·1732· 工程科学学报，第38卷，第12期 原图 n=4 图4裂纹样本在不同区块大小时的MB-BP图谱 Fig.4 MB-BP maps of a crack sample with different block sizes 缺陷来对待 表3算法效率的效果比较 Table 3 Comparison between the efficiencies of different algorithms 表2不同区块大小时MB-BP算法的识别结果 Table 2 Recognition results of the MB-BP algorithm with different 算法 分类准确率/% 特征维数 算法耗时/ms block sizes e LBPE 89.1 59 58 n裂纹 划伤 压痕 凹坑 正常 MB-LBP.t 94.9 59 61 1 93.8 92.6 94.6 87.8 93.3 2 95.8 96.1 96.0 89.8 95.7 准确率提高5.8%，对于减少缺陷的误判有很大的作 92.8 93.1 91.1 79.6 93.4 用.虽然MB-LBP算法在效率上比LBP算法略低， 4 90.9 93.1 90.1 75.5 92.8 但是由连铸坯生产的节奏较慢，每幅图像67ms的算 5 91.6 94.8 92.6 75.5 93.7 法耗时可以满足连铸坯表面在线检测的要求.表4列 出MB-LBP,算法对样本分类的混淆矩阵.由表4可 对于算法效果的考察，不仅仅停留在分类准确率 以看出，裂纹、划伤、压痕和凹坑这四类缺陷样本存在 上，还要考虑其时间效率问题.表3从裂纹缺陷的识 着误识成正常样本的情况，并且正常样本也存在着误 别率和算法耗时等方面比较了MB-LBP,与其他LBP 识成裂纹、凹坑、划伤等缺陷的情况，因此实际检测中 算法的效果.实验的环境为一台CPU双核2.4GHz,内 存在着缺陷的漏检与过检情况，需要人工对检测结果 存4GB,操作系统Windows100.实验运行在MATLAB 加以确认，以避免缺陷的漏检和误检.由于整体的准 2015b下. 确率达到近95%，因此需要人工确认的样本图像数量 由表3可知，MB-LBP算法比LPB算法的分类 不多，可以满足实际检测的需要 表4MB-PB算法得到的样本分类混淆矩阵 Table 4 Confusion matrix of sample classification with MB-PB. 缺陷类型 裂纹 划伤 压痕 凹坑 正常 正确个数 总数 准确率/% 裂纹 284 0 0 284 296 95.8 划伤 0 134 0 0 5 134 139 96.1 压痕 0 0 168 2 5 168 175 96.0 凹坑 10 0 5 152 7 152 174 89.8 正常 13 0 12 g 874 874 913 95.7 合计 307 134 185 168 903 1612 1697 94.9工程科学学报，第 38 卷，第 12 期 图 4 裂纹样本在不同区块大小时的 MB-LBP 图谱 Fig． 4 MB-LBP maps of a crack sample with different block sizes 缺陷来对待． 表 2 不同区块大小时 MB-LBP 算法的识别结果 Table 2 Ｒecognition results of the MB-LBP algorithm with different block sizes % n 裂纹 划伤 压痕 凹坑 正常 1 93. 8 92. 6 94. 6 87. 8 93. 3 2 95. 8 96. 1 96. 0 89. 8 95. 7 3 92. 8 93. 1 91. 1 79. 6 93. 4 4 90. 9 93. 1 90. 1 75. 5 92. 8 5 91. 6 94. 8 92. 6 75. 5 93. 7 对于算法效果的考察，不仅仅停留在分类准确率 上，还要考虑其时间效率问题． 表 3 从裂纹缺陷的识 别率和算法耗时等方面比较了 MB-LBPu2 8，1与其他 LBP 算法的效果． 实验的环境为一台 CPU 双核 2. 4 GHz，内 存 4 GB，操作系统 Windows10． 实验运行在 MATLAB 2015b 下． 由表 3 可知，MB-LBPu2 8，1算法比 LPBu2 8，1算法的分类 表 3 算法效率的效果比较 Table 3 Comparison between the efficiencies of different algorithms 算法 分类准确率/% 特征维数 算法耗时/ms LBPu2 8，1 89. 1 59 58 MB-LBPu2 8，1 94. 9 59 67 准确率提高 5. 8% ，对于减少缺陷的误判有很大的作 用． 虽然 MB-LBPu2 8，1算法在效率上比 LBPu2 8，1算法略低， 但是由连铸坯生产的节奏较慢，每幅图像 67 ms 的算 法耗时可以满足连铸坯表面在线检测的要求． 表 4 列 出 MB-LBPu2 8，1算法对样本分类的混淆矩阵． 由表 4 可 以看出，裂纹、划伤、压痕和凹坑这四类缺陷样本存在 着误识成正常样本的情况，并且正常样本也存在着误 识成裂纹、凹坑、划伤等缺陷的情况，因此实际检测中 存在着缺陷的漏检与过检情况，需要人工对检测结果 加以确认，以避免缺陷的漏检和误检． 由于整体的准 确率达到近 95% ，因此需要人工确认的样本图像数量 不多，可以满足实际检测的需要． 表 4 MB-LPBu2 8，1算法得到的样本分类混淆矩阵 Table 4 Confusion matrix of sample classification with MB-LPBu2 8，1 缺陷类型 裂纹 划伤 压痕 凹坑 正常 正确个数 总数 准确率/% 裂纹 284 0 0 0 12 284 296 95. 8 划伤 0 134 0 0 5 134 139 96. 1 压痕 0 0 168 2 5 168 175 96. 0 凹坑 10 0 5 152 7 152 174 89. 8 正常 13 0 12 14 874 874 913 95. 7 合计 307 134 185 168 903 1612 1697 94. 9 ·1732·