基于最优Gabor滤波与局部二值模式的物体表面缺陷检测

李云，张尤赛

（江苏科技大学电子信息学院，江苏镇江212003）

基于最优Gabor滤波与局部二值模式的物体表面缺陷检测

李云，张尤赛

（江苏科技大学电子信息学院，江苏镇江212003）

通过对物体表面缺陷的研究，提出一种新的缺陷检测方法。该方法首先利用Gabor滤波器组得到多尺度多方向的滤波图像，通过代价函数选取缺陷与非缺陷局部反差最大的图像通道作为最优滤波通道，在最优通道上用LBP算子进一步提取局部特征，最后用支持向量机对其进行分类检测。该方法应用于织布瑕疵和钕磁铁表面缺陷检测，与传统的Gabor滤波器等表面缺陷检测方法相比，具有更高的检测率。

Gabor滤波；局部二值模式；缺陷检测；支持向量机

0 引言

物体表面的缺陷检测是一个备受关注且富有挑战性的研究课题。随着机器视觉和人工智能技术的发展，基于机器视觉的检测技术因其低成本、高效益、高品质的检测性能逐渐代替传统的人工检测方法，并应用于木材、钢板、陶瓷、纺织品和太阳能硅片等各种工业产品表面缺陷的自动检测中。

物体表面的缺陷检测实质上是图像局部纹理特征提取和特征分类的问题。因此，大多数的表面缺陷检测可以分为两个部分：

（1）根据表面缺陷的特点，构造和提取能有效表示缺陷纹理的特征；

（2）设计一个特征向量分类器，以实现正常表面和缺陷表面的分类。

目前，特征提取算法可分为基于模型的方法（如Markov模型[1]）、基于统计的方法（如灰度共生矩阵[2]和局部二值模式[3]）、基于信号处理的方法（如小波变换[4]和Gabor滤波[5⁃7]）等。常见的分类器则有传统的Adaboost分类器[8]、神经网络分类器[9]和支持向量机（Support Vector Machine，SVM）等。其中，SVM是由Vapnik首先提出[10]，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。

Gabor滤波在频域和时域上具有最佳分辨率的特点，能很好地兼顾时域和频域信息，因而被广泛应用于纹理分析和描述中。多通道Gabor滤波器组[7]最早由Kumar与Pang提出，它采用16通道（4个尺度、4个方向）对图像滤波，然后进行图像融合，实验结果证实了该方法的有效性，但其缺点是数据冗余量大，运算量较大，容易受噪声影响。文献[5]在多通道Gabor滤波器的方法上，用主成分分析（Principal Component Analysis，PCA）来选择相关的特征，降低了特征维数，检测率有所提高。

本文针对表面缺陷纹理特征的提取问题，提出了一种基于Gabor小波和局部二值模式的特征提取方法，利用滤波子图均值的最大值和最小值之差与最小值的比值构成评价函数，从多通道滤波器组输出的图像中选取缺陷与背景相差最大的通道作为最优通道，再利用局部二值模式（Local Binary Pattern，LBP）进一步提取表面纹理的特征，最后通过经小样本训练的SVM进行表面缺陷的检测。该方法避免了多通道滤波器组的数据冗余和计算量大的缺点，减少了特征维数，有效提高了检测效率。最后将该方法应用于布匹瑕疵和钕磁铁表面的缺陷检测，取得了满意的效果。

1 Gabor变换

Gabor变换是一种加窗傅里叶变换，在时域和频域都具有良好的局部性，常用于纹理的表示和描述。空间域中二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积，具有在空间域和频率域同时取得最优局部化的特性，因此能够很好地描述对应于空间频率（尺度）、空间位置及方向选择性的局部结构信息。二维Gabor函数空间表达的一般形式如下：

式中：f表示Gabor函数的中心频率；σx和σy分别是x轴和y轴的包络，并决定滤波器的带宽。其傅里叶变换式为：

以式（1）为母函数，进行尺度扩张和旋转变化，可得到Gabor多通道滤波器组即Gabor小波，表达式如下：

式中：(x′,y′)是旋转后的坐标，p=1,2,…,S，q=1,2,…,L。S和L分别是尺度变换的次数和方向旋转的次数。

图像的Gabor小波变换就是输入图像I(x,y)与Gabor小波滤波器组的卷积。

式中：Re[fpq(x,y)]和Im[fpq(x,y)]分别表示滤波后幅值图像的实部和虚部，符号*表示做二维卷积运算。

2 最优滤波通道的选择

由于Gabor基函数并不能构成一组正交基，多通道Gabor滤波器提取的特征具有冗余信息，不是所有的特征都对识别有效。因此，本文应用文献[6]中Ajay Kumar提出的优化代价函数，从多通道滤波中选择缺陷与无缺陷局部反差最大的通道作为优化选择通道。具体步骤流程如下：

（1）缺陷图像经多通道Gabor滤波后得到幅值图像Ipq，pq表示某一通道，pq=1,2,…,S×L。

（2）将通过pq通道滤波后的幅值图像分割成相同大小的子图，求出子图均值的最大值和最小值分别记为和

（3）将pq通道子图均值最大和最小值之差与最小值的比值作为代价函数，如下式所示：

（4）求出所有通道的代价函数值，选取代价函数最大值的通道作为最优滤波通道。

3 局部二值模式

局部二进制模式LBP最早是作为一种有效的纹理描述算子提出的。应用LBP算子的过程与滤波过程中的模板操作相类似，逐行扫描图像，以图像中的每一个像素点的像素值为阈值，对其周围的3×3的8邻域进行二值化，按照一定的顺序将二值化的结果组成一个8位二进制数，并以此二进制数的值（0～255）作为该点的响应。在整个逐行扫描过程结束后，得到一个LBP响应图像，这个响应图像的直方图被称为LBP统计直方图，作为识别的特征，也称为LBP特征。图1给出了3×3矩形区域中像素值为5的中心像素LBP特征值：LBP=64+ 32+16+1=113。

为减少冗余的LBP模式，同时保留足够多的具有重要描绘能力的模式，本文采用统一化模式。所谓的统一模式是指在将局部二进制模式的二进制位串视为循环的情况下，其包含的从0到1或者从1到0转变不多于两个的模式。在随后的LBP直方图的计算过程中，只为统一化模式分配单独的直方图收集箱，而所有的非统一化模式都被放入一个公用的收集箱，这就使LBP特征的数目大大减少。一般来说，保留的统一化模式往往是反映重要信息的那些模式，而那些非统一化模式中过多的转变往往由随机噪声引起，不具有良好的统计意义。

图1 中心像素5的3×3正方形LBP算子

4 基于最优Gabor滤波与LBP的物体表面缺陷检测

基于最优Gabor滤波与LBP的物体表面缺陷检测的基本原理如下:首先利用Gabor滤波器组得到多尺度多方向的滤波图像，然后利用滤波图像均值的最大值和最小值之差与最小值的比值构成评价函数，从滤波图像中选取缺陷与背景相差最大的最优通道，利用LBP在最优通道提取LBP特征直方图作为识别特征，最后由SVM实现表面缺陷的检测。图2给出了该方法的原理框图。

图2 训练和测试的原理框图

该方法分为训练和测试两个部分，其流程步骤如下：

（1）图像预处理：对图像进行中值滤波，并在图像尺寸上进行规格化处理。

（3）选取最优通道：将滤波图像分成4个子图，根据式（8）选取其中评价函数最大的通道作为最优滤波通道。

（4）提取LBP特征：对最优滤波通道输出的图像，采用统一化模式，提取LBP特征直方图，并将得到的图像数据采用最大最小规格化方法，线性地缩放各个属性到[-1，1]范围。

（5）SVM训练：针对训练样本，利用上述4个步骤，得到训练样本的图像特征规格化数据，将其作为支持向量机的输入向量；支持向量机选择RBF核函数，采用网格寻优的方法得到最佳的惩罚参数和核函数参数，最终得到支持向量机的训练模型。

（6）缺陷检测：将测试样本经过上述（1）～（4）步骤得到规格化的图像特征数据，输入到支持向量机的训练模型中，进行特征的分类以检测缺陷。

5 实验结果与分析

在实验中，将本文方法应用于布匹瑕疵和钕磁铁表面缺陷检测。布匹图像是由一组线阵工业CCD相机拍摄获得，其中每个CCD相机分别拍摄整幅布匹的某一部分，对各个CCD相机的子图像进行瑕疵检测，判定布匹的瑕疵及其位置。钕磁铁表面的图像是由LED光源、工业CCD相机和一个黑盒结构采用光栅投影法获得的一种光栅条纹图像，对于表面无缺陷的钕磁铁其图像呈现为一种平行规整的光栅条纹，而表面有缺陷（如麻坑、砂眼、划痕和裂纹等）的钕磁铁其图像则呈现出光栅条纹紊乱的现象。图3和图4分别给出了上述两种图像的示例。

图3 CCD相机拍摄的布匹图像

图4 CCD相机拍摄的钕磁铁光栅条纹图像

本实验中得到布匹图像和光栅条纹图像各160幅，其中有缺陷和无缺陷图像各为120幅和40幅。在两组实验中，都随机抽取了有缺陷的80幅图像和无缺陷的20幅图像构成训练集，其余有缺陷的40幅图像和无缺陷的20幅图像构成测试集。表1给出了本文方法在上述两组实验中训练集和测试集的识别率，表2给出了上述两组实验中本文方法与其他常用检测方法对测试集的实际检测结果。

表1 本文方法在布匹瑕疵与钕磁铁表面缺陷检测结果

表2 面料瑕疵与钕磁铁表面在不同方法下的检测率%

从上述两组实验的实际检测结果可以看出，本文所提出的方法的检测率均优于传统的Gabor滤波器方法，其特点如下：

（1）增强了缺陷特征，提高了算法的效率。通过构建一个合适的评价函数来选取最优滤波通道，在增强了表面缺陷与背景的差异，突出缺陷特征的同时，也避免了多通道数据的冗余和计算量大的缺点。

（2）降低了特征的维数，提高了缺陷检测率。与原始纹理特征集的维数相比，通过提取最优滤波图像的LBP直方图特征作为识别特征，采用统一化模式，将特征集维数降至59，局部特征得到进一步增强，提高了物体表面缺陷的检测效率。

6 结语

本文方法对缺陷图像进行多通道Gabor滤波，应用代价函数选择最优通道，将滤波图像的LBP特征直方图作为支持向量机的特征向量，相比其他方法，表面缺陷检测的准确率有了明显的提高，并成功地应用于布匹、钕磁铁等表面缺陷检测。在后续研究中，如何进一步降低特征向量的维数，提高算法的效率，还有待进行深入研究。

[1]WANG Xiao⁃song，Mirmehdi M.Archive film defect detec⁃tion andremoval：Anautomaticrestorationframework[J]. IEEE Transactions on Image，2012，21（8）：3757⁃3769.

[2]LAL R J，SUNIL K，ANKIT C.Fabric defect detection based on GLCM and Gabor filter：A comparison[J].Optik⁃international journal for light and electron optics，2013，124（23）：6469⁃6474.

[3]BERND S R，DANIEL W，HENDRIK T.Automated surface inspection of cold⁃formed micro⁃parts[J].Cirp annals⁃manufac⁃turing technology，2012，61（1）：531⁃534.

[4]WEI Chen⁃li，DU M T.Wavelet⁃based defect detection in solar wafer images with inhomogeneous texture[J].Pattern Recogni⁃tion，2012，45（2）：742⁃756.

[5]徐卓飞，张海燕，徐倩倩，等.印刷星标的Gabor纹理特征分析与自动识别研究[J].计算机工程与应用，2014，50（17）：230⁃235.

[6]KUMAR A，PANG G.Defect detection in textured materials using Gabor filters[J].IEEE transactions on industry applications，2002，38（2）：425⁃440.

[7]KUMAR A，PANG G.Fabric defect segmentation using multi⁃channel blob detectors[J].Optical Engineering，2000，39（12）：3176⁃3190.

[8]CORDA，CHAMBONS.Automatic road defect detection by textural pattern recognition based on AdaBoost[J].Computer⁃aided civil and infrastructure engineering，2012，27（4）：244⁃259.

[9]WEIMER D，THAMER H，REITER B S.Learning defect clas⁃sifiers for textured surfaces using neural networks and statisti⁃cal feature representations[C]//Forty sixth CIRP conference on manufacturing systems 2013.[S.l.]：Procedia CIRP，2013，7：347⁃352.

[10]BERNHARD S，SUNG K K，BURGES C，et al.Comparing support vector machines with Gaussian kernels to radial basis function classifiers[J].IEEE Transactions on Signal Proces⁃sing，1997，45（11）：2758⁃2765.

[11]李益红，卢朝阳，李静，等.一种新的Gabor优化选择检测算法及应用[J].计算机工程与应用，2012，48（5）：4⁃6.

[12]张士可，路林吉.基于图像纹理的车位识别方法[J].微型电脑应用，2013，30（6）：45⁃47.

Object surface defect detection based on Gabor filtering and LBP

LI Yun，ZHANG You⁃sai
（School of Electronics and Information，Jiangsu University of Science and Technology，Zhenjiang 212003，China）

Based on the research of the object surface defect，a new defect detection method is proposed.Firstly，the fil⁃tered images of multi⁃scale and multi⁃direction are got by Gabor filters.Then by setting the proper cost function，the channel whose filtered image of the parts of defection with non⁃defection is most obvious contrast as the optimal filter channel，in which LBP operator is used to extract the further object local feature of the image.Finally the support vector machine is used to classi⁃fy the features.The experimental results show that applied this method to the detection of fabric defects and neodymium magnets surface，the recognition rate of the proposed method is higher than other surface defect detection methods by using traditional Gabor filters.

Gabor filtering；local binary pattern；defect detection；SVM

TN911.73⁃34

A

1004⁃373X（2015）09⁃0100⁃04

李云（1989—），女，江苏南通人，硕士。主要研究方向为图像处理与计算机视觉。

2014⁃11⁃17

张尤赛，男，山东海阳人，博士，教授。主要研究方向为图像处理、计算机可视化等。