摘  要： 針對鋼帶缺陷傳統(tǒng)的人工檢測效率低、誤檢率高以及危險程度大等問題，提出了一種基于機器視覺的缺陷檢測和識別的研究方案。采用工業(yè)攝像頭采集鋼帶生產(chǎn)線上的視頻圖像，通過中值濾波和小波分析相結合的方法去噪，并用Canny算子實現(xiàn)邊緣檢測，再以缺陷圖像的圓形度等特征完成識別分類，從而實現(xiàn)對鋼帶缺陷的檢測和統(tǒng)計。實驗結果表明，該缺陷檢測方案能夠實時準確有效地識別鋼帶缺陷，證明了該方法的可行性。

　　關鍵詞： 機器視覺；缺陷檢測；識別分類；鋼帶

　　近年來，我國經(jīng)濟發(fā)展進入轉型期，對產(chǎn)品質(zhì)量和外觀的關注度也越來越高。鋼材是基礎經(jīng)濟建設的支柱，而鋼帶是鋼材的重要材型之一，其表面質(zhì)量直接影響到最終產(chǎn)品的性能與銷量。目前，國內(nèi)鋼帶制造、加工企業(yè)通常采用人工目視抽檢法進行質(zhì)量檢測，這種方法抽檢率低、隨機性差、檢測效率低，并且生產(chǎn)線環(huán)境惡劣，危險性大，對檢測人員的健康有威脅。機器視覺技術隨著計算機科學的高速發(fā)展，越來越廣泛地應用到工業(yè)生產(chǎn)的自動化檢測中。一些發(fā)達國家和地區(qū)早已生產(chǎn)出了比較成熟的鋼帶檢測系統(tǒng)[1]。隨著我國現(xiàn)代化程度的加深，這種全新檢測技術也引起了各鋼材生產(chǎn)企業(yè)的重視，市場需求很大。因此，研究開發(fā)出具有自主知識產(chǎn)權的鋼帶表面缺陷檢測系統(tǒng)受到各大高校和企業(yè)相關科技人員的重視[2]。

　　本文研究的系統(tǒng)根據(jù)最佳成像方案設計光路[3]，利用Baumer工業(yè)攝像頭實時采集原始鋼帶圖像，對每幀圖像利用MATLAB進行去噪和增強等預處理，取得較好效果后，進行圖像膨脹、圖像平滑、圖像分割處理，提取圖像中感興趣的部分，最終根據(jù)圖像特征自動識別出缺陷類型。

1 系統(tǒng)設計要求

　　在所試點的鋼帶生產(chǎn)企業(yè)中，其生產(chǎn)線鋼帶傳輸速率為0~40 m/min，系統(tǒng)采用CCD工業(yè)相機，采集速率最大可達16幀/秒，獲取的圖像分辨率為1 392×1 040。由于圖像數(shù)據(jù)量很大，又要滿足生產(chǎn)檢測的實時性要求，因此在有限時間內(nèi)完成對圖像龐大數(shù)據(jù)量的處理并保證檢測效果是研究的核心和目標[4]。在分析了鋼帶圖像的特征性質(zhì)并經(jīng)過多次試驗改進后，設計了基于像素灰度值的處理算法，在保證缺陷檢測準確度的前提下，較好地控制算法的復雜度，達到了鋼帶生產(chǎn)要求。

2 設計流程圖

　　基于機器視覺的鋼帶缺陷檢測系統(tǒng)流程圖如圖1所示。

　　2.1 基于MATLAB的鋼帶圖像讀取

　　在圖像處理方面，MATLAB擁有功能強大的圖像處理工具箱[5]。它幾乎包括了所有成熟的圖像處理函數(shù)，通過簡單的調(diào)用就可以實現(xiàn)輸入輸出、格式變換、形態(tài)學處理、線性濾波、對比度增強和數(shù)據(jù)統(tǒng)計等操作。鋼帶缺陷的原始圖像可以通過imread函數(shù)直接讀取，而不用考慮其格式，讀取的原始缺陷鋼帶圖像如圖2所示。

　　2.2 鋼帶缺陷圖像的預處理

　　2.2.1 去噪處理

　　由于鋼帶生產(chǎn)車間環(huán)境嘈雜，光線和噪聲干擾很大，在圖像的采集過程中不可避免地引入了噪聲信號。中值濾波可以消除孤點噪聲，同時保持圖像的邊緣特性，不會使圖像產(chǎn)生顯著的模糊，比較適合于此次研究的鋼帶缺陷圖像；對含噪聲圖像進行小波變換處理后，圖像的原始信息和噪聲所產(chǎn)生的小波系數(shù)表現(xiàn)出不同的特點，從而可以去除噪聲的小波系數(shù)，最后用小波逆變換重構圖像。經(jīng)過試驗對比，發(fā)現(xiàn)采用基于小波變換與中值濾波相結合的圖像去噪處理方法，去除噪聲同時保護邊緣輪廓的效果最好[6]。

　　主要去噪程序如下：

　　Z1=medfilt2（YT，[5，5]）；

　　%使用sym4小波設定全局閾值去噪%

　　[THR，SORH，KEEPAPP]ddencmp（′den′，′wv′，Z1）；

　　X=wdencmp（′gbl′，Z1，′sym4′，2，THR，SORH，KEEPAPP）；

　　2.2.2 增強處理

　　去噪完成后，為了讓鋼帶缺陷更加清晰明了，對預處理后的圖像進行了圖像增強處理。小波分析因它能多尺度多角度提取信號特征，并在不同尺度上讓噪聲和信號明顯地區(qū)分開來，所以它在圖像增強方面有很大優(yōu)勢[7]。圖像經(jīng)二維小波分解后，輪廓主要集中在低頻部分，細節(jié)則集中在高頻部分，因此，通過對低頻分解系數(shù)進行增強處理，對高頻分解系數(shù)進行衰減處理，即可達到圖像增強的目的。鋼帶缺陷增強圖像如圖3所示。

　　2.3 鋼帶缺陷的分割

　　為了便于對鋼帶缺陷的識別分類，使用Canny算子對其進行處理。因Canny具有高檢測率、精確的定位、明確的響應的三條標準，使其成為目前最廣泛使用的邊緣檢測算法[8]。首先用strel函數(shù)線性的結果甬數(shù)對邊緣進行圖像膨脹操作；利用imfill函數(shù)填充邊緣的縫隙；然后用imclearborder函數(shù)刪除與圖像邊界相連的對象；最后，用菱形結構元素對圖像進行平滑處理。至此鋼帶缺陷部分已經(jīng)完全地分割出來，其結果如圖4所示。

3 缺陷圖像的特征提取與識別

　　3.1 特征提取

　　圖像特征提取是缺陷識別最為重要的部分，也是算法的核心。本文研究的算法是對分割后的缺陷部分進行周長、面積和圓形度等的特征計算。計算面積的原理為：對于二值圖像像素值f（x，y）=1，表示目標缺陷物體，像素值取0表示背景，缺陷的面積就是f（x，y）=1的個數(shù)疊加[9]。計算公式如下：

　　計算缺陷周長即區(qū)域的邊界長度，當把像素看作一個個點時，則周長用鏈碼表示，求周長也即計算鏈碼長度[10]。當鏈碼值為奇數(shù)時，其長度記作；當鏈碼值為偶數(shù)時，其長度記作1。周長L表示為：

　　其中，Ne、No分別為邊界鏈碼（8方向）中走偶步與奇步的數(shù)目。在計算缺陷圖像的周長前，使用edge函數(shù)中的Canny算子對平滑后圖像進行處理[11]，缺陷邊緣提取圖像如圖5所示。

　　3.2 判斷識別

　　根據(jù)缺陷圖像的特征，利用面積和周長的大小來識別缺陷存在與否，利用圓形度等特征判斷缺陷的類型。圓形度的計算公式為[12]：

　　C=（4πS）/L2（3）

　　其中，C為圓形度；S為物體面積；L為物體周長。由3.1節(jié)可得S=662，L=100.818 3，再利用式（3）可得缺陷圖像的圓形度C=0.818 4。由于缺陷圖像不是絕對規(guī)則的圖形，根據(jù)鋼帶生產(chǎn)企業(yè)的標準，把C在0.8～1判斷為圓形斑點，其他為裂紋。而本文計算的C=0.818 4，所以可以判定缺陷為斑點。

4 結論

　　首先利用工業(yè)攝像頭采集鋼帶圖像，對獲得的原始圖像進行去噪、增強等預處理，在此基礎上，進行形態(tài)學處理和Canny邊緣檢測，然后分析圖像特征，經(jīng)過多次試驗和改進算法，最終實現(xiàn)了實時識別缺陷和類型判斷的系統(tǒng)要求。這不僅滿足了生產(chǎn)線快速自動化的生產(chǎn)條件，同時提高了檢測的效率、準確度和科學性，為后續(xù)的研究和推廣應用奠定了基礎。

參考文獻

　　[1] LIU Y C， HSU Y L， SUN Y N， et al. A computer vision system for automatic steel surface inspection[C]. 2010 the 5th IEEE Conference on Industrial Electronics and Applications（ICIEA）， IEEE， 2010：1667-1670.

　　[2] Wu Guifang， Xu Ke， Xu Jinwu. Application of a new feature extraction and optimization method to surface defect recognition of cold rolled strips[J]. 北京科技大學學報（英文版） 2007， 14（5）：437-442.

　　[3] 劉彩章.基于機器視覺的帶鋼表面缺陷成像系統(tǒng)理論與實驗研究[D].武漢：武漢科技大學，2012.

　　[4] 劉明煒，王快社.帶鋼表面缺陷在線檢測實時處理方法研究[J].冶金設備，2008，8（4）：32-34.

　　[5] 晏暉，姜鵬，陳貝.基于MATLAB工具箱的數(shù)字圖像處理技術[J].微計算機信息，2010，26：214-216.

　　[6] 唐世偉，林君.小波變換與中值濾波相結合圖像去噪方法[J].哈爾濱工業(yè)大學學報，2008，40（8）：1334-1336.

　　[7] 曾誠.基于小波理論的圖像去噪和增強技術研究[D].武漢：武漢理工大學，2008.

　　[8] 周超.邊緣檢測Canny算子的研究與改進[D].重慶：重慶師范大學，2012.

　　[9] 楊陽.鋼球表面缺陷視覺檢測技術的研究[D].南昌：華東交通大學，2009.

　　[10] 陸應騏，童韜.鏈碼和在邊界形狀分析中的應用[J].中國圖象圖形學報，2002，7（12）：1323-1328.

　　[11] 王小俊，劉旭敏，關永.基于改進Canny算子的圖像邊緣檢測算法[J].計算機工程，2012，38（14）：196-198.

　　[12] 朱虹.數(shù)字圖像處理基礎與應用[M].北京：清華大學出版社，2013.