基于BP神经网络的钢球表面缺陷识别

熵是 图像所具 有 的信息 量 的度 量 ， 征 了图像 中纹理 表 的 复杂程度 。图像越不均 匀 ， 熵值越小 ， 熵值越大 。 则 反之
Ｌ —Ｉ ￡ 一１
（） ３ 熵
Ａ＝ ∑Ｐ ，ｌ （ ） ３∑ （ ）Ｐ ， ｇ ｊ
＝０ Ｊ＝０
（） ３
错识 率 。本文 运用 神经 网络 处理 非线 性 问题 的优势 ， 通 过提 取 钢球 表 面缺 陷 图像 的特 征参 数 ．得 到其 灰度 共 轭
矩阵 ， 以该 矩 阵作 为分类 识 别 的输 入 特征 向量 ， 应用 基 于
１ 引 言
用 神 经 网 络 进 行 钢 球 表 面 图 像 缺 陷 的识 别 提供 准 确 输
入特征量。
轴 承滚 动 体表 面缺 陷 对轴 承 的精 度 、运转 性 能 和使
用寿命等都有极为重要的影响作用” ｊ 一 。钢球表面缺陷的
图像纹理特征 能够 有效的实现 图像 区域特征地辨识 。 灰度 共轭 矩 阵 作 为 区域 纹 理 特 征 的 一 种 有 效 的描 述 方
间 的差 异也 不是 很 明显 。 因此 ， 采用 线性 模式 识别 方法 对 缺 陷图 像进 行识 别 ， 有 很大 的 局限 性 ， 而 出现 较大 的 会 从
对 比度 反 映纹理 的清 晰程度 。纹理 的沟纹 越深 ， 对 则 比度 值越 大 ， 进而 图像也 就越 清晰 。
三 一 Ｚ —Ｊ
圃固四匣团哩
彷寡 ／ 穰 ／ ＡＤ ＣＡ Ｃ ／ ＡＰ 毽 Ｃ ／ Ｍ／ ＡＥ Ｃ Ｐ
基于Ｂ 神经网 钢球表面缺陷 Ｐ 络的 识别
陈涛 ’ 刘 献 礼 一 吉 举 正 周 洪 玉 ， 。 。
（． 尔滨 理 工 大 学 ， 尔滨 １０ ８ ；． 尔 滨 电机 厂 ， 尔 滨 １０ ４ １哈 哈 ５ ０ ０ ２哈 哈 ５ ０ ０）
综 合信息 。文 中在对 灰度共生 矩阵 首先进行 了归一 化处 比度 、 、 部 选 二 对 熵 局 乎稳 性 和相关 度 。 描 述 图 像纹理 特 征 ， 将其 作 为钢球 来 并 表面 缺 陷分类 识 别的特 征 向量 。
分 类识 别 是保 证钢 球性 能 的关 键 ，随 着各 类 机 电设备 对 轴 承质 量要 求 的不 断提 高 ，对 轴 承零 部件 的 表面 和 内部 法 ， 反映了关于图像灰度的方 向、 相邻 间隔 、 变化幅度等
缺 陷标 准要求 也变 得 日趋 严格 ｜。 ］ Ｊ 图 １是钢 球 生 产 中常 见 的 ５种 缺 陷类 型 ：点 子 、 群
点、 凹坑 、 划痕 和擦 伤 ， 应 的 图像如 图 】ａ 、（ ）Ｊｃ 、 相 （）】ｂ 、 （）
１ ｄ 和 １ｅ 所 示 。 （） （）
（） 阶 Ａ－ ∑［ ） １ 距 ∑ ｐ √］ 二 Ｉ （
０ ＝ Ｏ
（） １
二 阶距 是 对 图像 灰度 分 布均 匀性 的 度量 。 图像 的纹
理 特征越 粗 ， 二阶距 值也 越大 。 其
（） 度 Ａ＝ ∑（ｊｐｉ） ２对比 ∑ ｉ）（ｊ －２ ，
ｉ ０ Ｊ ＝ ＝Ｏ
（） ２
对 于 钢球 表 面缺 陷 的形状 特 征参 数 ，不仅 同一 类 的 缺 陷图 像可能 存 在 较大 的差 异 ，而且 不 同类 缺 陷 图像 之
（ ． ｒ ｎ Ｕｎｖ ｒｉ ｆＳ ｉｎ ｅ ａ ｄ Ｔｅ ｈ ｏｏ ｙ １Ｈａｂｉ ｉｅｓｔ ｏ ｃｅ ｃ ｎ ｃ ｎ ｌｇ ．Ｈａ ｂｎ １ ０ ８ ｙ ｒ ｉ ５ ０ ０ｍ ｉａ；２． ｒ ｉ ｅ ｔｉ ｃ ｉｅ ｙＣｏ Ｌ ｄ Ｃｈｎ Ｈａ ｂｎ ＥｌｃｒｃＭａ ｈｎ ｒ ． ｔ ，Ｈａ ｂｎ １ ０ ４ ，Ｃｈｎ ｒ ｉ ５ ０ ０ ｉａ）
Ａｂ ｔ ａ ｔ ｅ ｔ ｒ ａ ａ ｔ ｒ ｆｓｅ ｌ ａ ｌｓ ｒａ ｅ ｉ ｇ ｓ ｈ ｓｂ ｅ ｃ ｕ ｒ ｄ ｂ ｓ ｎ ｈ ｒ ｙ ｌ ｖ ｌｉ ｔｒ ｒ ｗｔ ｔｉ ｓ ｒ ｃ ：Ｆ ａ ｕ ｅ ｐ ｒ ｍｅ ｅ ｓｏ ｔ ｅ ｌ ｕ ｆ ｃ ｍａ ｅ ａ ｅ ｎ ａ ｑ ｉｅ ｙ ｕ ｉ ｇ ｔ ｅ ｇ ｅ ｅ ｅ ｎ ｅ ｇ ｏ ｈ ｍａｒｘ ｂ Ｂ ｓ ｄ ｏ Ｂ ｅ １ ｅｗｏ ｋ ． ｔ ｅ ｉｃ ｒ ｍｅ ｔ ａ ｅ ｎ Ｐ ｎ ｕ ａ ｎ ｔ ｒ ｒ ｈ ｄ ｓ ｅ ｎ ｎ ｍｅ ｈ ｄ ａ ｒ ｄ ｃ ｅ ｓｅ ｌ ｂ ｌ ｕ ｆ ｃ ｅ ｅ ｔ ｍｏ ｅ ｃ ｕ ａｅ ｙ ｔ ｏ ｈ ｓ ｐ ｅ ｉ ｔ ｄ ｔ ｅ ａ ｌ ｒａ ｅ ｄ ｆ ｅ ｓ ｓ ｒ ａ ｃ ｒ ｔ ｌ Ｅ ｐ ｒｍｅ ｔ ｅ ｕ ｔ ｈ ｗ ｔ ａ ｈ ｔ ｏ ａ ｏ ｄ ｄ ｓ ｅ ｎ ｎ ｅ ｆ ｒ ｎ ｅ ｘ ｅ ｉ ｎ ｓ ｌ ｓ ｏ ｈ ｔｔ ｅ ｍｅ ｈ ｄ ｈ ｓｇ ｏ ｉｃ ｒ ｍｅ ｔｐ ｒｏ ｍａ ｅ ． ｒ ｓ Ｋｅ ｒ ｓ ｏ ｌ ｇ ｈ ａ ｉ ｇ ： ｕ ｆ ｃ ｅ ｅ ｔ ｒ ｙ ｌ ｖ ｌ ｎ ｅ ｇ ｏ ｈ ｍａ ｒ ； ｅ ｒ ｌｎ ｔ ｏ ｋ ｙ ｗｏ ｄ ：ｒ ｉ ｎ ｅ ｒｎ ｓ ｓ ｒａ ｅ ｄ ｆ ｃ：ｇ ｅ ｅ ｅ ｔ ｒ ｒ ｗｔ ｔｉ ＢＰ ｎ ｕ ａ ｅ ｗ ｒ ｉ ｉ ｘ
Ｄｉｃ ｒ ｍ ｅ ｆＳ ｅ ｌＢａ ｌＳ ｒ ａ ｅ Ｄｅ ｅ ｔＢａ ｅ ｎ ＢＰ ｕｒ ｌ ｓｅ ｎ ｎｔｏ ｔ ｅ ｌ ｕ ｆ ｃ ｆ ｃ ｓ ｄ ｏ Ｎｅ ａ ｔ ｒ Ｎｅ ｗｏ ｋ
ＣＨＥＮ ａ ＬＩ Ｘｉｎ ｌ， Ｊ ｕ ｚ ｅ ｇ， ＺＨＯＵ ｎ － ｕ Ｔ ｏ， Ｕ ａ －ｉ ＩＪ － ｈ ｎ ２ Ｈｏ ｇ ｙ