基于PCA和SVM的陶瓷零件研磨后的正废品识别

李颜瑞

（山西机电职业技术学院信息工程系 山西 长治 046011）

1 引言

传统的检测方法，是采用人工的方式进行检测。人工检测效率低且人为因素较多，存在一定的漏检、错检情况。而智能制造在检测上，必须借助设备实现自动检测。一些高精尖的制造产品或者零部件虽然已经具备一套完整的设备用于自动检测，但还存在一部分制造产品或者零部件无法实现自动检测的情况。这些制造产品或者零部件不属于高精尖，但是却与人民生活息息相关。其中就包括陶瓷制品，体积较小，成本很低，用量相对较大，主要检测表面的平整程度，要求表面不能出现气泡孔、划痕和缺口，一旦出现这些情况，就直接定为废品。但如果直接使用废品部件，会造成制造产品不能正常使用，如果利用人工检测，会提高生产成本，也不能保证百分之百的检测率，故而研究出了一种自动检测方法，利用主成分分析（PCA）对陶瓷产品部件图像进行特征提取，然后使用支持向量机（SVM）进行自动识别。

2 主成分分析理论

主成分分析方法[1-2]即PCA，是一种线性判别方法，由Pentland和Turk提出，也称为K-L方法。

3 基于PCA和SVM的陶瓷零件研磨后的正废品识别

3.1 陶瓷零件预处理[3-4]

零件图像的采集装置是用高清放大设备，固定位置拍照采集。所有零件图像整体效果比较好，并且零件图像中（图1）只包含零件部分，基本没有多余部分，可以用于下一步操作。对零件图像进行灰度化处理，可以利用公式（2）：

经过处理后，原彩色零件图像就生产为黑白的灰度零件图像（图2）。其中R表示原图像中红色部分，G表示原图像中绿色部分，B表示原图像中蓝色部分

图1 原零件图象

图2 灰度零件图象

3.2 提取陶瓷零件图像特征

研磨后的陶瓷零件总体分为两种状态，即合格与不合格。其中陶瓷零件表面有划痕、缺口和气泡都为不合格状态。

选取四张陶瓷零件图像，分别为合格、划痕、缺口、气泡。记为，大小均为像素。

（2）先计算矩阵M每行的平均值，则由这些平均值构成一个列向量，然后用M矩阵的每一列减去列向量T，构成行的矩阵B。

（3）先计算BBT矩阵的值，选择K个最大的特征值对应的特征向量组成一个矩阵β，记为。然后将其转置，记，k的具体值由阈值η决定。那么t就称为投影空间。

（5）选择有划痕、缺口和气泡零件图像各五张，做投影和求平均值计算，分别得到对应的特征向量，记为。

3.3 陶瓷零件识别

支持向量机即SVM[5]，主要方法是结构中风险最小化的归纳原则近似。本文直接调用了LIBSVM包，LIBSVM是由台湾大学的林智仁教授研制开发的。

（1）先将待识别的零件图像经过预处理和转换成列向量，然后在投影空间上进行投影运算生产特征向量，即。

（2）直接使用支持向量机LIBSVM包，将训练的任意两个特征向量都生成一个分类器，则共生成六个分类器。

（3）将待识别的特征向量，放入所有的分类器中进行识别，并记下每个分类器识别结果。

（4）统计所有的分类器产生的结果，识别结果为分类器产生的结果中出现次数最多的。

4 实验结果与分析

在2000张零件图像上进行实验研究，其中合格零件图像为500张，有划痕的零件图像500张，有缺口的零件图像500张，有气泡的零件图像500张。训练零件图像各取5张，测试零件图像为1980张。实验结果见表1、表2。

表1 不同的实验方法

表2 阈值的不同对实验的影响

两个实验证明，用PCA做特征提取，SVM做识别，其识别率最高。证明了PCA提取的特征质量较高，并且SVM识别效果高于近邻方法。阈值对识别有一定的影响，因为阈值决定着投影空间的大小。如果阈值越小，那么投影空间就会越小，投影得到的特征向量越小，那么影响识别的关键数据可能就会排除到特征向量之外，影响识别率；反之，如果阈值越大，那么投影空间就会越大，投影得到的特征向量越大，那么有些不利于识别的无用数据也会放到特征向量里，影响识别率。所以，阈值选择0.93时，用SVM进行识别，其识别率最理想。

5 结语

文章研究了使用PCA做特征提取，用SVM做识别，在包含2000张陶瓷零件数据库上进行实验，获得了比较满意的识别率。再次证明了，使用PCA和SVM在验证陶瓷零件这种小配件是否合格上具有一定的可行性。识别率基本达到了企业的要求。如果要应用必须具备相应的硬件条件，例如PLC或者单片机以及其他附属设备，因此，今后的研究重点要放到实际的工业应用上。