劉朝選，劉堂友，吳云飛（東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620）

基于機(jī)器視覺(jué)的鋼帶缺陷檢測(cè)研究

劉朝選，劉堂友，吳云飛
（東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620）

針對(duì)鋼帶缺陷傳統(tǒng)的人工檢測(cè)效率低、誤檢率高以及危險(xiǎn)程度大等問(wèn)題，提出了一種基于機(jī)器視覺(jué)的缺陷檢測(cè)和識(shí)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(guò)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(cè)，再以缺陷圖像的圓形度等特征完成識(shí)別分類，從而實(shí)現(xiàn)對(duì)鋼帶缺陷的檢測(cè)和統(tǒng)計(jì)。實(shí)驗(yàn)結(jié)果表明，該缺陷檢測(cè)方案能夠?qū)崟r(shí)準(zhǔn)確有效地識(shí)別鋼帶缺陷，證明了該方法的可行性。

機(jī)器視覺(jué)；缺陷檢測(cè)；識(shí)別分類；鋼帶

0 引言

近年來(lái)，我國(guó)經(jīng)濟(jì)發(fā)展進(jìn)入轉(zhuǎn)型期，對(duì)產(chǎn)品質(zhì)量和外觀的關(guān)注度也越來(lái)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(guó)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(cè)，這種方法抽檢率低、隨機(jī)性差、檢測(cè)效率低，并且生產(chǎn)線環(huán)境惡劣，危險(xiǎn)性大，對(duì)檢測(cè)人員的健康有威脅。機(jī)器視覺(jué)技術(shù)隨著計(jì)算機(jī)科學(xué)的高速發(fā)展，越來(lái)越廣泛地應(yīng)用到工業(yè)生產(chǎn)的自動(dòng)化檢測(cè)中。一些發(fā)達(dá)國(guó)家和地區(qū)早已生產(chǎn)出了比較成熟的鋼帶檢測(cè)系統(tǒng)［1］。隨著我國(guó)現(xiàn)代化程度的加深，這種全新檢測(cè)技術(shù)也引起了各鋼材生產(chǎn)企業(yè)的重視，市場(chǎng)需求很大。因此，研究開(kāi)發(fā)出具有自主知識(shí)產(chǎn)權(quán)的鋼帶表面缺陷檢測(cè)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(duì)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(shí)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(cè)的實(shí)時(shí)性要求，因此在有限時(shí)間內(nèi)完成對(duì)圖像龐大數(shù)據(jù)量的處理并保證檢測(cè)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(guò)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(cè)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(jué)的鋼帶缺陷檢測(cè)系統(tǒng)流程圖如圖1所示。

圖1 鋼帶缺陷檢測(cè)系統(tǒng)框架

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(guò)簡(jiǎn)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(duì)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(guò)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。

圖2 缺陷鋼帶的原始圖像

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(guò)程中不可避免地引入了噪聲信號(hào)。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(huì)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(duì)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(guò)試驗(yàn)對(duì)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(duì)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(hào)特征，并在不同尺度上讓噪聲和信號(hào)明顯地區(qū)分開(kāi)來(lái)，所以它在圖像增強(qiáng)方面有很大優(yōu)勢(shì)［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(guò)對(duì)低頻分解系數(shù)進(jìn)行增強(qiáng)處理，對(duì)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。

圖3 鋼帶缺陷增強(qiáng)圖像

2.3 鋼帶缺陷的分割

為了便于對(duì)鋼帶缺陷的識(shí)別分類，使用Canny算子對(duì)其進(jìn)行處理。因Canny具有高檢測(cè)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(cè)算法［8］。首先用strel函數(shù)線性的結(jié)果甬?dāng)?shù)對(duì)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(duì)象；最后，用菱形結(jié)構(gòu)元素對(duì)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(lái)，其結(jié)果如圖4所示。

圖4 鋼帶缺陷邊緣檢測(cè)圖像

3 缺陷圖像的特征提取與識(shí)別

3.1 特征提取

圖像特征提取是缺陷識(shí)別最為重要的部分，也是算法的核心。本文研究的算法是對(duì)分割后的缺陷部分進(jìn)行周長(zhǎng)、面積和圓形度等的特征計(jì)算。計(jì)算面積的原理為：對(duì)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：

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(zhǎng)前，使用edge函數(shù)中的Canny算子對(duì)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(shí)別

根據(jù)缺陷圖像的特征，利用面積和周長(zhǎng)的大小來(lái)識(shí)

圖5 鋼帶缺陷邊緣提取圖像

計(jì)算缺陷周長(zhǎng)即區(qū)域的邊界長(zhǎng)度，當(dāng)把像素看作一個(gè)個(gè)點(diǎn)時(shí)，則周長(zhǎng)用鏈碼表示，求周長(zhǎng)也即計(jì)算鏈碼長(zhǎng)度［10］。當(dāng)鏈碼值為奇數(shù)時(shí)，其長(zhǎng)度記作；當(dāng)鏈碼值為偶數(shù)時(shí)，其長(zhǎng)度記作1。周長(zhǎng)L表示為：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］：其中，C為圓形度；S為物體面積；L為物體周長(zhǎng)。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(duì)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(duì)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(cè)，然后分析圖像特征，經(jīng)過(guò)多次試驗(yàn)和改進(jìn)算法，最終實(shí)現(xiàn)了實(shí)時(shí)識(shí)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(cè)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)。

［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(jué)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(cè)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(chéng).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(cè)Canny算子的研究與改進(jìn)［D］.重慶：重慶師范大學(xué)，2012.

［9］楊陽(yáng).鋼球表面缺陷視覺(jué)檢測(cè)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(guó)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(cè)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.

Machine vision based defect detection on strip steel

Liu Chaoxuan，Liu Tangyou，Wu Yunfei
（School of Information Science and Technology，Donghua University，Shanghai 201620，China）

Aiming at low manual detection efficiency，high rate of false detection and high labor intensity，an algorithm based on machine vision was proposed to achieve automated defect detection and identification of strip steel.Using industrial cameras capture video images from strip steel production line，the method of median filtering and wavelet analysis were combined to eliminate noises；utilizing Canny operator to realize Edge detection，and then completed the identification and classification according to the features of defect images such as circular degree.The experimental result shows that this detection system can accurately and effectively identify the defects in a real time，and proves the feasibility of this method.

machine vision；defect defection；identification；strip steel

TP391.4

A

1674-7720（2015）24-0050-03

劉朝選，劉堂友，吳云飛.基于機(jī)器視覺(jué)的鋼帶缺陷檢測(cè)研究［J］.微型機(jī)與應(yīng)用，2015，34（24）：50-52.

2015-08-24）

劉朝選（1989-），男，碩士研究生，主要研究方向：多媒體通信與圖像處理。

劉堂友（1969-），通信作者，男，博士，副教授，主要研究方向：數(shù)字圖像處理。E-mail：liuty@dhu.edu.cn。

吳云飛（1989-），男，碩士研究生，主要研究方向：多媒體通信與圖像處理。