繆徐超　張旭　徐洋　余前溪　程凱強

摘要：針對人工檢測金屬表面缺陷效率低、主觀意識強、無法長時間工作等缺點，提出一種基于支持向量機監(jiān)督檢測、分類以及測量的金屬表面缺陷的方法，并使用Matlab軟件設計一個圖形用戶界面（GUI），便于檢測人員使用。研究中先對工廠采集的圖像進行Gabor濾波和對比度增強的前處理。然后使用方向梯度直方圖（HOG）和灰度共生矩陣（GLCM）進行特征提取，為后續(xù)提高檢測準確率打下基礎。最后對于每種缺陷類型都采用270張圖片進行模型訓練，利用訓練好的模型對測試圖片進行測試。實驗結果表明，最終3種缺陷類型的總正確率為88.9%，該檢測方法能夠有效地檢測出金屬表面缺陷。

關鍵詞：表面缺陷檢測;支持向量機;圖片前處理;特征提取

【Abstract】Aimingattheshortcomingsofmanualdetectionofmetalsurfacedefects，suchaslowefficiency，strongsubjectiveawareness，andinabilitytoworkforalongtime，amethodbasedonSupportVectorMachinesuperviseddetection，classificationandmeasurementofmetalsurfacedefectsisproposed，andMatlabsoftwareisusedforGUIpackagingforeasydetectionofthepersonnel.TheresearchfirstperformsGaborfilteringandcontrastenhancementpre-processingontheimagescollectedbythefactory，thenusesdirectionalgradienthistogram（HOG）andgraylevelco-occurrencematrix（GLCM）forfeatureextractiontolaythefoundationforsubsequentimprovementofdetectionaccuracy.Finally，foreachdefecttype，270picturesareusedformodeltraining，andthetrainedmodelisusedtotestthetestpictures.Experimentalresultsshowthatthefinaltotalaccuracyofthethreetypesofdefectsis88.9%，andthisdetectionmethodcaneffectivelydetectmetalsurfacedefects.

【Keywords】surfacedefectdetection;SupportVectorMachines;picturepre-processing;featureextraction

作者簡介：繆徐超（1996-），男，碩士研究生，主要研究方向：切削原理與應用;張旭（1978-），女，博士，教授，主要研究方向：圖像處理和切削原理與應用;徐洋（1995-），男，碩士研究生，主要研究方向：圖像處理;余前溪（1994-），男，碩士研究生，主要研究方向：切削原理與應用;程凱強（1996-），男，碩士研究生，主要研究方向：圖像處理。

0引言

金屬表面缺陷檢測在許多工業(yè)領域（如飛機機身、核電站蒸汽發(fā)生管道和鋼橋等）中非常重要。目前，有關金屬表面缺陷的機器學習檢測技術發(fā)展迅速。機器學習檢測是采用圖像處理的方法對金屬表面進行分析處理，檢測金屬表面是否有缺陷。對表面有缺陷的產品和正在使用中的零件，予以去除和更換，避免在后續(xù)的使用過程中造成安全事故。在此背景下，過去幾十年里大量學者致力于研究金屬表面缺陷檢測技術。

McCluskey等人[1]對金屬薄膜電容器表面缺陷的檢測方法進行了研究并運用于實際。研究中將檢測方法分為3步：進行產品可靠性和成熟度分析;如果有可能，通過非破壞性分析檢測缺陷;開發(fā)電氣測試以篩除早期故障。Qi等人[2]為了對基于工業(yè)CT的金屬材料增材制造中內部微小缺陷進行精確檢測，提出了一種基于CT圖像中微小缺陷灰度變化系數的金屬材料微小缺陷檢測的方法。實驗結果表明，該缺陷檢測方法相對誤差控制在4%以內。Feng等人[3]提出了一種基于高動態(tài)范圍成像技術的缺陷檢測方法，解決了工業(yè)零件高反射面外觀檢測問題。智能工廠的創(chuàng)建開啟了一項研究，該研究通過分析從物聯(lián)網收集的數據來實時預測產品質量。這項研究吸引了Yun等人[4]的注意，因此提出了一個基于視覺缺陷檢測系統(tǒng)來檢測金屬表面缺陷。該項研究提出了一種新的卷積變分自編碼器和卷積神經網絡的缺陷分類算法用于金屬表面缺陷檢測，使用從實際金屬生產線獲得的缺陷圖像進行實驗，證明了該方法的良好性能。對于人工檢測金屬表面缺陷工作量大，效率低的情況。劉建春等人[5]在使用機器視覺對金屬表面缺陷檢測前，根據金屬零件表面反光的特點對圖像進行有效的前處理，實驗結果表明，經過前處理的圖片能夠有效檢測出金屬邊緣缺陷。金閎奇等人[6]對于檢測金屬表面缺陷效率不高的問題，提出了一種多尺度的檢測方法。實驗結果顯示，該方法檢測單張圖片用時約為13ms。王俊強等人[7]以OpenCV軟件為基礎，開發(fā)了帶鋼表面缺陷檢測系統(tǒng)，克服了采用人工檢測方式的效率低、帶有主觀意見、無法持續(xù)長時間工作等缺點。Zhang等人[8]用微波無損檢測技術對厚涂層下缺陷的形狀和尺寸進行了實驗研究。使用主成分分析算法來提高方法的分辨率，對已知缺陷的鋼板和未知缺陷的涂層鋼板在不同涂層厚度下進行了測試。結果表明，該方法可以提高涂層鋼板缺陷檢測能力。Layouni等人[9]為解決人工分析從金屬缺陷的磁掃描中收集到的圖案的大量數據比較困難的問題，提出了一種自動分析的方法，通過使用自適應小波算法來檢測和估計金屬缺陷的長度。該方法效率高、精度高，適用于多種類型的缺陷形狀。

基于此，本文提出了基于支持向量機的缺陷檢測、分類和測量，該技術識別缺陷效率高，錯誤率小。使用MatlabGUI進行了封裝，方便金屬缺陷檢測人員使用。

1圖像前處理和特征提取

1.1圖像前處理

在對金屬表面缺陷圖像進行檢測、分類和測量之前要先進行前處理，因為工業(yè)環(huán)境比較復雜，光線、室溫、空氣濕度等都會對攝像頭成像的圖片造成一定的噪聲干擾。本次研究采用了2個方法對圖片進行前處理：

（1）對比度增強。在很多有關圖像處理的算法中，對比度增強是后續(xù)處理的基礎，有利于更好地區(qū)分前景和背景對象，提高識別的正確率，因此是很重要的一步，本文將攝像頭采集的圖像進行灰度增強，具體方法是：

1.2特征提取

在利用SVM進行金屬表面缺陷圖片的分類檢測前，特征提取是獲得較好檢測結果的基礎，對于圖像的檢測、分類和測量起著至關重要的作用。這里對前處理好的圖像進行了2次特征提取，擬采用方法和設計流程如下。

（1）方向梯度直方圖（HOG）特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子，通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構成特征，可以將局部目標的表象和形狀通過梯度方向分布描述出來。

①每個像素點的梯度通過2個算子，即：（-1，0，1）和（-1，0，1）轉置進行計算。

②Bin數量采用9，每個通道為40°?？梢缘玫紺ell單元的方向直方圖，其中Cell尺寸是4*4。

③本文Block尺寸為2*2，將Cell單元合并組合為更大的block區(qū)間，并在block做歸一化，最終特征的長度是86436。

（2）GLCM特征，即灰度共生矩陣特征。能反映圖像灰度關于方向、相鄰間隔、變化幅度等綜合信息，是分析圖像的局部模式和排列規(guī)則的基礎。由于GLCM可以產生14種特征，而考慮到減少計算量，減少冗余特征，本文采用了對比度、相關、能量、均勻性四個特征。通過在0°、45°、90°、135°四個方向進行計算，求出4個方向矩陣的特征值后，將4個特征值的平均值作為最終特征值共生矩陣。最終特征的長度是80。

2支持向量機

在對圖像進行前處理和特征提取后得到有效的圖像特征，若再能設計一個好的檢測器就顯得尤為重要。支持向量機是一種描述響應與一個或多個描述符之間非線性關系的方法。在解決小樣本、非線性和高位模式識別問題上體現出優(yōu)勢。與響應具有正態(tài)分布的簡單線性回歸或指數回歸不同，支持向量機的響應可以是正態(tài)、二項或泊松。支持向量機采用函數f進行線性描述。在后續(xù)的預測分析中，響應具有正態(tài)分布。支持向量機正則化是一種通過附加懲罰項來限制模型復雜度的收縮方法，可以識別重要的描述符，選擇描述符，并在模型公式中產生更少的系數。在支持向量機擬合回歸中，首先引入非線性映射x，將其映射到m維特征空間。然后在特征空間中構建線性模型，得到：

3圖像檢測結果及分析

利用SVM進行圖像檢測主要分為2步：

（1）SVM訓練，導入訓練圖片，進行圖像前處理和特征提取，并輸入模型進行訓練。

（2）SVM檢測，本文采用SVM進行金屬表面缺陷的檢測。同樣地，對測試圖片進行前處理和特征提取，輸入訓練好的模型及自動輸出預測結果。GUI界面如圖1所示。

在本次模型訓練過程中，對于每組缺陷，研究中都采用270張樣本進行訓練。在檢測過程中對30張圖片進行缺陷的檢測，最終3種損傷類型的總識別正確率為88.9%。

金屬表面氧化皮缺陷圖片檢測結果如圖2所示。GUI界面檢測結果中顯示出缺陷種類為氧化皮，并顯示有4處缺陷。

劃痕檢測結果如圖3所示，結果中顯示出缺陷種類為劃痕，并顯示共有2條劃痕。

Fig.3Defectdetectionresultsofscratch

斑點檢測結果如圖4所示，結果中表明缺陷的種類為斑點，并顯示出斑點缺陷所占圖片中金屬面積的2.9442%。

Fig.4Defectdetectionresultsofspots

4結束語

本文采用支持向量機的方法對金屬表面缺陷圖片進行了分類和測量。在檢測之前對采集的圖片進行了對比度增強和Gabor濾波預處理，降低了拍攝圖片時復雜工業(yè)環(huán)境產生的噪聲。并進行了特征提取，保證了較高的SVM分類識別率。實驗結果表明，使用本文提出GUI界面可以方便快速地取得較好的金屬表面缺陷分類測量效果。

參考文獻

[1]MCCLUSKEYFP，LINM，MENGOTTIE.Eliminatinginfantmortalityinmetallizedfilmcapacitorsbydefectdetection[J].MicroelectronicsReliability，2014，54（9-10）：1818-1822.

[2]QIZicheng，NIPeijun，JIANGWei.QuantitativedetectionofminordefectsinmetalmaterialsbasedonvariationcoefficientofCTimage[J].Optik，2020，223：165269.

[3]FENGWei，LIUHongdi，ZHAODaxing，etal.Researchondefectdetectionmethodforhigh-reflective-metalsurfacebasedonhighdynamicrangeimaging[J].Optik，2020，206：164349.

[4]YUNJP，SHINWC，KOOG，etal.Automateddefectinspectionsystemformetalsurfacesbasedondeeplearninganddataaugmentation[J].JournalofManufacturingSystems，2020，55：317-324.

[5]劉建春，林海森，黃勇杰，等.基于機器視覺的金屬邊緣細微缺陷檢測方法的研究[J].制造技術與機床，2018（11）：137-140.

[6]金閎奇，陳新度，吳磊.基于特征金字塔的多尺度金屬表面缺陷檢測[J].組合機床與自動化加工技術，2020（8）：97-100.

[7]王俊強，張業(yè)宏，馬沖，等.基于機器視覺的帶鋼表面缺陷檢測系統(tǒng)[J].邢臺職業(yè)技術學院學報，2020，37（3）：78-82.

[8]ZHANGHong，GAOBin，TIANGuiyun，etal.MetaldefectssizinganddetectionunderthickcoatingusingmicrowaveNDT[J].NDT&EInternational，2013，60：52-61.

[9]LAYOUNIM，HAMDIMS，TAHARS.Detectionandsizingofmetal-lossdefectsinoilandgaspipelinesusingpattern-adaptedwaveletsandmachinelearning[J].AppliedSoftComputing，2017，52：247-261.

[10]張立新.基于表面缺陷檢測的金屬圖像識別[J].粘接，2019，40（8）：121-123.