344 北京科技大学学报 第29卷 归一化处理以消除样本尺寸的影响.由于GLCM, 3 中厚板表面缺陷识别 Laws,FPS易受光照变化的影响，因此在特征提取 3.1样本图像 前先对图像进行直方图均衡化处理1]. 本文使用的300幅中厚板表面样本图像均来自 3.3识别结果 国内某钢铁企业的中厚板生产线，包括50幅麻点样 实验选用三层BP神经网络作为缺陷的识别分 本、30幅夹杂样本、40幅结疤样本以及180幅各类 类器，其中神经网络的初始学习率为0.9，冲量项系 氧化铁皮样本. 数为0.7，迭代次数为5000. 3.2纹理特征 表1为GLCM,Laws,FPS和SS的训练结果 本文选择灰度共生矩阵(GLCM)[],Laws纹理 可以看出，各纹理特征对训练样本的分类识别率均 能量(Laws)[⑧]、傅里叶功率谱(FPS)9以及本文提 达到90%以上，这说明采用三层BP神经网络作为 出的结构谱(SS)等四类纹理特征，GLCM的距离参 缺陷的识别分类器是有效的，表2为GLCM,Laws, 数d=1,方向参数0=0°，45°，90°，135°，纹理特征 FPS和SS的分类结果.可以看出，结构谱的总体识 为角二阶矩、对比度、相关和熵.Laws纹理特征为 别率为80.0%，优于GLCM(63.0%),Laws L5L5,E5E5,S5S5,R5R5,E5L5,L5E5,S5L5, (69.5%)和FPS(62.07%)等纹理特征，这说明结构 L5S5,R5L5,L5R5,E5S5,S5E5,E5R5,R5E5, 谱方法比其他纹理分析方法能更好消除氧化铁皮和 SsR5和RsS5等16个纹理能量，各纹理特征均作 光照变化对缺陷识别的不利影响， 表1各纹理特征的调练结果 Table 1 Training results of texture features GLCM Laws FPS SS 缺陷类型 样本数 正确识别数 识别率/% 正确识别数识别率/% 正确识别数识别率/% 正确识别数识别率/% 麻点 25 24 96.0 25 100.0 子 100.0 5 100.0 夹杂 公 15 100.0 15 100.0 14 93.3 15 100.0 结疤 20 18 90.0 20 100.0 18 90.0 18 90.0 氧化铁皮 0 38 95.0 36 90.0 37 92.5 喝 95.0 总计 100 95 95.0 96 96.0 94 94.0 96 96.0 表2各纹理特征的分类结果 Table 2 Classification results of texture features GLCM Laws FPS SS 缺陷类型 样本数 正确识别数 识别率/% 正确识别数 识别率/% 正确识别数识别率/% 正确识别数识别率/% 麻点 25 17 68.0 21 84.0 20 80.0 21 84.0 夹杂 15 9 60.0 10 66.7 9 60.0 11 73.3 结疤 20 14 70.0 14 70.0 14 70.0 14 70.0 氧化铁皮 140 86 61.4 94 67.1 81 57.9 114 81.4 总计 200 126 63.0 139 69.5 124 62.0 160 80.0 结论 谱等方法相比，结构谱方法对麻点、夹杂、结疤等缺 4 陷具有更好的识别率 (1)提出了结构模式和结构谱.结构模式反映 了图像的基本微观结构，而且不受像素灰度线性变 参考文献 化的影响.结构谱反映了图像中各种结构模式的分 [1]吴平川，路同浚，王炎.机器视觉与钢板表面缺陷的无损检 布，具有较好的光照不变性，可直接作为纹理特征用 测.无损检测，2000,22(1)：13 [2]梁治国，徐科，徐金梧.基于线型激光的钢板表面缺陷三维检 于纹理分析， 测技术.北京科技大学学报，2004,26(6)：662 (2)将结构谱方法应用于中厚板表面缺陷识 [3]Bharati M H.Liu J J.MacGregor J F.Image texture analysis: 别.与灰度共生矩阵、Laws纹理能量和傅里叶功率 methods and comparisons.Chemom Intell Lab Syst.2004.723 中厚板表面缺陷识别 3∙1 样本图像 本文使用的300幅中厚板表面样本图像均来自 国内某钢铁企业的中厚板生产线‚包括50幅麻点样 本、30幅夹杂样本、40幅结疤样本以及180幅各类 氧化铁皮样本． 3∙2 纹理特征 本文选择灰度共生矩阵（GLCM） ［7］、Laws 纹理 能量（Laws） ［8］、傅里叶功率谱（FPS） ［9］以及本文提 出的结构谱（SS）等四类纹理特征．GLCM 的距离参 数 d＝1‚方向参数 θ＝0°‚45°‚90°‚135°‚纹理特征 为角二阶矩、对比度、相关和熵．Laws 纹理特征为 L5L5‚E5E5‚S5S5‚R5R5‚E5L5‚L5E5‚S5L5‚ L5S5‚R5L5‚L5R5‚E5S5‚S5E5‚E5R5‚R5E5‚ S5R5 和 R5S5 等16个纹理能量．各纹理特征均作 归一化处理以消除样本尺寸的影响．由于 GLCM‚ Laws‚FPS 易受光照变化的影响‚因此在特征提取 前先对图像进行直方图均衡化处理［10］． 3∙3 识别结果 实验选用三层 BP 神经网络作为缺陷的识别分 类器‚其中神经网络的初始学习率为0∙9‚冲量项系 数为0∙7‚迭代次数为5000． 表1为 GLCM‚Laws‚FPS 和 SS 的训练结果． 可以看出‚各纹理特征对训练样本的分类识别率均 达到90％以上‚这说明采用三层 BP 神经网络作为 缺陷的识别分类器是有效的．表2为 GLCM‚Laws‚ FPS 和 SS 的分类结果．可以看出‚结构谱的总体识 别 率 为 80∙0％‚优 于 GLCM （63∙0％）‚Laws （69∙5％）和 FPS（62∙0％）等纹理特征‚这说明结构 谱方法比其他纹理分析方法能更好消除氧化铁皮和 光照变化对缺陷识别的不利影响． 表1 各纹理特征的训练结果 Table1 Training results of texture features 缺陷类型 样本数 GLCM Laws FPS SS 正确识别数 识别率／％ 正确识别数 识别率／％ 正确识别数 识别率／％ 正确识别数 识别率／％ 麻点 25 24 96∙0 25 100∙0 25 100∙0 25 100∙0 夹杂 15 15 100∙0 15 100∙0 14 93∙3 15 100∙0 结疤 20 18 90∙0 20 100∙0 18 90∙0 18 90∙0 氧化铁皮 40 38 95∙0 36 90∙0 37 92∙5 38 95∙0 总计 100 95 95∙0 96 96∙0 94 94∙0 96 96∙0 表2 各纹理特征的分类结果 Table2 Classification results of texture features 缺陷类型 样本数 GLCM Laws FPS SS 正确识别数 识别率／％ 正确识别数 识别率／％ 正确识别数 识别率／％ 正确识别数 识别率／％ 麻点 25 17 68∙0 21 84∙0 20 80∙0 21 84∙0 夹杂 15 9 60∙0 10 66∙7 9 60∙0 11 73∙3 结疤 20 14 70∙0 14 70∙0 14 70∙0 14 70∙0 氧化铁皮 140 86 61∙4 94 67∙1 81 57∙9 114 81∙4 总计 200 126 63∙0 139 69∙5 124 62∙0 160 80∙0 4 结论 （1） 提出了结构模式和结构谱．结构模式反映 了图像的基本微观结构‚而且不受像素灰度线性变 化的影响．结构谱反映了图像中各种结构模式的分 布‚具有较好的光照不变性‚可直接作为纹理特征用 于纹理分析． （2） 将结构谱方法应用于中厚板表面缺陷识 别．与灰度共生矩阵、Laws 纹理能量和傅里叶功率 谱等方法相比‚结构谱方法对麻点、夹杂、结疤等缺 陷具有更好的识别率． 参 考 文 献 ［1］ 吴平川‚路同浚‚王炎．机器视觉与钢板表面缺陷的无损检 测．无损检测‚2000‚22（1）：13 ［2］ 梁治国‚徐科‚徐金梧．基于线型激光的钢板表面缺陷三维检 测技术．北京科技大学学报‚2004‚26（6）：662 ［3］ Bharati M H‚Liu J J‚MacGregor J F．Image texture analysis： methods and comparisons．Chemom Intell Lab Syst‚2004‚72： ·344· 北 京 科 技 大 学 学 报 第29卷