)

式中：S2=S×S；S*為模糊等價矩陣。

(3)

參照專家經驗設置合理的閾值為ξ，以此實現鋁護套切割裝置樣本數據的缺陷特征聚類，獲取鋁護套切割裝置樣本的缺陷特征向量為Yn×m。

Yn×m=ξ[S*]n×n

(4)

式中：n、m為缺陷特征數量。

若S*的值大于閾值，Yn×m的值為1，此特征屬于缺陷特征向量；若S*的值小于閾值，Yn×m的值為0，此特征不屬于缺陷特征向量。按照此規則，便可實現鋁護套切割裝置缺陷特征聚類。鋁護套切割裝置缺陷特征聚類屬于一種無監督的學習過程。因為不存在提前設置的分類實例，很多聚類算法按照專家經驗設計。模糊聚類法中的閾值大多是參照經驗設置的，未能對其實施充分解釋，則不能保障聚類結果的精準度[9]。本文基于鋁護套切割裝置樣本間緊致度與分離度角度分析，構建聚類有效性評估模型，對上文所設置的閾值進行有效性評估，以此實現鋁護套切割裝置缺陷特征最優分類，并準確獲取鋁護套切割裝置缺陷特征。

緊致度為：

(5)

式中：mj為鋁護套切割裝置缺陷樣本數量；yn、ym為存在缺陷特征的不同鋁護套切割裝置樣本數據。

ynm為存在缺陷特征的鋁護套切割裝置樣本中心：

(6)

緊致度可作為樣本方差。緊致度數值較小，方差較小，則類內間的特征緊密水平顯著。

分離度為：

(7)

(8)

分離度能夠體現鋁護套切割裝置特征的差異性。

依次把緊致度與分離度和權值Dξ實施運算，可減少類數對有效性評估的干擾。然后，通過分離度與緊致度實施對比，得到最高評估值，構建聚類有效性評估模型：

(9)

式中：G為各個變量的類內緊密水平和類間分散水平；ξ為G值最高閾值。

G值較大，表示類和類之間距離顯著，則類和類的差異顯著，特征分類效果較好。ξ屬于最優閾值，此條件下的分類結果就是特征最優聚類結果。

1.2 鋁護套切割裝置缺陷類型檢測方法

模糊模式識別在缺陷類型識別問題中較為常用。本文以模糊模式識別技術中模糊神經網絡方法為核心，提出基于模糊神經網絡的鋁護套切割裝置缺陷類型檢測方法。在檢測鋁護套切割裝置缺陷類型時，檢測流程如下。

①樣本數據。

此部分檢測數據是通過2.1節所獲取的特征向量，可將2.1節所獲取的鋁護套切割裝置缺陷特征數據描述為Yn×m。

②數據標準化操作。

將Yn×m使用最小化原則對缺陷特征實施模糊標準化操作。操作方法是：

(10)

③設置隸屬度函數。

(11)

使用類比擬合的方法選取最優的隸屬度函數：

(12)

式中：f(x)為隸屬度；b、c為缺陷特征模糊項。

使用MATLAB對缺陷特征值的分布實施研究，依次判斷參數b、c在每個隸屬函數里的取值，如表1所示。

④運算綜合隸屬度矩陣。

將標準化數據、隸屬度函數導入模擬專家意見陣，以此表達每個缺陷特征變量與缺陷類型的關系[10]。對標準化后數據Yij實施多次測試，獲取模擬專家矩陣：

(13)

通過計算，獲取每個缺陷特征所屬類型的綜合隸屬度矩陣FN×L：

FN×L=Yij·CL×M

(14)

以此能夠按照最大隸屬度原則判斷缺陷特征的缺陷類型αDk(yi)，則：

(15)

上述所獲取的標準化數據、隸屬度函數以及專家評價矩陣實施模糊模式識別，完成鋁護套切割裝置缺陷類型判斷，實現鋁護套切割裝置缺陷自動檢測。

2 試驗分析

為了驗證基于模糊模式識別的鋁護套切割裝置缺陷自動檢測方法的有效性，在NASA Metrics Data Program項目數據集里，選取機械加工類的8種鋁護套切割裝置樣本數據集，作為測試所提方法有效性的缺陷數據集。

缺陷數據集信息如表2所示。

表2 缺陷數據集信息

使用所提方法對表2中8種鋁護套切割裝置樣本數據集進行缺陷檢測，分析所提方法的檢測結果與表2中實際情況的差異。

本文所提方法的檢測結果如表3所示。

表3 所提方法的檢測結果

根據表3中的數據可知，所提方法對8種鋁護套切割裝置樣本數據集的缺陷特征檢測結果與實際缺陷情況相比，差值最大值為1組，且只有1組。由此可知，所提方法能夠有效檢測出鋁護套切割裝置缺陷類型，以及缺陷樣本數據集的缺陷特征。

為了進一步驗證所提方法的檢測效果，分別采用所提方法、文獻[2]方法和文獻[3]方法對表2中8種鋁護套切割裝置樣本數據集類型進行檢測，并對比3種方法的檢測效果。檢測效果主要通過F值(F-Score)描述體現。F值是信息檢測領域里常用的評價指標。F值判斷指標中較為常見的是查全率與正確率。試驗中，計算查全率與正確率，得到單個鋁護套切割裝置樣本數據集中缺陷特征聚類、8種鋁護套切割裝置樣本數據集中缺陷特征聚類的F值。按照此F值判斷所提方法對鋁護套切割裝置缺陷類型檢測的質量。查全率與正確率的運算方法為：

(16)

(17)

式中：v為真實缺陷類型；u為與v不同的缺陷類型；n(u,v)為檢測的缺陷類型中與實際相符的數目。

F值是所提方法檢測結果與實際情況的值：

(18)

分別采用3種方法，對8種鋁護套切割裝置樣本數據集缺陷類型的查全率、正確率以及F值進行測試。不同方法的缺陷檢測查全率如圖1所示。

圖1 不同方法的缺陷檢測查全率Fig.1 Recall rates of defect detection by different methods

不同方法的缺陷檢測正確率如圖2所示。

圖2 不同方法的缺陷檢測正確率Fig.2 Accuracies of defect detection by different methods

不同方法的缺陷檢測F值結果如圖3所示。

圖3 不同方法的缺陷檢測F值結果Fig.3 Defect detection F value results of different methods

根據圖1～圖3可知。所提方法在檢測8種鋁護套切割裝置樣本數據集缺陷類型時，查全率、正確率以及F值均大于文獻[2]方法、文獻[3]方法；所提方法的查全率、正確率以及F值均大于0.95。由此驗證，所提方法在檢測鋁護套切割裝置樣本數據集缺陷時，能夠精準識別鋁護套切割裝置缺陷類型，檢測效果較好。因為所提方法利用模糊神經網絡模糊標準化缺陷特征，根據最大隸屬度原則判斷缺陷特征的缺陷類型，所以能夠精準識別鋁護套切割裝置缺陷類型。

以氣孔、裂縫、麻點3種缺陷類型為例，測試3種方法在檢測8種鋁護套切割裝置樣本數據集缺陷類型時的檢測耗時，以此判斷3種方法是否可在最短時間內實現鋁護套切割裝置缺陷自動檢測。

不同方法氣孔缺陷檢測耗時如圖4所示。

圖4 不同方法氣孔缺陷檢測耗時Fig.4 Detection time of stomatal defects by different methods

不同方法裂縫缺陷檢測耗時如圖5所示。

圖5 不同方法裂縫缺陷檢測耗時Fig.5 Detection time of fracture defectby different methods

不同方法麻點缺陷檢測耗時如圖6所示。

圖6 不同方法麻點缺陷檢測耗時Fig.6 Detection time of pitting defects by different methods

根據圖4～圖6可知，氣孔、裂縫、麻點3種缺陷類型檢測中，所提方法的檢測耗時低于0.2 s，文獻[2]方法、文獻[3]方法氣孔、裂縫、麻點這3種缺陷類型的檢測耗時明顯比所提方法長。所提方法可在最短時間內檢測不同類型鋁護套切割裝置缺陷。這是因為所提方法采用模糊聚類方法聚類鋁護套切割裝置缺陷特征，可根據分類目標集合中模糊相似關系獲取鋁護套切割裝置缺陷特征數據，從而有效縮短缺陷檢測時間。

3 結論

基于模糊模式識別的鋁護套切割裝置缺陷自動檢測方法，可以較好地處理鋁護套切割裝置缺陷自動檢測問題。該方法借鑒反向傳播神經網絡(back propagation,BP)非線性識別方法，可以精準地檢測鋁護套切割裝置缺陷類型、縮短鋁護套切割裝置缺陷的檢測時間，對不同的鋁護套切割裝置缺陷類型均存在較好的識別性能，檢測結果與實際狀況間差值極小，可滿足鋁護套切割裝置缺陷自動檢測的使用需求。在后續的研究中，將引入小波變換理論，對鋁護套切割裝置樣本數據進行預處理，以此進一步優化所提方法的檢測性能。