摘  要： 研究對象為柱狀二極管，管體表面分布著白色文字和極性環(huán)。通過光學原理設(shè)計出能夠減弱反光、打亮側(cè)面的光學平臺。同時，從對象分割、特征提取和決策樹分類器三方面講述視覺軟件系統(tǒng)的設(shè)計流程：針對文字與缺陷ROI相混的情況，先利用筆畫寬度轉(zhuǎn)換（SWT）分割文字，剩下的連通ROI即是缺陷ROI；針對缺陷特征，提出平均灰度、環(huán)狀度、邊緣方向直方圖和LBP四項特征值；最后利用決策樹分類器對缺陷ROI進行分類，缺陷ROI識別率接近100%，缺陷ROI分類正確率達到92.3%，取到了較好的識別和分類效果。

　　關(guān)鍵詞： 機器視覺；筆畫寬度轉(zhuǎn)換；全局LBP紋理算子；決策樹學習分類器

0 引言

　　目前機器視覺的被測對象大都是平面結(jié)構(gòu)，形狀和紋理的一致性很高。而對柱狀元件來說，表面紋理分布于四周，缺陷的空間位置、形狀特征和灰度特征的不確定性很大，而且可能出現(xiàn)不同缺陷混在一起的情況，增大了圖像分割和特征提取的難度。對于這種柱狀元件，目前只能檢測側(cè)面外形缺陷和少數(shù)紋理缺陷，若要進行完整檢測，需要增加相機的數(shù)量，成本很高。本文詳述了視覺系統(tǒng)主要部分的設(shè)計過程，從光學平臺設(shè)計和缺陷分割分類算法兩個方面提出創(chuàng)新，算法部分用MATLAB進行仿真驗證，完成外形和紋理缺陷的檢測任務(wù)。

1 系統(tǒng)方案

　　系統(tǒng)為實時在線監(jiān)測，包括硬件系統(tǒng)和軟件系統(tǒng)，如圖1所示。硬件系統(tǒng)包括光學平臺[1]、傳送機構(gòu)、傳感器和執(zhí)行機構(gòu)；軟件系統(tǒng)包括人機界面、串口通信、圖像處理及分類算法。

2 軟件系統(tǒng)

　　首先介紹研究對象及其缺陷類型。缺陷類型包括：管腳缺陷和管體缺陷。管腳缺陷多為外形缺陷，管體缺陷包括：（a）管體大小不一；（b）管體缺損；（c）文字缺失；（d）片狀印染；（e）色環(huán)缺失；（f）極性環(huán)寬度不一；（g）露白膠。圖2為對象整流二極管封裝DO-41外形尺寸。

　?。╝）、（e）、（f）類缺陷在分割時通過外形特征就能判斷出缺陷類型，算法的難點在于（b）、（c）、（d）、（g）類缺陷。針對（b）、（c）、（d）、（g）類可能出現(xiàn)混在一起的情況，先對文字進行分割，留下來的連通區(qū)域就是（b）、（d）、（g）類；然后提?。╞）、（d）、（g）類的特征，實際分類時又將這三類分為管體正面缺損、側(cè)面缺損、片狀印染和露白膠4種類型；最后利用決策樹分類器對4種類型進行分類。下面是軟件系統(tǒng)中的主要算法。

　　2.1 文字分割算法

　　筆畫寬度轉(zhuǎn)換（Stroke Width Transform，SWT）最初在2010年由EPSHTEIN B提出并應(yīng)用于場景文字檢測[2]，作者通過SWT對文字進行分割。本課題中，因二極管背景簡單，字符筆畫寬度固定，故查全率接近100%，而且可以去除邊緣彌散光造成的影響。

　　SWT的核心思想是：先對圖像做Canny檢測，如圖3所示，其中，M、N是邊緣上的點；然后求點M處梯度的單位方向向量dM，dM大約垂直于筆畫邊緣。

　　以點M為起點，以dM為方向做射線，即射線r=M+n.dM，n>0，射線終點為另外一個邊緣點B，其梯度方向為dB，如果dB與dM方向相反、大小相近，則將點M、B看做有效邊緣點，并將線段MB上所有像素點灰度值賦值為像素點M和點B間的像素個數(shù)，即筆畫寬度（SW）。如果沒有找到像素點B或者dB與dM不滿足要求，則放棄該射線。最后對圖像中所有像素點SW比率小于3的SW進行歸類。

　　實際測試中發(fā)現(xiàn)在拐角處容易出現(xiàn)SW缺失的情況，針對這種情況進行了改進，以點M為例，以M為原點，以dM和tan（arctan（dM）±π/4）（dM為dM斜率）為方向做三條射線，分別交另一條邊緣線于點B、A和C，其他操作與未改進SWT相同，效果展示見第3節(jié)。

　　2.2 外形特征提取

　　側(cè)面缺損和露白膠均為高灰度紋理，兩者區(qū)別在于輪廓特征和邊緣特征，用環(huán)狀度表述輪廓特征，用空間邊緣方向直方圖表述邊緣特征。下面是兩個特征算子的介紹。

　　空間邊緣方向直方圖能夠較好地描述圖像的邊緣信息?？臻g邊緣方向直方圖特征與環(huán)狀度特征結(jié)合在一起，利用最近鄰法可以對露白膠和側(cè)面缺損兩種缺陷有效分類。

　　2.3 紋理特征提取

　　LBP是基于局部特征的紋理算子，現(xiàn)以（P，R）=（8，1）為例說明（如圖4所示）：以中心灰度值為gc的像素為原點，采樣半徑為R作圓，P為鄰域內(nèi)的像素個數(shù)，鄰域內(nèi)像素點為g（i），1≤i≤8，通過式（1）和式（2）得到中心像素的LBP值，以LBP（P，R）的直方圖統(tǒng)計作為特征值，共256維。簡化分類器，取PCA降維后的前4個主分量為特征值。

　　LBP還有很多改進能更好地提取對象特征，包括旋轉(zhuǎn)不變模式LBPROT[5]、均值模式Uniform LBP[6]、CLBP[7]等?？紤]到紋理具有方向性和算法效率，使用經(jīng)典的LBP算子。

　　2.4 決策樹分類器設(shè)計

　　決策樹由一個根節(jié)點、一系列內(nèi)部節(jié)點、分支和葉節(jié)點組成。在機器學習中，決策樹代表的是對象屬性與對象值之間的一種映射關(guān)系。樹中的每個節(jié)點表示某個對象，而每個分叉樹則代表某個可能的屬性值，每個葉節(jié)點代表一個類別，即圖像的分類結(jié)果[8]。

　　按特征二次劃分后的決策樹如圖5所示，共用到LBP、平均灰度、環(huán)狀度和空間邊緣方向直方圖4項特征，其中兩個為直方圖特征和兩個為變量特征。這種決策樹學習將所有特征做成摘要形式，融進層級思想，能更準確地對數(shù)據(jù)集進行分類。

3 算法仿真驗證

　　本節(jié)將展示系統(tǒng)仿真過程中的數(shù)據(jù)和結(jié)果，包括圖像分割、特征提取和決策樹分類。下面是缺陷輪廓的分割過程。

　　基于SWT的缺陷分割過程如圖6所示。觀察圖6中的缺損紋理和印染紋理，兩者灰度值相近，區(qū)別在于灰度的局部平整性。

　　利用決策樹分類器對2.4節(jié)所述的4項特征進行分類，即利用平均灰度值區(qū)分高灰度ROI和低灰度ROI；利用BP神經(jīng)網(wǎng)絡(luò)對低灰度ROI進行訓練并分為正面缺損和印染缺陷兩類；利用最近鄰分類法對露白膠和側(cè)面缺損進行分類。表1為決策樹分類結(jié)果。

　　從缺陷ROI識別率的角度來看，在光學平臺設(shè)置合理的情況下，缺陷ROI均被打亮，缺陷的識別率接近100%。從缺陷ROI分類正確率來看，第三個節(jié)點分類正確率為90.7%，其他節(jié)點的分類均達到了很高的準確率，缺陷ROI的整體分類正確率為92.3%。

4 結(jié)論

　　工業(yè)機器視覺中的缺陷檢測和視覺定位一般都是針對一致性很高的產(chǎn)品且背景單一，但是隨著自動化程度的進一步提高，對視覺系統(tǒng)的適應(yīng)性提出了更高的要求，需要更多優(yōu)秀的特征算子和基于機器學習的強分類器，以保證系統(tǒng)對復(fù)雜對象有一個更全面和智能的學習和認識。在本系統(tǒng)設(shè)計中，一開始用SWT分割文字，丟失了缺陷區(qū)域的很多邊緣信息，而這些邊緣信息是人眼視覺發(fā)現(xiàn)缺陷的重要特征，問題是這些邊緣信息很雜亂，不同缺陷邊緣還可能互相交錯，提取難度較大，對于特征提取來說，還有很多需要深入研究的地方。

參考文獻

　　[1] STEGER C， ULRICH M， WIEDEMANN C.機器視覺算法與應(yīng)用[M].楊少榮，吳迪靖，段德山，譯.北京：清華大學出版社，2008.

　　[2] EPSHTEIN B， OFEK E， WEXLER Y. Detecting text in natural scenes with stroke width transform[C]. CVPR， 2010：2963-2970.

　　[3] 張國翊，胡錚，徐婷.基于特征提取的缺陷圖像分類方法[J].北京工業(yè)大學學報，2010（4）：450-457.

　　[4] 王新紅，王晶，田敏，等.基于空間邊緣方向直方圖的Mean Shift跟蹤算法[J].中國圖象圖形學報，2008，13（3）：586-592.

　　[5] OJALA T， PIETIKA?魪NEN M. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence， 2002，24（7）：971-987.

　　[6] Zhao Guoying. Rotation-invariant image and video description with local binary pattern features[J]. IEEE Transaction on Image Process， 2012，21（4）：1465-1477.

　　[7] Guo Zhenhua， Zhang Lei， ZHANG D. A completed modeling of local binary pattern operator for texture classification[J]. IEEE Transactions on Image Process， 2010，19（6）： 1657-1663.

　　[8] 潘琛，杜培軍，張海榮.決策樹分類法及其在遙感圖像處理中的應(yīng)用[J].測繪科學，2008（1）：208-211.