宋輝 劉佳瑋

摘要：中密度纖維板是目前家具制作市場上的重要原材料，其產(chǎn)品的美觀性是決定其商業(yè)價(jià)值的重要因素之一。目前針對中密度纖維板外觀上的表面粗糙缺陷通常采用人工檢測方法，為實(shí)現(xiàn)板面粗糙的自動(dòng)檢測，本文提出一種基于SVM的中密度纖維板表面粗糙檢測方法。采用線陣相機(jī)搭配遠(yuǎn)心鏡頭完成樣品圖像的采集，計(jì)算圖像灰度均值與標(biāo)準(zhǔn)差，利用灰度共生矩陣提取能量、逆差分矩等5個(gè)特征，構(gòu)建SVM進(jìn)行訓(xùn)練、識(shí)別。訓(xùn)練圖庫70張，測試圖庫50張，該方法的識(shí)別準(zhǔn)確率為96%。

關(guān)鍵詞：中密度纖維板;表面粗糙;紋理檢測;灰度共生矩陣;SVM

中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）13-0036-03

1引言

中密度纖維板是以小徑級(jí)原木、采伐、加工剩余物以及非木質(zhì)的植物纖維原料，經(jīng)切片、蒸煮、纖維分離、干燥后施加脲醛樹脂或其他適用的膠粘劑，再經(jīng)熱壓后制成的一種人造板材，在家具制作，音響樂器制作以及建筑行業(yè)等都發(fā)揮重要作用。在纖維板熱壓成型并按要求切割后，需要采用砂光機(jī)進(jìn)行砂光，由于打磨過程中砂紙粗糙度不夠，或者砂輪與板面產(chǎn)生縫隙，纖維板表面未得到充分砂光進(jìn)而形成表面粗糙缺陷。中密度纖維板表面紋理縱橫交錯(cuò)，紋理不存在重復(fù)的序列性，而粗糙缺陷的紋理雜亂度更高。當(dāng)前，針對工業(yè)加工產(chǎn)品表面的粗糙度檢測一般采用的方法是比較法、觸針法、基于顯微圖像的光切法和干涉法等嘲。對于纖維板表面粗糙檢測來說，上述方法操作困難且硬件成本過高。張召等人利用LBP技術(shù)對R、G、B三個(gè)通道的顏色直方圖進(jìn)行分析，計(jì)算出要訓(xùn)練的多維特征向量，通過多次實(shí)驗(yàn)實(shí)現(xiàn)參數(shù)尋優(yōu)，該方法識(shí)別準(zhǔn)確率達(dá)到90%以上，但計(jì)算量較大。唐銀鳳等人通過Gabor算法、GMRF算法和GLCM灰度共生矩陣提取出12個(gè)圖像特征，在訓(xùn)練時(shí)選用了一對多的SVM分類器并取得良好的分類效果。何敏等人通過大津法和形態(tài)學(xué)原理實(shí)現(xiàn)目標(biāo)的分割，將灰度均值、灰度共生矩陣最大值、二階矩、對比度、相關(guān)、熵這6個(gè)參數(shù)為支持向量機(jī)的訓(xùn)練特征，實(shí)現(xiàn)煤或矸石的識(shí)別。Camilo Pu-lido等人由灰度共生矩陣得到10個(gè)紋理測量值，利用主成分分析法選擇有效特征，利用SVM分類識(shí)別蔬菜與雜草嘲。針對以上問題，本文利用統(tǒng)計(jì)方法提取特征，利用SVM算法進(jìn)行分類識(shí)別出粗糙板材。

2圖像采集系統(tǒng)介紹

纖維板表面粗糙缺陷一般隨機(jī)出現(xiàn)在板面的某一局部，常呈現(xiàn)矩形狀，依據(jù)實(shí)際圖像采集需要，圖像采集系統(tǒng)由DALSA生產(chǎn)的型號(hào)為LA-GC-02K05B的黑白線陣相機(jī)，其物理分辨率為2048pixel、l倍率遠(yuǎn)心鏡頭、上海緯朗光電公司的FG-BRT30027-W白色線型光源以及對應(yīng)的光源驅(qū)動(dòng)器組成。由光電傳感器、松下伺服電機(jī)、傳送帶組成運(yùn)動(dòng)控制模塊。由于粗糙缺陷是局部出現(xiàn)在纖維板表面，為了更好地反應(yīng)粗糙表面的紋理特性進(jìn)而進(jìn)行分類，使缺陷充滿整幅圖像，將采集的圖像裁剪成500*500像素的小圖像，建立訓(xùn)練圖庫70張，其中平滑圖像30張，粗糙圖像40張;建立測試圖庫50張，其中平滑圖像10張，粗糙圖像40張。

（上圖中第一、二張圖為粗糙板面紋理圖像，第三、四張圖像為充分砂光的纖維板表面紋理）

3特征提取

3.1灰度特征提取

灰度直方圖能從整體上描述圖像的灰度信息，是圖像的重要特征之一。粗糙紋理圖像由于反光問題存在面積較大的反光區(qū)域，而經(jīng)過充分砂光的表面反光區(qū)域面積小，灰度均值與方差可以反映兩種圖像的灰度區(qū)別。分辨率為Na×Nb的圖像，單一像素灰度值為廠（x，y），則均值Mean與方差σ²分別為：

3.2紋理特征提取

本文利用GLCM算法提取紋理特征，能夠反映出圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，不同于灰度直方圖，它考慮了灰度的空間相關(guān)特性?；叶裙采仃囀莾蓚€(gè)像素灰度的聯(lián)合直方圖，是描述了圖像中保持固定距離的兩個(gè)像素灰度的二階統(tǒng)計(jì)量。任意取圖像上一點(diǎn)f（x，y），在θ方向上存在一點(diǎn)f（x+a，y+b），其中。和6為偏移量。取該點(diǎn)對應(yīng)的灰度值作為新坐標(biāo)，記為（g1，g2），對于灰度級(jí)為Ⅳ的圖像來說，統(tǒng)計(jì)出每一種（g1，g2）值出現(xiàn)的次數(shù)并歸一化成概率，可得到一個(gè)大小為N×N的方陣，即為灰度共生矩陣。本文提取能量、熵、對比度、相關(guān)度與逆差分矩這五個(gè)紋理特征屬性用于訓(xùn)練。能量（ASM）是灰度共生矩陣中各點(diǎn)灰度值的平方和，能夠反映圖像灰度分布的均勻程度和紋理的粗細(xì)情況;熵（Entropy）的大小是圖像中信息量的表示，熵在共生矩陣中所有元素有最大的隨機(jī)性、所有值幾乎相等時(shí)較大;對比度（comrast）是指圖像中某個(gè)像素點(diǎn)與其指定鄰域內(nèi)像素點(diǎn)的灰度值對比情況，能夠反映圖像的清晰度和紋理深淺程度，對于人的視覺系統(tǒng)來說，紋理溝紋越深，其對比度越大，視覺效果越清晰，當(dāng)該值為0時(shí)，可認(rèn)為輸入圖像無紋理。相關(guān)度（CORR）用來度量圖像的灰度級(jí)在行或列方向上的相似程度，反映局部灰度相關(guān)性。逆差分矩（DEF）反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少，其值與局部均勻程度成正比。這五種特征的原理公式如下：

4SVM紋理分類與實(shí)驗(yàn)分析

SVM在1964年首次被提出，在二十世紀(jì)90年代得到快速發(fā)展，是一種按監(jiān)督學(xué)習(xí)方式尋求最大分類間隔的機(jī)器學(xué)習(xí)方法，是對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器。SVM適用于小樣本分類，能夠在模型復(fù)雜性和學(xué)習(xí)能力之間找到最佳方法。本文中，纖維板粗糙圖像和平滑圖像樣本較少，故選擇支持向量機(jī)實(shí)現(xiàn)圖像分類。

本次實(shí)驗(yàn)選取30張平滑圖像和40張粗糙圖像作為訓(xùn)練樣本，用50張圖像作為測試樣本，其中包括10張平滑圖像，40張粗糙圖像。在訓(xùn)練時(shí)，將平滑圖像標(biāo)記為1，粗糙圖像標(biāo)記為0，在核函數(shù)選擇上，通過對比實(shí)驗(yàn)對線性、多項(xiàng)式、RBF、sig-moid核函數(shù)進(jìn)行測試，測試結(jié)果如表1。

RBF具有復(fù)雜度低、計(jì)算速度高的優(yōu)點(diǎn)，在此基礎(chǔ)上，采用交叉驗(yàn)證方法確定適用于本次訓(xùn)練的最優(yōu)懲罰參數(shù)c和核函數(shù)參數(shù)g。以上支持向量機(jī)分類器的實(shí)現(xiàn)利用了MATLAB的LIBSVM工具包。

5結(jié)論

實(shí)驗(yàn)結(jié)果表明，利用灰度均值、方差和灰度共生矩陣中的能量、熵、對比度、互相關(guān)和逆差分矩作為有效特征，用SVM進(jìn)行二分類可以有效區(qū)分中密度纖維板樣品的粗糙表面與光滑表面，該方法具有很好的泛化能力，對于中密度纖維板表面粗糙檢測進(jìn)一步研究提供了一個(gè)可行方向。對于表面微粗糙與存在雜質(zhì)的平滑表面的識(shí)別是下一步研究的重點(diǎn)。