基于RPCA和视觉显著性的风机叶片表面缺陷检测

　　摘要：针对风机叶片表面缺陷检测问题，提出了一种基于鲁棒主成分分析(RPCA)和视觉显著性的表面缺陷检测方法。在RPCA的基础上，通过增加噪声项和考虑像素的空间关系，以利于缺陷的分割，即通过F范数正则项抑制高斯噪声和光照不均，利用Laplacian正则项约束像素的空间关系，以保持显著图中具有相似显著值且空间相邻超像素的局部一致性和不变性。首先，对输入的风机叶片表面图像进行超像素分割和特征提取，得到图像的特征矩阵;然后，利用改进的RPCA法得到稀疏矩阵，根据稀疏矩阵和视觉显著性方法计算出缺陷区域的显著图;最后，优化显著图并采用自适应阈值分割实现缺陷的检测。通过实验仿真和对实验结果定性定量分析，表明该方法具有较高的准确率。

　　关键词：RPCA;视觉显著性;缺陷检测;风机叶片

　　风机叶片是风力发电机组的力源和主要承载部件，也是最昂贵和最易受损的部件，暴风雨、风沙和雷击等都有可能损伤叶片。随着国内风电场运行时间的增加，风机叶片表面缺陷的快速、高效检测变得越来越重要。传统的人工巡检已难以满足要求，随着图像处理技术的发展，无人机巡检等基于机器视觉的缺陷检测得到了快速发展。基于机器视觉的缺陷检测的关键是将缺陷区域从图像中分割出来，生成缺陷的二值图像。常见的图像分割方法主要包括基于统计、滤波和模型3种[1]。当前，深度学习发展迅速，具有较好的性能且多用于分类，但实际应用于检测的较少，原因有2点：一是缺陷数据库太小，无法满足深度网络训练学习的要求而易导致过拟合;二是大规模缺陷图像收集费时且人工标记开销大。

　　近年来，鲁棒主成分分析(robustprincipalcomponentanalysis,RPCA)[2]被应用于图像重建、目标识别和缺陷检测等。在进行缺陷检测时，可将有缺陷的图像分为无缺陷背景纹理区和缺陷前景区2部分，分别用低秩矩阵和稀疏矩阵表示。文献[3]用RPCA批量检测同一场景、同一光源下的多幅图像，将一幅图像变成矩阵的一列，为了能将图像以低秩和稀疏矩阵表示，待检图像必须有多幅;文献[4-5]利用RPCA，通过低秩分解得到织物疵点显著图，并对显著图优化和阈值分割完成疵点检测。文献[6]用低秩分解得到缺陷特征矩阵，获得缺陷区域的初始显著图，再利用超像素分割和视觉显著性精确定位太阳能电池片表面缺陷区域;文献[7]将RPCA应用于纸病图像的分割，但纸病图像背景情况单一;文献[8]用RPCA对铝箔图像进行低秩分解，实现背景图像和缺陷图像的分离，达到铝箔表面缺陷检测的目的。但当表面存在较大低对比度缺陷区域时，缺陷检测的连续性不能令人满意。

　　文献[9]将低秩分解应用于LCD表面缺陷检测，但主要针对背景纹理简单的LCD图像，扩展性不强;文献[10]提出了带有噪声项的RPCA模型—(NRPCA)，用于织物缺陷的检测，该模型忽视了稀疏像素间的连接性，无法检测连续的缺陷区域;文献[11]用F范数代替RPCA模型中的核范数和2范数，而F范数并不与核范数和2范数相同，因此有些情况，检测效果并不好，检测的缺陷区域边界很模糊。以上采用RPCA进行缺陷检测时，均未考虑图像的光照问题，而通过无人机巡检采集的风机叶片图像，由于图像的拍摄角度不同，光照不均不可避免。同时，为了更好地检测出连续的缺陷区域，本文提出了一种考虑像素空间关系和带有噪声项的RPCA风机叶片表面缺陷检测方法，以抑制高斯噪声和光照不均的影响。

　　1本文方法

　　1.1超像素分割超像素分割将具有相似特征的像素聚集在一起，形成一个超像素。以超像素作为图像处理的基本单位可以大大降低维度和剔除一些异常像素点。而风机叶片的表面缺陷部分和无缺陷部分，具有不同的特征(颜色和纹理等)，通过超像素分割可将缺陷部分有效的聚集起来。本文采用SLIC算法[12]实现超像素分割。

　　1.2特征提取本文提取图像的颜色特征、Gabor特征和方向可控金字塔特征。(1)颜色特征。采用图像的RGB3颜色通道以及HSV颜色空间的H和V2通道共5个特征表示叶片图像的颜色特征。每个超像素所包含像素的平均颜色特征，即为超像素的颜色特征，则图像的颜色特征矩阵ColorR5×K，其中K为超像素的个数，以下同。(2)Gabor特征。Gabor滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别。用Gabor特征能够描述图像纹理信息，而且其具有良好的空间局部性和方向选择性，对光照等具有一定的鲁棒性。本文对图像采用3尺度8方向进行Gabor滤波，其Gabor特征矩阵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带的图像表示，且不会混叠。本文对缺陷图像采用2尺度6方向滤波，其方向可控金字塔特征矩阵SpyrR12×K。将上述图像的3种特征组合在一起，便构成图像的特征矩阵DR41×K。

　　2实验结果与分析

　　为验证算法的有效性，实验构建了一个包含30张风机叶片表面缺陷的数据集，并对每张图的表面缺陷进行了人工标注，得到每张图的GroundTruth(GT)。本文仿真环境为：操作系统Windows10和仿真软件MATLABR2017b。实验需要设置的主要参数有、和γ，根据PR曲线、F-measure曲线和ROC曲线结果(各曲线说明见本节定量比较部分)发现，当0.001，0.01和0.05时，效果较好。对本文算法和RPCA[2]，NRPCA[11]，PNRPCA[11]，SR[15]，FF[16]，FT[17]，CA[18]算法进行定性和定量比较。

　　3结束语

　　本文结合视觉显著性检测和RPCA，提出了一种风机叶片表面缺陷的检测方法，通过在RPCA模型中增加F范数和Laplacian正则项，抑制光照不均和利用像素间的空间关系，实现风机叶片表面缺陷的检测。实验结果表明，本文算法对于风机叶片表面缺陷图像的检测具有较高的准确性。然而，由于本文算法在检测过程中，以超像素为基本的检测单元，而超像素分割对于微小缺陷的分割并不够理想，因此本算法在检测表面微小缺陷时，效果欠佳，这也是需要进一步研究的。

　　参考文献

　　[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,李洁,王宪保.基于RPCA的太阳能电池片表面缺陷检测[J].计算机学报,2013,36(9):1943-1952.

　　计算机方向论文投稿刊物：《计算机学报》是中国计算机领域权威性学术刊物，始创于1978年，刊期为月刊。其宗旨是报道中国计算机科学技术领域最高水平的科研成果。它由中国计算机学会与中国科学院计算技术研究所主办、科学出版社出版，以中文编辑形式与读者见面，同时以英文摘要形式向国际各大检索系统提供基本内容介绍。

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/22029.html