，，

（1.山東大學(xué) 機械工程學(xué)院，濟南 250061；2.山東萊鋼建設(shè)有限公司上海分公司，上海 200061）

圓鋼作為現(xiàn)代工業(yè)生產(chǎn)中重要的原材料，它的表面質(zhì)量好壞很大程度上影響了最終產(chǎn)品的性能優(yōu)劣。在生產(chǎn)過程中，由于鋼坯原料、軋制設(shè)備和加工工藝等多方面因素，圓鋼表面會不可避免地出現(xiàn)裂紋、刮傷、結(jié)疤、折疊等多種缺陷。這些缺陷不僅影響產(chǎn)品外形美觀，更重要的是影響產(chǎn)品的強度、耐腐蝕性等機械性能。在有關(guān)圓鋼的質(zhì)量問題中，由于表面缺陷而導(dǎo)致的失效情況約占總數(shù)的50%［1]，因此圓鋼表面缺陷檢測環(huán)節(jié)必不可少。

針對圓鋼表面缺陷，一般檢測技術(shù)需要解決以下幾個問題：圓鋼產(chǎn)品是否存在表面缺陷、存在缺陷位置以及存在缺陷的類型。目前世界上有多種檢測方法，總體有兩類，即離線檢測和在線檢測。離線檢測一般為人工目視或利用手持設(shè)備進行檢測，優(yōu)點是靈活度較高、成本低，但檢測結(jié)果與工人的經(jīng)驗有很大關(guān)系，極易發(fā)生漏檢，而且工作強度高，效率低。在線實時檢測具有檢測覆蓋率高，無需離線檢測環(huán)節(jié)，節(jié)省時間，檢測效率高，工人工作強度低等諸多優(yōu)點。因此對于批量圓鋼生產(chǎn)，在線實時檢測是較為合適的檢測方法。另外在圓鋼生產(chǎn)線的最終軋制環(huán)節(jié)，圓鋼直線運行速度可達100 m/s［2]，這給實時缺陷檢測帶來了很大的挑戰(zhàn)。目前世界上圓鋼生產(chǎn)企業(yè)正在廣泛使用的缺陷檢測技術(shù)有渦流、超聲波、漏磁和磁粉等傳統(tǒng)檢測方法，基于機器視覺的圓鋼表面缺陷檢測系統(tǒng)也已投入使用。

與傳統(tǒng)無損檢測技術(shù)相比，基于數(shù)字圖像處理的機器視覺方法檢測速度快，可完全在線實時檢測，并且能夠保存檢出的缺陷原始圖像，對缺陷類型進行有效識別，這些優(yōu)勢使得機器視覺技術(shù)逐漸成為圓鋼表面缺陷檢測的主流研究技術(shù)。文章通過分析國內(nèi)外最新研究進展，提出我國開展本課題研究的方向和對策。

1 機器視覺檢測方法

基于機器視覺的圓鋼表面缺陷檢測系統(tǒng)在應(yīng)用中一般需經(jīng)歷以下幾個步驟：圖像獲取、圖像處理、特征提取和決策制定［3]，因此整個系統(tǒng)包括硬件設(shè)備和軟件算法兩大模塊。由于圓鋼生產(chǎn)線無間斷高速運行，要滿足在線實時檢測要求，檢測系統(tǒng)需在很短時間內(nèi)處理大量圖像數(shù)據(jù)，這在一定程度上限制了圖像處理算法的復(fù)雜程度，因此一般將缺陷檢測環(huán)節(jié)在線實時進行，即圖像獲取和圖像處理部分，而將缺陷類型識別環(huán)節(jié)離線進行，即特征提取和決策制定。

對于圖像獲取部分的光學(xué)采集系統(tǒng)，一般有主動光學(xué)和被動光學(xué)兩種圖像采集方式。在檢測過程中，采用外加輔助光源的圖像采集方法稱為主動光視覺檢測法；利用被檢測物體本身所發(fā)出的光線進行圖像采集的方法稱為被動光視覺檢測法。在實際應(yīng)用中，無論采用哪種檢測方法，一般均使用電磁波譜中的可見光和紅外光波段。

1.1 被動光視覺檢測方法

被動光視覺檢測工作原理：物體表面特性或溫度不同，它所發(fā)出的紅外光線強度也會產(chǎn)生變化。根據(jù)此原理，利用紅外傳感器采集被檢物體本身發(fā)出的紅外光線，然后將反映物體表面溫度的紅外線轉(zhuǎn)換為人眼可見的圖像。如果被檢物體表面存在缺陷，則有缺陷處的溫度會發(fā)生變化，反映在可見圖像上即是圖像像素中存在異常區(qū)域，這樣就可判斷出被檢物體表面是否存在缺陷［4]。

美國Teledyne公司研究人員利用紅外熱成像原理，設(shè)計了一套包括圓鋼在內(nèi)的鋼材實時缺陷檢測系統(tǒng)［5]，該系統(tǒng)主要包括紅外相機、實時處理器和系統(tǒng)處理器等幾大模塊。在生產(chǎn)過程中，圓鋼連續(xù)縱向運動，紅外相機橫向掃描圓鋼表面，然后形成可見圖像，實時處理器通過圖像降噪、像素平均等圖像處理方法判斷圓鋼表面是否存在缺陷，系統(tǒng)處理器主要來判斷缺陷的類型及深度。

對于熱軋圓鋼表面缺陷檢測，此方法優(yōu)點是無需設(shè)計外加光源系統(tǒng)，只需將外界光線與被檢物體隔離即可；缺點是紅外相機采集圖像速度較慢［6]，采集的圖像對比度較差、信噪比低［7]，圖像處理比較復(fù)雜，而且若圓鋼中的表面缺陷尺寸太小則難以將其檢出，另外對檢出的缺陷分類識別率較低。

1.2 主動光視覺檢測方法

由于圓鋼表面顏色比較單一，若利用彩色圖像分析表面缺陷，則會造成很多色彩的浪費，而且圖像處理算法會比較復(fù)雜，數(shù)據(jù)的傳輸、處理和保存都需要較多的時間，不利于在線實時檢測的實現(xiàn)；而利用灰度圖像檢測表面缺陷，則可以使用較為簡單的圖像處理算法，檢測缺陷所用時間少，數(shù)據(jù)傳輸速度也較彩色圖像快，便于圓鋼表面缺陷的在線檢測，因此采用機器視覺方法檢測圓鋼表面缺陷時，一般將灰度圖像作為采集、傳輸和處理的對象，即用采集到的圖像像素灰度值作為圖像分析的基礎(chǔ)。檢測原理為：在系統(tǒng)采集的灰度圖像中，缺陷通常表現(xiàn)為灰度的異常，只要利用合理的圖像處理算法檢測出異常點，再根據(jù)先驗知識即可判斷圓鋼表面缺陷的有無。

盡管圓鋼表面顏色比較單一，但是由于其具有圓形弧度，因此無論從哪個方向進行拍攝，得到的圖像都是中間較亮，兩側(cè)較暗?；叶炔灰恢?，意味著圓鋼表面缺陷視覺檢測系統(tǒng)對于光照要求更為苛刻，并且在圖像處理算法上比鋼板等平面物體更為復(fù)雜。因此，對于圓鋼表面缺陷視覺檢測系統(tǒng)，關(guān)鍵在于設(shè)計優(yōu)良的圖像采集系統(tǒng)和缺陷實時檢測軟件，目前國外在主動光視覺檢測技術(shù)方面研究較為成熟。

2004年，美國密歇根大學(xué)的Hongbin等人提出一種基于支持向量機（SV M）的圓鋼表面缺陷實時檢測系統(tǒng)［2]。該系統(tǒng)算法流程為：利用水平梯度算子進行裂縫缺陷的大致檢測，然后利用區(qū)域生長算法得到缺陷的區(qū)域，進行特征提取，最后利用SVM判斷圖像有無裂縫缺陷。該系統(tǒng)實時性非常好，對于圓鋼表面的裂縫細長缺陷檢出率接近100%，正確識別率超過90%，但是其缺點也非常明顯，即僅能檢測縱向裂縫等細長缺陷，而對圓鋼表面其他類型缺陷難以檢測。

2006年，韓國浦項工科大學(xué)的研究人員提出一種線材型鋼缺陷的機器視覺檢測系統(tǒng)［8]。該系統(tǒng)包括線陣相機、圖像處理板和PC機模塊。在速度高達18.5 m/s的線材生產(chǎn)線上，對于裂縫、結(jié)疤、刮傷、輥痕等典型缺陷，檢出率約為96.7%。其軟件算法利用了傳統(tǒng)圖像處理技術(shù)，包括圖像分割、降噪濾波、拉普拉斯邊緣檢測和圖像形態(tài)學(xué)等方法，保證了缺陷的實時檢測，在缺陷識別環(huán)節(jié)利用SV M方法，具有較高的識別率。2010年，這些研究人員結(jié)合光照系統(tǒng)發(fā)明了一項圓鋼表面缺陷檢測系統(tǒng)專利［9]，該專利特點是采用了圓形平面光源，其安裝容易，對于震動不敏感，增強了系統(tǒng)的抗干擾能力，但是同時對于光照均勻性要求較高。

美國OG公司在影像式線棒材在線表面檢測技術(shù)方面研究較為領(lǐng)先［10]。其研制的棒材表面缺陷檢測系統(tǒng)利用了線陣相機和線陣光源等圖像采集設(shè)備［6]，檢測精度高，能夠檢測0.025 mm 的細小裂紋、實時性好，能夠在100 m/s或速度更高的圓鋼生產(chǎn)線上達到在線檢測；使用范圍廣，可在1 650℃高溫下正常工作；能適應(yīng)不同直徑（φ5～250 mm）圓鋼的表面缺陷檢測。該系統(tǒng)缺點是對于線光源安裝精度要求較高。

由于圓鋼表面缺陷檢測對實時性要求較高，因此以上幾個系統(tǒng)均將研究重點放在圖像成像質(zhì)量和實時檢測算法上。從兩個專利中可以看出，光照系統(tǒng)中的光源主要有兩種，線光源和面光源。線光源對于成像質(zhì)量具有一定的優(yōu)勢，有利于減弱圖像中間亮兩側(cè)暗的漸變特性，而且只能和線陣相機配合使用；面光源優(yōu)勢在于對安裝精度要求較低，但是對于光照均勻性要求也較高。在算法方面，由于圓鋼圖像中有缺陷處灰度值會發(fā)生變化，因此在實時檢測算法中多應(yīng)用了二階微分算子，計算速度快，對圖像細節(jié)如細線和孤立點等具有較強的響應(yīng)；缺點是對噪聲敏感，因此一般后續(xù)處理中采用圖像形態(tài)學(xué)方法，有利于噪點的消除，防止誤檢。

國內(nèi)在圓鋼表面缺陷機器視覺檢測方面研究較少。2010年臺灣國立成功大學(xué)的Liu Yung－Chun等人提出了一種新的機器視覺系統(tǒng)來檢測圓鋼表面缺陷［11]，采用了神經(jīng)網(wǎng)絡(luò)分類器（BPN）和相關(guān)向量機（RVM）兩種分類器，能夠有效識別四種缺陷特征，即裂縫、刮傷、疤痕和壓痕，對像素為2048×512的圖像，檢測一幅圖像平均需要0.283 9 s，正確率可達85%。但與國外研究相比，該系統(tǒng)在檢測速度和準確性方面明顯較低。

2 檢測技術(shù)關(guān)鍵問題

在基于機器視覺的圓鋼表面缺陷檢測技術(shù)的研究中有很多關(guān)鍵問題需要解決，包括了表面圖像成像質(zhì)量、算法檢測能力以及缺陷分類識別。表面圖像成像質(zhì)量和算法檢測能力很大程度上影響了表面缺陷的在線實時處理。

2.1 圖像成像質(zhì)量

要快速準確地從圖像中檢測出圓鋼表面缺陷，采集的圖像質(zhì)量十分關(guān)鍵。由于圓鋼表面為弧面，均勻照射的光線會使得相機采集的圖像中間亮、兩邊暗，形成灰度梯度，增加了處理算法的復(fù)雜度，不利于缺陷的檢測。對于光照條件，前面討論了采用主動光檢測技術(shù)對于圓鋼表面缺陷檢測更為有效，也就是采用外加光源方式，因此光照系統(tǒng)的設(shè)計至關(guān)重要，包括光源的類型選擇和成像系統(tǒng)的光路設(shè)計。良好的光照系統(tǒng)可以提高對微小缺陷和低對比度缺陷的顯現(xiàn)能力；另外由于熱軋圓鋼表面溫度非常高，本身會發(fā)出可見光，影響了圖像的采集質(zhì)量，因此一般采用濾光裝置進行濾光處理，只允許通過特定波長的光線，提高成像質(zhì)量。除了光照條件外，成像質(zhì)量還與圓鋼生產(chǎn)環(huán)境、相機采集速度等很多因素有關(guān)。圓鋼生產(chǎn)現(xiàn)場一般比較惡劣，存在噪聲、油污等很多干擾，而且在生產(chǎn)過程中圓鋼容易發(fā)生徑向跳動和旋轉(zhuǎn)現(xiàn)象，這些都使得圓鋼表面成像質(zhì)量不穩(wěn)定，給缺陷檢測帶來一定的困難。

2.2 算法檢測能力

圓鋼表面缺陷檢測一般包括三方面要求，即快速性、準確性和靈敏性。除了硬件平臺的支持外，核心算法的開發(fā)是關(guān)鍵問題。

圓鋼在軋制過程中運行速度非?？?，要完全檢出其表面缺陷、無漏檢，需要系統(tǒng)能夠在很短時間內(nèi)處理大量的圖像數(shù)據(jù)，因此檢測算法不能太復(fù)雜，否則會消耗很多計算時間，達不到快速性要求；對于圓鋼表面由于某些原因產(chǎn)生的微細或低對比度缺陷，則需要開發(fā)靈敏度較高的算法，即要使這些微細缺陷被完全檢出，檢測系統(tǒng)需具有很高的分辨力；圓鋼表面缺陷的檢測準確性靠高檢出率和低誤檢率來實現(xiàn)，通用性較好的檢測算法可以滿足較高的檢出率，即算法既能夠檢測裂紋、刮傷等縱向缺陷，也能夠檢測結(jié)疤、凹坑等面積型缺陷，盡量保證不漏檢。低誤檢率要求檢測算法具有良好的魯棒性和抗干擾能力，減少將無缺陷圖像誤判為有缺陷情況的發(fā)生。

2.3 缺陷分類識別

此環(huán)節(jié)一般為離線進行，這樣可使在線檢測部分完全用來判斷表面缺陷的有無而無需處理缺陷分類問題。工人根據(jù)識別的缺陷種類可以改善圓鋼生產(chǎn)工藝或判斷生產(chǎn)設(shè)備運行情況，因此對缺陷分類的精確性要求較高。缺陷分類環(huán)節(jié)一般包含三方面問題：缺陷類型的判定準則、缺陷樣本的采集和分類器結(jié)構(gòu)設(shè)計。首先需要缺陷的分類標(biāo)準，能夠?qū)Σ煌N類缺陷進行定量描述；其次由于實際工廠中得到的圓鋼表面缺陷樣本有限，難以通過大量樣本來訓(xùn)練分類器，因此所設(shè)計的分類器應(yīng)該容易訓(xùn)練，對樣本數(shù)量要求較低；最后分類器要能夠快速準確識別缺陷類型，并且具有自學(xué)習(xí)能力，能夠識別新的缺陷種類，自動更新缺陷樣本數(shù)據(jù)集，保證缺陷分類的合理性。

3 展望

基于機器視覺的圓鋼表面缺陷檢測系統(tǒng)已逐漸發(fā)展成為圓鋼生產(chǎn)制造過程中質(zhì)量監(jiān)控和信息反饋的有效組成環(huán)節(jié)。隨著高速CCD技術(shù)、計算機技術(shù)和圖像處理技術(shù)的發(fā)展，視覺檢測系統(tǒng)將會發(fā)揮越來越大的作用。將來的機器視覺檢測系統(tǒng)應(yīng)能適應(yīng)任意直徑、任意速度運行的圓鋼，能夠快速準確檢出各種表面缺陷并進行分類識別，具有自主學(xué)習(xí)能力，可以識別未知新缺陷，魯棒性好，抗噪能力強，另外設(shè)備體積適中，安裝維護方便，具有較長的使用壽命。

3.1 圖像采集技術(shù)

機器視覺檢測系統(tǒng)應(yīng)具有良好的圖像采集能力，即采集和傳輸圖像速度快，成像質(zhì)量高，覆蓋面全，這是保證缺陷實時檢測的基礎(chǔ)，它取決于圖像采集傳感器和光照系統(tǒng)。高速、高分辨率的線陣或面陣CCD相機使高速圖像采集成為可能，千兆網(wǎng)工業(yè)相機克服了圖像傳輸距離和速度的限制；光照系統(tǒng)需要結(jié)合圓鋼表面缺陷的形成機理、缺陷形狀和工作條件進行優(yōu)化設(shè)計，合理的光源照明和光路設(shè)計能夠使得采集的圖像灰度均勻，可以有效避免中間亮、兩側(cè)暗的灰度漸變特性。

3.2 缺陷檢測技術(shù)

缺陷檢測技術(shù)是機器視覺檢測系統(tǒng)能否實時正常運行的關(guān)鍵，可將缺陷檢測算法結(jié)合硬件電路實現(xiàn)，如DSP（數(shù)字信號處理）系統(tǒng)、FPGA（現(xiàn)場可編程門陣列）系統(tǒng)等，相比較軟件具有快速準確等優(yōu)點，并行實時計算機系統(tǒng)需要進一步研究以滿足圓鋼表面缺陷多處檢測需求，除此之外，快速高效檢測算法也待研究。

3.3 模式識別技術(shù)

缺陷識別也是機器視覺檢測系統(tǒng)的重要組成部分。設(shè)計有效的缺陷分類器，可以準確判斷缺陷類型，并預(yù)報缺陷產(chǎn)生的趨勢。決策樹、SV M、遺傳算法等是現(xiàn)在常用缺陷分類技術(shù)，開發(fā)新的模式識別算法或者融合現(xiàn)有的分類方法是模式識別發(fā)展的趨勢。分類器應(yīng)該具有訓(xùn)練時間短、分類快速準確、有自主學(xué)習(xí)能力等特點，可以克服樣本采集困難、難以識別新缺陷等缺點。

3.4 其它輔助技術(shù)

根據(jù)控制理論，采用閉環(huán)系統(tǒng)可以有效減少缺陷的產(chǎn)生，即在機器視覺檢測系統(tǒng)中加入反饋環(huán)節(jié)，根據(jù)缺陷產(chǎn)生的類型及趨勢，分析缺陷成因，自動或者人工調(diào)整圓鋼生產(chǎn)線相關(guān)設(shè)備或工藝參數(shù)，防止同類缺陷再次產(chǎn)生。檢測系統(tǒng)應(yīng)具有自我診斷功能，根據(jù)采集的圖像判斷系統(tǒng)是否正常工作，如果采集的圖像質(zhì)量過差，則發(fā)出警報，避免因系統(tǒng)本身出現(xiàn)故障而沒有及時檢測出缺陷，形成大量廢品。在實時檢測環(huán)節(jié)，系統(tǒng)應(yīng)能精確打標(biāo)，節(jié)省人力檢測。具備歷史保存功能，可將全程檢測過程保存成視頻文件，以備查看，保存的缺陷圖像可供人工復(fù)檢，無需對圓鋼實物進行檢查，直觀方便。具有缺陷嚴重程度判斷的能力，開發(fā)缺陷嚴重度計算的算法，對于缺陷嚴重程度較小的圓鋼產(chǎn)品，可將其賣給對產(chǎn)品質(zhì)量要求較低的客戶，節(jié)省重新加工成本。

4 結(jié)論

質(zhì)量檢測不是最終目的，關(guān)鍵是將檢測得到的數(shù)據(jù)和信息及時反饋到設(shè)備或工藝操作處，對圓鋼軋制的相關(guān)問題進行處理，調(diào)整設(shè)備或者改善工藝，以杜絕生產(chǎn)過程中再次出現(xiàn)類似缺陷產(chǎn)品，提升合格率。圖像采集技術(shù)主要靠硬件支持，系統(tǒng)硬件的迅速發(fā)展為提高圖像處理效率打下基礎(chǔ)；圖像處理技術(shù)和模式識別技術(shù)仍是機器視覺研究的重點，包括缺陷實時檢測算法和離線分類識別算法。在研究過程中，應(yīng)結(jié)合實際情況，制定合適研究目標(biāo)，及時跟蹤國外圓鋼表面缺陷機器視覺檢測技術(shù)最新研究動態(tài)，取長補短，善于創(chuàng)新，逐步建立完善的計算機集成檢測系統(tǒng)。

［1]Huang H，Gutchess D，Chang T.Imaging－based inline surface defect inspection for bar rolling［C].Proceedings of The Iron ＆ Steel Conference and Exposi－tion.Nashville，USA：Heat Transfer and Fluid Flow Laboratory，2004：1－12.

［2]Jia H，Murphey Y L，Shi J，et al.An intelligent realtiMeVision system for surface defect detection［C].Proceedings of International Conference on Pattern Recognition.Cambridge，UK：Image Vision Computing Group，2004：239－242.

［3]Malamas E N，Petrakis E G M，Zervakis M，et al.A survey on industrial vision systems，applications and tools［J].Image and Vision Computing，2003，21（2）：171－188.

［4]鮑凱，王俊濤，吳東流.新興的無損檢測技術(shù)——紅外熱波成像檢測［J].無損檢測，2006，28（8）：393－397.

［5]Morris，J W.Method and Apparatus for Real Time Defect Inspection of Metal at Elevated Temperature［P].United States，5654977：1997－08－05.

［6]Chang T S，Gutchess D，Huang，et al.Apparatus and Method for Detecting Surface Defects on a Workpiece Such As a Rolled/Drawn Metal Bar［P]. United States，20080063426：2008－03－13.

［7]徐長航，陳國明，謝靜.紅外圖像處理技術(shù)在金屬表面缺陷檢測中的應(yīng)用［J].制造業(yè)自動化，2009，31（10）：51－54.

［8]Yun J P，Park Y S，Seo B，et al.Development of realtime defect detection algorithm for high－speed steel bar in coil（BIC）［C].Proceedings of SICE－ICASE International Joint Conference.Bexco，Korea：Universit?t Siegen，2006：2495－2498.

［9]Choi S H，Bae H M，Hwang H W，et al.Device and Method for Optically Detecting Surface Defect of Round Wire Rod［P].United States，20100246974：2010－09－30.

［10]張子恕，史建軍.影像式線棒材在線表面檢測系統(tǒng)［J].軋鋼，2009，26（3）：46－48.

［11]Liu Y C，Hsu Y L，Sun Y N，et al.A computer vision system for automatic steel surface inspection［C].Proceedings of IEEE Conference on Industrial Electronics and Applications.Taichung，Taiwan：ACM Press，2010：1667－1670.