k均值聚类图像分割matlab代码_【视觉知识】无需模板匹配的刹车片表面缺陷图像检测方法...

本文摘自于：韩志玮，高美凤. 刹车片表面缺陷的图像检测方法[J]. 应用光学, 2020, 41(3): 538 - 547.

论文背景

论文的目的是利用机器视觉技术实现智能化的刹车片质检流程，并提出一种适用不同类型刹车片检测的新方法。

刹车片是汽车制动系统重要的安全部件，它的质量直接影响到刹车系统的性能。在压制生产的过程中，刹车片的摩擦块表面容易出现凹陷、毛刺等缺陷。

目前生产厂家都是靠人工目测筛选摩擦面出现缺陷的产品，但是人工检测方法效率低下，并不能适应于大规模的生产环境。随着机器视觉和图像处理技术的发展，基于机器视觉的自动检测方法正逐渐替代人工检测法，得到了广泛的应用。

目前现有的针对刹车片表面缺陷的自动检测方法基本上是基于模板匹配的检测方法，该方法需要提前制作标准刹车片样本的模板用于比对分析。但由于市面上刹车片种类繁多，各个型号的刹车片外观形状及表面纹理情况均不相同，为每一种刹车片都制作标准模板，费时费力。

本文提出一种基于机器视觉的结合灰度共生矩阵和密度聚类的刹车片表面缺陷检测新方法，该方法能够适用不同类型的刹车片表面缺陷检测，根据刹车片摩擦面自身的纹理特征及缺陷部位的特征自动检测缺陷。

准备知识

灰度共生矩阵：

由Haralick等人于1973 年提出，它是一种通过研究灰度的空间相关特性来描述纹理的常用方法，其描述为在θ 方向上，相隔距离d 的一对像素分别具有灰度值i 和j 出现的概率。

灰度共生矩阵的构建需要考虑4 个构造因子的取值， 包括方向( θ) 、灰度级( N) 、滑动窗口及步长( d)。灰度共生矩阵共有14 个统计特征参数，这些特征能够很好地描述纹理图像中像素之间的相邻关系。

构造因子选取：根据刹车片摩擦面图像的实际纹理情况，在不同构造因子的情况下分别计算3 种不同类型样本的4 个特征参数(角二阶矩、熵、逆差矩、对比度)的值。

(1)方向参数θ ：为灰度共生矩阵相邻像素之间的角度关系。为了减小计算的复杂度与计算时间，本文θ 直接取值为0°。

(2)灰度级：为图像压缩后最大的像素等级，它指定生成的灰度共生矩阵的大小。为了使尽可能多的特征参数能够区分不同的样本，同时又考虑运算时间成本的问题，本文最终确定灰度级的取值为16。

(3)滑动窗口尺寸：为遍历图像的窗口大小，即为要划分若干小窗口的尺寸。为了尽可能准确地表征凹陷部分纹理特征，准确的滑动窗口的尺寸应尽可能的小，最终选取的滑动窗口尺寸为16。

(4)步长的值：会影响灰度共生矩阵特征参数的计算结果，步长的取值不宜过大，步长过大会造成两像元之间的像素信息丢失增大，影响纹理特征的准确性。本文选取的步长为4。

特征参数选取：

Pearson 相关系数是度量变量之间的相关性的常用准则，能表示特征之间的相关程度。通过计算Pearson 相关系数可以筛选出适于作聚类分析的特征。采用该方法计算11 个特征中每2 个特征之间的相关系数并取绝对值，得到的相关系数矩阵如下表所示。

最终选择的结果为角二阶矩、均值和、逆差矩、对比度、方差和、相关性。

密度聚类：

聚类分析能够发现给定数据集中发现数据元素之间的潜在联系。DBSCAN 算法是基于密度的空间聚类算法中的典型代表，能够在簇数未知的情况下，完成对形状不规则的、具有噪声的数据集的聚类。

由于刹车片摩擦面缺陷主要存在两种情况，较小的凹陷部位和较大的毛刺部位，在聚类分析时，两种不同的缺陷部位产生的数据结果不一样。正常样本及两种不同缺陷样本聚类簇数与K 值的关系如下图 所示，从图中可以看出，只有毛刺样本的簇数在随着K 值的增大而出现两次稳定区间，而正常样本及凹陷样本最佳聚类簇数始终只有1 类。

缺陷检测方法的流程

缺陷检测方法的具体步骤如下：

1) 通过工业相机、镜头、光源、支架搭建图像采集平台，采集刹车片摩擦块的正面图像，图像像素为2 592×1 944。利用双边滤波进行图像预处理，用Otsu 法、形态学等操作对图像进行分割，提取各个摩擦面图像，背景及钢背部分的灰度值均被置为0，从而去除背景及钢背对检测结果造成的干扰。

2) 将提取出的各块摩擦面图像分别切分成16×16 像素尺寸的小窗口，为每一个小窗口构建灰度共生矩阵，其方向为0°，步长为3，灰度级为16，然后计算角二阶矩、均值和、逆差矩、对比度、方差、相关性这6 个特征值作为六维特征向量，所有小窗口的特征向量即构成了用于聚类分析的数据集。

3) 对数据集进行去零点处理， 同时利用PCA 算法降维，将六维数据降至二维数据，去除冗余数据的同时便于进行数据的可视化，然后利用自适应DBSCAN 算法对处理后的数据进行聚类分析。

4) 在聚类过程中，若出现2 个及以上最佳聚类簇数的稳定区间，则立即判断该样本为含有毛刺缺陷样本，否则需要做进一步的判断是否存在凹陷缺陷，通过计算少量噪声点对应图像的均值和，将其与正常聚类的数据点对应图像的均值和相比较，若噪声点中存在均值和低于正常数据的点，该点即为凹陷部位而产生的异常点，可将该异常点数据对应的滑动小窗口在摩擦面图像上框出，显示凹陷缺陷的部位。

检测结果

本实验使用的计算机硬件配置为Intel Core I5-7200U 四核2.7 GHz CPU 处理器，8 G 内存，开发环境为Window10 操作系统，开发软件为Spyder，采用Python 语言编程实现。

采集两种不同缺陷的刹车片的正面图像如图8所示，其中图8(a)为具有凹陷缺陷的刹车片样本，其最右边一块摩擦面上存在小部分的凹陷缺陷；图8(b)为具有毛刺缺陷的刹车片样本，其左右两块摩擦面的最外围均比较毛糙，即为毛刺缺陷，缺陷部位均由黑色曲线标记出来。

图像预处理后，提取各个摩擦面的图像如图9 所示， 图9( a) 、9(b)、9(c)分别为凹陷样本分割出的3 块摩擦面，图9(d)、9(e)分别为毛刺样本分割出的两块摩擦面，可见，除摩擦面正常保留下来外，背景及钢背的灰度值均被置为零。

经密度聚类后，凹陷样本及毛刺样本特征数据的聚类结果可视化如图10 所示，图中圆形点为正常聚类的数据，叉形点为未被聚类的数据，即为噪声点。

图10(a)、10(b)、10(c)分别为凹陷样本3 块摩擦面对应的数据聚类结果，可见聚类簇数只有一类，为正常部位产生的数据，凹陷部位产生的数据被检测为噪声点；图10( d) 、10( e)为毛刺样本两块摩擦面对应的数据聚类结果。

最佳聚类簇数有两类(分别为正常部位与毛刺部位产生的数据) ，统计a、b、c 面中正常数据点的最小均值和以及噪声点的均值和， 结果如表3 所示。

从表3 中可见只有摩擦面c 中出现了均值和低于正常窗口的噪声点，该噪声点即为异常点，从而判定摩擦面c 上存在缺陷部分。将该异常点对应的小窗口在摩擦面图像中框出， 如图11所示，框出的部位正好为凹陷缺陷部位。从以上分析结果可以得出：根据缺陷检测流程，凹陷及毛刺缺陷均可被检测出。

针对本文提出的方法，统计误检率和漏检率来衡量自动检测的效果，其中误检率为在正常样本被误判为缺陷样本的数量与全部正常样本数量的比值，漏检率为缺陷样本中被判断为正常样本的数量与所有缺陷样本的比值。通过试验，取58 块各个不同型号的刹车片，一共提取出120 块摩擦面，其中正常的摩擦面70 块，缺陷摩擦面50 块，根据实验统计结果，误检率为8%，漏检率为6%。

参考文献：

【1】韩志玮，高美凤. 刹车片表面缺陷的图像检测方法[J]. 应用光学, 2020, 41(3): 538 - 547.

声明：部分图片及内容来源于网络。仅供读者学习交流之目的，如有不妥，请联系删除。

我知道你在看哟