林雄 徐哲壯 陳劍

（福州大學電氣工程與自動化學院 福建省福州市 350108）

在工業(yè)生產中，鎢棒屬于小體積的棒材金屬，其金屬曲面易形成刮傷、孔洞、未見光等不同類型的缺陷，為了提高企業(yè)的經濟效益，需要對生產的鎢棒進行缺陷檢測，及時發(fā)現缺陷并加以分析,根據缺陷產生原因對相應生產環(huán)節(jié)加以改進，從而減少缺陷產品的產生的同時,對存在缺陷的鎢棒進行剔除回收，保證最終的鎢棒成品質量。目前，國內鎢棒生產企業(yè)普遍還是依賴于人工目視檢測，目檢對檢測光源、工人經驗等要求高，工人長時間檢測出現視覺疲勞，造成檢測效率低、速度慢，還會出現誤檢、漏檢的情況。

近年來，隨著機器視覺在各個領域的廣泛應用，其中應用機器視覺解決金屬表面缺陷檢測是金屬制造廠商熱點之一，對于企業(yè)的經濟效益意義重大[1-4]。目前在棒材類金屬缺陷檢測領域開展了多項研究：文獻[5]等人利用HOG 特征提取棒材表面的螺紋缺陷特征信息，并用主成分分析法提高檢測速度；文獻[6]提出了一種基于機器視覺的棒材表面裂紋檢測系統(tǒng)，通過邊緣檢測和形態(tài)學等圖像處理技術提取缺陷邊緣，實現對裂紋缺陷進行準確定位和檢測；文獻[7]提出基于二維Gabor 小波的濾波算法和缺陷特征信息分析，實現對紅鋼棒材的凹痕，擦傷缺陷的檢測。

針對鎢棒曲面缺陷圖像的特點，對鎢棒缺陷檢測算法進行深入研究，采用圖像增強、邊緣檢測、形態(tài)學處理等圖像處理技術，實現缺陷定位并提取缺陷區(qū)域圖像，計算缺陷區(qū)域的紋理特征作為SVM 分類模型輸入，實現對缺陷樣品的有效預測分類。本文的研究工作為小體積棒材金屬曲面缺陷檢測和準確識別提供了一種有效的檢測方案，具有一定的實用價值。

1 鎢棒缺陷檢測系統(tǒng)概述

鎢棒缺陷存在于棒身，面陣相機無法直接捕獲曲面結構圖像，且面陣相機受光線散射影響，部分缺陷成像不明顯，與背景灰度值相近。故本文搭建線陣相機鎢棒圖像采集系統(tǒng)，該采集系統(tǒng)明場成像效果相較于暗場缺陷區(qū)域灰度變化更為明顯，缺陷目標顯著，故采用明場成像，線性光源高角度照明。

采集原理：鎢棒圖像采集平臺如圖1所示，傳送帶和懸空攔截杠組成運動控制模塊，該模塊實現鎢棒旋轉，其具體方法為：輸送帶輕微傾斜，輸送帶由電機驅動運行，輸送帶往高處運行，攔截杠懸于傳送帶表面上方，待檢鎢棒?？吭跀r截杠的光滑邊緣上，鎢棒受輸送帶牽引力從而勻速旋轉。

圖1：圖像采集平臺

工業(yè)線陣相機以固定行頻采集棒材表面圖像，當線陣相機完成一行圖像數據的采集后，棒材剛好旋轉至下一位置，使鎢棒每次移動的距離剛好等于相機單次曝光獲得的圖像寬度，從而完成連續(xù)的圖像數據采集。

由于鎢棒生產工藝環(huán)節(jié)問題，導致鎢棒曲面表面存在多種缺陷，孔洞缺陷、刮傷缺陷、未見光缺陷作為常見的缺陷類型，缺陷成因相異,缺陷形式各有不同。采集系統(tǒng)所獲取的部分缺陷圖像如圖2所示。

圖2：鎢棒曲面圖像

鎢棒曲面缺陷檢測分類的基本流程為：首先利用圖像采集平臺獲取鎢棒灰度圖，其次采用圖像增強算法、邊緣檢測、形態(tài)學閉運算等一系列圖像處理方法，提取鎢棒感興趣區(qū)域(Regions of interest，ROI)，即缺陷區(qū)域圖像，然后通過灰度共生矩陣計算ROI 區(qū)域的紋理特征，運用SVM 分類器實現鎢棒曲面不同類型缺陷的預測分類[8-10]。鎢棒曲面缺陷檢測與分類流程如圖3所示。

2 圖像預處理

對鎢棒曲面圖像進行灰度化處理,減少圖像的復雜度和信息處理量。原始圖像尺寸太大，為了增加檢測算法處理速度、提高系統(tǒng)整體檢測效率，對圖像進行降采樣操作。降采樣算法主要采用雙線性插值法是在水平和豎直方向根據臨近的兩個像素的位置進行線性插值減少圖像尺寸，統(tǒng)一鎢棒圖像尺寸，得到450×225pixel 圖像。

鎢棒圖像灰度不均，存在局部較暗的區(qū)域，通過Gamma 校正可以提高圖像整體亮度，增強圖像對比度，降低后續(xù)缺陷分割難度。Gamma 校正通過將像素灰度值a進行歸一化，然后通過灰度變換得到校正后的像素灰度值為特征指數。Gamma 校正公式可表示為：

3 缺陷分割與提取

為便于特征提取，需準確知道缺陷具體位置，故進行ROI 提取。由于鎢棒材質、生產工藝等問題，鎢棒圖像背景區(qū)域存在較多的噪聲容易造成缺陷的錯誤分割，針對以上問題，本文提出一套適用于鎢棒曲面圖像ROI提取流程，具體流程如下：Otsu-Canny 算法的邊緣檢測獲取缺陷邊緣，運用形態(tài)學閉運算修復斷裂缺陷邊緣，得到缺陷輪廓的外接矩陣，截取對應的鎢棒圖像。

3.1 基于Otsu-Canny算法的邊緣檢測

本文選擇基于邊緣檢測的Canny 算子進行缺陷分割處理。Canny 邊緣檢測基本流程如下所示：

（1）高斯濾波函數濾波去噪處理，二維高斯函數如下：

式中：σ為高斯函數的分布參數，σ的大小控制高斯濾波對圖像的平滑程度。

通過g(x,y,σ)對原圖像R(x,y)進行平滑處理，F(x,y)為平滑濾波之后的圖像，計算公式如下：

（2）2 方向3×3 的Sobel 算子結合高斯平滑和微分求導，計算F(x,y)圖像上每個像素點對應梯度矢量，得到圖像梯度矩陣。表1 為Sobel 梯度模板。

表1：Sobel 梯度模板

Gx，Gy分別為F(x,y)與x方向和y方向的Sobel 梯度模板卷積的結果。G(x,y)為梯度圖像像素點(x,y)的梯度幅值，計算公式如下：

（3）通過非極大值抑制排除冗余的非邊緣像素，得到細化的邊緣；

（4）采用Otsu 算法自適應獲取高低閾值，根據閾值k 將經過非極大值抑制處理之后的圖像的灰度級劃分為A、B 兩類，像素屬于類A、B 的概率設為P1(k)、P2(k)，類A、B 的平均灰度級為則有圖像的類間方差為：

3.2 形態(tài)學邊緣修復

由于鎢棒表面部分缺陷與背景之間灰度變化不明顯，邊緣檢測所提取的部分缺陷邊緣易出現小范圍斷裂。通過采用形態(tài)學閉運算操作來修復邊緣小斷裂并保證缺陷總體形狀和位置不變。S為結構元素，使用S對I進行形態(tài)學閉運算處理，Ib為處理之后的邊緣檢測結果。數學表達如下：

3.3 ROI提取

為了消除表面噪聲和等干擾信息造成的誤檢邊緣，通過計算各個邊緣的輪廓周長，進行缺陷邊緣判定：將圖像上的每個邊緣輪廓的周長和周長閾值L進行對比。若大于閾值L，判定為屬于缺陷的邊緣，保留該部分邊緣；否則作為誤檢邊緣進行消除。若圖像中不存在邊緣的輪廓周長大于閾值L，則鎢棒曲面不存在缺陷，將鎢棒判定為良品。

4 缺陷區(qū)域紋理特征提取與分類

4.1 灰度共生矩陣

鎢棒ROI 區(qū)域圖像上相隔一定距離的兩個像素間存在一定的灰度關系，即灰度空間相關特性。通過灰度共生矩陣計算灰度空間特性，描述缺陷區(qū)域圖像的紋理特征?；叶裙采仃囃ㄟ^計算統(tǒng)計所有從灰度i的像素點沿a方向移動步距d到達灰度為j的像素點的概率p(i,j)。本文選擇能量、對比度、熵、逆方差、標準差和相關性6 種特征參數代表鎢棒缺陷區(qū)域圖像的紋理特征。

能量F1反映缺陷區(qū)域圖像灰度分布均勻程度和紋理粗細程度；

對比度F2反映了缺陷區(qū)域圖像紋理的清晰度；

熵F3反映缺陷區(qū)域圖像中紋理的非均勻程度或復雜程度；

逆方差F4反映缺陷區(qū)域圖像紋理的同質性，衡量圖像紋理局部變化量；

標準差F5反映缺陷區(qū)域圖像像素值與均值的離散程度，為灰度共生矩陣元素均值，h為矩陣長，w為矩陣寬；

相關性F6反映了缺陷區(qū)域圖像紋理的一致性。

其中：

方向a分別取0°、45°、90°和 135°，步距d取1，通過計算鎢棒缺陷區(qū)域圖像可得到4 個方向所對應灰度共生矩陣，然后根據式（7）～（12）即可計算每個灰度共生矩陣的能量、對比度、熵、逆方差、標準差和相關性6 個特征值，即每個鎢棒缺陷區(qū)域圖像對應24 個特征值。將這些特征值進行組合作為缺陷分類模型的輸入特征向量。

4.2 支持向量機

本文的鎢棒缺陷區(qū)域圖像訓練數據集為D={(x1,y1),(x2,y2),...,(xm,ym)}，其中xi是通過灰度共生矩陣獲取的24維紋理特征向量；yi是三種缺陷種類標簽。在樣本空間中，超平面的定義如下：

5 試驗方案和結果分析

5.1 實驗準備

計算機配置為：Intel Core i5-8300H 的CPU，1 個NVIDIA GeForce GTX 1080Ti 的GPU 和32G 的內存；編碼器型號為歐姆龍E6B2-cwz1x，功率2500p/r;線性LED 光源長15mm，功率為20w，圖4 為鎢棒缺陷檢測平臺實物圖。

圖4：鎢棒曲面缺陷檢測平臺

5.2 缺陷區(qū)域紋理特征提取實驗

通過缺陷分割映射到鎢棒圖像上，并截取對應的缺陷區(qū)域圖像進行特征提取，為了驗證特征值選取的合理性，選取240 張鎢棒圖像ROI 為試驗樣本，其中孔洞缺陷、刮傷缺陷和未見光缺陷的缺陷區(qū)域ROI 各80 幅，計算鎢棒圖像上ROI 區(qū)域的紋理特征值F1，F2，F3，F4，F5，F6在四個不同α 方向下的平均值進行對比。

圖5 可以比較發(fā)現，同一種的缺陷所對應的特征參數分布范圍較為穩(wěn)定，而不同缺陷類型之間所提取的特征值存在一定區(qū)別，孔洞的對比度整體遠大于其他兩種缺陷，孔洞的逆方差整體稍微小于其他兩種缺陷，刮傷的相關性和標準差整體大于其他兩種缺陷。因此以上6種圖像紋理特征能夠有效反映出鎢棒缺陷區(qū)域特征信息的差異。不同缺陷類型所對應的區(qū)域圖像紋理特征參數存在一定差異，為模型分類提供了數據依據。

圖5：不同類型缺陷區(qū)域特征參數對比

5.3 缺陷分類結果

利用采集平臺獲取鎢棒缺陷圖像共600 張，其中孔洞缺陷樣本，刮傷缺陷樣本，未見光缺陷樣本各200 張，以6:4 為比例劃分訓練集和測試集。

表2 分別為SVM 分類器對測試集樣本的預測分類結果，整體正確率達到93.33%，誤檢率僅為6.67%，其中孔洞缺陷檢測正確率最高，到達96.25%。分類實驗結果證明，利用灰度共生矩陣提取缺陷區(qū)域的紋理特征作為特征向量，對鎢棒缺陷分類具有良好的效果，對不同類型的鎢棒曲面缺陷分類具有較好的適用性，其精度高，滿足企業(yè)生產需求。并且利用缺陷檢測算法對單根鎢棒進行缺陷檢測的平均總耗時僅為1.732 秒，檢測速度快，能夠基本滿足工業(yè)現場檢測需求。

表2：鎢棒曲面缺陷的預測分類結果

6 結束語

本文提出了一套基于機器視覺的鎢棒曲面缺陷檢測方法，利用線陣相機獲取鎢棒曲面圖像后，通過預處理、邊緣檢測和形態(tài)學操作等，提取缺陷區(qū)域，并基于灰度共生矩陣進行缺陷的特征提取和識別。本文深入研究了鎢棒曲面缺陷圖像辨識方法，設計搭建了硬軟件模塊，形成了自動化程度高的缺陷檢測系統(tǒng)，對小體積棒材缺陷檢測具有借鑒意義。實驗結果表明本文所述方法可用于鎢棒曲面的缺陷檢測，檢測識別與分類準確度可達到93.33%，能夠基本滿足鎢棒廠家對鎢棒檢測缺陷的需求，較大程度提高檢測效率，具有較高的應用價值。