第9期 徐科等：基于Contourlet变换的连铸坯表面缺陷识别 1199· 表1连铸坯样本库的试验结果 Table 1 Experimental results of continuous casting slabs 识别率/% 实验所用时间/s 特征类型 训练集测试集Contourlet/Gabor特征提取纹理特征提取SKLPP降维SVM分类合计 Contourlet特征 95.5688.71 47.84 66.56 114.40 Contourlet-+SKLPP特征 99.1993.55 47.84 0.63 3.05 51.52 Contourlet+Texture特征 91.5389.92 47.84 192.39 69.70 309.93 Contourlet+Texture+SKLPP特征99.6094.35 47.84 192.39 0.66 2.61 243.50 Gabor-+SKLPP特征 90.3283.06 481.05 481.05 Gabor-+Texture-+SKLPP特征 94.3585.48 481.05 192.39 673.44 100 表征图像的大部分信息.因此获得的图像信息量更 99 (1.75.99.6) 全面，更有利于缺陷的识别.同时，Contourlet变 98 9 训练集样本 换的冗余度较小，计算简单，使得算法的运行效率 测试集样本 较高. 95 (1.75.94.35) 94 5结论 针对连铸坯表面图像的特点，提出了一种新的 9 0 0.5 1.5 2 2.5 连铸坯表面缺陷识别方法.将Contourlet变换应用 核参数 于连铸坯表面图像的多尺度多方向分解，得到多个 图3 Contourlet-+Texture-+SKLPP特征对连铸坯表面缺陷 子带图像.通过提取所有子带的Contourlet系数特 的识别曲线 征，并结合基于图像灰度共生矩阵的纹理特征，获 Fig.3 Recognition rate of continuous casting slabs with fea- 取图像尽可能多的信息.然后利用监督核保局投影 ture Contourlet+Texture+SKLPP 降维方法去除特征间的冗余和相关信息，最后通过 为未经降维的特征的维数比较高，输入支持向量 降维后的特征输入支持向量机实现对连铸坯表面缺 机后需要较长的时间进行特征训练，因此经监督 陷的识别.结果表明，该方法对连铸坯表面缺陷的 核保局投影算法降维的特征可以获得更好的识别 识别是有效的和稳定的，并具有较快的运行效率， 效果和效率.另外，纹理特征提取需要较长时间， 可以满足现场的需要.通过与Gabor小波的实验对 使得在应用Contourlet-+Texture+SKLPP特征识别 比，可知基于Contourlet变换的连铸坯表面缺陷识 时，一幅图像的平均用时为243.5/496=0.49s:而 别方法具有更好的识别性能. Contourlet+SKLPP特征识别时一幅图像平均用时 为51.52/496=0.10s.在实际应用中，板坯生产线 运行速度相对较慢，可使用Contourlet-+Texture-+ 参考文献 SKLPP特征进行识别，以获得更高的识别率. [1]Bi X,Ding H.Machine vision inspection method of Mura 表1后两行所示为基于Gabor小波的两种特 defect for TFT-LCD.J Mech Eng,2010,46(12):13 征对连铸坯样本库的识别结果.由于SKLPP特征 (毕听，丁汉.TFT-LCD Mura缺陷机器视觉检测方法.机 降维和支持向量机分类所用时间相对于Gabor特 械工程学报，2010,46(12)：13) 征和纹理特征提取可忽略不计，因此只列出特征提 [2]Raghothaman N,Subramanian S.Pipe surface inspection 取所耗费的时间.由表1可知，基于Contourlet by industrial machine vision.Recent Res Sci Technol, 变换得到的特征对连铸坯表面缺陷的识别率高于基 2010,2(10):2076 于Gabor小波的特征，而且Contourlet变换在提 [3]Xu K,Yang C L,Zhou P.Technology of on-line surface 取更多维数的特征(114维)的情况下，特征提取 inspection for hot-rolled steel strips and its industrial ap- plication.J Mech Eng,2009,45(4):111 速度明显优于Gabor小波(80维).这是因为Con- (徐科，杨朝霖，周鹏.热轧带钢表面缺陷在线检测的方法 tourlet变换具有更好的方向性特性，在不同尺度 与工业应用.机械工程学报，2009,45(4)：111) 上可以设置不同的方向数，能更好地刻画图像的高 [4]Zhang Y,Cheng W S,Zhao J.Classification of surface de- 维细节信息，而且Contourlet变换能够以更稀疏 fects of strips based on invariable moment functions.Opt 的形式表示图像，只需要较少的非零系数值就可以 Electron Eng.2008,35(7):90第 9 期 徐 科等：基于 Contourlet 变换的连铸坯表面缺陷识别 1199 ·· 表 1 连铸坯样本库的试验结果 Table 1 Experimental results of continuous casting slabs 特征类型 识别率 / % 实验所用时间/s 训练集 测试集 Contourlet/Gabor 特征提取 纹理特征提取 SKLPP 降维 SVM 分类 合计 Contourlet 特征 95.56 88.71 47.84 — — 66.56 114.40 Contourlet+SKLPP 特征 99.19 93.55 47.84 — 0.63 3.05 51.52 Contourlet+Texture 特征 91.53 89.92 47.84 192.39 — 69.70 309.93 Contourlet+Texture+SKLPP 特征 99.60 94.35 47.84 192.39 0.66 2.61 243.50 Gabor+ SKLPP 特征 90.32 83.06 481.05 — — — 481.05 Gabor+Texture+SKLPP 特征 94.35 85.48 481.05 192.39 — — 673.44 图 3 Contourlet+Texture+SKLPP 特征对连铸坯表面缺陷 的识别曲线 Fig.3 Recognition rate of continuous casting slabs with fea￾ture Contourlet+Texture+SKLPP 为未经降维的特征的维数比较高，输入支持向量 机后需要较长的时间进行特征训练，因此经监督 核保局投影算法降维的特征可以获得更好的识别 效果和效率. 另外，纹理特征提取需要较长时间， 使得在应用 Contourlet+Texture+SKLPP 特征识别 时，一幅图像的平均用时为 243.5/496=0.49 s；而 Contourlet+SKLPP 特征识别时一幅图像平均用时 为 51.52/496=0.10 s. 在实际应用中，板坯生产线 运行速度相对较慢，可使用 Contourlet+ Texture+ SKLPP 特征进行识别，以获得更高的识别率. 表 1 后两行所示为基于 Gabor 小波的两种特 征对连铸坯样本库的识别结果. 由于 SKLPP 特征 降维和支持向量机分类所用时间相对于 Gabor 特 征和纹理特征提取可忽略不计，因此只列出特征提 取所耗费的时间. 由表 1 可知，基于 Contourlet 变换得到的特征对连铸坯表面缺陷的识别率高于基 于 Gabor 小波的特征，而且 Contourlet 变换在提 取更多维数的特征 (114 维) 的情况下，特征提取 速度明显优于 Gabor 小波 (80 维). 这是因为 Con￾tourlet 变换具有更好的方向性特性，在不同尺度 上可以设置不同的方向数，能更好地刻画图像的高 维细节信息，而且 Contourlet 变换能够以更稀疏 的形式表示图像，只需要较少的非零系数值就可以 表征图像的大部分信息. 因此获得的图像信息量更 全面，更有利于缺陷的识别. 同时，Contourlet 变 换的冗余度较小，计算简单，使得算法的运行效率 较高. 5 结论 针对连铸坯表面图像的特点，提出了一种新的 连铸坯表面缺陷识别方法. 将 Contourlet 变换应用 于连铸坯表面图像的多尺度多方向分解，得到多个 子带图像. 通过提取所有子带的 Contourlet 系数特 征，并结合基于图像灰度共生矩阵的纹理特征，获 取图像尽可能多的信息. 然后利用监督核保局投影 降维方法去除特征间的冗余和相关信息，最后通过 降维后的特征输入支持向量机实现对连铸坯表面缺 陷的识别. 结果表明，该方法对连铸坯表面缺陷的 识别是有效的和稳定的，并具有较快的运行效率， 可以满足现场的需要. 通过与 Gabor 小波的实验对 比，可知基于 Contourlet 变换的连铸坯表面缺陷识 别方法具有更好的识别性能. 参 考 文 献 [1] Bi X, Ding H. Machine vision inspection method of Mura defect for TFT-LCD. J Mech Eng, 2010, 46(12): 13 (毕昕, 丁汉. TFT-LCD Mura 缺陷机器视觉检测方法. 机 械工程学报, 2010, 46(12): 13) [2] Raghothaman N, Subramanian S. Pipe surface inspection by industrial machine vision. Recent Res Sci Technol, 2010, 2(10): 2076 [3] Xu K, Yang C L, Zhou P. Technology of on-line surface inspection for hot-rolled steel strips and its industrial ap￾plication. J Mech Eng, 2009, 45(4): 111 (徐科, 杨朝霖, 周鹏. 热轧带钢表面缺陷在线检测的方法 与工业应用. 机械工程学报, 2009, 45(4): 111) [4] Zhang Y, Cheng W S, Zhao J. Classification of surface de￾fects of strips based on invariable moment functions. Opt Electron Eng, 2008, 35(7): 90