羅瑋+張榮福+郁浩+鄔奇

摘 要：為了解決傳統(tǒng)鋼坯長(zhǎng)度測(cè)量方法不能有效檢測(cè)到鋼坯邊界缺陷點(diǎn)的問(wèn)題，提出了一種基于圖像處理技術(shù)的非接觸式軋鋼邊界缺陷檢測(cè)方法。通過(guò)Canny算子對(duì)預(yù)處理后的圖像進(jìn)行邊緣檢測(cè)，并提取邊緣點(diǎn)坐標(biāo)。對(duì)端頭坐標(biāo)點(diǎn)進(jìn)行高階貝塞爾曲線擬合，通過(guò)求其曲線的曲率，確定端頭點(diǎn)位置。對(duì)左右邊緣進(jìn)行八鄰域跟蹤，確定邊緣缺陷點(diǎn)位置。實(shí)驗(yàn)表明，該方法能準(zhǔn)確地對(duì)缺陷點(diǎn)進(jìn)行定位。

關(guān)鍵詞關(guān)鍵詞：圖像處理；貝塞爾曲線；邊界跟蹤

DOIDOI：10.11907/rjdk.161434

中圖分類(lèi)號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2016）008-0177-03

0 引言

鋼廠型鋼在生產(chǎn)和加工過(guò)程中不可以避免地會(huì)產(chǎn)生變形，同時(shí)由于其縱向較長(zhǎng)，需要對(duì)型鋼的長(zhǎng)度進(jìn)行精確測(cè)量從而根據(jù)實(shí)際需求進(jìn)行精密切割。傳統(tǒng)在線鋼坯長(zhǎng)度檢測(cè)系統(tǒng)主要使用以下方法：主被動(dòng)式光電管檢測(cè)、輥軸轉(zhuǎn)動(dòng)量計(jì)算、結(jié)構(gòu)光測(cè)量等，但是以上測(cè)量方法都不能很好地檢測(cè)出鋼坯端頭缺陷的確切位置，因此切割時(shí)只有采用定長(zhǎng)切割的方法，導(dǎo)致產(chǎn)生大量鋼材浪費(fèi)，嚴(yán)重影響成材率。為了提高鋼材利用率，提出了基于CCD和圖像處理技術(shù)的鋼坯邊緣缺陷檢測(cè)技術(shù)[1-2]，通過(guò)Canny算子對(duì)圖像進(jìn)行邊緣檢測(cè)，配合高階貝塞爾曲線擬合以及八鄰域邊界跟蹤的方法，確定鋼坯端頭頂點(diǎn)以及兩側(cè)邊緣缺陷點(diǎn)的坐標(biāo)，并根據(jù)坐標(biāo)計(jì)算出合適的剪切長(zhǎng)度。

1 圖像預(yù)處理

1.1 灰度提取

圖像預(yù)處理主要是通過(guò)對(duì)圖像進(jìn)行灰度化、二值化、濾波等一系列操作，使得圖像中目標(biāo)物體與背景圖像以及噪聲能夠比較好地分離開(kāi)來(lái)，便于后續(xù)處理。

在某鋼廠拍攝的軋鋼首端圖像為彩色圖像，通常圖像在三維色彩空間中用RGB的疊加共同表示一個(gè)像素點(diǎn)的顏色，則一個(gè)坐標(biāo)下的像素點(diǎn)需要使用三維向量來(lái)存儲(chǔ)RGB值。而灰度值則表示了黑白圖像中顏色深與淺的關(guān)系，用0～255這256個(gè)值來(lái)表示。因此，如果對(duì)彩色圖像進(jìn)行灰度值提取，則每個(gè)像素點(diǎn)只需要用一維向量即可保存灰度值，且更有利于區(qū)分目標(biāo)物體與背景噪聲。提取彩色圖像灰度[3]有3種常見(jiàn)方法，分別是均值法、加權(quán)平均法、分量法，這里使用加權(quán)平均法提取圖像灰度。加權(quán)平均法通過(guò)給R、G、B 3個(gè)分量分別設(shè)置一個(gè)權(quán)值，然后將權(quán)值與對(duì)應(yīng)分量的值相乘求和得到灰度值：

圖1是使用上述灰度提取算法對(duì)鋼坯彩色圖像進(jìn)行處理的結(jié)果，圖2是灰度分布直方圖，橫坐標(biāo)為灰度值大小，縱坐標(biāo)為像素點(diǎn)個(gè)數(shù)。

由圖1可以得知，對(duì)于CCD拍攝到的軋鋼首端圖像，目標(biāo)圖像的灰度值比較高，而背景圖像基本處于低灰度值。從圖2的灰度提取結(jié)果可以看出，低灰度值區(qū)間有波峰出現(xiàn)，說(shuō)明背景區(qū)域主要集中在此區(qū)間內(nèi)，高灰度值同樣有比較集中的像素點(diǎn)分布，即目標(biāo)圖像的像素點(diǎn)集中在該區(qū)間。且高低灰度區(qū)間中間有明顯的分割界限，更利于后續(xù)圖像分割閾值的選取。

1.2 圖像二值化及濾波、形態(tài)學(xué)處理

通過(guò)對(duì)上述處理后的灰度圖像進(jìn)行二值化處理，有利于將背景與目標(biāo)更好地分離。通常采用選取閾值的方法對(duì)灰度圖像進(jìn)行二值化，即通過(guò)將灰度圖像中每個(gè)像素點(diǎn)的灰度值與選取的閾值進(jìn)行比較，小于閾值的賦值為0，大于閾值的賦值為1，從而將灰度圖變?yōu)橹挥?和1表示的二值圖像，公式如下：

其中，G（i，j）為圖像的二值化矩陣，g（i，j）為圖像的灰度矩陣，T為根據(jù)灰度直方圖選取的閾值。經(jīng)過(guò)轉(zhuǎn)換的二值化圖像中仍有一些噪點(diǎn)，對(duì)圖像的處理造成干擾，考慮通過(guò)中值濾波對(duì)噪聲進(jìn)行抑制同時(shí)保護(hù)邊緣信號(hào)，并用數(shù)學(xué)形態(tài)學(xué)處理的方法，將濾波后的二值圖像進(jìn)行邊界提取、骨架提取、孔洞填充、角點(diǎn)提取、圖像重建，從而增強(qiáng)目標(biāo)圖像特征，去除不相關(guān)的信息。處理后的圖像如圖3所示。

1.3 邊緣提取

在二值化圖像中，鋼坯邊緣信息并不非常清晰，通過(guò)圖像邊緣檢測(cè)[4-5]可以準(zhǔn)確提取出目標(biāo)邊緣信息，這樣有利于獲得鋼坯邊緣缺陷點(diǎn)坐標(biāo)、端頭坐標(biāo)，為計(jì)算剪裁長(zhǎng)度提供方便，其具體實(shí)現(xiàn)可利用圖像和模板進(jìn)行卷積來(lái)完成。經(jīng)常使用的邊緣檢測(cè)微分算子有很多，如 Canny算子[6]。Canny算子邊緣檢測(cè)具有濾波、增強(qiáng)、檢測(cè)等多個(gè)過(guò)程。在對(duì)圖像進(jìn)行處理前，首先利用高斯平滑濾波器對(duì)圖像進(jìn)行平滑處理來(lái)消除噪聲，接著采用一階偏導(dǎo)的有限差分來(lái)計(jì)算灰度梯度幅值和方向；在圖像處理的過(guò)程中，采取了對(duì)像素點(diǎn)灰度梯度幅值非極大值抑制處理過(guò)程，最后Canny算子還利用兩個(gè)閾值來(lái)連接邊緣。Canny算子對(duì)二值圖像的邊緣檢測(cè)結(jié)果如圖4所示。從圖4可以看出，Canny算子對(duì)形態(tài)學(xué)處理后的二值圖像檢測(cè)后的邊緣信息比較完整，型鋼左右側(cè)邊的規(guī)整與不規(guī)整的轉(zhuǎn)折點(diǎn)特征比較明顯，便于后續(xù)處理以定位特征點(diǎn)所在的坐標(biāo)。

2 輪廓點(diǎn)提取

經(jīng)過(guò)預(yù)處理的圖像，僅保留了目標(biāo)邊緣信息，但其中包含了輥道的邊緣，需要從中提取出僅屬于鋼坯輪廓點(diǎn)的坐標(biāo)。在圖4中，有3個(gè)標(biāo)記點(diǎn)：A、B、C。其中A點(diǎn)表示鋼坯左邊界高度規(guī)整與否的臨界點(diǎn)，B點(diǎn)表示鋼坯右邊界高度規(guī)整與否的臨界點(diǎn)，C表示鋼坯弧形頂端的最遠(yuǎn)點(diǎn)。計(jì)算型鋼的截取長(zhǎng)度就是找出這3個(gè)關(guān)鍵點(diǎn)，分別求出A點(diǎn)與C點(diǎn)的距離及B點(diǎn)與C點(diǎn)的距離，取其中的最大值作為截取長(zhǎng)度。

2.1 鋼坯端頭坐標(biāo)提取

經(jīng)過(guò)Canny算子提取邊緣后的二值圖像，其邊緣灰度與其它區(qū)域灰度離散分布在一個(gè)圖形矩陣中。需要對(duì)這一組離散的點(diǎn)擬合成一條光滑的曲線，以尋找曲率最大的點(diǎn)。通常采用貝塞爾曲線法[7-8]或者最小二乘多項(xiàng)式法[9]進(jìn)行擬合。

最小二乘法擬合曲線遵循的原則是就相對(duì)應(yīng)點(diǎn)之差的平方最小。可以用如下公式表示：

從圖5可以看出，使用高階（這里選3階）貝塞爾曲線擬合，可以使得輪廓點(diǎn)比較集中地分布在擬合得到的曲線兩側(cè)，從而較好地描述了輪廓點(diǎn)軌跡，根據(jù)擬合后的曲線方程求出鋼坯端頭最頂部點(diǎn)的坐標(biāo)，即圖4中的C點(diǎn)。

2.2 左右邊界缺陷點(diǎn)坐標(biāo)提取

在圖像測(cè)量中，通常需要檢測(cè)目標(biāo)區(qū)域的邊界點(diǎn)走向，以判斷特征點(diǎn)的坐標(biāo)位置。輪廓點(diǎn)趨勢(shì)判斷通常會(huì)用到八鄰域法[10-12]。

圖像上的非邊界點(diǎn)會(huì)有8個(gè)像素點(diǎn)與其相接，分別位于中心像素點(diǎn)的周?chē)?，相鄰兩個(gè)方位之間的角度為45°，8個(gè)方向鏈碼分別命名為1、2、3、4、5、6、7、8，如圖6所示。

對(duì)鋼坯邊緣作霍夫變換檢測(cè)直線后，求得鋼胚左右邊界上的多條線段，這些線段上的每一個(gè)像素點(diǎn)的坐標(biāo)都放在一個(gè)數(shù)組中，通過(guò)對(duì)這些線段的斜率及線段所在直線的截距進(jìn)行分類(lèi)，若兩線段的斜率比較相近且截距也近似相同，同時(shí)兩線段相鄰的兩個(gè)端點(diǎn)的坐標(biāo)差比較小，就認(rèn)為這兩條線段在同一條直線上，然后將兩個(gè)線段的端點(diǎn)進(jìn)行線性回歸。對(duì)得到的若干條線段進(jìn)行處理后，得到的一組數(shù)據(jù)是線性回歸后的若干條線段以及每一個(gè)線段的端點(diǎn)坐標(biāo)。

在對(duì)鋼坯端頭截取長(zhǎng)度進(jìn)行統(tǒng)計(jì)后，取極限截取長(zhǎng)度在圖像中所占的像素點(diǎn)個(gè)數(shù)為L(zhǎng)。取鋼坯端頭輪廓起始特征點(diǎn)的行坐標(biāo)為M，則只需要分別從鋼坯的左右邊緣行坐標(biāo)為（M-L）處的邊緣點(diǎn)向下進(jìn)行基于八鄰域規(guī)則的邊界輪廓跟蹤。

鋼坯右側(cè)邊界輪廓跟蹤方法與上面類(lèi)似，不同之處在于初始搜索方向?yàn)檩喞c(diǎn)的正右方（即方向“3”），終止搜索方向?yàn)椤?”方向，其余輪廓跟蹤流程同左側(cè)邊緣相似。

在采用八鄰域邊界跟蹤算法之后，可以得到規(guī)定邊界區(qū)域內(nèi)每一個(gè)輪廓點(diǎn)的方向鏈碼表。通常而言，規(guī)整邊界的像素點(diǎn)分布由于噪點(diǎn)、相機(jī)的像素分辨率及其它因素，造成規(guī)整邊界的像素點(diǎn)分布可能不在同一條直線上，而是部分像素點(diǎn)在直線兩側(cè)突變，如圖8（a）所示。通過(guò)對(duì)邊界點(diǎn)的方向鏈碼進(jìn)行分析，像素點(diǎn)的變化范圍在線性回歸直線的兩側(cè)，且左右變化不超過(guò)兩個(gè)像素點(diǎn)，此時(shí)認(rèn)為該段邊界為規(guī)整邊界。

對(duì)于非規(guī)整邊界而言，如圖8（b）所示，通過(guò)對(duì)像素點(diǎn)的邊界鏈碼來(lái)分析，當(dāng)某個(gè)邊緣點(diǎn)之后連續(xù)若干個(gè)像素點(diǎn)的邊界鏈碼為“5”、“6”或“7”，且邊緣點(diǎn)累計(jì)變化范圍在3個(gè)或以上像素點(diǎn)時(shí)，認(rèn)為該邊緣點(diǎn)就是分界點(diǎn)，記錄該點(diǎn)的坐標(biāo)，同時(shí)終止向下尋找判斷。通過(guò)對(duì)邊界鏈碼分析，可以容易得出鋼胚左右邊界的凹凸情況，從而可以判斷出左、右邊界規(guī)整與非規(guī)整的分界點(diǎn)坐標(biāo)，即圖4的A、B兩點(diǎn)。

3 結(jié)語(yǔ)

本文提出了基于圖像處理的鋼坯邊緣缺陷檢測(cè)方法。采用Matlab軟件實(shí)現(xiàn)了圖像的灰度化和二值化處理，并使用9×9的窗口濾波及形態(tài)學(xué)處理使目標(biāo)圖像增強(qiáng)。使用Canny算子對(duì)目標(biāo)提取邊緣信息后，通過(guò)曲線擬合尋找最大曲率的方法，能夠較準(zhǔn)確地找出端頭頂點(diǎn)坐標(biāo)。對(duì)左、右邊界分別采用八鄰域跟蹤的方法，能夠很好地找出左、右邊界處缺陷點(diǎn)的坐標(biāo)。

參考文獻(xiàn)：

[1] 劉勇，黃劼，李揚(yáng)揚(yáng)，等.大型鍛件幾何尺寸非接觸在線測(cè)量系統(tǒng)研究[J].中國(guó)測(cè)試技術(shù)，2008，15（5）：116-118.

[2] 童衛(wèi)旗.熱軋帶鋼在線測(cè)寬技術(shù)的發(fā)展現(xiàn)狀[J].儀表技術(shù)與傳感器，2006，5（11）：10-13.

[3] 劉勇.關(guān)于彩色化灰度圖像的算法研究及實(shí)現(xiàn)[D].濟(jì)南：山東大學(xué)，2007.

[4] 吳劍鋒.一種圖像邊緣檢測(cè)的新算法[J].福州大學(xué)學(xué)報(bào)：自然科學(xué)版，2000，28（4） ：26-28.

[5] 魏偉波，丙筱亭.圖像邊緣檢測(cè)方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2006，12（30）：88-91.

[6] CANNY J A.Computational approach to edge detection[J].IEEE Trans.on Pattern Analysis and Machine Intelligence，1986，8（6）：679-698.

[7] 祝雙武，韓惠民，任亮.基于貝塞爾曲線及柏林噪聲模型的紗線外觀仿真[J].西安工程大學(xué)學(xué)報(bào)，2009，23（1）：23-29.

[8] 鄭振貴，彭勇，許寧，等.一種基于貝塞爾曲線的終端定位軌跡擬合方法[P].中國(guó)，201210472346.2，2013-03-27.

[9] 劉佳琪，楊繼新，王春艷.進(jìn)化算法在最小二乘法曲線擬合中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2010，30（2）：41-42.

[10] 劉相濱，向堅(jiān)持，陽(yáng)波.基于八鄰域邊界跟蹤的標(biāo)號(hào)算法[J].計(jì)算機(jī)工程與應(yīng)用，2001，21（23）：125-126.

[11] JIN JINGXUAN.A location method based on eight neighborhood chain code for palmprint image[J].Journal of Yanbian University：Natural Science，2007，33（4）：279-282.

[12] 馮彥銘，謝家龍，李林升，等.基于八鄰域跟蹤算法的封閉區(qū)域幾何尺寸測(cè)量[J].機(jī)械工程與自動(dòng)化，2013，5（6）：170-172.

（責(zé)任編輯：孫 娟）