陳海永，徐　森，劉　坤，孫鶴旭,2

(1. 河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130；2.河北科技大學(xué)，河北 石家莊 050000)

?

基于譜殘差視覺顯著性的帶鋼表面缺陷檢測

陳海永1*，徐森1，劉坤1，孫鶴旭1,2

(1. 河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130；2.河北科技大學(xué)，河北 石家莊 050000)

針對帶鋼表面缺陷檢測實時性要求高，采集的圖像易受光照環(huán)境影響且缺陷特征弱等因素影響，提出一種基于譜殘差視覺注意模型的帶鋼表面缺陷在線檢測算法。首先，提出改進同態(tài)濾波方法對圖像預(yù)處理，去除光照不均勻的影響，改善后續(xù)的分割結(jié)果。 然后，構(gòu)建譜殘差視覺注意模型，通過對數(shù)頻譜曲線差分得到缺陷顯著圖像。最后，提出加權(quán)馬氏距離方法對顯著圖像閾值化增強，并利用連通區(qū)域標(biāo)記法，標(biāo)記出原帶鋼圖像的缺陷位置。對提出的算法進行了實驗驗證，結(jié)果顯示：該算法檢測速度快，單幅圖像平均檢測耗時僅37.6 ms，滿足帶鋼在線實時檢測要求。在同一缺陷數(shù)據(jù)庫與灰度投影法，多尺度Gabor邊緣檢測法和隱馬爾可夫樹模型法進行了性能對比，結(jié)果表明：本文算法對帶鋼常見8類缺陷類型，平均檢測率達到了95.3%，且漏檢率和誤檢率較低，有效性高于對比算法。

帶鋼；缺陷檢測；視覺顯著性；譜殘差；同態(tài)濾波；加權(quán)馬氏距離

1　引　言

作為鋼鐵產(chǎn)業(yè)的一種重要產(chǎn)品，冷軋帶鋼是現(xiàn)代工業(yè)生產(chǎn)過程中的必備原材料。帶鋼在汽車制造、航空航海、精密儀表、電器生產(chǎn)等行業(yè)的應(yīng)用越來越廣泛。帶鋼表面缺陷會嚴(yán)重影響帶鋼表面的冷彎、焊接性、表面光潔度等性能，進而將影響最終的產(chǎn)品性能。因此，帶鋼表面缺陷快速、準(zhǔn)確檢測對于生產(chǎn)高質(zhì)量產(chǎn)品十分重要[1]。目前，帶鋼表面缺陷大多仍使用人工目視抽檢方法，即依據(jù)工人經(jīng)驗和概率估算進行帶鋼綜合質(zhì)量評估。這種人工檢測方法存在兩大不足：1)人眼空間分辨力和時間分辨力有限，難以長時間、穩(wěn)定可靠地檢測帶鋼表面缺陷；2)人工檢測難以對缺陷的分布、分類進行量化，從而制約了帶鋼生產(chǎn)智能化。而且，傳統(tǒng)渦流、漏磁等技術(shù)由于設(shè)備體積過大，檢測率低等原因也難以滿足高速表面質(zhì)量檢測要求[2]?；跈C器視覺的帶鋼表面缺陷檢測能夠非接觸、高可靠地獲取表面缺陷的大量信息，已成為一種快速有效的帶鋼表面缺陷檢測方式[3-4]。

文獻[5]提出一種基于灰度投影法的帶鋼表面缺陷目標(biāo)檢測算法，通過計算向下和向左投影均值的最大值與給定閾值作比較來檢測缺陷目標(biāo)。但該方法對設(shè)定閾值的依賴性較大，且只針對特定的缺陷類型。文獻[6]提出了帶鋼表面缺陷多尺度Gabor邊緣檢測算法，通過小波變化模極大值較好地解決了邊緣檢測精度與抗噪性能之間的協(xié)調(diào)問題。但Gabor檢測算法耗時較長，難以滿足現(xiàn)階段高速運動帶鋼缺陷檢測的實時性要求。文獻[7]將帶鋼表面圖像分為“背景”和“缺陷”兩大類，采用隱馬爾可夫樹模型分別建模并實現(xiàn)多尺度缺陷分割，將不同類別的缺陷用同一個“缺陷模型”來表示，降低了算法復(fù)雜度。文獻[8]提出一種基于紋理閾值的缺陷分割方法，通過評價不同小波特征集，提取不均勻紋理特征，對圖像區(qū)域進行分塊處理，解決了帶鋼表面微小缺陷檢測率不高的問題。但帶鋼表面缺陷種類繁多、形態(tài)各異、隨機性強、缺陷特征弱[9]，并且采集到的圖像易受光照等外界環(huán)境影響。因此，如何快速準(zhǔn)確地從大量的帶鋼數(shù)據(jù)圖像中檢測到缺陷仍是亟需解決的問題。

視覺注意是人類對視覺環(huán)境處理信息的一個內(nèi)部特征，能夠把有限的處理資源快速準(zhǔn)確地分配到顯著的視覺區(qū)域上?；谝曈X注意機制的顯著性區(qū)域檢測[10-11]對于圖像分割領(lǐng)域有著非常重要的意義，該機制可以檢測到場景圖像中最顯著最能夠吸引注意的對象，然后對該對象涉及部分進行分割，實現(xiàn)前景目標(biāo)與背景圖像的分離[12-14]。

為了提高帶鋼的缺陷檢測率，減少背景冗余信息，提高算法效率。本文提出一種基于譜殘差視覺注意模型的帶鋼表面缺陷在線檢測算法。首先，由于帶鋼圖像采集過程中存在散射噪聲、光照不均勻等因素的影響，圖像區(qū)域易出現(xiàn)反光，以及灰度不均勻等現(xiàn)象，使得缺陷目標(biāo)和背景間的差異不顯著，從而導(dǎo)致缺陷漏檢率較高，影響最終的分割結(jié)果。針對圖像反光問題，本文給出了一種改進的同態(tài)濾波算法。其可有效弱化強反光區(qū)域，增強了缺陷目標(biāo)和背景的類間差異。其次，通過分析輸入圖像的譜，在頻域下獲取圖像的光譜殘留信息，從而在空域中構(gòu)建相應(yīng)的缺陷目標(biāo)顯著圖。最后，針對顯著圖像缺陷特征不明顯的問題，提出了一種加權(quán)馬氏距離閾值化方法，并利用連通區(qū)域法，搜索并標(biāo)記帶鋼缺陷位置，完成缺陷檢測。

2　帶鋼表面缺陷顯著性檢測

本文帶鋼檢測算法流程如圖1所示(彩圖見期刊電子版)。其中帶鋼成像系統(tǒng)主要由高速CCD攝像機、條形LED光源以及多自由度高精度攝像機調(diào)節(jié)機構(gòu)等主要設(shè)備組成。選擇2個205 frame/s的AVT GE680高速面陣相機實時采集帶鋼圖像，調(diào)整相機與光源、傳送帶的位置和角度，以形成最佳成像角度。為消除采集到的圖像存在亮度不均勻?qū)罄m(xù)分割算法的影響，對圖像進行同態(tài)濾波預(yù)處理，以提高缺陷紋理與背景的類間差異。通過分析頻域空間的幅值信息，獲取譜殘差信息，對疑似目標(biāo)缺陷進行分割，并采用加權(quán)馬氏距離閾值化增強圖像以及感興趣區(qū)域標(biāo)記，最終有效實現(xiàn)缺陷目標(biāo)分割。

圖1　帶鋼缺陷檢測流程Fig.1　Flowchart of strip defect detection

2.1改進的同態(tài)濾波方法

設(shè)m(x,y)為入射分量，表示入射到帶鋼表面的光源照射總量；n(x,y)為反射分量，表示表面反射的光照總量，則帶鋼圖像f(x,y)可由m(x,y)和n(x,y)表示[15]：

f(x,y)=m(x,y)·n(x,y).

(1)

入射分量在空間上常具有緩慢變化的特點，其對應(yīng)的是低頻分量Fm(u,v)，而反射分量隨圖像細節(jié)的不同在空間作快速變化，這部分對應(yīng)的是高頻分量Fn(u,v)。對上式兩邊取對數(shù)，再經(jīng)過傅里葉變換為頻率域中的兩個分離的變量：

Z(u,v)=Fm(u,v)+Fn(u,v),

(2)

由于傳統(tǒng)同態(tài)濾波方法對帶鋼圖像濾波效果較差[16]，本文提出一種改進的高斯高通同態(tài)濾波方法，通過引入h和l控制高通濾波器的形態(tài)參數(shù)，其中，h為高通濾波器，用以提升高頻缺陷紋理信號；l為低通濾波器，用以抑制低頻背景信號。改進的濾波函數(shù)Hg(u,v)表示為:

Hg(u,v)=h×H(u,v)-(h-l)×(1-H(u,v)),

(3)

(4)

(5)

式中，H(u,v)為原濾波函數(shù)，D0為截止頻率與頻率矩形中心的距離。D0越大，通過的頻率范圍越大，從而無法實現(xiàn)有選擇濾波。D0越小，通過的頻率范圍越小，則大部分頻率信號將被濾除。P和Q是為防止卷積纏繞而對圖像填充后的尺寸，取原圖像尺寸的2倍減1。

改進的濾波函數(shù)Hg(u,v)對Z(u,v)進行處理可得：

S(u,v)=Hg(u,v)·Z(u,v)=Hg(u,v)·Fm(u,v)+Hg(u,v)·Fn(u,v),

(6)

再對S(u,v)進行傅里葉反變換，得到濾波后的圖像。本文選取傳統(tǒng)同態(tài)濾波方法作為對比方法，通過信噪比(SNR)和峰值信噪比(PSNR)2種客觀評價指標(biāo)衡量改進同態(tài)濾波方法在消除亮度不均勻?qū)θ毕輽z測影響的有效性。設(shè)R(i,j)為原圖像，D(i,j)為處理之后的圖像，MSE為均方誤差，M，N分別為圖像的行和列。兩種評價標(biāo)準(zhǔn)表達式如下：

(7)

(8)

對比實驗結(jié)果如圖2(彩圖見期刊電子版)所示，本文選取了孔洞、邊裂、氧化皮和劃痕4種帶鋼缺陷類型，由圖2可知，改進后的同態(tài)濾波方法的SNR和PSNR較傳統(tǒng)方法有明顯提高，因此，圖像經(jīng)過改進后的同態(tài)濾波處理后，更能突顯缺陷信息。

圖2　同態(tài)濾波改進前后對比實驗結(jié)果Fig.2　Comparative experimental results for Homomorphic filter before and after improved

經(jīng)過頻域處理的圖像再經(jīng)過快速傅里葉逆變換后，可得到增強的圖像，如圖3所示。將原始圖像和經(jīng)過濾波后的圖像進行對比可以看出，濾波后的圖像在視覺上的亮度反差明顯減小，圖像亮域缺陷的邊緣對比度顯著增強，這有助于提高帶鋼缺陷檢測的準(zhǔn)確率，降低誤檢率。

(a) 帶鋼采集圖像 (a) Acquisition images for steel strip

(b)同態(tài)濾波后的效果(b)Thresholding results by improved Homomorphic filter圖3　同態(tài)濾波亮度校正后帶鋼圖像Fig.3　Strip images after brightness correction by improved Homomorphic filter

2.2譜殘差視覺注意模型

譜殘差模型[17-18]是頻域分析中一種有效的視覺顯著性檢測模型。依據(jù)有效編碼[19]思想，視覺系統(tǒng)的一個基本準(zhǔn)則是抑制反復(fù)出現(xiàn)的均勻紋理特征，同時保持偏離準(zhǔn)則的不規(guī)則特征信息。由此可將圖像信息H分解成兩部分：

H=H1+H2,

(9)

式中，H1表示需要保留的特有信息，H2表示背景，是多余的信息，這些多余的信息一般對應(yīng)圖像的表面特征。在帶鋼表面的紋理圖像中，多余信息用來表示具有規(guī)則紋理的無缺陷部分，特有信息表示帶鋼圖像中有獨特紋理特征的缺陷部分[20]。去除圖像的背景信息后，就可以獲得顯著性目標(biāo)。

給定一幅圖像I(x)，首先計算圖像的二維離散傅里葉變換，將其從空間域轉(zhuǎn)換到頻域，對幅值取對數(shù)后得到log譜L(f)：

A(f)=|F[I(x)]|,

(10)

P(f)=φ(F[I(x)]),

(11)

L(f)=log(A(f)),

(12)其中，F(xiàn)表示二維離散傅里葉變換，|·|表示其幅值，f表示相位，P(f)表示圖像的相位譜。由于log曲線滿足局部線性條件，所以用局部平均濾波器hn(f)對其進行平滑，獲得log譜，其可表示為：

V(f)=L(f)*hn(f),

(13)

其中，符號“*”表示卷積，hn(f)是一個n×n的均值濾波模板。若n取值太小，顯著性不明顯，導(dǎo)致帶鋼缺陷的漏檢率增大；若n取值較大，又會引入過多噪聲，提高誤檢率。通過多次實驗得知，n取10時檢測效果較好。hn(f)定義為：

(14)

因此，譜殘差視覺注意模型表示為：

R(f)=L(f)-V(f).

(15)

上述模型由log譜和對其進行均值濾波后的值的差分得到。為了更直觀地描述譜殘差模型，給出帶鋼表面麻點缺陷類型的譜殘差分布曲線，如圖4所示。其中，圖4(a)表示帶鋼表面麻點缺陷原圖像；圖4(b)表示對數(shù)頻譜曲線L(f)；圖4(c)表示均值濾波后對數(shù)頻譜曲線V(f)；圖4(d)表示譜殘差曲線R(f)?？梢钥闯?，譜殘差分布曲線的波動部分描述了帶鋼圖像中的缺陷目標(biāo)信息。

(a)帶鋼表面麻點缺陷　　　 (b)對數(shù)頻譜曲線L(f)(a)Rough spot disfigurement　(b)Log spectral curve for strip surface

(c)濾波后對數(shù)頻譜曲線V(f)　(d)譜殘差曲線R(f)(c)Log spectral curve after 　(d)Spectral residual curve filtering圖4　帶鋼表面麻點缺陷的譜殘差分布曲線Fig.4　Spectral residual distribution curves of spot defects in strip surface

為了重構(gòu)帶鋼圖像缺陷顯著圖。將譜殘差視覺注意模型R(f)和相位譜P(f)進行二維離散傅里葉反變換：

S(x)=|F-1[exp{R(f)+iP(f)}]|2,

(16)

式中S(x)表示通過譜殘差視覺注意模型獲取的顯著性圖。由于這種差異是由缺陷紋理區(qū)域所引起的，正是所要得到的缺陷紋理信息。得到頻譜殘差后，通過傅里葉反變換就可以得到空間域中與之對應(yīng)的缺陷信息圖像，其中只包含了缺陷紋理信息，正常紋理則被有效地濾除，從而達到缺陷分割的目的。

2.3基于加權(quán)馬氏距離的顯著圖像增強

馬氏距離[21-22]是由印度統(tǒng)計學(xué)家馬哈拉諾比斯(P. C. Mahalanobis)提出的，表示數(shù)據(jù)的協(xié)方差距離。它是一種計算兩個未知樣本集相似度的有效方法。通過計算圖像每個像素點與整體像素點樣本均值的馬氏距離，設(shè)定馬氏距離閾值d。當(dāng)馬氏距離小于d時，就認(rèn)為該像素點是特征點而被保存下來，反之，該像素點將被舍去。

對于由n個樣本zi=(xi,yi)T構(gòu)成的樣本空間z={(xi,yi)T,…,(xn,yn)T},任意一個樣本點與樣本均值μz=(μx,μy)的馬氏距離定義為：

(17)

式中Cz為協(xié)方差矩陣

(18)

(19)

傳統(tǒng)馬氏距離是針對整幅圖像計算的協(xié)方差矩陣，對感興趣區(qū)域和背景圖像不加以區(qū)分，夸大了變化微小的像素點，會引起無缺陷的誤檢。針對此問題，本文提出一種加權(quán)馬氏距離增強算法。其思想是對圖像像素點數(shù)據(jù)進行加權(quán)處理，即增加感興趣區(qū)域像素點權(quán)重，減少背景區(qū)域像素點權(quán)重，以重新估計協(xié)方差矩陣。假設(shè)感興趣區(qū)域像素點樣本X={xi,i=1,2,…,n}，則像素點樣本中心為：

(20)

對于任意樣本點x(x∈X)與感興趣區(qū)域像素點樣本中心的距離為

φ(xi)=‖xi-a‖,

(21)

由此估算出樣本空間密度分布因子den(xi)和空間距離分布因子pos(xi):

(22)

(23)

w(xi)=pos(xi)den(xi),

(24)

其中，w(xi)為重新計算的自適應(yīng)權(quán)重。因此，加權(quán)后像素點數(shù)據(jù)集表示為w(xi)·xi。

加權(quán)馬氏距離定義為：

(25)

其中Czw為重新估計的協(xié)方差矩陣。

加權(quán)馬氏距離閾值化后獲得的邊緣圖像有細微的毛刺，通過設(shè)定閾值d去掉會引起誤檢的毛刺。閾值d太小時提取的邊緣較細，容易引入誤缺陷，從而增加了缺陷的誤檢率，不利于正確表達邊緣信息；閾值d太大時提取的邊緣較粗，漏檢率較高，且易受到噪聲的影響。隨著閾值d的不斷增大，缺陷邊緣圖像如圖5所示(缺陷類型：孔洞)，不同d的取值對缺陷檢測漏檢率和誤檢率的影響如圖6所示。

圖5　閾值不斷增大得到的邊緣圖像Fig.5　Edge images obtained by increasing threshold constantly

(a) 缺陷漏檢率(a)Loss rate of defect

(b)缺陷誤檢率(b)Error rate of defect圖6　不同閾值d對缺陷檢測漏檢率和誤檢率的影響Fig.6　Effect of different threshold d on Loss rate and Error rate

3　實驗結(jié)果與分析

為了驗證本文提出檢測算法的準(zhǔn)確性和有效性，使用Visual Studio 2010配置Opencv3.0語言編寫了相應(yīng)程序，在Inter Core 3.2GHz CPU，內(nèi)存4GB的PC機上完成測試。本文帶鋼樣本圖像來自國內(nèi)某公司缺陷庫，圖像分辨率大小為480 pixel×240 pixel。針對8類常見的帶鋼缺陷(劃痕、孔洞、氧化皮、麻點、擦傷、邊裂、結(jié)疤和夾雜)進行了大量實驗。缺陷檢測軟件界面如圖7所示，其可實時顯示缺陷檢測及ROI合并后的效果，并將檢測到的缺陷位置、大小等信息進行存儲操作。

圖7　缺陷實時檢測軟件界面Fig.7　Software interface of defect real-time detection

本文檢測算法各階段參數(shù)設(shè)置如表1所示，其中截止頻率與頻率矩形中心的距離D0使用對應(yīng)文章的經(jīng)驗值。高通濾波器形態(tài)參數(shù)h和l，以及加權(quán)馬氏距離閾值d是根據(jù)本文實驗測試效果選取的經(jīng)驗值。

表1　實驗中各階段關(guān)鍵參數(shù)設(shè)置

部分帶鋼樣本圖像的缺陷檢測效果如圖8所示，其中(I)為缺陷顯著圖；(II)為加權(quán)馬氏距離閾值化增強；(III)為缺陷檢測效果。

(a)劃痕(a)Scratch

(b)孔洞(b)Hole

(c)氧化皮(c)Oxidation

(d)麻點(d)Pits

(e)擦傷(e)Scrape

(f)邊裂 (f)Crack

(I)　(II)(III)(g)結(jié)疤(g)Scar

(h)夾雜(h)Inclusions圖8　8類常見帶鋼缺陷檢測效果Fig.8　Detection results for eight types of strip defect

由于原帶鋼的樣本數(shù)量有限，本文通過對原有樣本進行旋轉(zhuǎn)、平移、縮放等方法擴充實驗樣本數(shù)量。實驗選取800張圖像作為測試樣本，每類缺陷類型各100張。先對缺陷檢測結(jié)果做如下定義：如果缺陷區(qū)域被正確檢測為缺陷，則稱之為有效檢測率；如果非缺陷區(qū)域被識別為缺陷，則稱之為誤檢；如果缺陷區(qū)域被認(rèn)為是非缺陷，則稱之為漏檢。具體定義如下：

(26)

式中，Dr、Lr和Er分別代表缺陷檢測率(Detection rate)、漏檢率(Loss rate)和誤檢率(Error rate)。N表示缺陷樣本總數(shù)，為800。通過人為統(tǒng)計，大于3個像素值的目標(biāo)，記為缺陷目標(biāo)；x表示缺陷檢出個數(shù)，以最終分割區(qū)域標(biāo)記結(jié)果為依據(jù)；y表示漏檢個數(shù)；z表示誤檢個數(shù)。本文檢測算法的Dr,Lr和Er如表2所示。由表2可知，只通過譜殘差模型(SR)來檢測缺陷時，目標(biāo)區(qū)域不夠明顯，會有較高的漏檢率；通過馬氏距離(MD)閾值化增強邊緣圖像后，能有效降低缺陷的漏檢；本文采用加權(quán)馬氏距離(WMD)閾值化方法，通過對像素點數(shù)據(jù)加權(quán)處理，提高了缺陷檢測率；利用改進的同態(tài)濾波(IHF)預(yù)處理帶鋼圖像后，實驗效果最佳，其有效降低了缺陷的漏檢率和誤檢率，缺陷平均檢測率達到了95.3%。不同類型的缺陷檢測率定義為:

(27)

式中，xi表示每類測試樣本的缺陷檢出個數(shù)，ni表示每類測試樣本的缺陷總數(shù)，Dri表示每類缺陷檢測率。不同缺陷類型檢測率如圖9所示，對于孔洞、邊裂、結(jié)疤等紋理較為顯著的缺陷，分割準(zhǔn)確率達到了96%以上。

表2　本文算法對比結(jié)果

圖9　本文算法不同缺陷類型的檢測率Fig.9　Detection rate of different defect types by proposed method

為了便于對比分析多種檢測方法的性能，實驗中，在同一計算平臺上，應(yīng)用同一數(shù)據(jù)庫，將本文檢測算法與文獻[5]基于灰度投影法、文獻[6]基于多尺度Gabor邊緣檢測法和文獻[7]基于隱馬爾可夫樹模型法進行了對比實驗，試驗結(jié)果如表3所示。由表3可知，文獻[5]檢測方法對紋理較為顯著的缺陷檢測率較高，針對不同類型缺陷，平均檢測率較低。文獻[6]檢測方法檢測率較優(yōu)，但單幅圖像檢測平均時間為735.7 ms，耗時較長，難以滿足帶鋼的實時性檢測要求。文獻[7]雖然簡化了算法，極大地縮減了檢測時間，但相比于本文算法而言，其誤檢率較高。本文提出的基于譜殘差視覺注意模型的帶鋼表面缺陷顯著性檢測算法，對于帶鋼常見的8類缺陷類型的檢測率有較大提升，漏檢率和誤檢率較低，檢測速度快，單幅帶鋼樣本的平均檢測時間僅為37.6 ms，檢測速度比多尺度Gabor邊緣檢測方法快了將近20倍，滿足現(xiàn)階段帶鋼快速在線檢測的需求。

表3　本文算法性能與已有缺陷檢測方法結(jié)果對比

4　結(jié)　論

針對帶鋼表面缺陷檢測實時性要求，以及采集到的圖像易受光照環(huán)境等因素影響導(dǎo)致檢測率不高的問題，本文提出了一種基于譜殘差視覺注意模型的圖像顯著性帶鋼表面缺陷實時檢測算法。通過融合改進同態(tài)濾波方法去除光照不均勻的影響，構(gòu)建了譜殘差視覺注意模型，提出了加權(quán)馬氏距離方法對顯著圖像閾值化增強，實現(xiàn)了分割缺陷目的。該方法單幅圖像平均檢測時間僅為37.6 ms，算法復(fù)雜度低，檢測速度有較大提高。此外，對帶鋼常見的8種缺陷類型，平均檢測率達到了95.3%，有效降低了缺陷的漏檢率和誤檢率，滿足現(xiàn)階段帶鋼檢測的需求。

[1]NEOGI N,MOHANTAL D K, DUTTA P K. Review of vision based steel surface inspection systems[J].EURASIPJournalonImageandVideoProcessing, 2014(1):1-19.

[2]喬凱,陳健,李中國,等.錐束CT圖像中的印刷電路板導(dǎo)線自動檢測方法[J]. 光學(xué) 精密工程,2016,24(2):413-421.

QIAO K,CHEN J,LI ZH G,etal..Automatic printed circuit board wire detecting method of cone beam CT image [J].Opt.PrecisionEng.,2016,24(2):413-421.(in Chinese)

[3]GONG R F, CHU M X, WANG A N,etal.. A fast detection method for region of defect on strip steel surface [J].IsijInternational, 2015, 55(1):207-212.

[4]徐科,楊朝霖,周鵬. 熱軋帶鋼表面缺陷在線檢測的方法與工業(yè)應(yīng)用[J]. 機械工程學(xué)報,2009,45(4):111-114+124.

XU K,YANG CH L,ZHOU P.Technology of on-line surface inspection for Hot-rolled steel strips and its industrial application [J].JournalofMechanicalEngineering,2009,45(4):111-114+124.(in Chinese)

[5]王宏,朱德生,唐威. 一種基于灰度投影的帶鋼表面缺陷檢測算法[J]. 東北大學(xué)學(xué)報(自然科學(xué)版),2008,29(3):375-377.

WANG H,ZHU D SH,TANG W,An algorithm of strip surface defect detection based on gray scale projection [J].JournalofNortheasternUniversity(NaturalScience),2008,29(3):375-377.(in Chinese)

[6]趙久梁,顏云輝,劉偉嵬,等. 板帶鋼表面缺陷檢測系統(tǒng)的多尺度邊緣檢測算法[J]. 東北大學(xué)學(xué)報(自然科學(xué)版),2010,31(3):432-435.

ZHAO J L,YAN Y H,LIU W W,etal..A multi-scale edge detection method of steel strip surface defects online detection system[J].JournalofNortheasternUniversity(NaturalScience),2010,31(3):432-435.(in Chinese)

[7]徐科,宋敏,楊朝霖,等. 隱馬爾可夫樹模型在帶鋼表面缺陷在線檢測中的應(yīng)用[J]. 機械工程學(xué)報,2013,49(22):34-40.

XU K,SONG M,YANG CH L,etal..Application of hidden Markov tree model to on-line detection of surface defects for steel strips[J].JournalofMechanicalEngineering,2013,49(22):34-40.(in Chinese)

[8]GHORAI S,MUKHERJEE A, GANGADARAN M,etal.. Automatic defect detection on hot-rolled flat steel products[J].IEEETransactionsonInstrumentationandMeasurement, 2013, 62(3): 612-621.

[9]彭鐵根,何永輝,李兵虎,等. 基于TDI成像技術(shù)的鍍錫帶鋼表面質(zhì)量在線檢測系統(tǒng)研發(fā)[J]. 紅外與激光工程,2014,43(1):294-299.

PENG T G,HE Y H,LI B H,etal.. Research and development of tin steel strip surface online inspection system based on TDI imaging technology[J].InfraredandLaserEngineering,2014,43(1):294-299.(in chinese)

[10]趙宏偉,陳霄,劉萍萍,等.視覺顯著目標(biāo)的自適應(yīng)分割[J]. 光學(xué) 精密工程,2013,21(2):531-538.

ZHAO H W,CHEN X,LIU P P,etal..Adaptive segmentation for visual salient object [J].Opt.PrecisionEng.,2013,21(2):531-538.(in Chinese)

[11]ZHAO Q, KOCH C.Learning saliency-based visual attention:A review[J].SignalProcessing, 2013, 93(6): 1401-1407.

[12]GOFERMAN S, ZELNIK-MANOR L, TAL A. Context-aware saliency detection[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2012, 34(10): 1915-1926.

[13]叢家慧,顏云輝.視覺注意機制在帶鋼表面缺陷檢測中的應(yīng)用[J]. 中國機械工程,2011,22(10):1189-1192+1221.

CONG J H,YAN Y H.Application of human visual attention mechanism in surface defect inspection of steel strip [J].JournalofMechanicalEngineering,2011,22(10):1189-1192+1221.(in Chinese)

[14]XU S H, GUAN S Q, CHEN L L.Steel strip defect detection based on human visual attention mechanism model[C].AppliedMechanicsandMaterials, 2014, 530: 456-462.

[15]楊永敏,樊繼壯,趙杰. 強反射表面缺陷圖像預(yù)處理[J]. 光學(xué) 精密工程,2010,20(10):2288-2296.

YANG Y M,FAN J ZH,ZHAO J.Preprocessing for highly reflective surface defect image[J].Opt.PrecisionEng.,2010,20(10):2288-2296.(in Chinese)

[16]LIU W, HE P, LI H,etal.. Improvement on the algorithm of Homomorphic filtering[J].AdvancesinBiomedicalEngineering, 2012, 11: 120.

[17]HOU X, ZHANG L. Saliency detection: A spectral residual approach[C].IEEEConferenceonComputerVisionandPatternRecognition,2007,CVPR'07,2007:1-8.

[18]CUI X, LIU Q, METAXAS D. Temporal spectral residual: fast motion saliency detection[C].Proceedingsofthe17thACMInternationalConferenceonMultimedia,ACM, 2009: 617-620.

[19]SMITH E C, LEWICKIL M S. Efficient auditory coding [J].Nature, 2006, 439(7079): 978-982.

[20]孫照蕾,惠斌,秦莫凡,等. 紅外圖像顯著目標(biāo)檢測算法[J]. 紅外與激光工程,2015,44(9):2633-2637.

SUN ZH L,HUI B,QIN M F,etal..Object detection method based on saliency measure for infrared radiation image[J].InfraredandLaserEngineering,2015,44(9):2633-2637.(in Chinese)

[21]DE MAESSCHALCK R,JOUAN-RIMBAUD D,MASSART D L. The mahalanobis distance [J].ChemometricsandIntelligentLaboratorySystems, 2000, 50(1):1-18.

[22]ZHAO X, LI Y, ZHAO Q. Mahalanobis distance based on fuzzy clustering algorithm for image segmentation [J].DigitalSignalProcessing, 2015, 43:8-16.

陳海永(1980-)，男，河南開封人，博士，副教授，2002年、2005年于哈爾濱理工大學(xué)分別獲得學(xué)士、碩士學(xué)位，2008年于中國科學(xué)院獲得博士學(xué)位，主要從事機器人視覺，機器人控制等工作。E-mail：haiyong.chen@hebut.edu.cn

劉坤(1980-)，女，黑龍江哈爾濱人，博士，副教授，2001年于東北農(nóng)業(yè)大學(xué)獲得學(xué)士學(xué)位，2003年于哈爾濱工業(yè)大學(xué)獲得碩士學(xué)位，2009年于清華大學(xué)獲得博士學(xué)位。主要從事機器視覺與智能控制等工作。E-mail：Liukun03@mails.thu.edu.cn

(版權(quán)所有未經(jīng)許可不得轉(zhuǎn)載)

Surface defect detection of steel strip based on spectral residual visual saliency

CHEN Hai-Yong1*，XU Sen1，LIU Kun1，SUN He-Xu1,2

(1.College of Control Science and Engineering, Hebei University of Technology, Tianjin 300130;2.HebeiUniversityofScienceandTechnology,Shijiazhuang050000)*Correspondingauthor,E-mail:haiyong.chen@hebut.edu.cn

As captured images for surface defect detection of a steel strip is vulnerable to lighting conditions, weaker defect characteristics and other factors, this paper proposes a new algorithm based on spectral residual visual attention mode to complete the strip surface defect detection in real time. Firstly, the homomorphic filtering method was proposed to preprocess the image to remove the influence of uneven illumination and to perfect the subsequent segmentation results. Then, a visual-attention model was constructed to obtain the defect saliency map by applying the subtraction to the logarithmic spectrum curve. Finally, the weighted Mahalanobis distance method was proposed to significantly enhance the saliency image thresholding. These locations of the defects in the original strip defect images were marked by using the connected-component labeling method. The proposed algorithm was verified by experiments. Experimental results show that the algorithm has a fast detection speed, and takes only 37.6 ms in the single image detection, meeting the requirements of the real-time detection. The comparative experiment with the gray projection method, multi-scale Gabor edge detection method and Markortree model was carried out in the same defect database, and the results show that average detection rate of the proposed algorithm reaches to 95.3% for 8 common types of defects. In the meantime,the missing rate and false positive rate are still low. These results validate the effectiveness of the algorithm.

steel strip; defect detection; visual saliency; spectral residual; homomorphic filter; weighted Mahalanobis distance

2016-06-13；

2016-08-14.

國家自然科學(xué)基金資助項目(No.61403119,No.61203275);河北省自然科學(xué)基金資助項目(No.F2014202071)，天津市特派員科技計劃資助項目(No.15JCTPJC55500)

1004-924X(2016)10-2572-09

TP391.4；TG142.15

Adoi:10.3788/OPE.20162410.2572