師彬彬，陳哲涵

北京科技大學(xué) 機(jī)械工程學(xué)院，北京 100083

金屬熔融沉積成型工藝采用激光束或電子束逐層掃描金屬粉末床，使之熔化沉積形成零件，是在航空航天、裝備制造、生物醫(yī)療等行業(yè)廣泛應(yīng)用的金屬增材制造工藝之一。在熔融沉積過程中，粉末床的缺陷將造成掃描過程熔池不穩(wěn)定，從而導(dǎo)致零件出現(xiàn)彎曲變形[1]、開裂[2]、球化[3]等宏觀缺陷，以及孔隙[4-7]、夾渣[8]、不完全融合[7,9]等內(nèi)部冶金缺陷，最終影響零件質(zhì)量。

基于粉末床圖像進(jìn)行實(shí)時(shí)缺陷檢測是增材制造質(zhì)量控制的重要手段之一。Craeghs 等[10]從粉末床灰度圖像上提取垂直于鋪粉方向的灰度分布，通過與合理灰度范圍對比來檢測出由于刀片磨損或局部損壞導(dǎo)致的粉末床不均勻缺陷。Kleszczynski等[11-12]依據(jù)熔覆層局部偏高區(qū)域存在鏡面反射產(chǎn)生亮區(qū)的特點(diǎn)，對灰度圖像進(jìn)行閾值處理，實(shí)現(xiàn)了對局部偏高區(qū)域形狀和面積的有效提取。Neef等[13]利用低相干干涉成像技術(shù)來檢測選區(qū)激光熔化工藝中粉末床的平整性。上述基于傳統(tǒng)圖像處理的缺陷檢測方法不僅對傳感器和光源的位置要求較高，而且所能檢測的缺陷種類有限，對粉末床缺陷的適應(yīng)性和擴(kuò)展性較差。

部分學(xué)者引入深度學(xué)習(xí)方法，構(gòu)建能夠自主學(xué)習(xí)的缺陷檢測模型。Scime和Beuth[14-15]采用人為設(shè)計(jì)的一組濾波器提取缺陷特征，實(shí)現(xiàn)了對6種粉末床缺陷的自動(dòng)檢測和分類。隨后，又提出通過遷移學(xué)習(xí)對現(xiàn)有的AlexNet卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)進(jìn)行再訓(xùn)練實(shí)現(xiàn)更多種類的粉末床缺陷識別。

深度學(xué)習(xí)算法通常利用數(shù)據(jù)特征來描述對象的相似性和差異性，不同的圖像特征將顯著影響算法的精度、計(jì)算復(fù)雜度和魯棒性。現(xiàn)有的基于深度學(xué)習(xí)的粉末床缺陷檢測方法通常未考慮粉末床圖像不同特征的差異和作用，在算法效果上仍存在改進(jìn)的空間。

在本文中，依據(jù)粉末床缺陷的成因，將其劃分為條紋形缺陷、熔覆層局部偏高缺陷和供粉不足缺陷，從尺度空間特征、紋理特征和幾何特征3個(gè)方面進(jìn)行分析，構(gòu)建了一套基于特征融合的粉末床缺陷檢測方法。首先，依據(jù)不同類型缺陷呈現(xiàn)的特點(diǎn)，分別使用SIFT算法、灰度共生矩陣和Hu不變矩提取尺度空間特征、紋理特征和幾何特征；然后，借助詞袋模型對每張缺陷圖像構(gòu)建3組視覺單詞直方圖，并通過優(yōu)化3組視覺單詞直方圖的融合參數(shù)，獲取更豐富的特征信息；最后，采用過濾法進(jìn)行特征選擇后，訓(xùn)練隨機(jī)森林分類器實(shí)現(xiàn)粉末床缺陷的檢測。實(shí)驗(yàn)結(jié)果表明，在檢測過程中，選取不同類型的特征對缺陷檢測的效果影響存在差異，通過特征融合和參數(shù)優(yōu)化，本文算法達(dá)到了較好的效率與精度。

1 粉末床缺陷特征分析

1.1 粉末床缺陷分類

粉末床缺陷通常是由鋪粉過程中鋪粉刮板損壞、加工參數(shù)選擇不當(dāng)、粉末供給不足等原因造成的，主要包括3類缺陷，如圖1所示。

1) 條紋形缺陷

在鋪粉過程中，鋪粉刮板與經(jīng)激光融化后出現(xiàn)的局部偏高區(qū)域發(fā)生撞擊，或當(dāng)鋪粉刮板出現(xiàn)磨損，或有塑性強(qiáng)的金屬粘在鋪粉刮板上時(shí)，都會(huì)導(dǎo)致粉末層表面呈現(xiàn)條紋形。從粉末床圖像上看出，這類缺陷多表現(xiàn)為缺陷區(qū)域的灰度值比鋪粉良好區(qū)域的灰度值低，且缺陷的面積一般較小。

2) 熔覆層局部偏高缺陷

由于加工過程中工藝參數(shù)選取不合理，使得成形后的零件表面不平整，出現(xiàn)局部偏高現(xiàn)象，導(dǎo)致下一層鋪粉過程中粉末無法覆蓋偏高區(qū)域。此類型缺陷若不及時(shí)處理，可能會(huì)進(jìn)一步導(dǎo)致鋪粉刮板與偏高區(qū)域發(fā)生碰撞，不僅容易產(chǎn)生條紋形缺陷，嚴(yán)重時(shí)可能會(huì)損壞設(shè)備。從粉末床圖像上看，這類缺陷多表現(xiàn)為局部偏高區(qū)域的灰度值比鋪粉良好區(qū)域的灰度值高，且缺陷的面積都非常小。

3) 供粉不足缺陷

當(dāng)供粉裝置供粉不足時(shí)，會(huì)導(dǎo)致成形表面未完全鋪上粉末或者未鋪粉，該缺陷多發(fā)生在粉末收集器附近。從粉末床圖像上看，此類缺陷在缺陷區(qū)域表現(xiàn)出局部灰度偏高與局部灰度偏低同時(shí)存在的現(xiàn)象，缺陷區(qū)域的面積一般都很大。

圖1 3類典型粉末床缺陷Fig.1 Three types of typical powder bed defects

1.2 缺陷圖像特征提取

依據(jù)上述3類缺陷的不同特點(diǎn)，分別使用SIFT算法、灰度共生矩陣和Hu不變矩3種方法提取粉末床圖像的尺度空間特征、紋理特征和幾何特征。

1.2.1 SIFT算法

尺度不變特征轉(zhuǎn)換(Scale-invariant feature transform, SIFT)算法，具有旋轉(zhuǎn)、平移和縮放不變性[16]，且對光線、噪聲、輕微視角改變的容忍度相當(dāng)高，常用于物體識別、影像追蹤和動(dòng)作比較等領(lǐng)域。采用SIFT算法進(jìn)行粉末床圖像特征提取主要分為4個(gè)步驟[16]：

步驟1：構(gòu)建尺度空間，檢測極值點(diǎn)

SIFT算法采取高斯核函數(shù)進(jìn)行濾波構(gòu)建尺度空間，使原始圖像保存盡可能多的細(xì)節(jié)特征，經(jīng)過高斯濾波后細(xì)節(jié)特征逐漸減少來模擬大尺度情況下的特征表示。使用高斯金字塔每組中相鄰上下兩層圖像相減，得到高斯差分(Difference of Gaussian, DoG)圖像：

L(x,y,σ)=G(x,y,σ)*I(x,y)

(1)

G(xi,yi,σ)=

(2)

D(x,y,σ)=

[G(x,y,kσ)-G(x,y,σ)]*I(x,y)=

L(x,y,kσ)-L(x,y,σ)

(3)

式中：I(x,y)表示原始圖像，(x,y)表示圖像中的像素位置；G(xi,yi,σ)為尺度可變高斯函數(shù)，σ為尺度空間因子；k為兩個(gè)相鄰尺度空間的倍數(shù)；*為卷積運(yùn)算符號。

圖像的高斯金字塔共有N組(octave)，每組有L層，圖2(a)展示了高斯金字塔的第一組，該組中相鄰上下兩層圖像相減，得到高斯差分(DoG)圖像，如圖2(b)所示。

圖2 DoG空間檢測極值點(diǎn)Fig.2 Extreme point detection based on DoG space

為了尋找DoG函數(shù)的極值點(diǎn)，每一個(gè)像素點(diǎn)要和它所有的相鄰點(diǎn)比較，看其是否比它的圖像域和尺度域的相鄰點(diǎn)大或者小。如圖2(c)中間的檢測點(diǎn)和它同尺度的8個(gè)相鄰點(diǎn)和上下相鄰尺度對應(yīng)的9×2個(gè)點(diǎn)共26個(gè)點(diǎn)比較，以確保在尺度空間和二維圖像空間都檢測到極值點(diǎn)。

步驟2：關(guān)鍵點(diǎn)定位

步驟1中檢測到的極值點(diǎn)是離散空間的極值點(diǎn)，不一定是真正意義上的極值點(diǎn)，為了增強(qiáng)算法穩(wěn)定性、提高抗噪聲能力，需要使用泰勒級數(shù)對尺度空間的 DoG函數(shù)進(jìn)行曲線擬合，從而進(jìn)一步確定關(guān)鍵點(diǎn)的位置和尺度，同時(shí)去除低對比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)。

步驟3：關(guān)鍵點(diǎn)方向分配

為了使描述子對圖像旋轉(zhuǎn)具有不變性，需要利用圖像的局部特征給每一個(gè)關(guān)鍵點(diǎn)分配一個(gè)基準(zhǔn)方向。對于在DOG金字塔中檢測出的關(guān)鍵點(diǎn)，計(jì)算并使用直方圖統(tǒng)計(jì)其所在高斯金字塔圖像3σ鄰域內(nèi)像素的梯度和方向分布特征。直方圖的峰值方向代表了關(guān)鍵點(diǎn)的主方向，方向直方圖的峰值則代表了該特征點(diǎn)處鄰域梯度的方向，以梯度直方圖中的峰值方向作為該關(guān)鍵點(diǎn)的主方向，特征點(diǎn)A的主方向如圖3所示。

圖3 關(guān)鍵點(diǎn)主方向Fig.3 Key point main direction

梯度的模值m(x,y)和方向θ(x,y)分別為

(4)

(5)

步驟4：關(guān)鍵點(diǎn)描述

對于每一個(gè)關(guān)鍵點(diǎn)，都擁有位置、尺度以及方向這3個(gè)信息。將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的方向，以確保旋轉(zhuǎn)不變性。在關(guān)鍵點(diǎn)尺度空間內(nèi)4×4的窗口中計(jì)算的8個(gè)方向的梯度方向直方圖，繪制每個(gè)梯度方向的累加值，從而每個(gè)關(guān)鍵點(diǎn)形成一個(gè)4×4×8=128維的描述子，即特征向量。特征向量形成后，為了去除光照變化的影響，需要對它們進(jìn)行歸一化處理。從而得到一個(gè)不受光照、視角等變化影響，具有較高獨(dú)特性的特征描述子。

1.2.2 灰度共生矩陣

灰度共生矩陣方法(Gray Level Co-occurrence Matrix，GLCM) 作為一種常用的紋理統(tǒng)計(jì)分析方法，通過計(jì)算圖像灰度空間的相關(guān)特性來描述灰度圖像特征，能夠反映出圖像灰度關(guān)于相鄰間隔、方向以及變化幅度上的空間信息，在一定程度上彌補(bǔ)提取SIFT特征的詞袋模型缺乏空間信息的不足。

如圖4所示，為了獲得粉末床缺陷的紋理特征，從灰度為a的某像素點(diǎn)A出發(fā)，計(jì)算與它相距d、方向?yàn)棣?、灰度為b的像素B同時(shí)出現(xiàn)的概率Pθ,d(a,b)。如圖4(c)所示，假設(shè)像素A、B的灰度分別為95和92，則它們在0°方向上、間距為1時(shí)出現(xiàn)次數(shù)的數(shù)值就是P0°,1(95,92)=2。

圖4 GLCM算法Fig.4 GLCM algorithm

對于每張粉末床圖像，均分別計(jì)算θ取值為0°、45°、90°、135°的4個(gè)方向上，步距為1的灰度共生矩陣的角二階矩、能量、對比度、相異性、同質(zhì)性和相關(guān)性6個(gè)特征值[17]，構(gòu)成一個(gè)24維特征向量。6個(gè)特征值的定義如下：

角二階矩(ASM)是對圖像紋理的灰度變化穩(wěn)定程度的度量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度，能量值越大表明當(dāng)前圖像紋理呈現(xiàn)出規(guī)則的變化：

(6)

能量(Energy)是角二階矩的算術(shù)平方根，同角二階矩一樣，反映了圖像灰度分布的均勻程度，能量數(shù)值越大表明當(dāng)前圖像紋理分布越均勻。

(7)

對比度(Contrast)是對圖像紋理清晰度和溝壑深淺的度量，對比度的數(shù)值越大，表明當(dāng)前圖像越清晰，紋理溝壑越深。

(8)

相異性(Dissmilarity)是對圖像紋理差異程度的度量，與對比度類似，局部對比度的數(shù)值越大，相異性的數(shù)值也越大。

(9)

同質(zhì)性(Homogeneity)是對圖像紋理局部均勻程度的度量，同質(zhì)性的數(shù)值越大，表明當(dāng)前圖像的局部紋理較均勻，不同區(qū)域間的紋理變化較小。

(10)

相關(guān)性(Correlation)是對圖像灰度線性關(guān)系的度量，反映了圖像灰度值沿水平或垂直方向的相似程度，相關(guān)性的數(shù)值越大，表明當(dāng)前圖像的灰度分布越均勻。

(11)

式中：μa、μb分別表示Pa、Pb的均值，σa、σb分別表示Pa、Pb的標(biāo)準(zhǔn)差。

1.2.3 Hu不變矩

幾何矩常用于描述圖像區(qū)域的幾何特征，具有旋轉(zhuǎn)、平移、比例變化等不變性。對于離散數(shù)字圖像，圖像(x,y)處的灰度值表示為f(x,y)，其p+q階標(biāo)準(zhǔn)矩[18]定義為

(12)

當(dāng)圖像平移時(shí)，為了保證mpq具有平移不變，對其進(jìn)行位置歸一化，將p+q階中心距upq定義為

(13)

為了保證mpq經(jīng)過平移與縮放后仍保持不變，對中心矩展開大小進(jìn)行歸一化，得到歸一化中心矩為

(14)

式中：r=(p+q)/2+1，p+q=2,3,4,…。

利用二階、三階的歸一化中心距可以得到7個(gè)不變矩組，構(gòu)成7維特征向量對圖像的幾何特征進(jìn)行描述：

φ1=η20+η02

(15)

(16)

φ3=(η30-3η12)2+(3η21-η03)2

(17)

φ4=(η30+η12)2+(η21+η03)2

(18)

φ5=(η30-3η12)(η30+η12)[(η30+η12)2-

3(η21+η03)2]+(3η21-η03)(η21+η03)

[3(η30+η12)2-(η21+η03)2]

(19)

φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+

4η11(η30+η12)(η21+η03)

(20)

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-

3(η21+η03)2]+(3η12-η30)(η21+η03)·

[3(η30+η12)2-(η21+η03)2]

(21)

2 基于特征融合的缺陷檢測算法

特征融合技術(shù)既融合了多種特征最具有代表性的信息，又能去除一些不必要或相似的信息，能夠綜合優(yōu)化算法的運(yùn)算速度和精度[19]。對每張粉末床缺陷圖像分別使用SIFT算法、GLCM和Hu不變矩提取尺度空間特征、紋理特征和幾何特征，借助詞袋模型對每張圖像構(gòu)建3組視覺單詞直方圖，將3組視覺單詞直方圖進(jìn)行串行融合，通過特征選擇對融合后特征矩陣進(jìn)行降維，并采用隨機(jī)森林分類算法進(jìn)行缺陷檢測，算法流程如圖5所示。

圖5 基于特征融合的缺陷檢測算法流程Fig.5 Principle of defect detection algorithm based on feature fusion

2.1 特征融合策略

(22)

(23)

(24)

采用串行融合的方式將HSIFT、HGLCM和HHu進(jìn)行融合，融合后的特征矩陣記作H，對融合后的特征矩陣H采用過濾式方法進(jìn)行特征選擇得到最終的特征矩陣H′。特征選擇不僅可以有效地減少特征維數(shù)，提高分類準(zhǔn)確率，而且對數(shù)據(jù)的潛在意義能獲得更好的分析與解釋[20]。過濾式的方法是基于特征排序的思想，它僅僅從數(shù)據(jù)本身來衡量特征的重要性，不和任何的學(xué)習(xí)算法相關(guān)[20]。對于大規(guī)模的高維數(shù)據(jù)集，采用過濾式算法進(jìn)行特征選擇的優(yōu)點(diǎn)在于，計(jì)算簡單且快速，在整個(gè)過程中不需要建模評價(jià)特征子集，獨(dú)立于分類算法。

對融合后的特征集先進(jìn)行方差過濾，剔除掉對區(qū)分樣本沒有作用的部分特征。當(dāng)1個(gè)特征本身的方差很小時(shí)，就表明樣本在這個(gè)特征上基本沒有差異，該特征對區(qū)分樣本沒有貢獻(xiàn)或貢獻(xiàn)很小。然后，對經(jīng)過方差過濾的特征集進(jìn)行卡方過濾，剔除相關(guān)性大的冗余特征向量。

最后，將特征矩陣H′用于訓(xùn)練隨機(jī)森林分類器。隨機(jī)森林分類器是集成學(xué)習(xí)思想下的產(chǎn)物，具有實(shí)現(xiàn)簡單、精度高、抗過擬合、抗噪能力強(qiáng)等特點(diǎn)。其基本思想是從原始訓(xùn)練樣本集N中有放回地重復(fù)隨機(jī)抽取m個(gè)樣本生成新的訓(xùn)練樣本集合，且每個(gè)樣本的樣本容量都等于原始訓(xùn)練集的樣本容量，然后，根據(jù)m個(gè)樣本集生成m棵決策樹組成隨機(jī)森林，每棵決策樹得到1個(gè)分類結(jié)果，最后，根據(jù)m個(gè)分類結(jié)果對每個(gè)記錄進(jìn)行投票表決決定最終分類。與單分類器相比，隨機(jī)森林分類器極大地提升了分類的準(zhǔn)確率。

2.2 參數(shù)優(yōu)化

檢測算法性能通常受視覺詞典大小和隨機(jī)森林分類器參數(shù)的影響，因此，以算法的平均準(zhǔn)確率作為評價(jià)指標(biāo)對算法進(jìn)行參數(shù)優(yōu)化。其中，準(zhǔn)確率是指單獨(dú)一類缺陷中正確檢測的圖像總數(shù)與該類缺陷圖像總數(shù)之比，平均準(zhǔn)確率是指全部3類缺陷中正確檢測的圖像總數(shù)與全部3類缺陷圖像樣本總數(shù)之比。

2.2.1 視覺詞典大小對檢測算法性能的影響

K-means聚類算法種參數(shù)k的取值變化會(huì)影響粉末床缺陷檢測算法的準(zhǔn)確率，k1、k2、k3的取值分別代表了提取SIFT算子、GLCM和Hu不變矩的詞袋模型聚類中心的數(shù)量。設(shè)置參數(shù)k1、k2、k3的初始值均為100，后續(xù)取值間隔設(shè)為100，終止值設(shè)為500。k1、k2、k3取值的不同組合對應(yīng)的算法平均分類準(zhǔn)確率如圖6所示，采取k1=500、k2=300、k3=300的參數(shù)組合，基于特征融合的缺陷檢測算法的分類效果最佳。

圖6 視覺詞典大小對檢測算法性能的影響Fig.6 Effect of dictionary size on algorithm performance

2.2.2 隨機(jī)森林分類器參數(shù)對檢測算法性能的影響

對于單棵決策樹來說，樹越茂盛，深度越深，葉子節(jié)點(diǎn)越多，樹的模型越復(fù)雜，而默認(rèn)的決策樹參數(shù)是可以讓樹無限生長下去直到滿足停止條件，因此決策樹很容易產(chǎn)生過擬合。隨機(jī)森林模型是以決策樹為基礎(chǔ)，因此隨機(jī)森林模型也很容易產(chǎn)生過擬合。當(dāng)模型太復(fù)雜就發(fā)生過擬合，模型太簡單就會(huì)發(fā)生欠擬合，為了讓模型保持在最佳復(fù)雜程度上，對隨機(jī)森林算法進(jìn)行參數(shù)調(diào)整。針對n_estimators、max_depth、min_samples_leaf這3個(gè)主要參數(shù)進(jìn)行調(diào)整。

n_estimators的數(shù)值表示最大的弱學(xué)習(xí)器的個(gè)數(shù)。n_estimators的取值太小，模型容易欠擬合，n_estimators的取值太大，會(huì)導(dǎo)致計(jì)算量過大。通過學(xué)習(xí)曲線對n_estimators進(jìn)行參數(shù)調(diào)整，如圖7所示，n_estimators取180時(shí)，隨機(jī)森林分類算法的平均準(zhǔn)確率最高，達(dá)到96.67%。

圖7 n_estimators取值對檢測算法性能的影響Fig.7 Influence of value of n_estimators on performance of detection algorithm

max_depth的取值決定了決策樹的最大深度，模型的復(fù)雜程度與該參數(shù)取值大小成正比。通過網(wǎng)格搜索對該參數(shù)進(jìn)行暴力窮舉搜索，并評估不同取值對模型性能的影響。max_depth設(shè)置為21時(shí)，隨機(jī)森林分類算法的平均準(zhǔn)確率可提升至97.46%。

min_samples_leaf表示葉子節(jié)點(diǎn)最少樣本數(shù)，這個(gè)值限制了葉子節(jié)點(diǎn)最少的樣本數(shù)，如果某葉子節(jié)點(diǎn)數(shù)目小于樣本數(shù)，則會(huì)和兄弟節(jié)點(diǎn)一起被剪枝。該參數(shù)取值越大，葉子節(jié)點(diǎn)越容易被剪枝，模型越簡單，越不容易過擬合。通過網(wǎng)格搜索，min_samples_leaf參數(shù)設(shè)為1時(shí)，隨機(jī)森林分類算法的平均準(zhǔn)確率最高為97.46%。

3 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證算法的有效性并分析不同特征對算法效果的影響，采用平均粒徑26.36 μm的氣霧化316L不銹鋼球形粉末，在自制的鋪粉試驗(yàn)臺上進(jìn)行鋪粉實(shí)驗(yàn)。如圖8所示，在構(gòu)建平臺上方、前方以及側(cè)面3個(gè)方向采用LED提供光照，采用三腳架固定工業(yè)相機(jī)，設(shè)置分辨率為4 096×3 000，對粉末床進(jìn)行圖像采集。

首先分別針對3類缺陷各采集100張缺陷圖像，然后采用圖像增強(qiáng)、隨機(jī)旋轉(zhuǎn)和隨機(jī)顏色變換方式對300張?jiān)紙D像進(jìn)行處理，得到900張粉末床缺陷圖像構(gòu)成的數(shù)據(jù)集，典型缺陷如圖9所示，每類缺陷均包含300張圖像，從中隨機(jī)抽取30%作為測試集。

3.1 粉末床缺陷特征提取

3.1.1 尺度空間特征

對每張粉末床缺陷圖像均提取了SIFT特征，3類缺陷的SIFT特征可視化如圖10所示。

圖中的粉色點(diǎn)表示SIFT算法檢測出來的尺度空間特征點(diǎn)，圖10(a)和圖10(c)中密集的特征點(diǎn)聚集在缺陷區(qū)域周邊，稀疏的特征點(diǎn)分散在缺陷以外區(qū)域，圖10(b)稀疏的特征點(diǎn)無規(guī)律的分布在整幅缺陷圖像區(qū)域內(nèi)。造成這種現(xiàn)象的主要原因在于條紋形缺陷和供粉不足2類缺陷的缺陷區(qū)域相對集中，大量特征點(diǎn)在缺陷區(qū)域被提取到，呈現(xiàn)出相似的規(guī)律，熔覆層局部偏高缺陷的缺陷區(qū)域常出現(xiàn)在構(gòu)建的邊緣，在圖像中體現(xiàn)為極窄的構(gòu)建邊緣形狀，因此在整幅缺陷圖像中難以提取到熔覆層局部偏高區(qū)域的尺度空間特征。

3.1.2 紋理特征

對每張粉末床圖像，均計(jì)算了其在0°、45°、90°、135°4個(gè)方向上的角二階矩、能量、對比度、相異性、同質(zhì)性和相關(guān)性6個(gè)常用統(tǒng)計(jì)量的值，從而得到1個(gè)24維的特征向量。在3類缺陷圖像中分別選取1張樣本圖像計(jì)算GLCM，表1列出了樣本圖像在4個(gè)方向上的GLCM特征值。

表1 3類粉末床缺陷圖像4個(gè)方向上的GLCM值Table 1 GLCM values in four directions of three types of powder bed defect images

3.1.3 幾何特征

對每張粉末床缺陷圖像均計(jì)算了7個(gè)不變矩，得到一個(gè)7維的特征向量用來描述缺陷的幾何特征。在3類缺陷圖像中分別選取一張樣本圖像，表2列出了樣本圖像的7個(gè)不變矩。

表2 3類粉末床缺陷圖像的Hu不變矩Table 2 Hu invariant moments of three types of powder bed defect images

3.2 算法精度與效率分析

為驗(yàn)證本文算法的有效性，與其他文獻(xiàn)中的粉末床缺陷檢測算法進(jìn)行了對比，如圖11所示。

圖11 不同算法對粉末床缺陷的檢測效果Fig.11 Detection results of different algorithms

文獻(xiàn)[14]使用一組濾波器對粉末床缺陷圖像進(jìn)行特征提取，使用詞袋模型對粉末床缺陷進(jìn)行檢測，檢測平均準(zhǔn)確率為85.61%，文獻(xiàn)[15]將圖像分割成不同尺度的圖像塊，將圖像塊集合作為訓(xùn)練集輸入到CNN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練并對粉末床缺陷進(jìn)行檢測，檢測平均準(zhǔn)確率為84.16%，文獻(xiàn)[21]通過提取缺陷面積、寬度、缺陷處像素灰度均值與原圖像素灰度均值之比、缺陷處像素灰度標(biāo)準(zhǔn)差4個(gè)特征，構(gòu)造決策樹對粉末床缺陷進(jìn)行檢測，檢測平均準(zhǔn)確率為96.00%，融合尺度空間特征、紋理特征和幾何特征對粉末床缺陷進(jìn)行檢測，檢測平均準(zhǔn)確率達(dá)到 97.46%，檢測結(jié)果更為可靠。

3.3 不同特征對缺陷檢測的影響分析

為了說明不同特征對粉末床不同類型缺陷檢測具有不同的貢獻(xiàn)，設(shè)計(jì)了5組對比實(shí)驗(yàn)，分別采用不同的特征融合策略，構(gòu)建詞袋模型，采用隨機(jī)森林算法對缺陷進(jìn)行檢測：

第1組：BoW(SIFT)+RFC，僅提取尺度空間特征。

第2組：BoW(GLCM)+RFC，僅提取紋理特征。

第3組：BoW(Hu不變矩)+RFC，僅提取幾何特征。

第4組：BoW(SIFT+GLCM)+RFC，融合尺度空間特征和紋理特征。

第5組：BoW(SIFT+GLCM+Hu不變矩)+RFC，融合尺度空間特征、紋理特征和幾何特征。

實(shí)驗(yàn)對比結(jié)果如表3所示。從表3中可以看出，針對條紋形缺陷，除了單獨(dú)提取幾何特征的檢測算法外，其余算法對該缺陷的檢測效果均達(dá)到100%；針對熔覆層局部偏高缺陷，檢測效果最好的是僅使用GLCM提取紋理特征的檢測算法，其次是提取的融合了尺度空間特征、紋理特征和幾何特征的融合算法，檢測效果最差的是僅提取幾何特征的檢測算法，檢測準(zhǔn)確率僅51.43%；針對供粉不足缺陷，融合了尺度空間特征、紋理特征和幾何特征的檢測算法與僅融合尺度空間特征和紋理特征的檢測算法相比，因?yàn)樘砑恿藥缀翁卣鲗υ擃惾毕莸臋z測效果提升了6.59%，達(dá)到95.35% 的高檢測率。由此可知，提取尺度空間特征和紋理特征有助于更有效的檢測條紋形缺陷和熔覆層局部偏高缺陷，提取幾何特征有助于提高對供粉不足缺陷的檢測效果。

表3 不同特征對檢測算法性能的影響

對比5組實(shí)驗(yàn)對粉末床缺陷檢測的平均準(zhǔn)確率，提取的融合尺度空間特征、紋理特征和幾何特征的檢測算法的檢測效果最佳，平均檢測準(zhǔn)確率達(dá)到97.46%，其次是僅融合尺度空間特征和紋理特征的檢測算法，檢測平均準(zhǔn)確率為94.87%。采用了特征融合策略的檢測算法的平均準(zhǔn)確率明顯高于僅提取單獨(dú)特征的檢測算法，再次證明了特征融合策略確實(shí)可以有效提升檢測算法的性能。

4 結(jié) 論

1) 實(shí)驗(yàn)表明，不同的特征對粉末床缺陷檢測效果的影響不同：提取紋理特征可以幫助檢測條紋形缺陷和熔覆層局部偏高缺陷，提取幾何特征則可以明顯提升對供粉不足缺陷的檢測準(zhǔn)確率。

2) 通過特征融合和參數(shù)優(yōu)化，能夠獲得更豐富的特征信息，能夠明顯提高檢測算法的識別率。本文算法的準(zhǔn)確率達(dá)到97.46%。

3) 下一步研究重點(diǎn)是改進(jìn)特征提取方式及融合其他特征提取方式，提升粉末床缺陷檢測的精度及效率，并實(shí)現(xiàn)對粉末床缺陷的精準(zhǔn)定位。