局部二值模式在连铸坯表面缺陷识别中的应用

工程科学学报，第38卷，第12期：1728-1733,2016年12月 Chinese Journal of Engineering,Vol.38,No.12:1728-1733,December 2016 D0l:10.13374/j.issn2095-9389.2016.12.010:http://journals.ustb.edu.cn 局部二值模式在连铸坯表面缺陷识别中的应用 田思洋”，徐科2四郭会昭) 1)北京科技大学高效轧制国家工程研究中心，北京1000832)北京科技大学钢铁共性技术协同创新中心，北京100083 ☒通信作者，E-mail:ukc@usth.cdu.cn 摘要为了解决传统的图像识别算法无法准确识别铸坯表面缺陷的问题，提出一种考虑图像相邻像素影响的改进的多块 局部二进制算法(MB-LBP).该算法将原始图像分成多个小区域，每个小区域再做等分，并计算平均灰度值，再运用局部二进 制模式算法进行计算.对现场采集到的连铸坯表面裂纹、划伤、压痕、凹坑和无缺陷共五类1697个样本进行实验，整体识别率 达到94.9%，而传统局部二进制模式算法的识别率为89.1%，说明本文算法具有更好的鲁棒性和抗噪能力. 关键词二值模式：表面缺陷：检测：特征提取：连铸；铸坯 分类号TF777:TP391.4 Application of local binary patterns to surface defect recognition of continuous casting slabs TIAN Si-yang",XU Ke2,GUO Hui-zhao) 1)National Engineering Research Center of Advanced Rolling Technology,University of Science and Technology Beijing,Beijing 100083,China 2)Collaborative Innovation Center of Steel Technology,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:xuke@ustb.edu.cn ABSTRACT To solve the detection problems of slab surface defects by conventional image recognition algorithms,this article intro- duces an improved multi-block local binary pattern algorithm which considers the image's pixels.In this algorithm,the original image is divided into several small regions,each small region is equally divided,and the average gray value is calculated.Then the local binary pattern algorithm is used.Five different kinds of 1697 samples gathered from a production line of slabs were examined,inclu- ding cracks,scratches,indentations,dents,and no defect.The recognition rate reaches 94.9%,while the recognition rate of the tra- ditional local binary pattern method is 89.1%.The results show that the proposed algorithm has the characteristics of high precision, better robustness and noise immunity. KEY WORDS binary patterns;surface defects;detection:feature extraction;continuous casting;slabs 连铸过程中产生的表面缺陷，如表面裂纹和边部体表面的图像，然后再通过高效的图像处理算法对采 角裂，不仅影响连铸生产过程，而且会影响后续轧材的 集到的图像信号进行分析识别四.由于铸坯在高温下 质量.如何发现并通过改进工艺等方式消除铸坯表面 被氧化，表面生成大面积的氧化铁皮，并且铸坯表面覆 缺陷是提高轧材成品质量的关键.基于CCD摄像的 盖着大量的保护渣，使得所采集到的铸坯表面图像背 机器视觉检测方式是近年来迅速发展起来的一种非接 景非常复杂，传统的特征提取方法难以取得好的 触式的无损检测技术，在表面缺陷在线检测中得到广 效果回 泛的应用.目前，采用的机器视觉方式就是利用特殊 局部二值模式(local binary pattern,LBP)是芬兰 光源对物体表面进行照明后通过CCD摄像机采集物 奥鲁大学教授0jala等国于1996年提出的一种图像纹 收稿日期：201603-15 基金项目：“十二五”国家科技支撑计划资助项目(2012BAB19B06):教有部博士点基金资助项目(20120006110033)

工程科学学报，第 38 卷，第 12 期: 1728--1733，2016 年 12 月 Chinese Journal of Engineering，Vol． 38，No． 12: 1728--1733，December 2016 DOI: 10． 13374 /j． issn2095--9389． 2016． 12． 010; http: / /journals． ustb． edu． cn 局部二值模式在连铸坯表面缺陷识别中的应用 田思洋1) ，徐 科2) ，郭会昭1) 1) 北京科技大学高效轧制国家工程研究中心，北京 100083 2) 北京科技大学钢铁共性技术协同创新中心，北京 100083  通信作者，E-mail: xuke@ ustb． edu． cn 摘 要 为了解决传统的图像识别算法无法准确识别铸坯表面缺陷的问题，提出一种考虑图像相邻像素影响的改进的多块 局部二进制算法( MB-LBP) ． 该算法将原始图像分成多个小区域，每个小区域再做等分，并计算平均灰度值，再运用局部二进 制模式算法进行计算． 对现场采集到的连铸坯表面裂纹、划伤、压痕、凹坑和无缺陷共五类 1697 个样本进行实验，整体识别率 达到 94. 9% ，而传统局部二进制模式算法的识别率为 89. 1% ，说明本文算法具有更好的鲁棒性和抗噪能力． 关键词 二值模式; 表面缺陷; 检测; 特征提取; 连铸; 铸坯 分类号 TF777; TP391. 4 收稿日期: 2016--03--15 基金项目: “十二五”国家科技支撑计划资助项目( 2012BAB19B06) ; 教育部博士点基金资助项目( 20120006110033) Application of local binary patterns to surface defect recognition of continuous casting slabs TIAN Si-yang1) ，XU Ke 2)  ，GUO Hui-zhao 1) 1) National Engineering Ｒesearch Center of Advanced Ｒolling Technology，University of Science and Technology Beijing，Beijing 100083，China 2) Collaborative Innovation Center of Steel Technology，University of Science and Technology Beijing，Beijing 100083，China  Corresponding author，E-mail: xuke@ ustb． edu． cn ABSTＲACT To solve the detection problems of slab surface defects by conventional image recognition algorithms，this article intro￾duces an improved multi-block local binary pattern algorithm which considers the image’s pixels． In this algorithm，the original image is divided into several small regions，each small region is equally divided，and the average gray value is calculated． Then the local binary pattern algorithm is used． Five different kinds of 1697 samples gathered from a production line of slabs were examined，inclu￾ding cracks，scratches，indentations，dents，and no defect． The recognition rate reaches 94. 9% ，while the recognition rate of the tra￾ditional local binary pattern method is 89. 1% ． The results show that the proposed algorithm has the characteristics of high precision， better robustness and noise immunity． KEY WOＲDS binary patterns; surface defects; detection; feature extraction; continuous casting; slabs 连铸过程中产生的表面缺陷，如表面裂纹和边部 角裂，不仅影响连铸生产过程，而且会影响后续轧材的 质量． 如何发现并通过改进工艺等方式消除铸坯表面 缺陷是提高轧材成品质量的关键． 基于 CCD 摄像的 机器视觉检测方式是近年来迅速发展起来的一种非接 触式的无损检测技术，在表面缺陷在线检测中得到广 泛的应用． 目前，采用的机器视觉方式就是利用特殊 光源对物体表面进行照明后通过 CCD 摄像机采集物 体表面的图像，然后再通过高效的图像处理算法对采 集到的图像信号进行分析识别［1］． 由于铸坯在高温下 被氧化，表面生成大面积的氧化铁皮，并且铸坯表面覆 盖着大量的保护渣，使得所采集到的铸坯表面图像背 景非常 复 杂，传 统 的 特 征 提 取 方 法 难 以 取 得 好 的 效果［2］． 局部二值模式( local binary pattern，LBP) 是芬兰 奥鲁大学教授 Ojala 等［3］于 1996 年提出的一种图像纹

田思洋等：局部二值模式在连铸坯表面缺陷识别中的应用 ·1729· 理特征算子，在纹理分类四、纹理分割问等领域有很多 谱，最后通过统计LBP图谱的直方图频谱作为LBP 的应用.Song和Yan网提出一种适用于热钢卷的抗噪 特征. 声干扰的LBP改进算子.Aghdam等m利用决策树和 1.2LBP等价模式 主成分分析(principal component analysis,PCA)结合 经典的LBP算子由于维度过大，造成数据量大， LBP特征提取来完成快速的钢板表面检测.Mansano 同时特征向量稀疏.为了解决这一问题，Pietikainen 等网采用LBP配合多种分类器来检测金属表面缺陷. 等对LBP算子进行改进和优化，提出LBP等价模式 LBP算子在特征描述上受单个像素的影响比较大，而 (uniform paltern).当某个LBP模式所对应的循环 表面缺陷往往不是由单个小区域构成，其周围区域会 二进制数从0到1或从1到0最多有两次跳变时，该 对缺陷区域产生影响，而且大多数缺陷都呈现一定的 LBP模式就称为一个LBP等价模式.如1I00O0O0、 周期性和规律性，因此基于独立像素点的LBP算子不 11100111和00001111都是等价模式类.根据等价模 能很有效地提取表面缺陷特征.本文在充分考虑缺陷 式的定义，如果想要确定某种LBP模式是否为等价模 特征与周围相邻区域像素的联系基础上，提出采用多 式，可以通过式(1)进行计算： 块LBP算法的思想，并应用于连铸坯表面缺陷的特征 U(G)=Is(gp-1-ge)-s(go-g)I+ 提取. 1s(gp-8e）-s(gr-1-8e)1, (1) 1LBP特征提取方法 s(x)=,x>0: (2) 1.1经典LBP算子 0,x≤0 LBP算子最初作为一种有效的灰度不变性纹理描 式中，g表示中心像素点灰度值，go,g1,,g-1表示 述算子而提出的，其中经典LBP算子定义在围绕中心 g邻域范围的P个采样点. 像素的3×3像素区域内，整个区域由中心像素和其半 如果计算得到的U(G)小于或等于2，则将其归 径为1的8个邻域像素组成.经典LBP算子的实现过 于一种等价模式，表示为2，而所有U(G,)大于2的 程如图1所示 模式均归为一类，称为混合模式类.对于这种等价模 式，用LBP,表示.通过LBP等价模式的计算可以发 1 63 154 孕 现，对于任意邻域内的P个等距采样点进行LBP等价 模式计算之后模式种类为P(P)+3种，当P比较大 灰度值 E, 80 143 56 时比原来的2种大大减少，对于LBP的情况，LBP模 式种类由原来的256减少为59.LBP等价模式能够很 149 52 好地代表图像的某些关键特征，如边缘和异常点 1.3LBP频谱特征 利用LBP图谱的统计直方图可以生成图像的特 二值化 征向量.LBP算法是一种线性光照消除方法，光照变 化会在图像引起灰度的线性变化，通过提取不受灰度 0 线性变化影响的局部特征来消除全局的光照变化影 响.基本LBP模式图谱序列是一个包含256个特征值 01000100),=68 二进制值 D 0 的一维特征向量，其中第k个特征值表示第k种LBP 模式在整幅图像中的概率分布.LBP模式得到的图像 纹理频谱能综合反映图像的纹理信息特征，提取图像 的LBP纹理频谱，绘制其灰度直方图.LBP频谱可以 图1经典BP算子 从一定程度上表现缺陷的特征，并以此来对缺陷进行 Fig.1 Traditional LBP operator 分类.图2是裂纹、划伤、压痕和凹坑四类连铸坯常见 图1中以中心像素灰度值143作为阈值，对其8 表面缺陷图像以及正常表面图像的LBP频谱.从图2 个邻域像素按照基本LBP算子的计算过程进行二值 可以看出，正常表面图像的频谱幅值较低，并且均匀分 化处理，假设从左上方的点作为开始按照顺时针方向 布，而表面缺陷图的幅值分布不均匀，存在着某些峰 编码则得到一个8位二进制数01000100，转化为十进 值，并且不同缺陷的频谱出现的峰值位置也有明显差 制值68，即为该点的LBP响应，用LBP表示.对整幅 异，因此LBP频谱可作为判断连铸坯表面是否存在缺 图像进行扫描计算则得到LBP响应图像，即LBP图 陷和对缺陷进行分类的重要依据

田思洋等: 局部二值模式在连铸坯表面缺陷识别中的应用 理特征算子，在纹理分类［4］、纹理分割［5］等领域有很多 的应用． Song 和 Yan ［6］提出一种适用于热钢卷的抗噪 声干扰的 LBP 改进算子． Aghdam 等［7］利用决策树和 主成分分析( principal component analysis，PCA) 结合 LBP 特征提取来完成快速的钢板表面检测． Mansano 等［8］采用 LBP 配合多种分类器来检测金属表面缺陷． LBP 算子在特征描述上受单个像素的影响比较大，而 表面缺陷往往不是由单个小区域构成，其周围区域会 对缺陷区域产生影响，而且大多数缺陷都呈现一定的 周期性和规律性，因此基于独立像素点的 LBP 算子不 能很有效地提取表面缺陷特征． 本文在充分考虑缺陷 特征与周围相邻区域像素的联系基础上，提出采用多 块 LBP 算法的思想，并应用于连铸坯表面缺陷的特征 提取． 1 LBP 特征提取方法 1. 1 经典 LBP 算子 LBP 算子最初作为一种有效的灰度不变性纹理描 述算子而提出的，其中经典 LBP 算子定义在围绕中心 像素的 3 × 3 像素区域内，整个区域由中心像素和其半 径为 1 的 8 个邻域像素组成． 经典 LBP 算子的实现过 程如图 1 所示． 图 1 经典 LBP 算子 Fig． 1 Traditional LBP operator 图 1 中以中心像素灰度值 143 作为阈值，对其 8 个邻域像素按照基本 LBP 算子的计算过程进行二值 化处理，假设从左上方的点作为开始按照顺时针方向 编码则得到一个 8 位二进制数 01000100，转化为十进 制值 68，即为该点的 LBP 响应，用 LBP1 8 表示． 对整幅 图像进行扫描计算则得到 LBP 响应图像，即 LBP 图 谱，最后通过统计 LBP 图谱的直方图频谱作为 LBP 特征． 1. 2 LBP 等价模式 经典的 LBP 算子由于维度过大，造成数据量大， 同时特征向量稀疏． 为了解决 这 一 问 题，Pietikainen 等［9］对 LBP 算子进行改进和优化，提出 LBP 等价模式 ( uniform pattern) ［9］． 当某个 LBP 模式所对应的循环 二进制数从 0 到 1 或从 1 到 0 最多有两次跳变时，该 LBP 模 式 就 称 为 一 个 LBP 等 价 模 式． 如 11000000、 11100111 和 00001111 都是等价模式类． 根据等价模 式的定义，如果想要确定某种 LBP 模式是否为等价模 式，可以通过式( 1) 进行计算: U( Gp ) = | s( gP － 1 － gc ) － s( g0 － gc ) | + ∑ P－1 p = 1 | s( gp － gc ) － s( gP － 1 － gc ) | ， ( 1) s( x) = 1， x ＞ 0; {0， x≤0． ( 2) 式中，gc表示中心像素点灰度值，g0，g1，…，gP － 1表示 gc邻域范围的 P 个采样点． 如果计算得到的 U( Gp ) 小于或等于 2，则将其归 于一种等价模式，表示为 u2，而所有 U( Gp ) 大于 2 的 模式均归为一类，称为混合模式类． 对于这种等价模 式，用 LBPu2 8，1表示． 通过 LBP 等价模式的计算可以发 现，对于任意邻域内的 P 个等距采样点进行 LBP 等价 模式计算之后模式种类为 P( P !1) + 3 种，当 P 比较大 时比原来的 2P 种大大减少，对于 LBP1 8 的情况，LBP 模 式种类由原来的 256 减少为 59． LBP 等价模式能够很 好地代表图像的某些关键特征，如边缘和异常点． 1. 3 LBP 频谱特征 利用 LBP 图谱的统计直方图可以生成图像的特 征向量． LBP 算法是一种线性光照消除方法，光照变 化会在图像引起灰度的线性变化，通过提取不受灰度 线性变化影响的局部特征来消除全局的光照变化影 响． 基本 LBP 模式图谱序列是一个包含 256 个特征值 的一维特征向量，其中第 k 个特征值表示第 k 种 LBP 模式在整幅图像中的概率分布． LBP 模式得到的图像 纹理频谱能综合反映图像的纹理信息特征，提取图像 的 LBP 纹理频谱，绘制其灰度直方图． LBP 频谱可以 从一定程度上表现缺陷的特征，并以此来对缺陷进行 分类． 图 2 是裂纹、划伤、压痕和凹坑四类连铸坯常见 表面缺陷图像以及正常表面图像的 LBP 频谱． 从图 2 可以看出，正常表面图像的频谱幅值较低，并且均匀分 布，而表面缺陷图的幅值分布不均匀，存在着某些峰 值，并且不同缺陷的频谱出现的峰值位置也有明显差 异，因此 LBP 频谱可作为判断连铸坯表面是否存在缺 陷和对缺陷进行分类的重要依据． ·1729·

·1730· 工程科学学报，第38卷，第12期 (bi 裂纹领谱 划伤频谱 3000 3000 2500 2500 2000 2000 盞150 划伤 1500 1000 1000 500米 500 102030405060 1020304050 60 裂纹LBP图谱 LBP值 LBP值 划伤LBP图谱 (c) 压痕频谱 d 2500 3000 凹坑颜谱 2000 2500 2000 1500 裂纹 1000 凹坑 1000 500 500 iei 00 102030405060 LBP值 LBP值 裂纹LBP图谱 凹坑LBP图谱 (e) 正常样本凝谱 5000 4000 3000 正常样本 2000 1000 10 203040 50 60 LBP值 正常样本LBP图谱 图2连铸坯表面图像样本的LBP频谱.(a)裂纹：(b)划伤：(c)压痕：(d)凹坑：(c)无缺陷 Fig.2 LBP spectra of surface image samples from continuous casting slabs:(a)crack;(b)scratch:(c)indentation:(d)dent;(e)no defect L.4多块LBP特征 2连铸坯表面缺陷分类 多块LBP(multi-block LBP,MB-LBP)Io的基本思 想是：首先将原始图像划分为3×3或4×4等小区域 2.1实验算法流程 以3×3为例，将3×3的区域的每一个子区域都再进 如图3所示，实验算法流程如下. 行等分，每个等分的矩形区域包含的像素点数目都相 (1)对原始图像进行分块，并计算区块的平均灰 等.然后计算每个子区域的平均灰度值，把每一个的 度值.将原图像分为n×n(n=1,2,3,4,…)的小区 矩形区域的平均灰度值与中心矩形的矩形区域的平均 块，然后以小区块内灰度均值作为该区块的灰度值 灰度值进行比较得到一个灰度差值，如果灰度差值与 当n=I时即为普通LBP算子. 中心灰度值的对比度比较大（可以通过实验设置一个 (2)二值化.以每个小区块为中心半径为1的8 或两个阈值来定义对比度大小)，则设为1，否则为0. 个邻域作为采样区块，比较采样区块与中心区块的灰 最后把得到的0和1串联得到二进制模式编码，得到 度差值大小，标定采样区块为1或者0. MB-LBP特征值.特征值判断不再简单依赖邻域像素 (3)计算MB-BP模式.根据标定的采样区块二 与中心像素的灰度值比较，而是采用其灰度差值与中 进制数来标记中心区块的模式。 心像素灰度值的百分比作比较，这样可以增强MB-LBP (4)特征提取.统计LBP模式图谱生成灰度直方 的鲁棒性，提高其分类识别能力 图特征作为该图像的特征向量 同样地，对于MB-LBP模式也可以进行等价模式 (5)支持向量机分类.将训练样本集和测试样本 转换，例如对于MB-LBP模式进行等价模式的转换，可 集的所有样本图像通过步骤(1)~(4)进行特征提取 令式(1)中P=8,从而得到最终的MB-LBP算子. 并将得到的MB-LBP频谱特征向量送入支持向量机进

工程科学学报，第 38 卷，第 12 期 图 2 连铸坯表面图像样本的 LBP 频谱． ( a) 裂纹; ( b) 划伤; ( c) 压痕; ( d) 凹坑; ( e) 无缺陷 Fig． 2 LBP spectra of surface image samples from continuous casting slabs: ( a) crack; ( b) scratch; ( c) indentation; ( d) dent; ( e) no defect 1. 4 多块 LBP 特征 多块 LBP ( multi-block LBP，MB-LBP) ［10］的基本思 想是: 首先将原始图像划分为 3 × 3 或 4 × 4 等小区域． 以 3 × 3 为例，将 3 × 3 的区域的每一个子区域都再进 行等分，每个等分的矩形区域包含的像素点数目都相 等． 然后计算每个子区域的平均灰度值，把每一个的 矩形区域的平均灰度值与中心矩形的矩形区域的平均 灰度值进行比较得到一个灰度差值，如果灰度差值与 中心灰度值的对比度比较大( 可以通过实验设置一个 或两个阈值来定义对比度大小) ，则设为 1，否则为 0． 最后把得到的 0 和 1 串联得到二进制模式编码，得到 MB-LBP 特征值． 特征值判断不再简单依赖邻域像素 与中心像素的灰度值比较，而是采用其灰度差值与中 心像素灰度值的百分比作比较，这样可以增强MB-LBP 的鲁棒性，提高其分类识别能力． 同样地，对于 MB-LBP 模式也可以进行等价模式 转换，例如对于 MB-LBP 模式进行等价模式的转换，可 令式( 1) 中 P = 8，从而得到最终的 MB-LBPu2 8，1算子． 2 连铸坯表面缺陷分类 2. 1 实验算法流程 如图 3 所示，实验算法流程如下． ( 1) 对原始图像进行分块，并计算区块的平均灰 度值． 将原图像分为 n × n ( n = 1，2，3，4，…) 的小区 块，然后以小区块内灰度均值作为该区块的灰度值． 当 n = 1 时即为普通 LBP 算子． ( 2) 二值化． 以每个小区块为中心半径为 1 的 8 个邻域作为采样区块，比较采样区块与中心区块的灰 度差值大小，标定采样区块为 1 或者 0． ( 3) 计算 MB-LBP 模式． 根据标定的采样区块二 进制数来标记中心区块的模式． ( 4) 特征提取． 统计 LBP 模式图谱生成灰度直方 图特征作为该图像的特征向量． ( 5) 支持向量机分类． 将训练样本集和测试样本 集的所有样本图像通过步骤( 1) ～ ( 4) 进行特征提取 并将得到的 MB-LBP 频谱特征向量送入支持向量机进 ·1730·

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·

·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·