基于SVM的滤光片表面缺陷识别方法

吴俊芳，刘桂雄，付梦瑶，王小辉

（1.华南理工大学理学院，广东广州510640；2.华南理工大学机械与汽车工程学院，广东广州510640；3.广州市光机电计算研究院，广东广州510663）



基于SVM的滤光片表面缺陷识别方法

吴俊芳1，刘桂雄2，付梦瑶2，王小辉3

（1.华南理工大学理学院，广东广州510640；2.华南理工大学机械与汽车工程学院，广东广州510640；3.广州市光机电计算研究院，广东广州510663）

摘要：针对目前滤光片表面缺陷识别普遍采用人工方式，成本高、无法满足实时性等问题，提出一种基于有向无环图支持向量机（DAG-SVM）的滤光片表面缺陷识别方法。该方法结合滤光片常见缺陷的特点，设计出包含3个结构简单、性能优良的二分类器的滤光片表面缺陷识别方法，克服多分类器算法复杂、难以保证分类正确率的问题。实验结果表明：该方法对滤光片的点缺陷、印子缺陷、划痕缺陷及崩缺陷的识别正确率为100%。

关键词：滤光片；表面缺陷；分类识别；支持向量机

0　引言

机器视觉技术，是一门涉及人工智能、图像处理、模式识别等诸多领域的交叉学科，目前已广泛应用于机械制造、农业生产、医药医疗、智能交通等产业的在线质量检测[1-4]。光学薄膜滤光片广泛应用于光通信、激光技术、光学成像与检测等领域，在微型摄像头、生物医学仪器、先进激光系统中起着重要作用。根据国家标准GB/T 1185——2006《光学零件表面疵病》，滤光片的表面缺陷主要包括点、斑印、划痕、崩[5]4种。滤光片产品表面缺陷的检测目前普遍采用人工逐片检测的方法，检测效果受操作人员的影响较大，且效率低，不能满足现代工业需求。若采用一个多分类器同时识别多种缺陷，存在算法复杂、耗时长等问题，难以保证分类效率[6-7]。针对多分类器的这些缺陷，本文提出一种基于有向无环图支持向量机（DAG-SVM）的滤光片表面缺陷识别方法，设计分类决策树，利用3个基于SVM的二分类器逐一识别各类缺陷，有效提高缺陷识别正确率。

1　支持向量机多分类原理

1.1支持向量机

支持向量机（SVM）是Vapnik在1995年提出的一种基于结构风险最小化准则的学习方法，是借助最优化方法解决机器学习问题的一种二分类工具，对小样本、非线性以及高维识别问题更有优势[8-12]。其网络模型图如图1所示，它的主要思想是将输入通过非线性变换到一个高维空间，然后在该高维空间中求取一个最优线性分类面。其中非线性变换通过一个内积函数实现，即支持向量机的核函数。本文采用高斯径向基核函数，其表达式为

图1　SVM网络模型图

1.2多分类模型

实际使用中常须对多个类别进行分类，通常采用将多个二分类SVM进行组合。组合的多类分类模型主要包括一对多（OAA）模型，一对一（OAO）模型和有向无环图（DAG）模型[13]。

对N分类问题，OAA模型构造N个二分类SVM，第i个SVM用第i类中的训练样本作为正样本，其他样本作为负样本进行训练。最后决策函数输出值最大的类别就是样本的类别。这种方法容易出现分类重叠和不可分现象。OAO模型构造N（N-1）/2个二分类SVM，每个分类器只针对两类数据进行训练，采用投票法对未知样本进行预测。这种方法改善了OAA模型的不可分程度，但识别一个样本需要进行N（N-1）/2次分类计算，分类效率低。DAG模型是OAA和OAO模型的改进，构造N（N-1）/2个二分类SVM排列成N-1层，一个4分类的DAG-SVM结构图如图2所示。DAG-SVM模型对一个未知样本分类时，自上而下，根据当前节点的分类结果转向下层的左节点或右节点继续分类，直到得到该样本类别。这种方法只需对样本进行N-1次判别，分类效率较OAA和OAO大大提高。

图2　4分类DAG-SVM结构图

2　基于SVM的滤光片表面缺陷分类方法

对滤光片的4种常见缺陷类别编号：点为A，印子为B，划痕为C，崩为D。分析这4类缺陷的形态可知，点缺陷与斑印缺陷外形较接近矩形，而崩缺陷与划痕缺陷较为狭长。根据这一特点，本文设计的滤光片表面缺陷识别DAG-SVM决策树结构如图3所示。

决策树包含3个分类器，即Curve-Rectangle分类器、Point-Mark分类器及Scratch-Broken分类器，它们均为二分类SVM。

图3　滤光片表面缺陷识别DAG-SVM决策树

3个分类器作用如下：

1）Curve-Rectangle分类器将A类、B类缺陷作为第1类缺陷，C类、D类缺陷作为第2类缺陷。对于输入该分类器的任一缺陷样本，若将其判为第1类缺陷，则其缺陷类型为点或印子，接着输入Point-Mark分类器继续判断；若将其判为第2类缺陷，则其缺陷类型为划痕或崩，接着输入Scratch-Broken分类器继续判断。

2）Point-Mark分类器对Curve-Rectangle分类器判为第1类的缺陷作进一步细分，即将A类缺陷作为第1类缺陷，B类缺陷作为第2类缺陷。对于输入该分类器的缺陷样本，若将其判为第1类缺陷，则其缺陷类型为点；若将其判为第2类缺陷，则其缺陷类型为印子。

3）Scratch-Broken分类器对Curve-Rectangle分类器判为第2类的缺陷作进一步细分，即将C类缺陷作为第1类缺陷，D类缺陷作为第2类缺陷。对于输入该分类器的缺陷样本，若将其判为第1类缺陷，则其缺陷类型为划痕；若将其判为第2类缺陷，则其缺陷类型为崩。

滤光片表面缺陷识别流程如图4所示，主要步骤为采集滤光片图像、图像预处理、缺陷特征参数计算、缺陷分类识别。其中，图像预处理主要包括边缘检测、形态学处理等；缺陷特征参数包括缺陷的几何特征、形状特征及Hu不变矩等10个特征值，如表1所示。表中缺陷ROI即包含缺陷区域的外接矩形，且该矩形的长、短边与图像像素排列方向一致。

3　测试结果和分析

滤光片表面缺陷图像采集装置主要包括CCD相机、镜头、数据采集线、光源、相机支架、待检滤光片及托盘等。

实验中首先拍摄滤光片图像，然后依次进行边缘检测、形态学处理、缺陷ROI提取等处理。图5为滤光片4种缺陷的图像采集及预处理结果，其中图5（a）为缺陷的原始图像，图5（b）为相应缺陷的边缘检测结果，图5（c）为对图5（b）进行膨胀处理及二值化的形态学处理结果，图5（d）为对图5（c）中的缺陷区域进行ROI提取的结果，ROI边界以红线表示。

对每个缺陷样本计算表1所列特征值，表2为每种缺陷样本的特征值计算实例。

选取200个样本完成滤光片表面缺陷分类实验，其中150个样本用于训练，50个样本用于测试。考虑实际生产中各类缺陷出现概率不同，训练样本及测试样本中各类缺陷所占比例应与该缺陷实际出现概率相同。实验中各类缺陷样本数量如表3所示。

图4　滤光片表面缺陷识别流程图

表1　滤光片表面缺陷特征参数

表4是各类缺陷样本的编号，其中缺陷样本Xi（i=1，…，200）是一个含10个特征值的特征向量。

滤光片分类实验包括对Curve-Rectangle分类器、Point-Mark分类器及Scratch-Broken分类器的训练与测试，所用样本编号如表5所示，测试结果如表6所示。

表2　滤光片表面缺陷特征参数取值

表3　滤光片各类缺陷样本数量

表4　滤光片缺陷样本编号

表6结果显示，3个二分类SVM的分类正确率均达到100%，表明滤光片表面缺陷特征参数的选择及分类器的设计能够实现对滤光片4种常见表面缺陷（点缺陷、印子缺陷、划痕缺陷及崩缺陷）的正确分类。

图5　滤光片4种缺陷的图像采集及预处理结果

表5　各分类器所用样本

表6　分类器测试结果

4　结束语

本文基于支持向量机，分析滤光片4种常见表面缺陷（点缺陷、印子缺陷、划痕缺陷、崩缺陷）的特点，提出了包含3个二分类SVM的滤光片表面缺陷识别方法。实验结果表明，所设计的基于DAG-SVM滤光片表面缺陷识别方法能够逐一识别滤光片的4类缺陷，缺陷分类正确率为100%。

由于各类产品如钢板、玻璃等的表面缺陷与滤光片表面缺陷在种类与形态上相似，如均存在印子、划痕等，因此本文提出的由二分类器构造多分类器的表面缺陷识别思路对其他产品表面缺陷识别具有启发意义。

参考文献

[1]刁智华，王会丹，魏伟.机器视觉在农业生产中的应用研究[J].农机化研究，2014（3）：206-211.

[2]侯海飞.基于机器视觉的胶囊表面缺陷的识别与分拣技术研究[D].杭州：浙江大学，2013.

[3]秦玲.基于机器视觉的无人车道路识别[D].西安：西安工业大学，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]光学零件表面疵病：GB/T 1185——2006[S].北京：中国标准出版社，2006.

[6]刘怀广.浮法玻璃缺陷在线识别算法的研究及系统实现[D].武汉：华中科技大学，2011.

[7]汪云云.结合先验知识的分类器设计研究[D].南京：南京航空航天大学，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]范劲松. SVM理论及其应用的研究[D].合肥：中国科学技术大学，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，刘飞，李顺江.基于优化有向无环图支持向量机的多变量过程均值异常识别[J].计算机集成制造系统，2013 （3）：559-568.

（编辑：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

作者简介：吴俊芳（1977-），女，讲师，博士，主要从事智能传感与检测技术研究。

基金项目：广东省产学研结合引导项目（粤财教[2012]393）中央高校基本科研业务费资助项目（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

文献标志码：A

文章编号：1674-5124（2016）02-0092-04