周神特，王宇宇，張 瀟, 左澤青，趙文宏

(浙江工業(yè)大學 機械工程學院，杭州 310014)

砂帶平面磨床加工的金屬板材目前已廣泛應用于航空航天、汽車、模具等諸多高新技術行業(yè)，并且這些行業(yè)對金屬板材加工后表面質量的要求日益提高[1-4]。目前，金屬板材的表面檢測主要依賴人工抽檢和目測的方式，檢測結果誤差較大，檢測效率低。而培養(yǎng)專業(yè)的人工檢測人員耗費時間長，勞動成本高，并且現(xiàn)有檢測金屬板材表面缺陷的技術較為落后，尚未達到自動化、智能化的要求。

基于機器視覺的金屬板材表面缺陷光學檢測是一種非接觸式的檢測方式，利用非接觸式的檢測方式能夠快速、有效地提取金屬板材的表面信息，實現(xiàn)金屬板材的表面缺陷檢測[5-6]。韓寧等[7]分析了激勵線圈與特定被測金屬材料耦合作用時的傳感特性，基于巨磁阻(GMR)芯片設計了用于檢測微細裂紋的電渦流探頭，并開發(fā)了一種相應的測試系統(tǒng)；秦雷等[8]采用超聲紅外鎖相熱像檢測法實現(xiàn)了對金屬板材構件接觸界面類缺陷的檢測；羅朝莉[9]采用完全非接觸式激光超聲可視化方法對金屬板材的人工缺陷進行檢測；胡亮等[10]基于線性CCD(Charge Coupled Device)攝像機設計了一套智能無損檢測系統(tǒng)來實現(xiàn)對鋼板表面缺陷的在線檢測。

針對企業(yè)實際需求和工作環(huán)境，以及金屬板材尤其是砂光機加工的金屬板材的特性，搭建了一套基于機器視覺的金屬板材表面缺陷檢測系統(tǒng)，并對缺陷圖像進行深入的分析與分類研究，提高了金屬板材缺陷的檢測速度與識別精度。

1 光學檢測系統(tǒng)的組成

基于機器視覺的金屬板材表面缺陷光學檢測系統(tǒng)主要分為圖像采集系統(tǒng)、機械設備、圖像處理系統(tǒng)3部分，如圖1所示。圖像采集系統(tǒng)主要負責圖像采集、實時圖像的傳輸;機械設備部分主要負責金屬板材的傳送;圖像采集系統(tǒng)中需要對相機工作位置以及光源位置進行調(diào)整，以拍攝出能反映板材各個部分缺陷的圖片。圖像處理系統(tǒng)和圖像采集系統(tǒng)之間通過千兆網(wǎng)線進行通信，處理系統(tǒng)中的計算機接收來自圖像采集系統(tǒng)采集到的圖像，并利用算法完成對圖像的實時處理及分類。

圖1 金屬板材表面缺陷檢測系統(tǒng)示意

考慮到對大尺寸金屬板材表面缺陷檢測精度的需求，以及金屬板材的傳送速度，缺陷面積、相機與測量工件的距離等影響因素[11]，最終選擇的工業(yè)相機為?？低暪镜腃MOS(互補金屬氧化物半導體)黑白面陣工業(yè)相機，型號為MV-CA050-10GM。

設計的圖像采集裝置主要由水平方向上的導軌和滑塊、垂直方向上的導軌和滑臺、工業(yè)相機和LED(發(fā)光二極管)光源組成。上位機控制電機帶動水平導軌上的滑塊和垂直方向上的滑臺移動，使相機到達不同的采集位置并調(diào)整相機與板材表面的距離。在實際運行過程中，由于金屬板材的面積較大，只進行一次拍攝不能清晰地得到板材表面的圖像。相機需要在上位機的控制下在板材上方反復移動并采集圖像。鋼板上被相機采集的區(qū)域為“S”或“Z”形。

2 缺陷檢測算法的設計與研究

2.1 圖像預處理

金屬板材的常見缺陷有結疤、擦傷、劃痕、孔洞、麻點等，這些缺陷尺度變化大，與背景差異小。在這種條件下，均值、高斯濾波會導致圖像模糊，而中值濾波較為耗時，且易造成圖像灰度分布的不連續(xù)[12]。筆者利用圖像的幾何性質，采用偏微分方程對圖像進行去噪[13-14]，該方法可以按照某種規(guī)律擴散圖像內(nèi)部的等照度線來達到去噪的效果，同時也可控制相應的擴散速度和方向。針對中值濾波存在的不足，基于偏微分方程導出相應的擴散原理如式(1),(2)所示。

(1)

u(x,y,0)=u0(x,y)

(2)

式中：u(x,y,t)為輸出圖像；u0為輸入圖像；u為圖像的梯度；div為散度。

利用濾波和圖像等照度線擴散結合來達到亮度均衡的目的，同時也消除了其余不穩(wěn)定因素對圖像質量的影響。以劃痕為例，圖2是缺陷圖像預處理后的效果對比。

圖2 預處理結果

2.2 缺陷目標檢測

為了滿足金屬板材缺陷檢測的實時性要求，需要快速地獲取較多邊緣，且檢測到的邊緣應在實際邊緣的中心。為滿足上述要求，選用該邊緣算法[15]，該算法具有抗噪性能好，定位精度高，檢測速度快，虛假邊緣少，邊緣寬度僅為一個像素等優(yōu)點。

首先，輸入的圖像通過高斯濾波器來達到平滑圖像、濾除噪聲的目的，但高斯濾波器會影響檢測器的性能，式(3)為高斯濾波器核方程。

(3)

式中：Hij為二維高斯卷積核;s為高斯分布標準差;k為核矩陣的維數(shù);i，j各代表一個維度。

圖像中的邊緣指向各個方向，故Canny算法利用4個算子來檢測圖像中的水平、垂直和對焦邊緣。像素點的梯度強度和方向如式(4),(5)所示。

(4)

θ=arctan(Gy/Gx)

(5)

式中：G為梯度的強度;θ為梯度方向。

再將梯度圖像進行非極大值抑制，剩余的像素可以更加準確地表示圖像中的實際邊緣，最后再為圖像設置滯后雙閾值，完成對邊緣的分割。

Canny算法的檢測效果較好，但是仍然存在不足，選用的高斯濾波器雖然在一定程度上減少了噪聲的影響，但同時也破壞了圖像的部分細節(jié)，且圖像的滯后雙閾值由人為設置，不具有魯棒性。針對這些不足，提出了通過最大類間方差算法[16-17](OTSU)自適應確定圖像雙閾值的改進方法，該改進對圖像的灰度分布特征進行操作，不受亮度和對比度的影響，效果較好。最優(yōu)滯后閾值如式(6)所示。

PA2(ωA2-ω0)+PA3(ωA3-ω0)]

(6)

改進后的Canny算法處理結果如圖3所示。

圖3 改進后的Canny算法處理結果

2.3 缺陷特征提取與識別

圖像特征提取算法是獲取缺陷區(qū)域特征參數(shù)的有效手段，常見的特征提取算法有尺度不變特征變換[18-19]、加速穩(wěn)健特征[20]、灰度直方圖、圖像矩等。考慮到工廠環(huán)境復雜，工作環(huán)境中灰塵等雜質以及其他光源會對圖像質量造成影響，最后采用SIFT(尺寸不變特征變換)算法提取金屬板材的表面缺陷。針對圖像局部特征，SIFT算法對亮度變化不敏感的問題，解決了工作環(huán)境中其他光源的影響，對于旋轉、尺度縮放等操作也具有保持不變形的能力，對于其余雜質、噪聲也能保持一定的穩(wěn)定性。綜上所述，SIFT算法滿足檢測所處的實際工作場景，金屬板材表面缺陷的自身狀態(tài)，同時SIFT算法可滿足實時檢測的要求，即使少數(shù)的數(shù)據(jù)集也可以產(chǎn)生大量的SIFT的特征向量[21]。

該算法實現(xiàn)了在不同分辨率下對邊緣、角點檢測的特征提取。高斯核是實現(xiàn)尺度變化的唯一線性核。一個圖像的尺度空間可以定義為

(7)

L(x,y,σ)=G(x,y,σ)·I(x,y)

(8)

式中:(x,y)為像素位置;L為高斯函數(shù);I為原圖像;σ為空間尺度坐標;m，n為高斯的維度。

生成尺度空間后，構建高斯差分(DoG)金字塔[22]，如式(9)所示。

DoLi=D(x,y,σ)=

[G(x,y,kσ)-G(x,y,σ)]·I(x,y)

(9)

式中：k為相鄰尺度空間的比例因子;D為高斯差分函數(shù)。

DoG的目的是構建不同尺寸下的特征點，圖4為高斯差分金字塔模型。

圖4 高斯差分金字塔模型

建立尺度空間后，先將離散空間的極值點擬合為連續(xù)空間的極值點，再通過擬合的函數(shù)來求得精確的極值點。擬合函數(shù)的方程式為

(10)

式中：X=(x,y,σ)T，可以求得對應的極值點和偏移量，圖5為擬合結果。

圖5 擬合結果

針對前文所計算的極值點及其相鄰尺度空間像素梯度進行計算，梯度的幅值及其方向如式(11)所示。

m(x,y)={[L(x+1,y)-L(x-1,y)]2+

[L(x,y+1)-L(x,y-1)]2}1/2

(11)

(12)

式中：L為極值點的尺度空間值，建議窗口半徑為3×1.5σ，尺度采用3σ原則。

為了滿足缺陷特征的旋轉不變性，需對圖像局部特征的每個關鍵點指定一個方向參數(shù)，圖6為部分方向直方圖。

圖6 部分方向直方圖

其中，主方向為直方圖的峰值，超過峰值80%的為輔方向。

以上步驟中，每個特征點有位置、尺度、方向3個信息，需將這些信息生成描述子，且這些描述子應具有獨特性，用來描述特征信息，最后進行歸一化，以消除光照的影響。

(13)

式中：h為描述子向量;l為歸一化后的特征向量。

以孔洞缺陷為例，圖7中圓圈為金屬板材表面缺陷的特征點。

圖7 SIFT提取特征點

缺陷圖像在經(jīng)過SIFT算法提取特征步驟后，依據(jù)缺陷的不同特征參數(shù)對其進行準確的識別判定并歸類。筆者設計了一種基于BP(誤差反傳)神經(jīng)網(wǎng)絡[23]與SVM(支持向量機)結合的分類器。對比BP神經(jīng)網(wǎng)絡與SVM的分類準確度，對每一類缺陷特征進行識別分類，并設置相關閾值，將大于閾值的圖片送入服務器的數(shù)據(jù)庫進一步處理[24]。

3 試驗結果與分析

3.1 參數(shù)討論

經(jīng)過對圖像的特征參數(shù)進行分析，通過灰度直方圖、圖像矩(描述灰度圖像特征的一個物理量)對大量的缺陷樣本圖像進行特征參數(shù)提取，包括灰度均值ω、面積S、縱橫比λ、圓形度e、空洞數(shù)H、能量E，并組成標準缺陷數(shù)據(jù)庫，為缺陷分類器后續(xù)的訓練學習提供充足的樣本。從標準缺陷數(shù)據(jù)庫中抽取9組劃痕、孔洞、麻點等幾個典型缺陷圖像的特征參數(shù)(見表1)。

表1 缺陷樣本特征參數(shù)

3.2 結果分析

為了驗證缺陷檢測算法的可靠性，采用4類金屬板材的缺陷：結疤、輥印、劃痕、孔洞。每個缺陷樣本數(shù)為300張，總計1 200張金屬板材缺陷樣本。

檢測結果分為檢測率、漏檢率、誤檢率,定義如式(14)所示。

x=a/N,y=b/N,z=c/N

(14)

式中：x為檢測率；y為漏檢率；z為誤檢率；a為檢測出的缺陷樣本個數(shù)；b為漏檢樣本個數(shù)；c為誤檢樣本個數(shù)。

改進的Canny算法檢測率為92.68%，單幅圖像的檢測時間僅為49.8 ms。相對于經(jīng)典的Canny算法，改進后的算法對圖像邊緣的分割更加完整，并且避免了人工設定雙閾值所帶來的不確定性，算法的執(zhí)行效率也得到了提高。不同算法統(tǒng)計結果如表2所示，可見改進后的算法各個方面都有較大的提升，取得的效果良好。

表2 不同算法統(tǒng)計結果

利用BP神經(jīng)網(wǎng)絡和SVM結合的分類器對不同類型的缺陷進行測試，實際測試效果如表3所示。可以看出，基于SIFT算法提取特征，利用BP神經(jīng)網(wǎng)絡和SVM融合的分類器具有較高的識別率，平均識別率為90.22%。

表3 缺陷分類統(tǒng)計結果

4 結語

以檢測金屬板材表面缺陷為目標，針對平面砂光機的加工特性，設計研發(fā)了一套基于機器視覺的金屬板材表面缺陷光學檢測系統(tǒng)，通過控制圖像采集平臺的移動定位，實現(xiàn)對金屬板材不同位置、不同幅寬的拍攝，通過圖像處理系統(tǒng)能夠實現(xiàn)對缺陷的檢測識別及分類。該缺陷光學檢測系統(tǒng)創(chuàng)新點如下：保證中值濾波去噪有效性的同時，采用偏微分方程圖像去噪，使圖像按等照度線進行擴散，有效降低了噪聲，加快了圖像處理的速度；通過最大類間方差算法(OTSU)自適應確定圖像雙閾值，改進Canny算法的高斯濾波器對圖像的灰度分布特征進行操作，改進后的算法不受亮度和對比度的影響，效果較好；利用SIFT算法提取缺陷特征，具有較好的魯棒性；提出了一種BP神經(jīng)網(wǎng)絡和SVM結合的分類器的檢測方案，缺陷檢測率為92.68%，單幅圖像檢測時間僅為49.8 ms。