田思洋等：局部二值模式在连铸坯表面缺陷识别中的应用 ·1731· 原图像 按照MB-LBP模式分块并取值 3000 2500 2000 500 赫 20 40 60 LBP值 MB-LBP频谱 MB-LBP图谱 图3 MB-BP算法流程 Fig.3 Flow of the MB-BP algorithm 行分类识别.支持向量机的分类决策函数为 表1样本数量 (x) ay.K(x,x)+b. Table 1 Sample quantity (3) 样本 训练样本数量 测试样本数量 总数量 式中，x表示特征向量，x,和y:表示每一个样本及其分 裂纹 296 296 592 类，：(a:≥0)为每个样本对应的拉格朗日乘子，b为 划伤 139 139 278 偏置. 压痕 175 175 350 高斯核函数是一种典型的径向基函数，由高斯核 凹坑 30 174 203 函数生成的高维空间理论上是具有无限维的，因此样 无缺陷 264 913 1177 本数据有限的情况下必然是线性可分的.基于高斯核 函数的支持向量机在实际应用中有着不错的表现，因 注：*凹坑的测试样本经过扩增处理（主要为旋转） 此本文实验分类器采用高斯核函数： 区块大小用n表示，取值范围，5]，其中n=1 K(x,x)=er-2,y>0. (4) 为普通的LBP算子.最优效果的取值范围取决于训练 式中，y表示核参数. 样本的误识率程度.在识别率结果较稳定的y范围 实验所用样本来自于笔者开发的铸坯表面检测系 内，(1<y<2.5)不同区块大小时MB-LBP算子的识别 统在生产线上采集的连铸坯表面图像样本，共有五类， 结果如表2所示. 包括裂纹、划伤、压痕和凹坑四类缺陷和无缺陷样本. 由表2可以看出，对于多块的MB-LBP而言，n=2 表1为每类样本用于训练和学习的数量. 时识别效果最好.裂纹、划伤、压痕等缺陷在MB- 2.2不同区块大小的MIB-LBP实验 LBP(n=2)下识别率比较理想，凹坑缺陷的识别率 不同区块大小得到的MB-BP图谱也不相同.图 虽有所增加，但不到90%.由于连铸坯表面的凹坑产 4为铸坯裂纹样本在区块大小为1~5时的MB-LBP图 生比较随机，样式多变，收集到的样本较少，因此造成 谱.从图中可以看出不同区块大小所提取到的图谱有 其识别率小于其他类型缺陷，但考虑到实际的工业现 一定的差异性. 场此类缺陷产生的概率较小，因此可不作为重点识别田思洋等: 局部二值模式在连铸坯表面缺陷识别中的应用 图 3 MB-LBP 算法流程 Fig． 3 Flow of the MB-LBP algorithm 行分类识别． 支持向量机的分类决策函数为 f( x) ( = sgn ∑ n i = 1 αiyiK( x，xi ) + ) b ． ( 3) 式中，x 表示特征向量，xi和 yi表示每一个样本及其分 类，αi ( αi≥0) 为每个样本对应的拉格朗日乘子，b 为 偏置． 高斯核函数是一种典型的径向基函数，由高斯核 函数生成的高维空间理论上是具有无限维的，因此样 本数据有限的情况下必然是线性可分的． 基于高斯核 函数的支持向量机在实际应用中有着不错的表现，因 此本文实验分类器采用高斯核函数: K( x，xi ) = e － γ·‖x － xi‖2 ，γ ＞ 0． ( 4) 式中，γ 表示核参数． 实验所用样本来自于笔者开发的铸坯表面检测系 统在生产线上采集的连铸坯表面图像样本，共有五类， 包括裂纹、划伤、压痕和凹坑四类缺陷和无缺陷样本． 表 1 为每类样本用于训练和学习的数量． 2. 2 不同区块大小的 MB-LBP 实验 不同区块大小得到的 MB-LBP 图谱也不相同． 图 4 为铸坯裂纹样本在区块大小为 1 ～ 5 时的 MB-LBP 图 谱． 从图中可以看出不同区块大小所提取到的图谱有 一定的差异性． 表 1 样本数量 Table 1 Sample quantity 样本 训练样本数量 测试样本数量 总数量 裂纹 296 296 592 划伤 139 139 278 压痕 175 175 350 凹坑 30 174* 203 无缺陷 264 913 1177 注: * 凹坑的测试样本经过扩增处理( 主要为旋转) ． 区块大小用 n 表示，取值范围［1，5］，其中 n = 1 为普通的 LBP 算子． 最优效果的取值范围取决于训练 样本的误识率程度． 在识别率结果较稳定的 γ 范围 内，( 1 ＜ γ ＜ 2. 5) 不同区块大小时 MB-LBP 算子的识别 结果如表 2 所示． 由表 2 可以看出，对于多块的 MB-LBP 而言，n = 2 时识 别 效 果 最 好． 裂 纹、划 伤、压 痕 等 缺 陷 在 MB￾LBPu2 8，1 ( n = 2) 下识别率比较理想，凹坑缺陷的识别率 虽有所增加，但不到 90% ． 由于连铸坯表面的凹坑产 生比较随机，样式多变，收集到的样本较少，因此造成 其识别率小于其他类型缺陷，但考虑到实际的工业现 场此类缺陷产生的概率较小，因此可不作为重点识别 ·1731·