0引言热轧中厚板表面缺陷复杂、多样,而且同种缺陷有时具有不同的形态,要准确识别各种缺陷, 必须提取有效缺陷图像信息特征。随着计算机技术与CCD技术的发展,现在已经可以得到图像的 高维信息特征,提高了识别率,但是也造成信息冗余、维数太高等缺点。因此必须对采集的图像进 行特征提取和选择。所谓特征提取就是通过映射(或变换)用低维空间来表示样本的方法。本文提 出基于快速傅立叶变换<1>(简称FFT)和不变矩<2>相结合的图像特征提取方法。首先对 缺陷图像进行FFT变换得到频域谱,然后对频域谱求不变矩,最后把得到的七个不变矩作为特征 向量输入BP神经网络分类器进行识别。实验证明用该方法提取中厚板缺陷图像特征,即有FFT 变换的平移、抗噪的特性,又有不变矩的图像旋转不变性,可获得较高的识别率。1快速傅立叶变 换和不变矩快速傅立叶变换是离散傅立叶(简称DFT)快速算法的通称,目前用的比较多的是基 2的算法。基2算法<3>的蝶算是最普通的一种,具有快速、节省空间等优点,但也有需要整序 的缺点。通过FFT变换可把图像从空域(或时域)变换到频域上,使能量主要集中在中心区域, 可以反映图像的灰度、几何结构等特征,同时又使图像边缘的灰度值大多变为0。但是如果把FFT变换后的图像完全输入分类器进行识别,势必造成大量的冗余信息,降低识别率。
不变矩(简称MomentInvariant)是由M.K.Hu在1962年提出的连续函数矩,具有比例、旋转、平移不 变性,后人又给出了在离散状态下平移不变性和旋转不变性的证明。本文所用到的不变矩是M.K .Hu利用二阶和三阶规格化中心矩导出的七个不变矩,它是对物体轮廓求矩的。如果直接用不变 矩对背景复杂、噪声大的热轧中厚板表面图像提取特征,达不到理想的效果,无法准确地判断物体 的轮廓,同时还会造成某个矩特别大,给后期的处理带来困难。2中厚板缺陷图像特征提取方法本 文将FFT变换和不变矩相结合应用在热轧中厚板表面缺陷图像特征提取中,有很好的降噪性和较 高的识别率。具体过程如下:(1)热轧中厚板表面缺陷图像样本采集:本文所使用的中厚板表面 缺陷图像样本是使用CCD面阵摄像机从某钢厂现场在线采集得到的。其中主要有裂纹、结疤、麻 点、夹杂、划伤等缺陷,并经过现场工人的确认和实物的比对。为了后续的特征提取及分类工作, 将每幅图像分成64×64(像素)大小的子图像。图1为选取的其中三个不同缺陷的子图。(2 )对采集到的缺陷图像进行FFT变换:通过FFTa.横向划伤b.横向裂纹c.麻点图1不同缺陷的子图Fig.1Sub-imagesof Different Defects19变换(本文使用了基2算法的蝶算)把采集到的热轧中厚板表面缺陷图像从空域 变到频域上。此时噪声有突变的属于高频部分,主要分布在边缘区域;背影部分变化缓慢的属于低 频部分,主要分布在中心区域;目标变化相对较大的属于中频部分,主要分布在中间区域;而实际 上我们所关心的只有中频目标区域,因此可以直接提取中频部分,这样可以起到一定的抗噪效果。 (3)对频域谱求不变矩:经FFT变换后的图像边缘区域大都变成了0。图2是图1相对应的频 域谱,图3是由图2的频域谱绘制的能量谱,此能量谱是以FFT变换后的频域谱的中心为圆心, 以r为半径所画的能量谱,横坐标表示半径,纵坐标表示能量。可以从图2中看出不同的缺陷具有 不同的频域谱,该频域谱能较好地确定目标的轮廓。然后对频域谱求不变矩,此时得出的七个不变 矩M1-7能很好地反映目标的特性,实现图像平移、旋转、不变性,同时特征还具有抗噪特性。 (4)缺陷识别:将对频域谱求不变矩所得到的M1-7作为特征向量输入BP神经网络分类器, 进行缺陷识别。氧化铁皮、纵向裂纹、结疤、网纹、麻点。将其中192个缺陷图像作为训练样本 ,其余195个缺陷图像作为检测样本。实验识别使用BP神经网络分类器。各种缺陷的学习训练 识别情况,其训练识别率大多为100%,最低为78.79%,平均识别率为95.85%。而 实际检测识别率最高为87.1%,最低为68.4%,平均识别率为81.5%。各种缺陷检测 情况见表1。实验数据表明该方法具有较好的提取热轧中厚板表面缺陷图像特征的能力。4结论本 文研究了FFT变换、不变矩在中厚板表面缺陷检测中的应用,并且给出了实验结果。由此得出以 下结论:(1)特征向量是热轧中厚板表面缺陷识别的关键,必须提取尽可能多的特征向量,但是 特征向量太多就会造成维数太高,冗余信息太多,造成识别率不高,因此需要进行特征提取和选择 。(2)通过FFT变换把图像从空域变换到频域上时,噪声、背景、目标分别分布在高频、低频 、中频区域,可以有效地提取目标轮廓。(3)FFT与不变矩相结合进行特征提取,不仅使特征 向量具有平移、旋转不变性,而且考虑了特征向量的空间信息。试验表明,采用该方法提高了热轧中厚板表面缺陷的识别率。a.横向划伤b.横向裂纹c.麻点a.横向划伤b.横向裂纹c.麻点图2频域谱Fig.2Amplitudespectrums表1检测识别结果Tab.1Inspecting results of recognition缺陷类型样本数正确个数识别率纵向裂纹453986.7横向裂纹453 680.0麻点191368.4结疤131076.9网纹131076.9划伤292482 .76氧化铁皮312787.1合计19515981.52502001501005025 0200150100500163248648001632486480016324864 8025020015010050一种热轧中厚板表面缺陷图像的特征提取方法@刘金辉$北京科技大学机械工程学院!北京100083
@刘颖$北京科技大学机械工程学院!北京100083
@郗安民$北京科技大学机械工程学院!北京100083研究了快速傅立叶变换、不变矩的原理及 特点,并应用于热轧中厚板表面缺陷图像特征提取。从现场在线采集热轧中厚板的表面缺陷图像, 将每幅图像划分成64×64(像素)大小的子图像。对子图像进行快速傅立叶变换,得到子图像 的幅值谱,再对幅值谱求七个不变矩,然后把求得的七个不变矩作为特征向量输入BP神经网络分 类器进行识别。实验表明该方法具有较好的特征提取能力,能够很好的识别热轧中厚板表面缺陷。快速傅立叶变换;;不变矩;;图像特征提取<1>J.W.Cooleyand J.W.Tukey.An algorithm for the calculation of Fourier
.Math Comp,1965,19(4):297～301.
<2>M.K.Hu.Visual Pattern Recognition by Moment Invariants.IEEE Trans.Information Theory,1962,8.
<3>杜亚娟,潘泉,张洪才.一种新的不变矩特征在图像识别中的应用.Systems Engineering and Elect ronics,Vol21,No10,1999.632486480250200150100 50一种热轧中厚板表面缺陷图像的特征提取方法@刘金辉$北京科技大学机械工程学院!北京100083
@刘颖$北京科技大学机械工程学院!北京100083
@郗安民$北京科技大学机械工程学院!北京100083研究了快速傅立叶变换、不变矩的原理及 特点,并应用于热轧中厚板表面缺陷图像特征提取。从现场在线采集热轧中厚板的表面缺陷图像, 将每幅图像划分成64×64(像素)大小的子图像。对子图像进行快速傅立叶变换,得到子图像 的幅值谱,再对幅值谱求七个不变矩,然后把求得的七个不变矩作为特征向量输入BP神经网络分 类器进行识别。实验表明该方法具有较好的特征提取能力,能够很好的识别热轧中厚板表面缺陷。快速傅立叶变换;;不变矩;;图像特征提取<1>J.W.Cooleyand J.W.Tukey.An algorithm for the calculation of Fourier.Math Comp,1965,19(4):297～301.
<2>M.K.Hu.Visual Pattern Recognition by Moment Invariants.IEEE Trans.Information Theory,1962,8.
<3>杜亚娟,潘泉,张洪才.一种新的不变矩特征在图像识别中的应用.Systems Engineering and Elect ronics,Vol21,No10,1999.