基于RPCA和視覺顯著性的風機葉片表面缺陷檢測

　　摘要：針對風機葉片表面缺陷檢測問題，提出了一種基于魯棒主成分分析(RPCA)和視覺顯著性的表面缺陷檢測方法。在RPCA的基礎上，通過增加噪聲項和考慮像素的空間關系，以利于缺陷的分割，即通過F范數(shù)正則項抑制高斯噪聲和光照不均，利用Laplacian正則項約束像素的空間關系，以保持顯著圖中具有相似顯著值且空間相鄰超像素的局部一致性和不變性。首先，對輸入的風機葉片表面圖像進行超像素分割和特征提取，得到圖像的特征矩陣;然后，利用改進的RPCA法得到稀疏矩陣，根據(jù)稀疏矩陣和視覺顯著性方法計算出缺陷區(qū)域的顯著圖;最后，優(yōu)化顯著圖并采用自適應閾值分割實現(xiàn)缺陷的檢測。通過實驗仿真和對實驗結果定性定量分析，表明該方法具有較高的準確率。

　　關鍵詞：RPCA;視覺顯著性;缺陷檢測;風機葉片

　　風機葉片是風力發(fā)電機組的力源和主要承載部件，也是最昂貴和最易受損的部件，暴風雨、風沙和雷擊等都有可能損傷葉片。隨著國內(nèi)風電場運行時間的增加，風機葉片表面缺陷的快速、高效檢測變得越來越重要。傳統(tǒng)的人工巡檢已難以滿足要求，隨著圖像處理技術的發(fā)展，無人機巡檢等基于機器視覺的缺陷檢測得到了快速發(fā)展�；�于機器視覺的缺陷檢測的關鍵是將缺陷區(qū)域從圖像中分割出來，生成缺陷的二值圖像。常見的圖像分割方法主要包括基于統(tǒng)計、濾波和模型3種[1]。當前，深度學習發(fā)展迅速，具有較好的性能且多用于分類，但實際應用于檢測的較少，原因有2點：一是缺陷數(shù)據(jù)庫太小，無法滿足深度網(wǎng)絡訓練學習的要求而易導致過擬合;二是大規(guī)模缺陷圖像收集費時且人工標記開銷大。

　　近年來，魯棒主成分分析(robustprincipalcomponentanalysis,RPCA)[2]被應用于圖像重建、目標識別和缺陷檢測等。在進行缺陷檢測時，可將有缺陷的圖像分為無缺陷背景紋理區(qū)和缺陷前景區(qū)2部分，分別用低秩矩陣和稀疏矩陣表示。文獻[3]用RPCA批量檢測同一場景、同一光源下的多幅圖像，將一幅圖像變成矩陣的一列，為了能將圖像以低秩和稀疏矩陣表示，待檢圖像必須有多幅;文獻[4-5]利用RPCA，通過低秩分解得到織物疵點顯著圖，并對顯著圖優(yōu)化和閾值分割完成疵點檢測。文獻[6]用低秩分解得到缺陷特征矩陣，獲得缺陷區(qū)域的初始顯著圖，再利用超像素分割和視覺顯著性精確定位太陽能電池片表面缺陷區(qū)域;文獻[7]將RPCA應用于紙病圖像的分割，但紙病圖像背景情況單一;文獻[8]用RPCA對鋁箔圖像進行低秩分解，實現(xiàn)背景圖像和缺陷圖像的分離，達到鋁箔表面缺陷檢測的目的。但當表面存在較大低對比度缺陷區(qū)域時，缺陷檢測的連續(xù)性不能令人滿意。

　　文獻[9]將低秩分解應用于LCD表面缺陷檢測，但主要針對背景紋理簡單的LCD圖像，擴展性不強;文獻[10]提出了帶有噪聲項的RPCA模型—(NRPCA)，用于織物缺陷的檢測，該模型忽視了稀疏像素間的連接性，無法檢測連續(xù)的缺陷區(qū)域;文獻[11]用F范數(shù)代替RPCA模型中的核范數(shù)和2范數(shù)，而F范數(shù)并不與核范數(shù)和2范數(shù)相同，因此有些情況，檢測效果并不好，檢測的缺陷區(qū)域邊界很模糊。以上采用RPCA進行缺陷檢測時，均未考慮圖像的光照問題，而通過無人機巡檢采集的風機葉片圖像，由于圖像的拍攝角度不同，光照不均不可避免。同時，為了更好地檢測出連續(xù)的缺陷區(qū)域，本文提出了一種考慮像素空間關系和帶有噪聲項的RPCA風機葉片表面缺陷檢測方法，以抑制高斯噪聲和光照不均的影響。

　　1本文方法

　　1.1超像素分割超像素分割將具有相似特征的像素聚集在一起，形成一個超像素。以超像素作為圖像處理的基本單位可以大大降低維度和剔除一些異常像素點。而風機葉片的表面缺陷部分和無缺陷部分，具有不同的特征(顏色和紋理等)，通過超像素分割可將缺陷部分有效的聚集起來。本文采用SLIC算法[12]實現(xiàn)超像素分割。

　　1.2特征提取本文提取圖像的顏色特征、Gabor特征和方向可控金字塔特征。(1)顏色特征。采用圖像的RGB3顏色通道以及HSV顏色空間的H和V2通道共5個特征表示葉片圖像的顏色特征。每個超像素所包含像素的平均顏色特征，即為超像素的顏色特征，則圖像的顏色特征矩陣ColorR5×K，其中K為超像素的個數(shù)，以下同。(2)Gabor特征。Gabor濾波器的頻率和方向與人類的視覺系統(tǒng)類似，特別適合于紋理表示與判別。用Gabor特征能夠描述圖像紋理信息，而且其具有良好的空間局部性和方向選擇性，對光照等具有一定的魯棒性。本文對圖像采用3尺度8方向進行Gabor濾波，其Gabor特征矩陣ColorR24×K。(3)方向可控金字塔特征。方向可控金字塔具有尺度和方向子帶的圖像表示，且不會混疊。本文對缺陷圖像采用2尺度6方向濾波，其方向可控金字塔特征矩陣SpyrR12×K。將上述圖像的3種特征組合在一起，便構成圖像的特征矩陣DR41×K。

　　2實驗結果與分析

　　為驗證算法的有效性，實驗構建了一個包含30張風機葉片表面缺陷的數(shù)據(jù)集，并對每張圖的表面缺陷進行了人工標注，得到每張圖的GroundTruth(GT)。本文仿真環(huán)境為：操作系統(tǒng)Windows10和仿真軟件MATLABR2017b。實驗需要設置的主要參數(shù)有、和γ，根據(jù)PR曲線、F-measure曲線和ROC曲線結果(各曲線說明見本節(jié)定量比較部分)發(fā)現(xiàn)，當0.001，0.01和0.05時，效果較好。對本文算法和RPCA[2]，NRPCA[11]，PNRPCA[11]，SR[15]，F(xiàn)F[16]，F(xiàn)T[17]，CA[18]算法進行定性和定量比較。

　　3結束語

　　本文結合視覺顯著性檢測和RPCA，提出了一種風機葉片表面缺陷的檢測方法，通過在RPCA模型中增加F范數(shù)和Laplacian正則項，抑制光照不均和利用像素間的空間關系，實現(xiàn)風機葉片表面缺陷的檢測。實驗結果表明，本文算法對于風機葉片表面缺陷圖像的檢測具有較高的準確性。然而，由于本文算法在檢測過程中，以超像素為基本的檢測單元，而超像素分割對于微小缺陷的分割并不夠理想，因此本算法在檢測表面微小缺陷時，效果欠佳，這也是需要進一步研究的。

　　參考文獻

　　[1]KUMARA.Computer-vision-basedfabricdefectdetection:Asurvey[J].IEEETransactionsonIndustrialElectronics,2008,55(1):348-363.

　　[2]CANDÈSEJ,LIXD,MAY,etal.Robustprincipalcomponentanalysis?[J].JournaloftheACM,2011,58(3):1-37.

　　[3]姚明海,李潔,王憲保.基于RPCA的太陽能電池片表面缺陷檢測[J].計算機學報,2013,36(9):1943-1952.

　　計算機方向論文投稿刊物：《計算機學報》是中國計算機領域權威性學術刊物，始創(chuàng)于1978年，刊期為月刊。其宗旨是報道中國計算機科學技術領域最高水平的科研成果。它由中國計算機學會與中國科學院計算技術研究所主辦、科學出版社出版，以中文編輯形式與讀者見面，同時以英文摘要形式向國際各大檢索系統(tǒng)提供基本內(nèi)容介紹。

轉載請注明來自發(fā)表學術論文網(wǎng)：http:///dzlw/22029.html