趙蘭鵬，劉堂友

(東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620)

?

基于機(jī)器視覺的硅鋼鋼帶表面缺陷自動(dòng)檢測(cè)識(shí)別研究

趙蘭鵬，劉堂友

(東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620)

硅鋼鋼帶是變壓器等工業(yè)設(shè)備發(fā)展的一項(xiàng)重要原材料，其質(zhì)量的高低直接影響著產(chǎn)品性能的好壞。傳統(tǒng)的人工檢測(cè)具有效率低、精確度差等特點(diǎn)。為此提出基于機(jī)器視覺的表面缺陷自動(dòng)檢測(cè)研究。該研究采用圖像處理及模式匹配的方法，通過對(duì)由CCD工業(yè)相機(jī)采集到的圖片進(jìn)行幾何矯正、圖像拼接、缺陷處理等過程，實(shí)現(xiàn)了硅鋼鋼帶表面缺陷輪廓檢測(cè)、特征提取、分類等功能，從而完成鋼帶質(zhì)量的判定。

機(jī)器視覺；硅鋼鋼帶；缺陷檢測(cè)；特征分類

0 引言

硅鋼鋼帶是變壓器等工業(yè)設(shè)備發(fā)展的一項(xiàng)重要原材料，其以良好的表面質(zhì)量和機(jī)械性能在該領(lǐng)域得到廣泛的應(yīng)用，因此不斷增強(qiáng)對(duì)硅鋼鋼帶質(zhì)量的提升有著重要的意義[1]。隨著高精度的圖像傳感器件、數(shù)字信號(hào)處理技術(shù)和計(jì)算機(jī)技術(shù)的提高，真正實(shí)用化的質(zhì)量自動(dòng)檢測(cè)系統(tǒng)得到了飛速的發(fā)展[2]。

本文研究基于機(jī)器視覺的硅鋼鋼帶表面缺陷自動(dòng)檢測(cè)識(shí)別技術(shù)，是在初級(jí)硅鋼鋼帶進(jìn)一步深加工使其成為生產(chǎn)變壓器原材料的生產(chǎn)過程中，采用圖像處理及模式匹配的方法并依據(jù)MATLAB軟件仿真，對(duì)采集到的圖像進(jìn)行相應(yīng)的圖像處理，從而達(dá)到對(duì)鋼帶缺陷的判斷，最終完成鋼帶質(zhì)量的判定。

1 系統(tǒng)設(shè)計(jì)要求

系統(tǒng)研究是在鋼帶生產(chǎn)線傳輸速率為0～40 m/min的環(huán)境下，使用CCD工業(yè)相機(jī)采集圖像，采集速率最大可達(dá)16幀/s，獲取的圖像分辨率為1 392×1 040。為了提高系統(tǒng)的處理速度，必須考慮圖像處理和缺陷檢測(cè)算法的選取及軟件的運(yùn)算方式，進(jìn)而達(dá)到在有限時(shí)間內(nèi)做到對(duì)龐大圖像數(shù)據(jù)量的處理，并保證最終的目標(biāo)效果，因此在滿足缺陷檢測(cè)準(zhǔn)確度的條件下，有效地控制算法和軟件編程中總體方案設(shè)計(jì)的復(fù)雜度非常重要。

圖1 系統(tǒng)流程圖

2 系統(tǒng)研究

2.1 系統(tǒng)流程圖

基于機(jī)器視覺的硅鋼鋼帶缺陷自動(dòng)檢測(cè)識(shí)別研究系統(tǒng)流程圖如圖1所示。

2.2 圖像的采集

在傳輸?shù)匿搸a(chǎn)線上方架設(shè)CCD工業(yè)相機(jī)和LED燈，并將相機(jī)與計(jì)算機(jī)連接，接著在計(jì)算機(jī)上運(yùn)行工業(yè)相機(jī)和視覺傳感器軟件，進(jìn)而控制相機(jī)對(duì)鋼帶進(jìn)行拍攝，并將拍攝的圖像傳輸給計(jì)算機(jī)。

2.3 圖像的幾何校正

在圖像采集過程中，由于相機(jī)會(huì)發(fā)生輕微的傾斜使得采集到的圖像發(fā)生幾何畸變，因此首先需要對(duì)圖像進(jìn)行幾何校正。幾何校正主要包括兩個(gè)內(nèi)容：像素坐標(biāo)校正和像素灰度估算[3]。

(1)像素坐標(biāo)校正采用具有一般形式的投影變換來進(jìn)行幾何畸變校正。投影變換是利用原圖像找出若干個(gè)控制點(diǎn)，同時(shí)找出失真圖像與之相對(duì)應(yīng)的控制點(diǎn)的坐標(biāo)，利用這些對(duì)應(yīng)的坐標(biāo)可以確定空間變換結(jié)構(gòu)，最后利用這個(gè)空間變換結(jié)構(gòu)對(duì)失真圖像中每個(gè)像素進(jìn)行變換，得到校正后的圖像坐標(biāo)。

(2)數(shù)字圖像像素的坐標(biāo)都是整數(shù)，而經(jīng)過計(jì)算后得到的坐標(biāo)不一定是整數(shù)，這就需要對(duì)經(jīng)過計(jì)算得到的像素點(diǎn)進(jìn)行像素灰度估算。這里采用雙線性內(nèi)插法對(duì)灰度進(jìn)行估計(jì)。雙線性內(nèi)插法是根據(jù)某點(diǎn)坐標(biāo)周圍4個(gè)像素點(diǎn)灰度在兩個(gè)方向上對(duì)其灰度進(jìn)行內(nèi)插。最后再去除圖像邊緣與鋼帶不相關(guān)部分得到校正后的圖像。

圖2～圖5為失真圖像和校正后的圖像。

圖2 失真圖像左圖

圖3 失真圖像右圖

圖4 校正后的圖像左圖

圖5 校正后的圖像右圖

2.4 圖像拼接

為了保證對(duì)圖像邊緣處的缺陷做到完整檢測(cè)，需要進(jìn)行圖像拼接。這里根據(jù)相機(jī)拍攝頻率和鋼帶傳輸速度，設(shè)置有效的拼接參數(shù)，進(jìn)行簡(jiǎn)單的位置計(jì)算，使得左右兩張相鄰圖像共同區(qū)域重疊在一起，得到有效的拼接；然后利用圖像融合技術(shù)使得兩張圖像重疊區(qū)域平滑過渡，濾除明顯分界線[4]，如圖6所示。

圖6 圖像拼接結(jié)果

2.5 圖像去噪

由于受生產(chǎn)環(huán)境、光照等因素的影響，采集到的圖像會(huì)受到噪聲污染，造成圖像降質(zhì)，因此需要對(duì)圖像進(jìn)行去噪處理。

中值濾波在平滑脈沖噪聲方面非常有效，同時(shí)它可以保護(hù)圖像尖銳的邊緣，不會(huì)使圖像產(chǎn)生明顯的模糊[5]；另外將帶噪聲圖像進(jìn)行小波變換處理，利用小波去噪所具有的多分辨率和去相關(guān)性的特點(diǎn)，經(jīng)過去除噪聲的小波系數(shù)，再做小波逆變換重構(gòu)圖像，最后得到去噪圖像[6]。經(jīng)過對(duì)比發(fā)現(xiàn)，采用基于中值濾波與小波變換相結(jié)合的圖像去噪進(jìn)行處理，在去除噪聲的同時(shí)保護(hù)了圖像邊緣輪廓，去噪后的圖像如圖7所示。

圖7 去噪后的圖像

2.6 圖像增強(qiáng)

為了使鋼帶上的缺陷更加清晰，在圖像去噪完成后，對(duì)圖像進(jìn)行增強(qiáng)處理。經(jīng)過對(duì)比，最終采取拉普拉斯銳化方法。圖8為增強(qiáng)后的圖像。

圖8 增強(qiáng)后的圖像

2.7 缺陷輪廓提取

在得到增強(qiáng)的圖像之后需要對(duì)其進(jìn)行缺陷輪廓提取，進(jìn)而可以得到直觀的缺陷邊緣信息。這里采取Canny邊緣檢測(cè)算子對(duì)缺陷圖像進(jìn)行輪廓提取。因?yàn)樵撍阕硬捎酶咚购瘮?shù)進(jìn)行濾波，具有很強(qiáng)的抗噪性、好的信噪比和定位性能等優(yōu)點(diǎn)，能夠?qū)喞M(jìn)行精確提取[7]，結(jié)果如圖9所示。接著對(duì)輪廓進(jìn)行圖像膨脹和填充處理[8]，進(jìn)而得到清晰的缺陷圖，如圖10所示。

圖9 圖像缺陷輪廓的提取

圖10 填充后的缺陷圖像

2.8 缺陷特征提取

缺陷特征提取是計(jì)算缺陷的特征值，為缺陷分類做準(zhǔn)備。對(duì)于人的視覺系統(tǒng)而言，物體的形狀是可以得到識(shí)別的重要特征，也是物體穩(wěn)定的特征[9]，因此本研究主要采用形狀特征分類。

圖像中的像素點(diǎn)坐標(biāo)用(x,y)來表示；像素灰度值用f(x,y)表示，其取值為0或者1。設(shè)R為所有像素點(diǎn)的集合，R′為缺陷區(qū)域中像素點(diǎn)的集合。對(duì)于缺陷描述常用的形狀特征描述如下：

(1)

式中: Nε和Nθ分別為邊界鏈碼(8方向)中移動(dòng)偶步與奇步的數(shù)目。

(2)缺陷的面積，即缺陷區(qū)域中像素點(diǎn)的個(gè)數(shù)，表達(dá)如式(2)：

(2)

(3)區(qū)域的圓形度，即區(qū)域接近圓形的程度：

(3)

(4)區(qū)域的矩形度，即區(qū)域面積與其最小的外接矩形面積比值，反映了一塊區(qū)域?qū)ζ浒鼑匦蔚某錆M程度：

(4)

Sbox是包圍矩形的面積，矩形度不超過1。

通過以上特征提取方程的計(jì)算，最終得到上面圖像的L=1.435 7e+04，S=209 787，C=0.012 8，R=0.570 1,根據(jù)廠商所給的質(zhì)量評(píng)定標(biāo)準(zhǔn)可以判定此缺陷為面積性缺陷。

2.9 缺陷的分類

在圖像處理完成后，根據(jù)廠商提供的硅鋼鋼帶質(zhì)量要求，對(duì)硅鋼鋼帶進(jìn)行質(zhì)量的評(píng)估，最終根據(jù)鋼帶不同的質(zhì)量進(jìn)行不同的分類，以適應(yīng)不同的市場(chǎng)需求。

3 結(jié)論

本文介紹了一種自動(dòng)圖像缺陷檢測(cè)系統(tǒng)，它運(yùn)用圖像處理技術(shù)，對(duì)所采集到的圖像進(jìn)行了一系列處理，進(jìn)而得到清晰的缺陷圖像；然后根據(jù)缺陷的形狀特征進(jìn)行了分類，最終根據(jù)廠商對(duì)鋼帶質(zhì)量評(píng)定標(biāo)準(zhǔn)進(jìn)行了準(zhǔn)確的評(píng)估，完成硅鋼鋼帶質(zhì)量的檢測(cè)。

[1] MIKOLAJCZYK K， SCHMID C．A performance evaluation of local descriptors[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(10):1615-1630.

[2] WU G,XU K, XU J．Application of a new feature extraction and optimization method to surface defect recognition of cold rolled strips[J]．Journal of University of science and Technology Beijing, 2007, 14(5):437-442.

[3] 戴劍鋒．?dāng)z像頭徑向畸變自動(dòng)校正系統(tǒng)[D]．廣州：華南理工大學(xué)，2010.

[4] 邵向鑫．?dāng)?shù)字圖像拼接核心算法研究[D]．長(zhǎng)春：吉林大學(xué)，2010.

[5] 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.

[6] 歐陽(yáng)誠(chéng)梓，李勇，郭振鐸，等．基于小波變換與中值濾波相結(jié)合的圖像去噪處理[J]．中原工學(xué)院學(xué)報(bào)，2006，17(2)：22-25.

[7] 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.

[8] 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(26)：214-216.

[9] 張康，鐘平．汽車涂裝表面瑕疵快速檢測(cè)方法研究[D]．上海：東華大學(xué)，2014.

Research on surface defects detection and identification for silicon steel strips based on machine vision

Zhao Lanpeng, Liu Tangyou

(School of Information Science and Technology，Donghua University，Shanghai 201620,China)

Silicon steel strip is an important raw material in the development of transformer and other industrial devices, and its quality of high and low is very important. The traditional artificial detection is low efficiency, poor accuracy, so this paper puts forward a research on automatic surface defect detection based on machine vision. This study adopts the method of image processing and pattern matching, and through geometric correction, image matching, defect processing on images collected by a CCD industrial camera, to realize the silicon steel strip surface defect detection, feature extraction, classification and other functions, so as to complete the determination of the quality of steel strip.

machine vision;silicon steel strip;defect detection;feature classification

TP391.4

A

10.19358/j.issn.1674- 7720.2016.21.015

趙蘭鵬，劉堂友. 基于機(jī)器視覺的硅鋼鋼帶表面缺陷自動(dòng)檢測(cè)識(shí)別研究[J].微型機(jī)與應(yīng)用，2016,35(21)：49-51.

2016-08-03)

趙蘭鵬(1989-)，男，碩士研究生，主要研究方向：網(wǎng)絡(luò)通信與傳感網(wǎng)。

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。