姜樂兵，宋飛虎，裴永勝，吳 鑫，李臻峰

（1.江南大學(xué)機械工程學(xué)院江蘇省食品先進制造裝備技術(shù)重點實驗室，江蘇 無錫 214122；2.江蘇科貿(mào)新材料科技有限公司，江蘇 江陰 214000）

0 引 言

鋼板作為鋼材加工的主要原材料，在生產(chǎn)制造等領(lǐng)域得到廣泛應(yīng)用［1］。然而在鋼板制造過程中，由于軋制設(shè)備和加工工藝會造成熱軋帶鋼和冷軋帶鋼表面出現(xiàn)裂紋、劃痕、孔洞和油斑等不同類型的缺陷［2］。鋼板在生產(chǎn)線上高速運行，且采集的鋼板表面圖像對比度低，使用人工視覺檢測法和常用的缺陷檢測方法無法準(zhǔn)確地檢測出鋼板表面缺陷。因此，關(guān)于低對比度圖像缺陷檢測與提高檢測速度逐漸成為研究的熱點。邵偉等人［3］基于缺陷圖像網(wǎng)格灰度信息的離散統(tǒng)計分析對低對比度缺陷進行檢測，該方法可以快速、準(zhǔn)確地識別低對比度缺陷，但圖像網(wǎng)格劃分大小不具有自適應(yīng)性，且對極小尺寸的缺陷檢測效果不理想；王健等人［4］基于鋼板圖像灰度信息的不同，采用2 種模型分別處理圖像灰度均勻與不均的情況，然而該算法無法做到自動界定缺陷圖像的均勻程度；湯勃等人［5］采用小波-同態(tài)濾波算法對鋼板表面圖像進行增強，再利用大津閾值分割法結(jié)合Canny算子進行缺陷邊緣檢測，該算法雖有效識別了低對比度的微小缺陷，但是檢測速度較慢且對于灰度結(jié)構(gòu)復(fù)雜的缺陷圖像存在過分割的現(xiàn)象；蘭紅等人［6］構(gòu)建基于改進克里金插值算法的三維灰度矩陣的等值線拓?fù)潢P(guān)系樹，并采用全局與局部搜索相結(jié)合的方法分割缺陷，該算法在有效識別鋼板表面缺陷區(qū)域的同時抑制了過分割，但是對于低對比度缺陷圖像檢測效果不佳，且速度較慢。在低對比度圖像中，使用Gabor函數(shù)可以增強缺陷檢測效果［7］。本文提出一種結(jié)合粒子群優(yōu)化（particle swarm optimization，PSO）算法和二維Gabor 濾波器的缺陷檢測算法進行鋼板表面缺陷檢測。

1 圖像采集

圖像采集裝置如圖1 所示，主要由線陣CCD 相機、鏡頭、高亮線陣發(fā)光二極管（LED）光源組成。線陣CCD相機和高亮線陣LED光源布置在鋼板的正上方；利用LabVIEW軟件開發(fā)平臺中的NI視覺采集模塊VAS開發(fā)圖像采集程序完成鋼板表面缺陷圖像的采集。

圖1 圖像采集裝置

2 缺陷檢測

根據(jù)缺陷檢測精度和處理程度，缺陷檢測過程可以概括為圖像預(yù)處理、缺陷目標(biāo)分割、形態(tài)學(xué)處理、缺陷目標(biāo)標(biāo)識。

2.1 自適應(yīng)中值濾波

自適應(yīng)中值濾波動態(tài)的改變?yōu)V波器窗口尺寸，以提高對噪聲密度較大圖像的濾波效果，其將窗口極值點用作判定圖像中噪聲與信號的依據(jù)，用當(dāng)前窗口內(nèi)的灰度中值代替窗口鄰域中的噪聲點，而對無噪聲像素點則保持灰度值不變［8］。

采用均值濾波、中值濾波、雙邊濾波、同態(tài)濾波和自適應(yīng)中值濾波對鋼板表面4 種缺陷圖像進行濾波處理，并分別計算濾波后圖像的均方誤差（mean square error，MSE）、峰值信噪比（peak signal-to-noise ratio，PSNR）和濾波耗時T來選出較為合適的濾波方法［9］，計算結(jié)果如表1所示。

表1 5 種濾波方法的MSE，PSNR值和濾波耗時T

根據(jù)MSE和PSNR計算結(jié)果，上述5 種濾波算法的濾波質(zhì)量由高到低依次為自適應(yīng)中值濾波、中值濾波、雙邊濾波、均值濾波和同態(tài)濾波。同時，自適應(yīng)中值濾波的濾波速度最快，平均濾波耗時在0.014 s左右，因此，本文選取自適應(yīng)中值濾波算法進行濾波。

2.2 對數(shù)變換

以孔洞缺陷為例，圖2 給出了孔洞原圖和孔洞對數(shù)變換后圖像及其對應(yīng)的灰度直方圖［10］。

圖2 孔洞缺陷圖像對數(shù)變換對比

由圖2 可得，濾波后的孔洞圖像灰度值分布集中在50～160之間，其對應(yīng)的灰度直方圖呈現(xiàn)明顯的單峰特征，所要檢測的孔洞目標(biāo)與背景之間的對比度不明顯，圖像整體偏暗；對數(shù)變換后，圖像的灰度值分布集中在150～250之間，且整體亮度提高，缺陷目標(biāo)與背景之間的對比度明顯增大，有利于后續(xù)缺陷目標(biāo)檢測。

2.3 基于PSO-Gabor濾波器的缺陷檢測

2.3.1 二維Gabor濾波器的設(shè)計

二維Gabor濾波器針對圖像在不同的頻率和帶寬上進行濾波，符合濾波器頻率范圍的信號被提取，超過頻率范圍的信號被抑制［11］。二維Gabor函數(shù)的表達式如下

輸入圖像f（x，y）與二維Gabor濾波器卷積得到輸出圖像G（x，y），定義濾波后圖像像素（x，y）處的能量值如下

式中DRe（x，y｜σ，ψ，θ）和GIm（x，y｜σ，ψ，θ）分別為輸出圖像G（x，y）的實部與虛部。

圖像缺陷處像素的能量值和無缺陷處像素的能量值具有較大差異，通過設(shè)定合適的能量閾值，區(qū)分圖像中的缺陷區(qū)域和無缺陷區(qū)域，缺陷檢測轉(zhuǎn)化為圖像閾值分割。

本文選取μE+CσE作為能量閾值，C為一個可變常量，μE和σE分別為無缺陷圖像與二維Gabor 濾波器卷積后圖像的能量均值與標(biāo)準(zhǔn)差。

Gabor濾波器的濾波性能由頻率ψ，方向θ以及尺度σ這3個參數(shù)所決定，3 個參數(shù)在空間域和頻域中有不同的響應(yīng)，而且濾波窗口尺寸W×W也影響著Gabor 濾波器對缺陷圖像的濾波效果，隨著Gabor 函數(shù)的3 個參數(shù)和濾波窗口尺寸大小的改變，濾波后圖像的能量響應(yīng)值E（x，y）也會有所不同。因此，Gabor 濾波器的參數(shù)選擇在缺陷檢測中尤為重要。

本文設(shè)置max｛μE／σE｝作為圖像f（x，y）求得其最優(yōu)Gabor濾波器的目標(biāo)函數(shù)；最優(yōu)Gabor 濾波器可由式（5）、式（6）聯(lián)合求解：

目標(biāo)函數(shù)為

約束條件為

頻率參數(shù)ψ通常選擇ψmin＝1，ψmax＝W，其中，W為奇數(shù)［12］。

2.3.2 PSO算法

粒子的速度及位置更新［13～16］公式為

式中和分別為第i個粒子在第k代和第k+1代的速度與位置；c1和c2分別為個體與群體的學(xué)習(xí)因子，設(shè)置c1＝c2＝2；r1和r2為介于0 ～1 之間的隨機值；和分別為第i個粒子的最佳位置和粒子群體的最佳位置；w為保持粒子運動速度的慣性權(quán)重，w值較大時，算法的全局收斂能力較強，但局部搜索能力較弱；反之，算法的局部搜索能力較強，全局搜索能力較弱［14］，對w值采用線性遞減的方法可以提高粒子群尋優(yōu)性能［15］，w值的上、下限分別設(shè)置為wmax＝0.9和wmin＝0.4。

粒子性能由式（3）給出的目標(biāo)函數(shù)來衡量。求解Gabor濾波器4 個最優(yōu)參數(shù)是對變量X＝［σ，ψ，θ，W］T進行搜索，具體流程如下：

1）確定搜索空間維度為4，粒子種群數(shù)和迭代總數(shù)均為50；隨機生成每個粒子i的初始位置Xi＝［xi1，xi2，xi3，xi4］和初始速度Vi＝［vi1，vi2，vi3，vi4］，并且粒子的位置取值都應(yīng)符合式（4）的約束條件，同時粒子的速度應(yīng)滿足：-0.5≤Vi≤0.5；

2）將每個粒子的位置向量依次作為優(yōu)化變量Xi＝［σi，ψi，θi，Wi］，分別計算每個粒子當(dāng)前的適應(yīng)度值fitnessi，并將其作為粒子的個體最優(yōu)值，找出當(dāng)前所有粒子的最大適應(yīng)度值作為群體最優(yōu)值；

3）更新粒子的位置和速度，并計算更新后粒子的適應(yīng)度值，若，則粒子當(dāng)前的個體最優(yōu)值

4）用每個粒子的當(dāng)前最優(yōu)適應(yīng)度值與粒子群的群體最優(yōu)值進行比較，若，則粒子群的群體最優(yōu)值，且該粒子的當(dāng)前位置更新為粒子群的群體最優(yōu)解；

5）若達到最大迭代次數(shù)，則尋優(yōu)結(jié)束，輸出當(dāng)前的群體最優(yōu)解X*＝［σ*，ψ*，θ*，W*］；否則重復(fù)步驟（3）和步驟（4），直到迭代次數(shù)滿足50為止。

上述所提出的基于PSO-Gabor濾波器的缺陷檢測算法流程如圖3所示。

圖3 基于PSO-Gabor濾波器的缺陷圖像檢測流程

3 實驗結(jié)果與分析

3.1 基于PSO-Gabor濾波器的鋼板表面缺陷檢測

選取鋼板表面孔洞、劃痕、銹跡和油斑缺陷圖像作為實驗數(shù)據(jù)，缺陷圖像分辨率均為304 像素×304 像素。利用PSO算法對Gabor濾波器的4個參數(shù)進行迭代尋優(yōu)，所得最優(yōu)參數(shù)值如下：σ為3.76，ψ為10.00，θ為66.67，W為55。

根據(jù)最優(yōu)的Gabor 濾波器對缺陷進行檢測，其檢測結(jié)果如圖4所示。如圖4（a）從左到右依次為：缺陷原圖；能量圖，經(jīng)過最優(yōu)Gabor 濾波器濾波之后的能量圖，對比可知：能量圖中缺陷目標(biāo)與背景之間的對比度更大，缺陷得到突顯，且圖像背景區(qū)域灰度分布更均勻，亮度提升，有利于缺陷檢測；二值圖，能量圖分割的二值圖，孔洞、油斑二值圖比劃痕、銹跡二值圖存在更多偽缺陷；標(biāo)識圖，去除偽缺陷之后的缺陷標(biāo)識圖精準(zhǔn)地檢測與標(biāo)識出缺陷目標(biāo)區(qū)域。

圖4 基于PSO-Gabor濾波器的鋼板表面缺陷檢測結(jié)果

由圖5對比可知，能量圖缺陷區(qū)域與背景之間的灰度差異比原圖更大，缺陷區(qū)域與背景之間的灰度對比度得到較大提升，背景區(qū)域灰度分布更均勻，進一步證實了最優(yōu)Gabor濾波器可以最大化地突出圖像中的缺陷區(qū)域。

圖5 原圖與能量圖缺陷區(qū)域的水平灰度分布對比

3.2 不同算法的缺陷檢測性能比較

圖6 為應(yīng)用5種缺陷分割方法對劃痕圖像進行分割的效果對比圖。由圖6 可得，基于PSO-Gabor 濾波器的分割法分割效果最好，其不僅達到劃痕缺陷目標(biāo)與圖像背景完全分離，而且分割之后基本不存在偽缺陷。分割效果最差的是分水嶺分割法，其分割結(jié)果圖中存在較多的偽缺陷；其他3種分割方法的效果比較接近。

圖6 劃痕缺陷圖像的5 種不同缺陷分割算法結(jié)果

選取4種缺陷圖像各20張作為驗證集，分別應(yīng)用上述5種分割算法對缺陷圖像進行分割，計算5 種方法的平均分割準(zhǔn)確率和平均分割耗時。具體計算結(jié)果如圖7 所示。由圖7 可得，本文算法平均分割準(zhǔn)確率最高，為93.75%，且算法平均分割耗時最少，只需0.05 s即可完成缺陷目標(biāo)分割，分割準(zhǔn)確率和分割速度均優(yōu)于其他4 種分割算法。綜合視覺效果、定量的分割準(zhǔn)確率與分割耗時可得，本文所提出的分割算法優(yōu)勢明顯。

圖7 不同分割算法的性能對比

4 結(jié) 論

針對鋼板表面的缺陷檢測問題，本文提出了一種基于PSO-Gabor濾波器的缺陷檢測方法，準(zhǔn)確、快速地實現(xiàn)了鋼板表面的缺陷檢測功能。對缺陷圖像進行自適應(yīng)中值濾波和對數(shù)變換增強，突出缺陷目標(biāo)以及降低背景干擾；利用PSO算法對二維Gabor 濾波器的4 個參數(shù)進行迭代尋優(yōu)，基于優(yōu)化的Gabor濾波器進行缺陷目標(biāo)的檢測。實驗結(jié)果證明：PSO-Gabor 濾波的缺陷檢測算法檢測準(zhǔn)確度達93.75%，檢測耗時為0.05 s。