[论文解读] A Robust Completed Local Binary Pattern (RCLBP) for Surface Defect Detection

Nana Kankam Gyimah, Abenezer Girma+4 more|arXiv (Cornell University)|Dec 7, 2021

Industrial Vision Systems and Defect Detection被引用 8

一句话总结

本文提出了一种鲁棒完整局部二值模式（RCLBP）框架，通过结合非局部均值滤波与小波阈值化实现降噪，随后进行完整局部二值模式（CLBP）特征提取，以增强表面缺陷检测能力。该方法在光照变化、类内差异及类间相似性条件下均表现出强鲁棒性，即使在高斯白噪声水平较高（SNR=20dB）时仍保持优异性能，加权F1得分达到0.29，优于LBP与CLBP在噪声环境下的表现。

ABSTRACT

In this paper, we present a Robust Completed Local Binary Pattern (RCLBP) framework for a surface defect detection task. Our approach uses a combination of Non-Local (NL) means filter with wavelet thresholding and Completed Local Binary Pattern (CLBP) to extract robust features which are fed into classifiers for surface defects detection. This paper combines three components: A denoising technique based on Non-Local (NL) means filter with wavelet thresholding is established to denoise the noisy image while preserving the textures and edges. Second, discriminative features are extracted using the CLBP technique. Finally, the discriminative features are fed into the classifiers to build the detection model and evaluate the performance of the proposed framework. The performance of the defect detection models are evaluated using a real-world steel surface defect database from Northeastern University (NEU). Experimental results demonstrate that the proposed approach RCLBP is noise robust and can be applied for surface defect detection under varying conditions of intra-class and inter-class changes and with illumination changes.

研究动机与目标

• 为解决现有表面缺陷检测方法中LBP与CLBP特征对噪声敏感的问题。
• 提升在工业表面检测中对类内缺陷差异与类间缺陷相似性的鲁棒性。
• 通过混合去噪与特征提取流程，增强在光照与材料条件变化下的性能表现。
• 开发一种稳定且对噪声鲁棒的框架，在高斯白噪声水平较高的情况下仍能保持高检测精度。
• 在真实世界钢质表面缺陷数据集（NEU-DET）上，于受控与噪声条件下评估该方法。

提出的方法

• 采用两阶段预处理流程：首先，应用非局部（NL）均值滤波在保留边缘与纹理的同时降低噪声。
• 其次，应用小波阈值化进一步抑制残余噪声，提升图像质量以利于后续特征提取。
• 对去噪后的图像应用完整局部二值模式（CLBP），提取具有旋转与灰度不变性的判别性纹理特征。
• 将提取的CLBP特征输入多种分类器（如KNN、SVM、RF、GNB、DT）进行缺陷分类与模型评估。
• 在不同信噪比（SNR）条件下于NEU-DET数据集上评估该框架，以测试其鲁棒性。
• 通过各类缺陷的加权平均精确率、召回率与F1得分衡量性能表现。

实验结果

研究问题

• RQ1 与LBP和CLBP相比，所提出的RCLBP框架在高斯白噪声水平下表现如何？
• RQ2 NL均值与小波阈值化结合是否能有效保留纹理与边缘信息，同时降低表面缺陷图像中的噪声？
• RQ3 在噪声环境下，CLBP在区分类内缺陷差异与类间缺陷相似性方面能提升多少？
• RQ4 RCLBP框架是否能在不同光照与材料条件下保持高检测精度？
• RQ5 在不同SNR水平下，RCLBP框架与基线方法（LBP、CLBP）相比，在鲁棒性与泛化能力方面表现如何？

主要发现

• 在SNR=50dB时，RCLBP在所有分类器上保持0.98的加权平均F1得分，与无噪声基线性能相当。
• 在SNR=40dB时，RCLBP在KNN分类器上取得0.91的加权平均F1得分，显著优于LBP（0.46）与CLBP（0.74）。
• 在SNR=30dB时，RCLBP的加权平均F1得分为0.70，精确率与召回率分别为0.78与0.72，而LBP与CLBP性能显著下降。
• 在SNR=20dB时，RCLBP保持0.29的加权平均F1得分，精确率与召回率均为0.39，表明其在最高噪声水平下仍具备显著鲁棒性。
• 由于有效的预处理流程，RCLBP在所有SNR水平与分类器上均持续优于LBP与CLBP，尤其在高噪声条件下优势明显。
• 去噪流程有效保留了缺陷纹理与边缘信息，使CLBP能够在噪声条件下提取稳定且具有判别力的特征。