李新张振尧白瑞林

(无锡信捷电气股份有限公司1,江苏 无锡 214072;江南大学轻工过程先进控制教育部重点实验室2,江苏 无锡 214122)

轴承圆柱滚子表面缺陷的视觉检测方法

李新1张振尧2白瑞林2

(无锡信捷电气股份有限公司1,江苏 无锡 214072;江南大学轻工过程先进控制教育部重点实验室2,江苏 无锡 214122)

为了提高轴承圆柱滚子表面缺陷检测识别准确率、降低预测时间,提出一种基于机器视觉的表面缺陷检测方法。离线训练时,对滚子表面图像经Gabor变换后得到的子图进行融合并提取纹理特征,采用改进的Relief算法进行特征降维,减少在线特征提取所用时间。同时,为了降低缺陷滚子的漏检率,引入偏向性处理并使用最小二乘支持向量机进行分类。试验表明,该检测方法在保证整体预测准确率的前提下,实现了缺陷滚子的偏向性预测,适用于实时性要求较高的场合。

机器视觉 缺陷检测 灰度共生矩阵(GLCM) 特征选择 过采样 最小二乘支持向量机(LSSVM)

0 引言

圆柱滚子作为轴承的重要组成部分,它对轴承的旋转精度、运动性能和使用寿命等都有重要影响[1]。生产线上产品质量检测时,如果表面存在缺陷的滚子漏检,混入合格产品中,不仅影响机械效率,还可能带来安全隐患,给厂商声誉造成不良影响。目前,多数生产厂家所采用的人工目视检测方法,检测效率低下且易受主观因素的影响,已经不适应现代工业快速发展的需求[2]。磁粉检测方法虽然价格低廉,但是难以检出碰伤、麻点等缺陷。涡流检测法虽然能检测出裂纹缺陷,但是系统抗干扰性能较差,漏检和误检率较高[3-4]。近年来,机器视觉代替人工检测得到越来越广泛的应用。文献[5]以分割出的缺陷面积大小作为检测标准,识别准确率很大程度上受到预处理效果的影响,无法满足复杂的工业现场检测要求。

1 滚子图像特征提取

1.1 构建Gabor滤波及图像融合

Gabor小波具有优良的时频域分析特性,能够反映特定方向上的形状特征,是很好的特征提取算法[6]。该算法通常采用高维的复合特征对样本进行较为全面的描述[7]。

为了提取特定方向上的形状特征,本文构造5个尺度4个方向Gabor滤波器组。二维Gabor小波函数如式(1)所示。

Gabor滤波选取实部滤波,将灰度图像F(z)与Gabor滤波器卷积,即:

从而可获得20副Gabor分量子图G(v,u)。将相同尺度不同方向的子图按照式(3)进行融合,即:

原始缺陷滚子表面图像如图1所示,经过Gabor小波处理后得到的Gabor子图如图2所示。一副原始滚子表面图像经过Gabor变换并融合后最终可用5副子图来表示,如图3所示。

图1 原始缺陷滚子表面图像Fig.1 Image of original defective roller surface

图2 变换后的Gabor子图Fig.2 Subgraphs of Gabor after tranformation

图3 变换融合后的Gabor子图Fig.3 Subgraphs of Gabor after tranformation and fusion

1.2 特征提取

不同纹理的图像,其灰度共生矩阵差异较大,因此可以借助灰度共生矩阵进一步计算图像纹理特征。计算每幅子图的灰度共生矩阵,提取对比度、相关性、信息熵、逆差矩、均值、方差、非相似度7个统计量作为纹理特征,加上子图的灰度均值与方差,共9维特征值作为每幅子图的特征。而每一副原始滚子表面图像经过Gabor变换后可由5副子图来表示,故将5幅子图的特征按顺序排列成一个45维的特征向量来表征原始图像。

2 特征降维

2.1 Relief特征选择算法

高维特征提取运算量偏大,此外冗余特征会对滚子表面缺陷的在线检测速度和准确率产生负面影响。降维技术可以降低特征维数,提高分类器分类性能[8]。特征降维可以分为特征提取和特征选择。使用独立成分分析(independent component analysis,ICA)、核主成分分析(kernel principal component analysis,KPCA)等特征提取算法所产生的新特征失去了原始特征具有的物理意义,在线检测过程仍需重新提取所有原始特征,此类算法不能有效减少在线预测时间。与KPCA、ICA等特征提取技术相比,Relief[9]特征选择算法保持了特征的原有物理意义且能找到与类别相关性强的特征子集,是一种经典的并被广泛应用的特征降维技术。

Relief算法的思想是:与类别相关性大的特征,使得同类样本互相靠近,而不同类样本互相远离[10]。Relief算法通过给每一维特征赋予一个权值来表示该维特征与类别的相关程度,用以解决二分问题[]。但是该算法存在以下不足:①在每一维特征权值迭代过程中,随机选取样本进行计算,忽略了边界样本对分类面贡献率更大的事实;②计算过程中容易受噪声干扰,鲁棒性较差;③虽然可以选出与类别相关性强的特征子集,但是所选出的子集可能存在冗余特征。

2.2 改进的Relief算法

针对传统Relief算法的不足,做以下改进:①以边界样本代替随机选取样本作为特征权值迭代时所用的样本集合;②以3个最近邻代替一个最近邻且根据这3个最近邻的重要性不同赋予不同的样本权值,减少所受噪声的干扰,适应性更好;③采用相关性分析去除冗余特征。

改进后Relief算法流程可以分为3个步骤:①求取与类别相关性强的特征子集;②去除冗余特征;③求取特征状态标志。

2.2.1 寻找与类别相关性强的子集

边界样本对于分类面的贡献率往往较大。为了增强样本选择的针对性,以边界样本代替Relief算法中随机选取样本的方法进行特征权值迭代。特征矩阵X,每一个样本对应一个类别标签,其中将合格的圆柱滚子标记为-1类,含有缺陷的滚子标记为+1类。合格样本和缺陷样本的类别中心xmean-和xmean+由式(4)决定,即:

式中:N-、N+分别表示合格样本和缺陷样本的个数,且有N-+N+=N;xn为1×45维矩阵,表示第n个样本的特征向量。

由此可得样本xi(xi∈M)作为xn的异类最近邻样本的模糊隶属度为:

对于xn到最近异类样本的第j维特征的模糊差异度量由式(6)得到:

同理可得,xi(xi∈H)作为xn的同类最近邻样本的模糊隶属度为:

对于xn到最近同类样本的第j维特征的模糊差异度量由式(8)得到:

2.2.2 去除特征子集的冗余特征

将边界样本特征矩阵Xnew每一列按照wj大小降序排列。根据式(10)计算相关系数矩阵。

找出与第一维特征相关系数最大的特征,倘若相关系数大于阈值T2,则将该维特征删除,并将对应mark2的状态标志置0;否则置1。移除第一维特征,继续找出与剩下权值最大的特征之间相关系数最大的特征,根据相关系数与T2的大小关系来确定是否去除该特征。

以此类推,直到把权值最小的冗余特征也去除为止。经过以上步骤可得特征状态标志mark2。

2.2.3 特征筛选

最终状态标志向量mark由mark1和mark2进行按位与运算得到。它记录着原始训练样本特征中每一维特征对应的状态:0表示该维特征被删除,1表示该维特征被保留。

在线特征提取根据mark状态标志确定哪一维特征需要被计算,既节省了特征提取时间,又可提高分类准确率。

离线特征选择流程图如图4所示。

图4 离线特征选择流程图Fig.4 The flowchart of offline feature selection

3 最小二乘支持向量机偏向性分类

3.1 偏向性处理

在保证整体识别正确率的前提下,应尽量降低不合格滚子的漏检率,避免缺陷产品混到合格产品中。文献[12]采用改进的虚拟少数类过采样技术实现偏向性分类,其主要思想是在边界样本类间进行过采样。为了产生更适合于偏向性分类的训练样本数据,采取以下处理步骤。

①首先用KNN算法去除孤立样本数据。统计每个样本xi的5个最近邻样本别类与xi相同的个数Ccheck。如果5个最近邻均与之不同类,即Ccheck=0,则将xi删除。

②对于去除孤立样本点后特征矩阵中的缺陷样本xt,倘若其5个最近邻中有2个(或3个)合格样本,则在该缺陷样本和这2个(3个)合格样本之间进行过采样。

式中:xd为xt的最近邻合格样本;xsomte为过采样所得的缺陷样本;r为(0,1)之间的随机数。

③最后将过采样产生的所有缺陷样本加入去除孤立样本后的训练样本集合中,离线训练LSSVM模型。

3.2 LSSVM分类

最小二乘支持向量机[13](LSSVM)在模式识别领域得到广泛的应用,Suykens在文献中对LSSVM理论进行了详细的分析。该算法只需通过求解一组线性方程组即可获得最优分类面,使得问题的计算复杂性和存储量得到大大减小。

LSSVM的模型为:

在初步最优参数组合的邻域进一步使用网格算法进行精细搜索,对每一个网格节点进行10折交叉验证。这样不仅可以避免参数寻优过程中陷入局部最优解,而且优化时间大大缩短。

4 试验结果与分析

选取96副合格圆柱滚子表面图片、69副缺陷滚子图片作为离线训练样本。每幅图像样本提取上述45维特征,则所有训练样本组成165×45维的特征矩阵。将合格样本标记为-1类,缺陷样本标记为+1类,可得165×1维样本标记向量。

离线训练LSSVM模型,分别使用网格算法、耦合模拟退火算法以及耦合模拟退火算法与网格算法相结合的方法对模型参数进行寻优。同时,用三种寻优方法所得到的分类器模型,分别对大小为300×700像素的40个合格滚子和40个缺陷滚子进行分类预测,结果如表1所示。

表1 三种参数优化性能对比Tab.1 Performance comparison for three kinds of parameter optimization

采用改进后的Relief算法对原始提取的45维特征进行降维。利用降维后训练所得的分类器模型,在线对80个未知类别滚子进行预测,并将降维后预测的准确率和所用时间与降维前、原始Relief算法进行比较,结果如表2所示。

表2 特征选择前后性能对比Tab.2 Performance comparison before and after feature selection

由表2可以看出,采用本文改进的算法对45维原始特征进行特征选择,再利用保留下来的特征训练分类器模型,对80个滚子分类预测的整体准确率达到97.5%,完成一个滚子的预测过程所用时间从降维前的612.1 ms下降到395.6 ms。

每一维特征所对应的权值如图5所示。降维过程中剔除了22维特征,因此,在线对磁瓦缺陷进行特征提取时只需计算25维特征。特征选择后不仅预测时间大大降低,而且预测准确率也有所提高。

图5 特征权值曲线Fig.5 The feature weights

对训练样本做偏向性处理,人工合成38个缺陷样本,处理前后的预测准确率如表3所示。偏向性处理后,整体准确率提高到98.75%,对缺陷滚子的预测准确率由97.5%提高到100%,且对细小缺陷也能很好地检测出来,满足实际生产的要求。

表3 偏向性处理性能对比Tab.3 Performance comparison of biased processing

5 结束语

本文基于机器视觉对轴承圆柱滚子表面缺陷进行检测,在保证整体分类识别准确率的前提下,有效地降低了缺陷滚子的漏检率。滚子整体分类准确率达到98.75%的同时,对缺陷滚子的预测准确率达到100%,且完成一个滚子的预测时间只需395.1 ms,符合实时性要求较高的工业现场,满足生产检测要求。

[1] 崔立,郑建荣.考虑刚性转子非线性振动的圆柱滚子轴承动态特性研究[J].振动与冲击,2010,29(10):112-117.

[2] 周景亮,林志熙,黄耀志.应用声振法对轴承滚子无损检测的研究[J].机电技术,2006,29(4):36-37.

[3] 陈翠丽.荧光磁粉探伤法的探讨及应用[J].轴承技术,2008(1): 30-32.

[4] 庞川宾,冀慧芬.铁路车辆轴承滚子表面缺陷微机检测系统探讨[J].科技情报开发与经济,2002,12(5):169-171.

[5] 王慧楠.基于机器视觉的圆柱滚子表面缺陷检测系统[D].洛阳:河南科技大学,2012.

[6] 徐婉莹,黄新生,刘育浩,等.一种基于Gabor小波的局部特征尺度提取方法[J].中国图象图形学报,2011,16(1):72-78.

[7] 胡洁.高维数据特征降维研究综述[J].计算机应用研究,2008, 25(9):2601-2606.

[8] 张振海,李士宁,李志刚,等.一类基于信息熵的多标签特征选择算法[J].计算机研究与发展,2013,50(6):1177-1184.

[9] Kira K,Rendel L A.A practical approach to feature selection[C]// Proceedings of the 9thInt Workshop on Machine Learning,San Francisco:Morgan Kaufmann,1992:249-256.

[10] Sun Y J.Iterative relief for feature weighting:algorithms,theories and applications[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(6):1035-4051.

[11] Saari P,Eerola T,Lartillot O.Generalizability and simplicity as criteria in feature selection:application to mood classification in music[J]. IEEE Transactions on Audio,Speech,and Language Processing,2011, 19(6):1802-1812.

[12] Suykens J A K,Vandewalle J.Least squares support vector machine classifiers[J].Neural Processing Letters,1999,9(3):293-300.

[13] Samuel Xavier-de-Souza,Johan A K Suykens,Joos Vandewalle,et al. Coupled simulated annealing[J].IEEE Transactions on Systems, Man,and Cybernetics-Part B,Cybernetics,2010,40(2):320-335.

Visual Detection Method for Surface Defects of Bearing Cylindrical Roller

In order to improve the detecting accuracy for identifying surface defects of the bearing cylindrical roller,and reduce the prediction time,the surface defect detection method based on machine vision is proposed.While offline training,the sub-graphics obtained through Gabor transformation for the image of roller surface are fused and the texture features are extracted.The improved Relief algorithm is adopted to reduce the dimension of feature and the time of online feature extraction,In addition,for minimizing the missed detection rate of the defective rollers, the biased processing is introduced,and the classification is conducted by adopting LSSVM.The experiments indicate that this method does guarantee the overall prediction accuracy,and biased prediction of the defective roller is implemented,it is suitable for situation of high real time performance is requested.

Machine vision Defect detection Gray-level co-currence matrix(GLCM) Feature selection Over sampling Least squares support vector machine(LSSVM)

TP274+.3

A

江苏高校优势学科建设工程资助项目(编号:PAPD);

江苏省产学研前瞻性联合研究项目(编号:BY2012056)。

修改稿收到日期:2014-04-14。

李新(1970-),男,1991年毕业于江南大学电气自动化专业,获学士学位,工程师;主要从事工业自动化系统与装备的研究。