何 昊 賀福強(qiáng) 李思佳 張明月 謝 丹

（貴州大學(xué)機(jī)械工程學(xué)院 貴州貴陽(yáng) 550025）

硅鋼片是一種很重要的磁性材料，主要用于制作變壓器、電動(dòng)機(jī)和發(fā)電機(jī)的鐵芯。變壓器、電動(dòng)機(jī)、發(fā)電機(jī)都是農(nóng)業(yè)裝備中重要供電、動(dòng)力設(shè)備。在農(nóng)業(yè)生產(chǎn)中，設(shè)備運(yùn)行環(huán)境較為惡劣，較好的零部件質(zhì)量能提升裝備運(yùn)行壽命。通過對(duì)零部件硅鋼片進(jìn)行缺陷檢測(cè)，增加零部件的合格率。硅鋼片的表面質(zhì)量好壞是決定其磁性能的主要因素［1］。視覺檢測(cè)具有實(shí)時(shí)性、高效率、精度高等的優(yōu)點(diǎn)［2］，故視覺檢測(cè)可以實(shí)現(xiàn)檢測(cè)的自動(dòng)化，極大降低誤檢率、減少人工檢測(cè)主觀性的影響。

圖像分割就是把圖像根據(jù)性質(zhì)分成多個(gè)區(qū)域的過程，主要是指灰度值、像素強(qiáng)度值、紋理等特征。分割的方法主要有基于閾值、聚類法、遺傳算法、變形模型、區(qū)域生長(zhǎng)等［3］。Fabricio 等［4］提出了一種基于梯度向量流的自動(dòng)種子區(qū)域生長(zhǎng)方法，對(duì)較多目標(biāo)的分割也有不錯(cuò)的效果。Cui等［5］提出了一種改進(jìn)的SRG 算法，利用Harris 角點(diǎn)檢測(cè)原理自動(dòng)選擇起始種子點(diǎn)；區(qū)域生長(zhǎng)準(zhǔn)則里引入了圖像的不確定性，使分割更具有魯棒性。Mohammed 等［6］提出了一種可以自動(dòng)提取 ROI 并且用機(jī)器學(xué)習(xí)算法篩選比較適合的種子點(diǎn)的SRG算法，明顯改善圖像分割后的噪聲。Rajkumar等［7］依據(jù)預(yù)選擇的像素區(qū)域的中值來自動(dòng)選擇種子點(diǎn)，提取出種子ROI，利用梯度算子分割出ROI的邊界。Sheng等［8］利用深度學(xué)習(xí)找到比較有效的分割閾值進(jìn)行閾值分割后，再進(jìn)行區(qū)域生長(zhǎng)。

1 圖像分析及預(yù)處理

拍攝圖像會(huì)產(chǎn)生隨機(jī)的擾動(dòng)，圖像有一定的噪聲，為消除掉圖像中的無關(guān)信息，對(duì)圖像進(jìn)行預(yù)處理。

1.1 灰度化

為降低運(yùn)算量，需要將拍攝的三通道的RGB圖像轉(zhuǎn)化為單通道的灰度圖像。采用加權(quán)平均法的灰度化方法，其中心理學(xué)灰度公式根據(jù)人眼對(duì)RGB三色的敏感程度選擇不同的權(quán)重：

式（1）中，R、G、B分別為RGB 三通道灰度值，灰度化結(jié)果如圖1（a）所示。

1.2 平滑處理

為了盡可能避免將背景當(dāng)作缺陷，需要對(duì)圖像進(jìn)行平滑處理，這樣雖然會(huì)使缺陷的邊界模糊，但是有利于減少背景的干擾。注意所采用的去噪處理為均值濾波，均值濾波公式為：

式（2）中，m、n分別為所選擇的濾波核的長(zhǎng)和寬，Sxy是以(x，y)為中心的濾波核對(duì)應(yīng)像素的位置集合，平滑處理結(jié)果如圖1（b）所示。均值濾波的缺點(diǎn)是會(huì)使一些細(xì)節(jié)如邊緣等信息丟失，因此在找到種子點(diǎn)后，對(duì)沒有經(jīng)過平滑處理的圖像進(jìn)行區(qū)域生長(zhǎng)，找到缺陷邊界。

2 算法原理

2.1 閾值分割

圖1 均值濾波處理

閾值分割是圖像分割中最簡(jiǎn)單、基礎(chǔ)的方法，性能比較穩(wěn)定，計(jì)算量較小，運(yùn)算速度快；它主要有全局閾值分割、局部閾值分割、自適應(yīng)閾值分割等方法。閾值算法基于閾值T，將像素灰度值大于閾值T 和小于閾值T 的部分分別叫做前景和背景。變換函數(shù)表達(dá)式：

式（3）中，T 為閾值，g(x，y)為原圖像像素點(diǎn)(x，y)的灰度值，f(x，y)為分割后圖像像素點(diǎn)(x，y)的灰度值，閾值分割結(jié)果如圖2所示。

圖2 閾值分割結(jié)果

2.2 形態(tài)學(xué)開運(yùn)算降噪

數(shù)學(xué)形態(tài)學(xué)簡(jiǎn)稱形態(tài)學(xué)，其處理方式為領(lǐng)域運(yùn)算，即把領(lǐng)域結(jié)構(gòu)元素與圖像對(duì)應(yīng)位置像素進(jìn)行邏輯運(yùn)算，這種運(yùn)算的影響因素主要有結(jié)構(gòu)元素大小、形狀和邏輯運(yùn)算的規(guī)則。形態(tài)學(xué)操作主要有膨脹、腐蝕、梯度運(yùn)算、禮帽運(yùn)算、黑帽運(yùn)算、開運(yùn)算和閉運(yùn)算等，但其基礎(chǔ)為腐蝕和膨脹，利用膨脹和腐蝕就能完成不同形式的運(yùn)算。

腐蝕運(yùn)算能消除輪廓邊界點(diǎn)，使邊界向內(nèi)縮小，主要用于細(xì)化二值圖像目標(biāo)輪廓、去除噪聲等。

式（4）中，A為原圖像，B為結(jié)構(gòu)元素。首先給結(jié)構(gòu)元素B定義一個(gè)原點(diǎn)，當(dāng)結(jié)構(gòu)元素B的原點(diǎn)移動(dòng)到圖像A的(x，y)上時(shí)，如果結(jié)構(gòu)元素B上等于1 的像素點(diǎn)對(duì)應(yīng)圖像A也等于1，則將圖像A的(x，y)的灰度值置為1，否則置為0，腐蝕示意圖如圖3所示。

圖3 腐蝕示意圖

膨脹運(yùn)算則與腐蝕運(yùn)算相反，使邊界向外擴(kuò)張，主要用于填補(bǔ)圖像分割后的空白，使相近的不相連的輪廓相連。其公式為：

式（5）中，A為原圖像，B為結(jié)構(gòu)元素。首先給結(jié)構(gòu)元素B定義一個(gè)原點(diǎn)，當(dāng)結(jié)構(gòu)元素B的原點(diǎn)移動(dòng)到圖像A的(x，y)上時(shí)，如果結(jié)構(gòu)元素B上等于1 的像素點(diǎn)對(duì)應(yīng)圖像A中至少有一個(gè)等于1，則將圖像A的(x，y)的灰度值置為1，否則置為0。

先進(jìn)行腐蝕操作，然后在腐蝕的基礎(chǔ)上進(jìn)行膨脹操作，主要用于去噪和計(jì)數(shù)等。其公式為：

式（6）中，A為原圖像，B、C為結(jié)構(gòu)元素。開運(yùn)算效果如圖4 所示，圖5 為開運(yùn)算處理的結(jié)果。

圖4 開運(yùn)算效果

2.3 區(qū)域生長(zhǎng)法

圖5 形態(tài)學(xué)開運(yùn)算結(jié)果

區(qū)域生長(zhǎng)的思想就是把領(lǐng)域（四領(lǐng)域、八領(lǐng)域等）相同的化為一個(gè)區(qū)域。首先需要一個(gè)種子點(diǎn)作為生長(zhǎng)的開始，然后將種子點(diǎn)領(lǐng)域內(nèi)滿足相似準(zhǔn)則要求的像素點(diǎn)合并到種子的區(qū)域，將這個(gè)區(qū)域的像素做為種子點(diǎn)，繼續(xù)進(jìn)行生長(zhǎng)，直到?jīng)]有符合要求的點(diǎn)，生長(zhǎng)結(jié)束，所有種子點(diǎn)像素作為生長(zhǎng)的區(qū)域。分割的好壞由初始種子點(diǎn)和相似準(zhǔn)則決定。

2.3.1 種子點(diǎn)選擇與檢測(cè)

經(jīng)過閾值分割和形態(tài)學(xué)處理后，將二值圖像各輪廓中心作為待定種子點(diǎn)。如果選擇的種子點(diǎn)位于缺陷的絕對(duì)區(qū)域，那么種子點(diǎn)總有一個(gè)方向各像素的深度值呈現(xiàn)高-低-高的形態(tài)。設(shè)計(jì)檢測(cè)模板如圖 6 所示，計(jì)算出種子點(diǎn)在 0°、45°、90°、135°方向上的深度變化，判斷其變化是否呈高低高形態(tài)。

圖6 檢測(cè)模板

種子點(diǎn)左右兩側(cè)r個(gè)像素的灰度平均值分別為：

各方向的灰度變化為：

深度形Si態(tài)變化判定：

式（10）中，I(u)為檢測(cè)模板中第u個(gè)像素的灰度值，w= 1，2，3，4，分別代表 0°，45°，90°，135°方向，mwm為w方向兩側(cè)的最小灰度值，T1為形態(tài)變化閾值。如果種子點(diǎn)不滿足深度形態(tài)變化判定，則去除該待定種子點(diǎn)。

2.3.2 生長(zhǎng)過程

區(qū)域生長(zhǎng)的具體流程如下：

（1）將種子點(diǎn)坐標(biāo)放入種子點(diǎn)集seeds。

（2）頂出種子點(diǎn)集中的一個(gè)種子點(diǎn)，對(duì)種子點(diǎn)八鄰域的像素點(diǎn)進(jìn)行相似準(zhǔn)則判斷；滿足相似準(zhǔn)則條件的點(diǎn)，視為種子點(diǎn)放入種子點(diǎn)集seeds。

（3）將頂出的種子點(diǎn)存入種子集S。

（4）如果種子點(diǎn)集內(nèi)沒有元素，則跳到步驟（4）； 如 果 種 子 點(diǎn) 集 中 還 有 元 素 ， 則 跳 到步驟（2）。

（5）生成一張和輸入圖像長(zhǎng)寬一致，像素值全為0的圖像I。

（6）將圖像I中對(duì)應(yīng)種子集S坐標(biāo)的像素值置為255，得到分割圖像I'。

其中生長(zhǎng)的相似準(zhǔn)則為：

式（11）中，gray(seed)為當(dāng)輪種子點(diǎn)的灰度值，gray(8_n)為其八鄰域各點(diǎn)的像素值，Thresh為設(shè)置的閾值。區(qū)域生長(zhǎng)結(jié)果如圖7所示。

圖7 區(qū)域生長(zhǎng)結(jié)果

3 實(shí)驗(yàn)過程

圖像分割就是按照預(yù)先設(shè)定的規(guī)則，將圖像分割為有意義的前景和背景的過程。區(qū)域生長(zhǎng)是一個(gè)分割效果比較好的算法，但前提是需要找到適合的種子點(diǎn)。單一的分割算法就容易遇到這種不足的情況，結(jié)合使用形態(tài)學(xué)和閾值分割的方法來找到合適的種子點(diǎn)，幫助區(qū)域生長(zhǎng)算法完成分割任務(wù)，達(dá)到滿足要求的分割效果，分割方法流程如圖8所示。

圖8 分割流程圖

首先對(duì)輸入的圖片進(jìn)行灰度化處理，變成單通道的灰度圖片，然后濾波去除噪聲，使圖像更平滑，選擇合適的閾值進(jìn)行閾值分割，在利用開運(yùn)算去除掉分割后較小的前景，以各前景區(qū)域的中心點(diǎn)為起始種子點(diǎn)，進(jìn)行區(qū)域生長(zhǎng)，得到最終所滿足要求的前景。

4 實(shí)驗(yàn)結(jié)果與分析

本文采用的圖像來自開源數(shù)據(jù)，實(shí)驗(yàn)是在Windows10，OpenCV 上實(shí)現(xiàn)的。電腦配置為i5-8300H，NVIDIA GeForce GTX1060；軟件 Py‐thon3.7，OpenCV_Python4.1.2；圖像的灰度值范圍為［0，255］區(qū)間。

本文提出的自動(dòng)種子區(qū)域生長(zhǎng)算法部分實(shí)驗(yàn)效果如圖9所示，分割比較飽滿，誤判較少（噪聲較少）。其中a（1）～a（6）為硅鋼片微表面原圖，b（1）～b（6）為對(duì)應(yīng)圖像的人工標(biāo)注圖像，c（1）～c（6）為對(duì)應(yīng)圖像算法分割結(jié)果。

本文對(duì)比實(shí)驗(yàn)了閾值分割算法、人工選擇種子點(diǎn)的區(qū)域生長(zhǎng)法以及本文提出的自動(dòng)種子區(qū)域生長(zhǎng)算法。

對(duì)比人工標(biāo)注圖像，計(jì)算各算法分割圖像的精確率P、F1值，進(jìn)行分割效果客觀比較。

精確率：

圖9 自動(dòng)種子區(qū)域生長(zhǎng)算法效果

式（12）（13）中，TP、TN、FP、FN分別為正類判定為正類、負(fù)類判定為負(fù)類、負(fù)類判定為正類，正類判定為負(fù)類的數(shù)目。

根據(jù)各算法各分割圖像的精確率、F1 值繪制折線圖。各算法分割性能如圖10 所示，圖10（a）為各算法F1值，圖10（b）為各算法精確值。

從圖10 可以看出，自動(dòng)種子區(qū)域生長(zhǎng)算法基本達(dá)到人工種子點(diǎn)區(qū)域生長(zhǎng)算法的性能，甚至有所增強(qiáng)，這是由于該算法選擇缺陷中心點(diǎn)作為種子點(diǎn)，而人工工選擇種子點(diǎn)的算法由于偶爾種子點(diǎn)選擇靠近缺陷邊緣，缺陷中心的種子點(diǎn)生長(zhǎng)更有優(yōu)勢(shì)。

圖10 各算法性能比較

5 結(jié)論

對(duì)于在復(fù)雜背景下分割缺陷，單一的算法很難奏效。例如閾值分割算法，很難找到一個(gè)固定的閾值可以有效分割所有的圖像；由于缺陷所占比例不清楚且所占比例很小，多種自動(dòng)閾值方法都會(huì)失效；單一的自動(dòng)種子區(qū)域生長(zhǎng)算法也因?yàn)轭愃频脑蚨荒苡泻芎玫姆指钚Ч?。基于此，本文提出了一種基于形態(tài)學(xué)的自動(dòng)種子區(qū)域生長(zhǎng)算法，該算法結(jié)合了形態(tài)學(xué)、閾值分割、區(qū)域生長(zhǎng)方法，其分割效果比單一的算法都要好。對(duì)硅鋼片微表面缺陷圖像的測(cè)試結(jié)果表明，該方法缺陷分割的準(zhǔn)確性表現(xiàn)不錯(cuò)。

表1 各算法性能比較