基于非下采样Contourlet变换和PCNN表面缺陷自动识别方法.pdfVIP

第21卷 1期 应用基础与工程科学学报 Vo1．21，No．1 2013年2月 JOURNALOFBASICSCIENCEAND ENGINEERING February2013 文章编号：1005-0930(2013)O1-0174-01l 中图分类号：TP391 文献标识码 ：A doi：10．3969／j．issn．1005-0930．2013．01．019 基于非下采样 Contourlet变换和 PCNN 的表面缺陷自动识别方法 周新星 ， 王典洪 ， 孙 林2， 王洪亮 ， 李东明 (I．中国地质大学 (武汉)机械与电子信息学院，湖北 武汉430074；2．武汉钢铁 (集团)公司，湖北 武汉 430083) 摘要：基于多尺度几何分析的表面缺陷特征提取方法中，常用的可分离二维 Wavelet基是各 向同性的，无法有效表示图像的纹理和边缘，且通常对多尺度分 解系数所提取的特征不全面．提 出基于非下采样 Contourlet变换 (NSCT)和脉冲 耦合神经网络(PCNN)的特征提取方法，并应用于冷轧带钢表面缺陷自动识别． 首先用NSCT对缺陷图像进行多尺度多方 向分解；然后将子带图像输入 PCNN 迭代点火，计算点火图的熵序列作为子图的特征，合并各子图特征得到原图的特 征向量；最后用支持向量机进行分类识别．该方法能够全面准确提取缺陷图像信 息，尤其是纹理边缘等方向信息，且方法可并行实现，PCNN不需要训练．利用从 生产线现场采集的缺陷图像对文中方法进行了试验 ，识别率达95．44％． 关键词：表面检测；特征提取；非下采样 Contourlet变换；脉冲耦合神经网络；多尺度几何分析 基于机器视觉的表面缺陷检测系统已成为表面缺陷检测系统的主流，它由4个部分 组成：图像预处理、缺陷检测、缺陷特征提取和分类识别，其中后两者是最重要的环节．目 前研究主要集中在分类器的设计上，专门研究缺陷特征提取的文献并不多．然而，由于缺 陷特征提取对后续的分类识别起着至关重要的作用，所以很有必要对其进行深人研究，这 也是本文研究的主要内容． 冷轧带钢表面缺陷的形成原因复杂，涉及炼钢、热轧和冷轧过程，缺陷种类多，形态复 杂．它们各 自表现出不同的特征，如纹理特征、形状特征等，还有很多缺陷太过复杂难以用 明确的特征来表示；同时，同一类型的缺陷在表观上存在较大差异，不同类缺陷有时又很 相似 ，这都给冷轧带钢表面缺陷的特征提取带来挑战．从 目前发表文献看，国内外学者主 要提取纹理特征、几何特征、灰度特征、不变矩特征等进行缺陷图像的识别，由于是在空间 域直接提取特征，而图像 的某些潜在特性在空间域表现不明显，故识别率仍有待提 高 ¨。J．多尺度几何分析是近几年蓬勃发展的高维函数稀疏表示方法，它符合人类视觉皮 层对图像有效表示的要求，即局部性、方向性和多尺度性，在图像处理领域有非常好的应 用前景．为克服在空间域提取缺陷特征的不足，有学者提出基于多尺度几何分析的表面缺 收稿 日期 ：2011-09．18：修订 日期 ：2012-03-28 基金项 目：国家 自然科学基金项 目；湖北省 自然科学基金重点项 目(2010CDAO07) 作者简介 ：周新星(1984一)，男，博士研究生 TelEmail：zhouxx_faith@163．eom No．1 周新星等：基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法 175 陷特征提取方法，即先对缺陷图像进行多尺度分解，再对分解后的系数即子带图像提取特 征，这其中，选择何种多尺度分析方法和对系数提取何种特征量是最关键的2个问题． 对于第一个问题，Wavelet变换是最常用的多尺度分析工具-4 ，如文献 [6]提出基于 Wavelet变换的幅值谱不变矩特征提取方法，应用于表面缺陷识别，识别率达91．60％．然 而。二维可分离Wavelet是由一维Wavelet用张量积扩展得到，它的基缺乏方向性，是各向 同性的，在表述图像中纹理、边缘等方向信息时效果不理想，而纹理和边缘正是表面缺陷 图像的主要特征．因此，需要寻找更加有效的多尺度分析方法对缺陷图像进行处理．近几 年国外学者提出了