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(xiǎn)程度大等問題，提出了一種基于機(jī)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(jié)合的方法去噪，并用Canny算子實(shí)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(shí)現(xiàn)對鋼帶缺陷的檢測和統(tǒng)計(jì)。實(shí)驗(yàn)結(jié)果表明，該缺陷檢測方案能夠?qū)崟r(shí)準(zhǔn)確有效地識別鋼帶缺陷，證明了該方法的可行性。

　　關(guān)鍵詞： 機(jī)器視覺；缺陷檢測；識別分類；鋼帶

　　近年來，我國經(jīng)濟(jì)發(fā)展進(jìn)入轉(zhuǎn)型期，對產(chǎn)品質(zhì)量和外觀的關(guān)注度也越來越高。鋼材是基礎(chǔ)經(jīng)濟(jì)建設(shè)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(jìn)行質(zhì)量檢測，這種方法抽檢率低、隨機(jī)性差、檢測效率低，并且生產(chǎn)線環(huán)境惡劣，危險(xiǎn)性大，對檢測人員的健康有威脅。機(jī)器視覺技術(shù)隨著計(jì)算機(jī)科學(xué)的高速發(fā)展，越來越廣泛地應(yīng)用到工業(yè)生產(chǎn)的自動(dòng)化檢測中。一些發(fā)達(dá)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(shù)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(quán)的鋼帶表面缺陷檢測系統(tǒng)受到各大高校和企業(yè)相關(guān)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(shè)計(jì)光路[3]，利用Baumer工業(yè)攝像頭實(shí)時(shí)采集原始鋼帶圖像，對每幀圖像利用MATLAB進(jìn)行去噪和增強(qiáng)等預(yù)處理，取得較好效果后，進(jìn)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(dòng)識別出缺陷類型。

1 系統(tǒng)設(shè)計(jì)要求

　　在所試點(diǎn)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(jī)，采集速率最大可達(dá)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(shí)時(shí)性要求，因此在有限時(shí)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(biāo)[4]。在分析了鋼帶圖像的特征性質(zhì)并經(jīng)過多次試驗(yàn)改進(jìn)后，設(shè)計(jì)了基于像素灰度值的處理算法，在保證缺陷檢測準(zhǔn)確度的前提下，較好地控制算法的復(fù)雜度，達(dá)到了鋼帶生產(chǎn)要求。

2 設(shè)計(jì)流程圖

　　基于機(jī)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(qiáng)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(shí)現(xiàn)輸入輸出、格式變換、形態(tài)學(xué)處理、線性濾波、對比度增強(qiáng)和數(shù)據(jù)統(tǒng)計(jì)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(yù)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(diǎn)噪聲，同時(shí)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(jìn)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(diǎn)，從而可以去除噪聲的小波系數(shù)，最后用小波逆變換重構(gòu)圖像。經(jīng)過試驗(yàn)對比，發(fā)現(xiàn)采用基于小波變換與中值濾波相結(jié)合的圖像去噪處理方法，去除噪聲同時(shí)保護(hù)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(shè)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(qiáng)處理

　　去噪完成后，為了讓鋼帶缺陷更加清晰明了，對預(yù)處理后的圖像進(jìn)行了圖像增強(qiáng)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(qiáng)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(xì)節(jié)則集中在高頻部分，因此，通過對低頻分解系數(shù)進(jìn)行增強(qiáng)處理，對高頻分解系數(shù)進(jìn)行衰減處理，即可達(dá)到圖像增強(qiáng)的目的。鋼帶缺陷增強(qiáng)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(jìn)行處理。因Canny具有高檢測率、精確的定位、明確的響應(yīng)的三條標(biāo)準(zhǔn)，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(jié)果甬?dāng)?shù)對邊緣進(jìn)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(jié)構(gòu)元素對圖像進(jìn)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(jié)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(jìn)行周長、面積和圓形度等的特征計(jì)算。計(jì)算面積的原理為：對于二值圖像像素值f（x，y）=1，表示目標(biāo)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(gè)數(shù)疊加[9]。計(jì)算公式如下：

　　計(jì)算缺陷周長即區(qū)域的邊界長度，當(dāng)把像素看作一個(gè)個(gè)點(diǎn)時(shí)，則周長用鏈碼表示，求周長也即計(jì)算鏈碼長度[10]。當(dāng)鏈碼值為奇數(shù)時(shí)，其長度記作；當(dāng)鏈碼值為偶數(shù)時(shí)，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(jì)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(jìn)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(jì)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(biāo)準(zhǔn)，把C在0.8～1判斷為圓形斑點(diǎn)，其他為裂紋。而本文計(jì)算的C=0.818 4，所以可以判定缺陷為斑點(diǎn)。

4 結(jié)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(jìn)行去噪、增強(qiáng)等預(yù)處理，在此基礎(chǔ)上，進(jìn)行形態(tài)學(xué)處理和Canny邊緣檢測，然后分析圖像特征，經(jīng)過多次試驗(yàn)和改進(jìn)算法，最終實(shí)現(xiàn)了實(shí)時(shí)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(dòng)化的生產(chǎn)條件，同時(shí)提高了檢測的效率、準(zhǔn)確度和科學(xué)性，為后續(xù)的研究和推廣應(yīng)用奠定了基礎(chǔ)。

參考文獻(xiàn)

　　[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(xué)學(xué)報(bào)（英文版） 2007， 14（5）：437-442.

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

　　[4] 劉明煒，王快社.帶鋼表面缺陷在線檢測實(shí)時(shí)處理方法研究[J].冶金設(shè)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(shù)[J].微計(jì)算機(jī)信息，2010，26：214-216.

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

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

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

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

　　[10] 陸應(yīng)騏，童韜.鏈碼和在邊界形狀分析中的應(yīng)用[J].中國圖象圖形學(xué)報(bào)，2002，7（12）：1323-1328.

　　[11] 王小俊，劉旭敏，關(guān)永.基于改進(jìn)Canny算子的圖像邊緣檢測算法[J].計(jì)算機(jī)工程，2012，38（14）：196-198.

　　[12] 朱虹.數(shù)字圖像處理基礎(chǔ)與應(yīng)用[M].北京：清華大學(xué)出版社，2013.