基于支持向量机的枪弹外观缺陷识别与分类-王鹏.pdf

《基于支持向量机的枪弹外观缺陷识别与分类-王鹏.pdf》由会员分享，可在线阅读，更多相关《基于支持向量机的枪弹外观缺陷识别与分类-王鹏.pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、CN 431258TPISSN 1007130X计算机工程与科学Computer EngineeringScience第38卷第9期2016年9月V0138，N o9，S印2016文章编号：l007130X(2016)091943一07基于支持向量机的枪弹外观缺陷识别与分类王 鹏，郭朝勇，刘红宁(军械工程学院车辆与电气工程系，河北石家庄050000)摘 要：为解决枪弹外观缺陷自动分类问题，提出了一种基于支持向量机的枪弹外观缺陷自动识别与分类模型。首先针对枪弹表面缺陷的图像特点，从几何、灰度、纹理三方面进行了特征提取，在此基础上建立了基于支持向量机的枪弹外观缺陷分类模型，并对特征参数进行了优选；

2、研究了支持向量机中惩罚系数和核函数参数对分类器性能的影响；通过实验与基于BP神经网络的枪弹外观缺陷分类器进行了比较，结果表明，在小样本下，基于支持向量机的枪弹外观缺陷分类器性能更好。关键词：支持向量机；枪弹外观缺陷；特征参数；识别与分类中图分类号：TP3914 文献标志码：Adoi：103969iissn1007一130X201609030Bullet surface defect recognition and classificationbased on support Vector machineWANG Peng，GUO Chaoyong，LIU Hongning(Department

3、 of Vehicle and E1ectricaI Engineering，0rdnance Engineering College，Sh玎iazhuang 050000，China)Abstract：In order to solve the probl锄of buUet surface defect autonlatic classification，we propose an automatic recognition method and a classification model of bullet surface defects based on the support vec

4、tor machine(SVM) Firstly we extract the characteristic parameters from the three aspects of geometry，gray scale，teXtureaccording to the characteristics of the bullet surface defect image Then we establish the classification model ofbunet surface defects based on the SVM and the characteristic parame

5、ters are optimized We also analyzed theinfluence of the penalty coe“icients and kemel function parameters on the perfor啪nce of the classifier Experimentalresults show that the proposal based on the SVM outperfo咖s the BP neural network classifier in temsof bullet surface defect classification under s

6、mall samplesKey words：support vector machine；bullet surface defect；characteristic parameters；recognition andclassification1 引言枪弹是轻武器系统重要的组成部分，在其生产过程中，往往会出现不同种类表面缺陷，导致枪弹的储存、运输和使用性能下降。目前，国内外的军工企业普遍采用人工的方式13对枪弹外观进行检测。这种检测方法效率低、标准不统一，且对人眼的伤害大。因此，本文对机器视觉技术应用于枪弹外观缺陷检测进行了研究。目前基于图像的分类方法主要有人工神经网络分类2和支持向量机分类S

7、VM(Support VectorMachine)3。传统人工神经网络方法固有的一些缺点(如，需要大量训练数据、学习时间过长、收敛速度慢且容易收敛于局部极小值从而导致学习错误等)，在一定程度上对该方法的应用产生了限制。SVM在解决非线性、小样本及多维识别与分类问题中优势很大，能够克服许多情况下的“过学习”和“维数灾难”等多维识别与分类问题，成为近年来模式识别领域内研究的热点4。本文对基于支持向*收稿日期：2015一0731；修回日期：2015一0929通信地址：050003河北省石家庄市和平西路97号军械工程学院机械设计教研室Address：Department of Mechanical D

8、esign，0rdnance Engineering College，Sh钉iazhuang 050003，Hebei，PRChina万方数据1944 Computer EngineeringScience 计算机工程与科学 2016，38(9)量机方法的枪弹外观缺陷识别与分类做了研究。针对枪弹外观缺陷图像特点，分别从几何、灰度、纹理三方面进行特征提取，构成缺陷的特征向量，作为SVM的输入。构建了SVM多分类器，并进行了实验验证，结果表明该方法能够有效地实现枪弹外观缺陷的识别和分类。2枪弹外观缺陷类型及特征提取根据GJB 52272004枪弹外观缺陷图谱5所述，枪弹外观缺陷的种类主要有：绿斑、

9、露钢、污渍、压痕、裂缝、油漆不均等如图1所示：翻量 e裂缝 f油漆不均Figure 1 Gray scale images of bullet surace defects图1枪弹外观缺陷灰度图像为排除噪声影响，选择高斯模板滤波，使在滤除噪声的同时能较好地保留图像细节。由于缺陷占整幅图像的比例较小，用迭代OTSU法对缺陷图像进行分割，分割结果如图2所示。露钢tI划痕 t-裂缝 l锕漆小均Figure 2 Two vaIued images of defects图2缺陷的二值图像从图2中可以看出，枪弹外观缺陷被有效地分割出来，且各类缺陷的特征较为明显。为有效地实现缺陷的识别与分类，拟从几何、灰度

10、、纹理三个方面进行特征提取。21枪弹外观缺陷几何特征提取从图2中枪弹外观缺陷图像的对比可以看出，不同类别的缺陷的几何形状是不同的，因此提取缺陷几何特征能够有效地区分不同类别的缺陷。(1)缺陷的细长度D。即缺陷区域的最小外接矩形的宽长之比，其计算公式为：D；一孥 (1)L其中，W为最小外接矩形的宽，L为最小外接矩形的长。(2)缺陷的圆形度C。圆形度描述缺陷区域接近圆的程度，其值位于o1。C值越大，表示缺陷区域越接近圆形。其计算公式为：c一警 (2)其中，A为缺陷区域的面积，P为缺陷区域的周长。(3)缺陷的矩形度D，。矩形度反映的是目标区域对其外接矩形的填充程度，其计算公式为：dD r一卉 3)2

11、2枪弹外观缺陷灰度特征提取灰度特征主要为缺陷目标区域中基于像素灰度计算所体现的特征，包括灰度均值、方差、灰度分布各阶矩(不变矩)等。不同种类的缺陷往往具有不同的灰度特征，因此，为构建支持向量，有必要对缺陷区域的灰度特征进行研究。(1)平均灰度值口。反映缺陷像素的灰度特征，不同种类的缺陷往往具有不同的灰度。其计算公式为：雎。一厂(z，y)A (4)其中，厂(z，y)表示像素点(z，y)的灰度值，A为缺陷区域的面积。(2)灰度方差盯2。反映缺陷灰度的集中程度：盯z一(厂(z，y)一卢。)2A (5)(3)不变矩。不变矩是利用图像灰度分布的各阶矩来描述灰度分布特性，具有平移、旋转、缩放不变性。对于一

12、幅数字图像厂(z，y)，户+q阶中心距定义为：“冉一(z一孑)一(y一夕)。厂(z，y)其中，孑、夕为缺陷目标的重心坐标，归一化中心矩可以表示为：弘一争攀、一_万方数据王 鹏等：基于支持向量机的枪弹外观缺陷识别与分类 1945其中，y一(夕+q)2+1，p+g=2，3Hu七阶不变矩6由归一化的二阶和三阶中心矩经过运算得到，在模式识别中，Hu高阶不变矩容易受到噪声等外部因素的干扰，因此将其中的前四阶不变矩作为灰度特征，其计算公式如下：Ml一啦2+啦o (6)M2一孕2+1720)2+4玩。 (7)M3一(啦。一37z)2+(3孕l一珈。)2 (8)Mt一(啦。+3叩，z)2+(孕-+伽3)2 (

13、9)23缺陷图像纹理特征提取图像纹理特征反映的是像素的空间分布属性，灰度共生矩阵m能够反映图像的纹理特征。本文选取了灰度共生矩阵的五种特征：(1)能量(二阶矩)。反映了图像纹理粗糙程度，能量越大，反映纹理越粗糙。厂。一户2(i，歹，d，护) (10)(2)对比度。反映图像纹理的清晰程度，其值越大，图像越清晰：厂：一(i一歹)2p2(i，歹，d，曰) (11)(3)熵。表示纹理的复杂程度，值越大，表示纹理越复杂：=p 2(i，d，口)logz户(i，J，d，口)l J(12)(4)相关性。反映灰度共生矩阵行方向或列方向上的相似程度：(巧)户2(i，歹，d，口)一p，一L丁丁一(13)口I盯y(5

14、)同质性。反映纹理的局部变化特征，其值越大，说明局部越均匀。户2(i，J，d，口)厂s一上奇可矿(14)其中歹为灰度级；d为灰度共生矩阵的生长步长，根据经验一般取1；目为灰度共生矩阵的生成方向，通常取o。、45。、90。、135。四个方向；户(j，歹，d，口)为各点的频度值；肚、p，为均值，仃：、为方差。对图1所列的6类枪弹外观缺陷样本图像提取14个特征参数，如表1所示，各类缺陷间的特征值相差越大表明其类别差异越明显。在研究其特征参数过程中，分别选取各类缺陷弹各30枚，提取得到的特征参数进行对比分析，几乎所有的特征参数都具有某两类缺陷数据范围重叠交叉区域，导致难以应用线性分类器对枪弹缺陷进行分

15、类。支持向量机方法应用核函数将非线性问题转换成线性可分问题，从而较好地解决了非线性分类问题。3 基于支持向量机的枪弹外观缺陷分类模型31 非线性问题的支持向量机支持向量机(SVM)83是由Vanpik提出的一种建立在统计学习理论的基础上的机器学习方法。支持向量机即是搜寻一个满足分类条件的最优超平面，使在保证分类精度的情况下，平面与类间的距离间隔最大。SVM最初为解决二分类问题，对给定的训练样本集(x。，y，)，i一1，2，z，其中墨为特征向量，y。1，一1)为向量的类别。在线性可分情况下，存在超平面(，工)+6一o，为使超平面不偏向于任何一类且保证分类间隔，要求满足：(1)支持向量和超平面之间

16、的距离满足： L上_L一上l|，|1 II，I| 0，lI(2)yi(，墨)+61，i=1，2，Z为了使分类间隔达到最大，对上述问题进行二次规划，归结为：TabIe 1 Cha髓cteristic pa咧mete璐of the defects表1各类缺陷的特征参数绿斑 0724 O813 0832 0274 585 O706 2372 3644 4325 O218 O116 1980 O246 O935露钢 O496 O534 O891 0986 2077 0454 1134 3572 3136 O229 0446 1991 O236 0855污溃 0937 0056 O233 o352 32

17、44 O637 2761 3241 4590 0202 O107 1936 0696 0936划痕 0083 O077 0425 O980 2026 O734 1023 1422 1398 O130 0668 2604 O280 O788裂缝 o098 o084 o564 O332 1404 o52l 1532 0957 O924 0190 O152 2053 o642 o914油漆不均O245 O355 0677 O745 979 062l 】977 2904 3025 o136 O318 2614 O322 O830万方数据1946 Computer Engineering&Science

18、计算机工程与科学 2016，38(9)min要l|，|Imln虿l|w 1Ist了。(，z。)+61 (15)用Lagrange乘子法对上式进行求解，得到的最优分类函数如下9：，(x)一sgn(n?y。(：x)+6。(16)其中，工，sgn为符号函数，口一(n?，口f，n：)为Lagrange乘子，6为分类阈值。在线性不可分情况下，引入惩罚常数C和非负的松弛项亭，优化问题转变为：，fmin告If w|+c毫st y，(w工，)+618，0 (17)通过核函数将样本空间映射到一个高维特征空间中，使其变为线性可分，并运用原空间的函数运算求得最优分类超平面，得出的最优分类函数为：厂(z)一sgnnj

19、y，K(xix)+6+)(18)式中，a?满足On?C。K为核函数。32多分类器构造由于SVM是二元分类器，在解决多分类问题时，必须由二元SVM来构造多元分类器。最常见的构造方法包括一对多法(OneAgainstRest)和一对一法(OneAgainstOne)。一对多法的基本思想是，解决行类问题需要训练行个支持向量机的二元子分类器，构成竹个SVM模型，即在第i类和其余以一1类之间构建二元分类器，将待测样本分别代入托个SVM分类器中，值最大者所对应的类别即为样本的类别。一对多法的优点是分类速度较快，缺点是每个子分类器都需要所有样本参与训练，训练时间较长，且存在拒分、误分区域，泛化能力较差。一对

20、一法对任意两类构造子二元分类器，对于一个行类样本，需要构造行(，z一1)2个子分类器，在决策时，将分类的样本分别输入到行(押一1)2个子分类器中，对判别结果采用投票的方法，类别输出为得票数最多的那一类。一对一法的优点在于每个支持向量机子分类器只需训练两类样本，降低了构造子分类器的复杂度，所以其训练速度比一对多法快。同时参加训练的两类样本数量较一对多更加平衡，所以分类精度比一对多法高，所以本文使用一对一法来构造多分类SVM。33核函数的选择核函数的选择及相关参数的确定是影响SVM分类器性能的重要因素。常用的SVM核函数有以下几种：(1)多项式核函数：K(z，y)一(zy)+1Jd (19)(2)

21、高斯径向基核函数(RBF)：l，K(z，v)一exp一卫掣I(20)I 仃 J(3)sigmoid核函数：K(z，y)一tanhK(z，y)+优j (21)上述三种常见的核函数中，高斯径向基核函数具有良好的局域性，便于将算法扩展到对未知目标分类的场合，故本文选用RBF核函数作为SVM分类器的核函数。34参数的寻优SVM的识别效果不仅受核函数影响，还受惩罚常数C和核参数g选值的影响，因此，需要对参数进行寻优选择。目前较常用的SVM参数寻优的方法有：网格搜索(Grid Search)法、基于遗传算法(GA)的寻优方法、基于粒子群算法(PsO)的寻优方法等。网格搜索的原理是将参数的搜索空间划分成网格

22、，依次遍历网格上的节点来对最优参数进行搜索，这种方法的搜索速度较慢，比较适合小样本的情况。GA算法和PSO算法属于启发式算法，在样本数较多的情况下搜索速度相对较快，但是这两种算法操作较复杂，且可能陷入局部最优解，导致得到的参数并非全局最优。本文选择使用网格搜索法对惩罚常数C和核参数g进行寻优选择，寻优过程使用交叉验证CV(Cross Validation)，对每组(C，g)进行泛化能力评价。交叉验证法主要有双交叉验证法(2一CV)、是折交叉验证法(点一CV)、留一验证法(LO口CV)三类。相比较于前两种方法，LOOCV样本评估结果更加可靠。其基本思想是：设原始数据有N个样本，选择每一个样本单独

23、作验证，对其余的N一1个样本进行训练，最终得到N个SVM分类模型，取N个分类模型准确率的平均数作为此组参数(C，g)下的分类器性能指标。4仿真实验与结果分析实验分别选取绿斑、露钢、污渍、划痕、裂缝、油漆不均6种缺陷枪弹各30枚，通过MatIab软件提万方数据王 鹏等：基于支持向量机的枪弹外观缺陷识别与分类 1947取缺陷的14种特征参数构成180组样本构成总体样本集。取其中每种缺陷的15组(总共90组)作为训练样本集，余下的90组作为测试样本集。41特征参数的优选对缺陷图像特征的选取并非越多越好，在应用支持向量机方法对缺陷进行的识别与分类中，常会出现特征数量在达到一定限度后，再增加特征数目时不

24、但不能增加分类器的分类准确率，还有可能降低分类器的性能。因此，需要对特征参数进行优选，从中挑选出对分类效果最明显的特征，从而减少特征向量的维数。特征优选有很多方法，如模拟退火算法、遗传算法、Tabu搜索算法等，应用这些方法对特征进行优选的计算比较复杂，且可能存在局部最优解的情况，适合特征数量较多的应用场合，而本文仅在14个参数中进行优选，不需使用这些启发式的算法。本文选取顺序后退法对特征参数进行寻优。顺序后退法9是自上而下的搜索方法，从全部特征开始逐次剔除一个特征，其剔除的特征应使剩余特征组合的分类器性能达到最好。传统的顺序后退法每次只能剔除一个特征参量，所得到的结果可靠性较差，因此本文应用广

25、义顺序后退法，该方法一次能够剔除多个特征向量，优选速度更快。表2所示为顺序法实验结果，其中，应用全部14种特征参量综合分类准确率为988。表中第一轮中每个特征参量所对应的数值是将其剔除后剩余特征作为输入得到的准确率。由第一轮得到的三个特征向量对分类结果无益，分别对3个特征向量进行组合剔除，得到剔除C和M。时，分类准确率仍然为988，故第二轮优选在剔除C和M。基础上继续逐次剔除特征参量进行判别。在第二轮组合剔除中按如上方法得出要剔除的特征参数为的。最终在第四轮优选中发现无可剔除的特征参量，因此本文选取剩余的10个特征参量组成支持向量。42不同核函数下分类器性能比较分别选取基于多项式、RBF、Si

26、gmoid核函数的SVM分类器对枪弹外观缺陷图像样本集进行分类，其结果如表3所示。可以看出，不同核函数下的SVM分类器性能不同，其中采用RBF核函数的SVM分类器识别性能最佳，采用多项式核函数的SVM分类器识别性能次之，采用Sigmoid核函数的SVM分类器识别性能最差。T曲Ie 3 Comparisof SVM perfo哪柚ceunder diffbrent kerneI f岫ctions表3不同核函数下的SvM性能比较核函数类型多项式核函数 RBF核函数 Sigmoid核函数测试样归类正测试样归类正测试样 归类正本数 确数 本数 确数 本数 确数绿斑露钢污渍划痕裂缝油漆不均准确率 90

27、989 78943分类器参数寻优在分类器训练过程中，使用网格搜索法对惩罚常数C和核参数g对进行寻优，其中网格搜索范围为C，g(2叫o，210)，由于搜索范围较大，采用先模糊搜索后精确搜索的方法来提高搜索效率，搜索过程中使用交叉验证法中的LOCV对SVM分类器进行泛化能力评价，得到的最优参数为交叉验证中准确率最高的一组(C，g)。模糊搜索网格大小设置为10，结果如图3所示。模糊搜索的最佳参数为Co75786，g一13159，最佳泛化准确率为97。在参数模糊搜索最佳值的(2，24)精确搜索，得到最佳参数为Co70711，g14142，最佳泛化准确率为988。其结果如图4所示。Table 2 Ch啪

28、cteristic pa咖ete体optimization嗍uIts表2特征参数优选结果万方数据1948 L、111)uter Engineering&science 计算机工程与科学 2016，38(9)参数选择结果图Besl c=0757869=l 31957岛一： n氇， ：7t；7。 璺鑫5 份。， r铂 7，aR，艟 玉， 。：略“霉_。、一气八】J H h 一4 一二 c】 二 4 h H IIJlf世2(I?l rL_S、I I)L、rf()m1“【()Ll r m aIJ l【(on fuzzy search parameters图3模糊搜索参数下的sVM性能等高线图由图3和图

29、4可知，不同参数对SVM分类器的泛化性能不同，在最优参数下的分类器通过网格搜索能够精确地定位参数，使得SVM分类器性能最件。Figure 4 SV Iperformance contour map basedon exact search parameters图4精确搜索参数下的sVM性能等高线图44 SVM与BP神经网络性能对比为进一步确定SVM分类器的性能，与BP神经网络法做了比较，采用由输入层、一个隐含层、输出层构成的三层BP神经网络结构，用优选出的10种特征参数作为输入层的10个输入单元，输出层的节点数为6，等于缺陷类别数，在保持训练样本不变的情况下，通过枚举法确定的最佳分类效果时隐含

30、层节点数为9。同样取样本集中的90组样本构成训练集，对BP神经网络分类器进行训练，其余90组数据构成测试集，根据训练好的神经网络分类器对测试集中的样本进行分类，分类结果与SVM分类器对比如表4所示。通过表4可知，在同样的小样本条件下，基于SVM的枪弹外观缺陷分类器性能优于BP神经网络方法。Table 4 Perf0珊舳ce comparin between the SVMand BP neuraI network cIassifiers表4 SVM与BP神经网络分类器性能对比5 结束语(1)对SVM应用于枪弹外观缺陷识别与分类做了研究，首先从几何、灰度、纹理三个方面提取了枪弹外观缺陷图像14种

31、特征作为SVM的初始特征参数，并对14种特征参数进行了优选，从中筛选出10种组成特征向量，降低了特征维数，缩短了训练时间。并据此设计了SVM分类器，实验结果表明，SvM的分类正确率能够达到95以上，精度较高。(2)通过对多项式、RBF、S唔moid核函数下的SVM分类器性能进行比较，验证了不同核函数下的SVM分类器性能不同。结果表明，对于枪弹外观缺陷分类，选择基于RBF核的SVM分类器性能最好。(3)对SVM分类器的参数选择进行了寻优，应用模糊网格搜索与精确网格搜索相结合的方法对惩罚常数与核参数进行寻优，在保证精度的前提下，提高了搜索速度。通过交叉验证对特定参数下的SVM进行评价，实验验证了不

32、同参数对SVM分类器性能影响巨大，结果表明，通过网格搜索能够确定SVM分类器的最优参数。(4)通过SVM方法与BP神经网络方法对枪弹外观缺陷分类作对比得出，在小样本、高维数、非线性的条件下，基于SVM的分类器对枪弹外观缺陷分类性能更好。参考文献：1 S hi Jinwei，Guo Chao-yong“u Hongnjngstudy on detection system of bullet surface defect based on machine visionJModular Machine TollAutomatic Manufactu“ngTechnique，2013(4)：5964

33、(in Chinese)2 zhao caiping，wang wei曲in，He cunfu，et a1Defect recogm8642o之4“岢堂万方数据王 鹏等：基于支持向量机的枪弹外观缺陷识别与分类 19493456789nition in pipes based in neural network with ultrasonic guidewavesJTransducer and Microsystem Technologies2009，28(11)：1923(in Chinese)Ding Shifei，Qi Bing_juan，Tan Hongyan An overview o

34、ntheory and algo“thm of supp。rt vector machinesJJournalof University of Electronic Science and Technology of China，2011，40(1)：2一lO(in Chinese)Xing Zhiwei，Zhang HuiAircraft icing type cIassificationforecast based on support vector machineJComputerTechnology and Development，2012，22(6)：247一Z51(in Chine

35、se)Zhang Hongxing，Jin ZhizhuCao Zhigang，et a1The illustration about the defect of cartridges outlward appearance：GJB 52272004SBeijing：General Armament DepartmentMilitary Standard Publishing Depa rtment，2004(in Chinese)Hu M KVisual pattern recognition by moment inva“antsJIRE Transactions on Informati

36、on Theory，1962，8(2)：179187Sang Qing-bing，Li Chao-feng，Wu Xia叫unNoreferenceblurred image quality assessment based on gray level co_occurrence mat“xJPattern Recognition and Artificial InteIligence，2013，26(5)：492498(in Chinese)Vapnik V N The nature of statistical learning theryMNew York：SpringerVerlag，

37、1995Theodo“dis s，Koutroumbas KPattern recognitionM3rdEditionBeijing：Publishing House of Electronics Industry，2006(in Chinese)附中文参考文献：123史进伟，郭朝勇，刘红宁基于机器视觉的枪弹外观缺陷检测系统研究J组合机床与自动化加工技术，2013(4)：5964赵彩萍，王维斌，何存富，等基于神经网络的超声导波管道缺陷识别J传感器与微系统，2009，28(11)：1923丁世飞，齐丙娟谭红艳支持向量机理论与算法研究综述4579J电子科技大学学报，2011，40(1)：210邢

38、志伟，张辉基于支持向量机的飞机地面结冰冰型分类预测J计算机技术与发展，2012，22(6)：247251张洪星，金至洙曹志刚，等枪弹外观缺陷图谱：GJB 52272004S北京：总装备部军标出版发行部，2004桑庆兵，李朝峰，吴小俊基于灰度共生矩阵的无参考模糊图像质量评价方法J模式识别与人工智能，2013，26(5)：492498Theodoridis S，Koutroumbas KPattern recognitionM第三版北京：电子工业出版社，2006作者简介：王鹛(1991一)，男，河北内丘人，硕士，研究方向为机器学习和模式识别。E-m枷：Wpcleverboy1 26comWANG

39、P蚰g，born in 1991，MS，his research interests include machine Iearning，and pattern recognition郭朝勇(1963一)，男，河北大名人，硕士，教授，研究方向为计算机辅助制造。E-mail：guocyl963163com。、 GUO ChaoIy仰g，born in 1963，MS，一， professor，his research interest includes一 ，computer aided manufacturingmachine vision刘红星(1984一)，女，河北石家庄人，硕士，研究员，研究方向为机器视觉。Email：649797948qqcomLIU H蚰矿xing，born in 1984，MS，research fellowher research interest includes万方数据