第10期 吴秀永等：基于小波不变矩和保局投影的表面缺陷识别方法 .1345. (a) (b) (c) (d) 图2三级小波分解.(a)图1(a)的小波分解；(b)图1(b)的小波分解：(c)图1(c)的小波分解；(d)图1(d)的小波分解 Fig-2 3-evel wavelet decomposition:(a)wavelet decomposition of Fig1(a):(b)wavelet decomposition of Fig-1(b).(c)wavelet decomposition of Fig.l(c).(d)wavelet decomposition of Fig-1(d) (a) (b) (c) ) 图3小波分解后分量对应的幅值谱.()图2(a)各分量对应的幅值谱；(b)图2(b)各分量对应的幅值谱；(c)图2(c)各分量对应的幅值 谱：(d)图2(d)各分量对应的幅值谱 Fig.3 Amplitude spectra corresponding to the components of wavelet decomposition:(a)amplitude spectrum corresponding to the components of Fig.2(a):(b)amplitude spectrum corresponding to the components of Fig.2(b):(e)amplitude spectrum corresponding to the components of Fig 2(c):(d)amplitude spectrum corresponding to the components of Fig-2(d) 本，另外631个作为测试集，每类缺陷的样本个数根 算法对77个不变矩进行降维后进行分类测试得到 据该类缺陷出现频率按比例选取，特征提取方法的 的分类混淆矩阵，它的每一行表示某一类缺陷被分 关键参数选择为：采用山2小波作三级小波分解，一 到各类的个数，从表1和表2可以得到以下结果. 共提取了7×(3×3+1+1)=77个不变矩特征值： (1)直接利用不变矩特征量对压痕、结疤和麻 用于降噪的阈值选为各分量小波系数模最大值乘以 点这三种纹理缺陷进行分类正确率非常低，采用 0.1;AdaBoost算法的弱分类器个数选为100个，表 LPP算法降维后，这三种纹理缺陷的识别率都有不 1列出了直接采用77个不变矩进行分类测试的结 同程度的提高，但是仍然不太理想，这是因为这三 果，同时列出了采用LPP算法对77个不变矩降到8 种纹理缺陷的纹理特征比较明显，形状特征相对来 维子空间后进行分类测试的结果，表2是采用LPP 说不明显，而不变矩特征量适用于描述形状特征， 表1分类测试结果 Table 1 Test results of classification 不降维 LPP降维 缺陷 样本总数 正确个数 正确率/% 样本总数 正确个数 正确率/% 压痕 12 2 16.67 12 9 75.00 横向划伤 42 30 71.43 42 35 83.33 横向裂纹 133 127 95.49 133 125 93.98 氧化铁皮 99 92 92.93 99 91 91.92 纵向划伤 43 35 81.40 43 35 81.40 纵向裂纹 226 224 99.12 226 225 99.56 结疤 10 0 0.00 10 3 30.00 网纹 中 40 76.92 52 44 84.62 麻点 14 8 57.14 14 11 78.57 总计 631 558 88.43 631 578 91.60图2 三级小波分解．（a） 图1（a）的小波分解；（b） 图1（b）的小波分解；（c） 图1（c）的小波分解；（d） 图1（d）的小波分解 Fig．2 3-level wavelet decomposition：（a） wavelet decomposition of Fig．1（a）；（b） wavelet decomposition of Fig．1（b）‚（c） wavelet decomposition of Fig．1（c）‚（d） wavelet decomposition of Fig．1（d） 图3 小波分解后分量对应的幅值谱．（a） 图2（a）各分量对应的幅值谱；（b） 图2（b）各分量对应的幅值谱；（c） 图2（c）各分量对应的幅值 谱；（d） 图2（d）各分量对应的幅值谱 Fig．3 Amplitude spectra corresponding to the components of wavelet decomposition：（a） amplitude spectrum corresponding to the components of Fig．2（a）；（b） amplitude spectrum corresponding to the components of Fig．2（b）；（c） amplitude spectrum corresponding to the components of Fig． 2（c）；（d） amplitude spectrum corresponding to the components of Fig．2（d） 本‚另外631个作为测试集‚每类缺陷的样本个数根 据该类缺陷出现频率按比例选取．特征提取方法的 关键参数选择为：采用 db2小波作三级小波分解‚一 共提取了7×（3×3＋1＋1）＝77个不变矩特征值； 用于降噪的阈值选为各分量小波系数模最大值乘以 0∙1；AdaBoost 算法的弱分类器个数选为100个．表 1列出了直接采用77个不变矩进行分类测试的结 果‚同时列出了采用 LPP 算法对77个不变矩降到8 维子空间后进行分类测试的结果．表2是采用 LPP 算法对77个不变矩进行降维后进行分类测试得到 的分类混淆矩阵‚它的每一行表示某一类缺陷被分 到各类的个数．从表1和表2可以得到以下结果． （1） 直接利用不变矩特征量对压痕、结疤和麻 点这三种纹理缺陷进行分类正确率非常低．采用 LPP 算法降维后‚这三种纹理缺陷的识别率都有不 同程度的提高‚但是仍然不太理想．这是因为这三 种纹理缺陷的纹理特征比较明显‚形状特征相对来 说不明显‚而不变矩特征量适用于描述形状特征． 表1 分类测试结果 Table1 Test results of classification 缺陷 不降维 LPP 降维 样本总数 正确个数 正确率／％ 样本总数 正确个数 正确率／％ 压痕 12 2 16∙67 12 9 75∙00 横向划伤 42 30 71∙43 42 35 83∙33 横向裂纹 133 127 95∙49 133 125 93∙98 氧化铁皮 99 92 92∙93 99 91 91∙92 纵向划伤 43 35 81∙40 43 35 81∙40 纵向裂纹 226 224 99∙12 226 225 99∙56 结疤 10 0 0∙00 10 3 30∙00 网纹 52 40 76∙92 52 44 84∙62 麻点 14 8 57∙14 14 11 78∙57 总计 631 558 88∙43 631 578 91∙60 第10期 吴秀永等： 基于小波不变矩和保局投影的表面缺陷识别方法 ·1345·