基于纹理特征聚类的磁瓦表面缺陷检测方法
技术领域
本发明涉及机器视觉领域,具体是指一种通过纹理特征聚类分析对磁瓦表面缺陷检测识别的方法。
背景技术
铁氧体磁瓦是主要用于永磁电机上的一种瓦状磁铁,其品质的高低直接影响了永磁电机的整体性能。在磁瓦生产过程中,由于工艺问题,磁瓦表面容易出现裂纹、破损、麻点等缺陷,直接影响了磁瓦的正常使用。目前工业生产中对磁瓦表面缺陷的判断基本采用人工检测,检测精度差、检测效率低且劳动力成本高。
随着机器视觉的不断发展,基于机器视觉的缺陷检测技术已经开始在工业产品表面质量监控中得到广泛应用,利用机器视觉自动检测能够提高企业的生产效率、降低劳动成本,增加企业的竞争力。然而针对磁瓦这一产品,本身具有灰度差不明显,且表面存在一定的弧度的特点,导致光照不易均匀,图像灰度对比度低,因此需要开发出特定的检测算法来完成缺陷提取识别。
发明内容
本发明针对上述存在的问题,提供了一种基于纹理特征聚类的磁瓦表面缺陷提取识别方法,实现磁瓦缺陷的自动检测。
本发明所解决的技术问题是提供一种基于纹理特征聚类的磁瓦表面缺陷提取识别算法。利用Gabor核函数构造能量谱表征磁瓦表面纹理特征,克服光照、尺度、角度等干扰;采用自定义系数修正Gabor能量谱,然后利用模糊C均值聚类算法对修正后Gabor能量谱图像分割出缺陷纹理和正常纹理区域;最后根据聚类分割后区域灰度变化特征快速、有效地提取识别缺陷区域。算法包括以下步骤。
第一步:利用Gabor核函数构造能量谱表征磁瓦表面的纹理特征,采用Gabor核函数对原始图像卷积计算,得到8方向的Gabor能量谱,并用0度、45度、90度、135度方向的能量谱叠加表征磁瓦表面的纹理特征。
第二步:构造自定义系数谱修正Gabor能量谱,通过自定义系数谱与Gabor能量谱相乘,得到修正的Gabor能量谱,并确定聚类簇数为3,以优化聚类效果。
第三步:利用模糊C均值(FCM)聚类算法对修正的Gabor能量谱分割图像,由于确定的聚类簇数为3,则纹理特征分成3类区域。
第四步,识别3类区域中的缺陷区域,完成磁瓦缺陷分割和提取,根据过质点的水平线和垂直线上的灰度变化特性,判断缺陷处于的区域。
进一步的,所述第一步具体为。
(1)Gabor核函数。
采用通用的复2-DGabor核函数,复2-DGabor核函数是由高斯函数调制的复正弦函数,其数学表达式为。
。
式中,z=(x,y)为图像像素点,其中,x,y分别为图像中的横坐标和纵坐标;和分别表示Gabor小波的方向和尺度;表示摸运算;i为复数算子;为高斯函数的半径,规定了二维Gabor小波的尺寸大小;为核函数的中心频率,体现了滤波器的方向选择性。
本发明利用上述数学公式并确定参数:=1,=2,,,。
(2)构造Gabor能量谱。
通过Gabor核函数与磁瓦表面图像卷积计算得到Gabor能量谱,以描述纹理特征,设g(x,y)为图像的灰度值,其中,x,y分别为图像中的横坐标和纵坐标,则卷积值Q(x,y)值如为。
。
相应的幅度谱M(x,y)和相位谱为。
。
。
其中Re()为取复数实部函数,Im()为复数的虚部函数。幅度谱M(x,y)足以表示Gabor能量谱,所以本发明采用能量谱数学值上用幅度谱代替。通过分析,缺陷存在于0-180度之间范围,故选用0度、45度、90度和135度四个方向的能量谱。
(3)构造Gabor能量总谱。
四方向的Gabor能量谱GA,GB,GC,GD分别表示了四个方向的纹理特征,如果直接对四方向能量谱分别聚类,则存在重复计算,缺陷特征不明显等缺点,所以本发明将四方向能量谱叠加,得到能量总谱MS,既增强了缺陷的纹理特征,同时减少了计算量。
。
所述第二步具体为。
构造一个自定义乘积系数谱,通过自定义系数谱与Gabor能量谱相乘得到修正后的Gabor能量谱MDC。
在MS中,主要存在三个区域,分别是正常纹理区域、光照不均匀区域和缺陷区域,且光照不均匀区域和缺陷区域在Gabor能量谱中幅值大小相近,影响了聚类分割,本发明通过局部灰度特征构造自定义能量系数谱修正Gabor能量谱,以优化聚类算法。假设磁瓦表面某点的灰度值为g(x,y),计算以该点为中心的边长为n的正方向框内的平均灰度值m(x,y)和标准差d(x,y),通过如下公式得到自定义系数谱。
。
其中为标准差影响因子,当和n偏大时整个图像都有较高值的系数谱,的取值范围为-1.5~1.5,n的取值范围为5~15。
将自定义乘积系数谱与Gabor能量总谱按点相乘,得到修正后的Gabor能量谱MDC。
。
所述第三步具体为。
通过修正后的Gabor能量谱分析,有3个区域特征明显区分,故将模糊C均值聚类算法(FCM)中的参数模糊簇簇数c确定为3。FCM算法是一种数据分类的算法,具体方法为把n个向量分成c个模糊簇,并求得每个簇的聚类中心,使得目标函数达到最小,FCM的目标函数一般表示为。
。
式中,。
其中,,为第i类的中心点,表示第k个样本属于类的隶属度,m()为控制模糊度的权重指数。为了使目标函数达到最小,聚类中心和隶属度的更新如下。
。
。
其中:。
当目标函数达到最小时,即可获得当前数据划分的最优解,根据最优解对应的隶属度函数值,将数据样本进行区域分割。
为约束FCM算法,本发明做了迭代次数设置最大迭代次数为25~100,判别最小值范围为0.00001~0.0001。
所述第四步具体为。
经过聚类分析,修正Gabor能量谱图像经FCM聚类后得到3个区域,利用区域内的灰度值变化特性将缺陷区域从图像中提取,完成磁瓦缺陷图像的分割。本发明根据过质心点的水平和垂直直线上灰度变化特性提取缺陷。具体步骤如下。
(1)通过如下数学表达式确定每个区域的质心,为质心的横坐标,为质心纵坐标。
。
u为区域内像素总数,i表示某点数据。取质心所在的水平和竖直两方面的数据,并组成两个一维数组,。k表示水平方向数据总数,l表示竖直方向数据总数。
(2)先对两组数据进行中值滤波去除尖峰点,再将前后步长T的数据差分计算即得到两组差值,用,。
。
。
(3)对这两组数据前后的符号变换进行计数,如果正负变换次数低于所设阈值Th则判定所处的区域为缺陷纹理区域。综合数据中噪声干扰,Th设定为2-8。
本发明的优点:利用Gabor能量谱能够有效地表征磁瓦表面的纹理特征;通过修正后的Gabor能量谱设定FCM的模糊簇数,并区分出正常纹理和缺陷纹理;FCM聚类实现精确地缺陷分割;区域灰度值差分,快速、准确完成对磁瓦表面的缺陷提取。该算法可以有效地克服噪声干扰,算法准确率高,且对不同缺陷的适应性好,可靠性高。
附图说明
图1本发明算法流程图。
图2本发明的测试图。
具体实施方式
下面结合具体附图和实施例对本发明进一步说明。
如图1所示,为本发明的算法流程图。
第一步:利用Gabor核函数构造能量谱表征磁瓦表面的纹理特征,采用Gabor核函数对原始图像卷积计算,得到8方向的Gabor能量谱,并用0度、45度、90度、135度方向的能量谱叠加表征磁瓦表面的纹理特征。
第二步:构造自定义系数谱修正Gabor能量谱,通过自定义系数谱与Gabor能量谱相乘,得到修正的Gabor能量谱,并确定聚类簇数为3,以优化聚类效果。
第三步:利用模糊C均值(FCM)聚类算法对修正的Gabor能量谱分割图像,由于确定的聚类簇数为3,则纹理特征分成3类区域。
第四步,识别3类区域中的缺陷区域,完成磁瓦缺陷分割和提取,根据过质点的水平线和垂直线上的灰度变化特性,判断缺陷处于的区域。
进一步的,所述第一步具体为。
(1)Gabor核函数。
采用通用的复2-DGabor核函数,复2-DGabor核函数是由高斯函数调制的复正弦函数,其数学表达式为。
。
式中,z=(x,y)为图像像素点,其中,x,y分别为图像中的横坐标和纵坐标;和分别表示Gabor小波的方向和尺度;表示摸运算;i为复数算子;为高斯函数的半径,规定了二维Gabor小波的尺寸大小;为核函数的中心频率,体现了滤波器的方向选择性。
本发明利用上述数学公式并确定参数:=1,=2,,,。
(2)构造Gabor能量谱。
通过Gabor核函数与磁瓦表面图像卷积计算得到Gabor能量谱,以描述纹理特征,设g(x,y)为图像的灰度值,其中,x,y分别为图像中的横坐标和纵坐标,则卷积值Q(x,y)值如为。
。
相应的幅度谱M(x,y)和相位谱为。
。
。
其中Re()为取复数实部函数,Im()为复数的虚部函数。幅度谱M(x,y)足以表示Gabor能量谱,所以本发明采用能量谱数学值上用幅度谱代替。通过分析,缺陷存在于0-180度之间范围,故选用0度、45度、90度和135度四个方向的能量谱。
(3)构造Gabor能量总谱。
四方向的Gabor能量谱GA,GB,GC,GD分别表示了四个方向的纹理特征,如果直接对四方向能量谱分别聚类,则存在重复计算,缺陷特征不明显等缺点,所以本发明将四方向能量谱叠加,得到能量总谱MS,既增强了缺陷的纹理特征,同时减少了计算量。
。
所述第二步具体为。
构造一个自定义乘积系数谱,通过自定义系数谱与Gabor能量谱相乘得到修正后的Gabor能量谱MDC。
在MS中,主要存在三个区域,分别是正常纹理区域、光照不均匀区域和缺陷区域,且光照不均匀区域和缺陷区域在Gabor能量谱中幅值大小相近,影响了聚类分割,本发明通过局部灰度特征构造自定义能量系数谱修正Gabor能量谱,以优化聚类算法。假设磁瓦表面某点的灰度值为g(x,y),计算以该点为中心的边长为n的正方向框内的平均灰度值m(x,y)和标准差d(x,y),通过如下公式得到自定义系数谱。
。
其中为标准差影响因子,当和n偏大时整个图像都有较高值的系数谱,的取值范围为-1.5~1.5,n的取值范围为5~15。
将自定义乘积系数谱与Gabor能量总谱按点相乘,得到修正后的Gabor能量谱MDC。
。
所述第三步具体为。
通过修正后的Gabor能量谱分析,有3个区域特征明显区分,故将模糊C均值聚类算法(FCM)中的参数模糊簇簇数c确定为3。FCM算法是一种数据分类的算法,具体方法为把n个向量分成c个模糊簇,并求得每个簇的聚类中心,使得目标函数达到最小,FCM的目标函数一般表示为。
。
式中,。
其中,,为第i类的中心点,表示第k个样本属于类的隶属度,m()为控制模糊度的权重指数。为了使目标函数达到最小,聚类中心和隶属度的更新如下。
。
。
其中:。
当目标函数达到最小时,即可获得当前数据划分的最优解,根据最优解对应的隶属度函数值,将数据样本进行区域分割。
为约束FCM算法,本发明做了迭代次数设置最大迭代次数为25~100,判别最小值范围为0.00001~0.0001。
所述第四步具体为。
经过聚类分析,修正Gabor能量谱图像经FCM聚类后得到3个区域,利用区域内的灰度值变化特性将缺陷区域从图像中提取,完成磁瓦缺陷图像的分割。本发明根据过质心点的水平和垂直直线上灰度变化特性提取缺陷。具体步骤如下。
(1)通过如下数学表达式确定每个区域的质心,为质心的横坐标,为质心纵坐标。
。
u为区域内像素总数,i表示某点数据。取质心所在的水平和竖直两方面的数据,并组成两个一维数组,。k表示水平方向数据总数,l表示竖直方向数据总数。
(2)先对两组数据进行中值滤波去除尖峰点,再将前后步长T的数据差分计算即得到两组差值,用,。
。
。
(3)对这两组数据前后的符号变换进行计数,如果正负变换次数低于所设阈值Th则判定所处的区域为缺陷纹理区域。综合数据中噪声干扰,Th设定为2-8。
本发明的优点:利用Gabor能量谱能够有效地表征磁瓦表面的纹理特征;通过修正后的Gabor能量谱设定FCM的模糊簇数,并区分出正常纹理和缺陷纹理;FCM聚类实现精确地缺陷分割;区域灰度值差分,快速、准确完成对磁瓦表面的缺陷提取。该算法可以有效地克服噪声干扰,算法准确率高,且对不同缺陷的适应性好,可靠性高。