基于圖像顯著性特征的鑄坯表面缺陷檢測

吳家偉，嚴(yán)京旗，方志宏，夏勇，陸敏健

(1.上海交通大學(xué)圖像處理與模式識別研究所，上海 200030;2.寶山鋼鐵股份有限公司研究院，上海 201900;3.寶山鋼鐵股份有限公司設(shè)備部，上海 201900)

基于圖像顯著性特征的鑄坯表面缺陷檢測

吳家偉1，嚴(yán)京旗1，方志宏2，夏勇2，陸敏健3

(1.上海交通大學(xué)圖像處理與模式識別研究所，上海 200030;2.寶山鋼鐵股份有限公司研究院，上海 201900;3.寶山鋼鐵股份有限公司設(shè)備部，上海 201900)

針對鋼鐵鑄坯表面檢測的缺陷復(fù)雜性問題，從圖像處理及圖形特征角度提出一種基于顯著性區(qū)域特征的算法.該算法首先對源圖像進(jìn)行顯著性特征區(qū)域處理和Gabor小波濾波處理，得到了對應(yīng)的特征圖像;然后再將2幅圖像中的特征區(qū)域進(jìn)行融合，得到可信度較高的缺陷特征區(qū)域圖像;最后在缺陷區(qū)域中用訓(xùn)練好的Adaboost分類器檢測缺陷，得到最終的缺陷定位結(jié)果.該算法結(jié)合了顯著性特征和Gabor小波特征，既縮小了Adaboost分類器的搜索范圍，也提高了排除偽缺陷的能力，具有較快的定位速度和較高的準(zhǔn)確率.實(shí)驗(yàn)結(jié)果表明，該算法能獲得較好的效果，具有較高的實(shí)用價(jià)值.

鑄坯表面;缺陷檢測;顯著性區(qū)域;特征提取;Gabor小波;Adaboost分類器

作為鋼鐵材料最為重要的質(zhì)量因素之一，鋼鐵鑄坯的表面質(zhì)量的優(yōu)劣直接影響其產(chǎn)品的性能和質(zhì)量.由于設(shè)備和工藝等影響鋼板表面會(huì)出現(xiàn)不同類型的缺陷.這些缺陷不僅影響產(chǎn)品外觀，而且降低了產(chǎn)品的抗腐蝕性、耐磨性和強(qiáng)度等性能.因此如何在生產(chǎn)過程中在線檢測鋼鐵鑄坯的表面缺陷，從而控制和提高鋼鐵產(chǎn)品的表面質(zhì)量，一直是鋼鐵生產(chǎn)企業(yè)非常關(guān)注的問題.

目前關(guān)于表面缺陷檢測比較有效的方法有基于對比的模糊增長方法［1］、基于SVM的顯著區(qū)域提取方法［2］和譜分析能量分割法等.但是為了快速準(zhǔn)確地檢測出鋼板表面的實(shí)際缺陷，需要盡可能縮小檢測范圍，同時(shí)減少漏檢情況，保證在有多處缺陷的同一鋼板上至少能檢測出一處缺陷.針對快速檢測要求，選用計(jì)算神經(jīng)科學(xué)中模擬視覺檢索的顯著性檢測模型，利用圖像的統(tǒng)計(jì)特性，通過加入可變化的彈性閾值，快速檢測出圖像中的顯著區(qū)域，并通過自動(dòng)反饋修改閾值，調(diào)節(jié)顯著區(qū)域面積大小.本文主要結(jié)合在Lab顏色空間下的圖像顯著性區(qū)域和Gabor小波處理所得到的區(qū)域進(jìn)行檢測，在縮小檢測范圍的同時(shí)提高檢測速率和準(zhǔn)確率.

1 顯著性區(qū)域

首先，有必要了解一下視覺顯著性.如在圖1中，A要比其他部分更加突出，因此能夠迅速引起觀察者的注意.這種突出性就是視覺顯著性，突出性較強(qiáng)的A部分就是該圖像的顯著區(qū)域.心理學(xué)研究發(fā)現(xiàn)，那些能夠產(chǎn)生新異的、較強(qiáng)的和人所期待的刺激場景區(qū)域容易引起觀察者的注意.據(jù)此，可以將視覺顯著性劃分為2種類型:一種是基于低級視覺，由數(shù)據(jù)驅(qū)動(dòng)的自下向上的視覺顯著性(bottom－up saliency)，圖2中的視覺顯著性就屬于這種類型;另一種是基于高層視覺，由知識驅(qū)動(dòng)的自上向下的視覺顯著性(top－down saliency).由于這2種視覺顯著性的形成機(jī)理存在較大差異，因此有必要分別對其展開研究.本文的研究就是針對前者展開的.

圖1 視覺顯著性示例Fig.1 Example of saliency

圖像的顯著性區(qū)域檢測是計(jì)算機(jī)視覺中的挑戰(zhàn)性難題之一.由于依賴于顯著性區(qū)域的應(yīng)用種類繁多，因此存在很多不同的顯著性區(qū)域定義和感興趣區(qū)域的檢測算法.有一類顯著性區(qū)域檢測算法關(guān)注于找出人類觀察者第一眼所注意到的固定點(diǎn)或?qū)ο?，這類顯著性對于理解人類關(guān)注點(diǎn)和特定的應(yīng)用(如自動(dòng)聚焦)都非常重要.其他的顯著性檢測算法更加注重于檢測圖像中的單個(gè)主要對象.

Itti等［3］根據(jù)早期原始視覺系統(tǒng)的行為和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提出了一個(gè)視覺關(guān)注系統(tǒng).Itti等的算法將多尺度的圖像特征組合到一個(gè)單一視覺顯著性圖中，這些多尺度的圖像特征包括6個(gè)亮度特征圖、12個(gè)彩色和24個(gè)方向特征圖.為了快速地檢測這些多尺度的圖像特征，他們僅在較為粗糙的層面上大致計(jì)算了圖像的特征圖.實(shí)際上，該方法只生成了一個(gè)很模糊的視覺顯著性區(qū)域圖.本文方法與其不同之處在于，快速生成了一個(gè)精細(xì)的并與輸入圖像尺寸相同的顯著性圖.

Goferman等［4］提出了一種基于上下文的顯著性區(qū)域算法，其目標(biāo)是檢測圖像中代表某些場景的圖像區(qū)域.他們認(rèn)為像素的顯著性應(yīng)該由以該像素為中心的圖像塊表示或與之相關(guān)，因?yàn)檫@樣才反應(yīng)了像素所在位置的圖像上下文信息.這樣，如果以像素i為中心的圖像塊pi與圖像中所有其他的圖像塊差異都非常大，那么可以將像素i認(rèn)為是顯著的.

定義dc(pi，pj)為向量化了的圖像塊pi和pj之間在CIE Lab顏色空間中的Euclid距離，并且歸一化到［0，1］;當(dāng)dc(pi，pj)對任意的圖像塊pj都非常大時(shí)，則認(rèn)為像素i(圖像塊pi)是顯著的.再定義dp(pi，pj)為圖像塊pi和pj所在位置之間的Euclid距離，并且也被歸一化到［0，1］.基于上面的思想，Goferman等定義了一個(gè)衡量一對圖像塊的相似性的方法:

在Goferman等提出的方法中，只考慮K個(gè)最相似的圖像塊(如果最相似的圖像塊都明顯地不同于圖像塊pi，那么顯然圖像中的所有圖像塊都明顯地不同于圖像塊pi).因此，對于每一個(gè)圖像塊pi，在輸入圖像中根據(jù)式(1)找出K個(gè)最相似的圖像塊，并根據(jù)式(2)計(jì)算位置i處像素的顯著性.

Itti等的方法和Goferman等的方法都能有效地檢測出輸入圖像的視覺顯著性區(qū)域，但是由于在精細(xì)的原圖上直接檢測視覺顯著性圖的計(jì)算量巨大，所以他們都只制作了一個(gè)粗略檢測的視覺顯著性圖［5］.

2 顯著性區(qū)域檢測模型

本文提出的鋼鐵鑄坯表面缺陷顯著性區(qū)域的檢測模型如圖2所示.其模型總共包含3個(gè)模塊，即預(yù)處理模塊、生成顯著性圖和感興趣區(qū)域提取.首先將原始圖像進(jìn)行預(yù)處理，包括濾波、圖像尺寸調(diào)整和顏色空間轉(zhuǎn)換;然后通過計(jì)算圖像中每個(gè)像素的全局對比度，繼而得到原圖的顯著性區(qū)域圖，再對顯著性區(qū)域圖進(jìn)行閾值選取，提取得到具有極高顯著性的大致輪廓和區(qū)域;最后再結(jié)合Gabor小波的濾波處理結(jié)果，可以準(zhǔn)確地標(biāo)注出更為可靠的顯著性區(qū)域，并從原圖中分割出來.

圖2 鑄坯表面顯著性區(qū)域檢測的模塊流程Fig.2 The flow chat of saliency region detecting model

2.1 圖像預(yù)處理

2.1.1 高斯濾波

在鋼鐵鑄坯表面圖像采集的過程中，由于環(huán)境影響、鑄坯表面氧化、保護(hù)渣及冷卻水殘留，都會(huì)導(dǎo)致圖像有一定的噪聲和失真，因此源圖像需要進(jìn)行濾波處理.濾波可以在空域進(jìn)行，也可以在頻域進(jìn)行，空域?yàn)V波常用的方法有高斯濾波、均值濾波和中值濾波法等.高斯濾波是用卷積核與輸入圖像的每個(gè)點(diǎn)進(jìn)行卷積，最終將計(jì)算結(jié)果作為輸出圖像的濾波結(jié)果.它是一種非線性濾波法，是最常用的預(yù)處理技術(shù)，能有效地濾除隨機(jī)脈沖噪聲，但在消除噪聲的同時(shí)也會(huì)使圖像細(xì)節(jié)變得模糊，這樣無法同時(shí)保護(hù)圖像邊緣信息的完整性，使得濾波后的圖像輪廓比較模糊.由于顯著性區(qū)域算法并不完全依賴于邊緣信息，因此采用高斯平滑濾波，并且其基本思想是空間內(nèi)相鄰像素變化緩慢，因此相鄰點(diǎn)的像素變化不會(huì)太明顯，并且由于空間噪聲沒有相互關(guān)系，這可能會(huì)造成很大的像素差.基于此原因的高斯濾波在保留信號的條件下盡量降低了噪聲的影響.

2.1.2 顏色空間轉(zhuǎn)換

Lab顏色空間是由國際照明委員會(huì)(international commission on illumination，CIE)于1976年制定的色彩模式，它用3個(gè)基本坐標(biāo)L、a、b分別表示顏色的亮度(L=0表示黑色，L=100表示白色)，在紅色、品紅色和綠色之間的位置(a為負(fù)值表示綠色，正值表示品紅色)以及在黃色和藍(lán)色之間的位置(b為負(fù)值表示藍(lán)色，正值表示黃色).

Lab色彩模型不僅包含了RGB的所有色域，并且RGB不能表現(xiàn)的色彩都能通過Lab模型表現(xiàn)出來，而且這些色彩是用人的肉眼就能感知的色彩.Lab色彩模型的優(yōu)點(diǎn)還在于它彌補(bǔ)了RGB模型色彩分布不均的不足，RGB模型在藍(lán)色到綠色之間的過渡色彩過多，而在綠色到紅色之間又缺少黃色和其他色彩.從RGB顏色空間到Lab顏色空間的轉(zhuǎn)換公式為式(3):

2.2 顯著性區(qū)域提取

2.2.1 顯著性區(qū)域

在實(shí)際工程中，圖像中的一個(gè)顯著性區(qū)域不是通過該區(qū)域的某些像素灰度值體現(xiàn)出來的，而是通過該區(qū)域與其周圍區(qū)域的對比度體現(xiàn)出來的，并且圖像中具有高對比度的區(qū)域很容易引起人的注意.因此，通過計(jì)算圖像中每個(gè)像素的全局對比度便可以得到每個(gè)像素的顯著性，一些文獻(xiàn)已經(jīng)給出了計(jì)算對比度的方法［6－8］，但實(shí)現(xiàn)起來都比較復(fù)雜，本文采用一種簡單有效的計(jì)算對比度的方法，計(jì)算像素x的色調(diào)全局對比值如式(4):

式中:L(x)表示像素x的亮度值，HL為圖像亮度值的直方圖，VL，min和VL，max分別是圖像亮度值的最小值和最大值.同理，計(jì)算像素x在維度a和維度b的對比值的方法如式(5)和(6)所示，其中各個(gè)變量的含義與式(4)相似.

因此，利用式(7)便可計(jì)算出圖像中每個(gè)像素的顯著性.

2.2.2 選取彈性閾值

顯著性圖像統(tǒng)計(jì)特性往往是目標(biāo)檢測的重要特征，并且通過限定研究的目標(biāo)環(huán)境，這都能為鋼板表面的實(shí)際缺陷這一特定問題進(jìn)行特定研究提供方便.國外眾多學(xué)者研究發(fā)現(xiàn)，自然圖像中存在一定的統(tǒng)計(jì)特性，如圖3所示，2幅自然圖像的傅里葉譜能量的分布雖然不是標(biāo)準(zhǔn)高斯分布，但二者形狀類似，且都具有低頻能量的高密度分布(很高的尖端)和存在高頻能量的可能性較高(很長的尾部)的特征［9］.

圖3 2幅自然圖像及其對應(yīng)的傅里葉能量譜Fig.3 Fourier energy spectrum of two natural images

經(jīng)過數(shù)據(jù)模擬發(fā)現(xiàn)，多幅圖像平均的傅里葉譜能量分布服從1/fα律，其中1≤α≤2，如圖4所示.同樣地，人們發(fā)現(xiàn)單幅圖像的傅里葉譜能量分布雖然并不較好地服從1/fα律，但是如果對其進(jìn)行平滑處理，如采用局部平均即可得到平滑的傅里葉譜能量分布，結(jié)果則能夠比較好地用1/fα律來描述，如圖4所示.

圖4 單幅圖像的對數(shù)譜和多幅圖像的平均對數(shù)譜Fig.4 Logarithmic spectrum of single-image and multiimages

對于單幅圖像的傅里葉譜能量分布不能很好地服從1/fα律的現(xiàn)象，可以認(rèn)為那些和1/fα律不相符的地方恰恰有可能是與背景有顯著差異的物體在圖像上所產(chǎn)生的頻譜變化.因此利用譜殘差R(f)的傅里葉逆變換S(x)來表示顯著物體所在的區(qū)域.

譜殘差R(f)中只有極少數(shù)地方具有較高能量的頻譜，這很可能對應(yīng)的是顯著目標(biāo).而由S(x)求得的顯著性圖表達(dá)了不同像素的顯著程度，采用彈性閾值對顯著性圖像進(jìn)行二值化處理以獲得最后的顯著目標(biāo)區(qū)域［10］.如圖5所示，在對各種已有鋼板的表面樣本圖進(jìn)行檢測實(shí)驗(yàn)后，筆者發(fā)現(xiàn)閾值0.2能獲得一個(gè)普遍較好的顯著目標(biāo)區(qū)域.而相較于0.2的閾值，0.1的閾值會(huì)增加顯著性區(qū)域圖像的干擾噪聲點(diǎn)(即非顯著性區(qū)域).閾值為0.5時(shí)雖然干擾噪聲點(diǎn)明顯減少，但同時(shí)丟失了過多的細(xì)節(jié)信息，這樣在后續(xù)的與Gabor小波特征融合時(shí)會(huì)產(chǎn)生影響.對于個(gè)別圖像，可以通過判斷顯著目標(biāo)區(qū)域面積大小或者是顯著目標(biāo)區(qū)域的數(shù)量來自動(dòng)放大或縮小閾值.

圖5 不同圖像在不同閾值下的顯著性區(qū)域Fig.5 Saliency regions in different images under different thresholds

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)步驟及結(jié)果

實(shí)驗(yàn)測試平臺選用的PC配置為Intel Core(TM)2 Duo CPU E7400 2.80GHz、2GB RAM，圖像尺寸約為840×540大小.圖6(a)是原始的鋼鐵鑄坯表面灰度圖，可以清楚地看到其右表面上有1條縱向的劃傷，以及中部附近有殘留物壓入，這類表面缺陷的危害性極大.圖6(b)是原圖經(jīng)過顯著性區(qū)域處理后得到的灰度圖像，圖中縱向孔洞區(qū)域的位置顯著性特征非常明顯，由于得到的顯著性圖像進(jìn)行了拉伸歸一化，使處理之后的灰度范圍變?yōu)椋?，255］，所以就可以將T=0.2的閾值設(shè)定為T=50以提高運(yùn)行速度.圖6(c)是原圖經(jīng)過Gabor小波變換得到的圖像，由于Gabor小波變換是沿0°方向進(jìn)行，因此這里需對Gabor圖像進(jìn)行預(yù)處理，去除大部分微小噪聲干擾點(diǎn)，使縱向缺陷區(qū)域在Gabor圖上表現(xiàn)明顯.圖6(d)是將顯著性區(qū)域圖像和Gabor小波圖像融合后得到的結(jié)果，這里和圖6(c)中一樣，還需要對融合圖像進(jìn)行去除噪聲干擾處理，這2步必須分開做且不可省略，否則微小噪點(diǎn)相融合之后可能成為較大的噪點(diǎn)且不易去除.圖6(e)是圖6(d)經(jīng)過種子點(diǎn)生長之后并對融合圖像進(jìn)行篩選(以去除微小噪點(diǎn))，最后從原圖上截取出來的疑似缺陷區(qū)域，可以看出表面顯著性區(qū)域保留下來的地方不多，且縱向孔洞的缺陷區(qū)域幾乎完整地被保留下來，其余不相關(guān)的區(qū)域全部被抹去.圖6(f)則是原圖經(jīng)訓(xùn)練好的AdaBoost分類器檢測出來的缺陷區(qū)域，其中白色矩形框表示此處可能是存在缺陷區(qū)域的候選區(qū)域，通過與圖6(e)得到的結(jié)果比較可以看出，圖像顯著性特征算法在原圖上已經(jīng)比較準(zhǔn)確地定位出了鋼坯表面缺陷區(qū)域.

圖6 顯著性區(qū)域算法檢測表面缺陷的過程Fig.6 The steps of surface defects detection by saliency region algorithm

3.2 實(shí)際缺陷檢測結(jié)果及分析

將一組新的有缺陷的鋼坯數(shù)據(jù)樣本作為輸入放入鋼鐵鑄坯表面檢測系統(tǒng)中，根據(jù)檢測系統(tǒng)的輸出來判斷系統(tǒng)輸出的缺陷區(qū)域類型，并記錄下其測試結(jié)果，與真實(shí)缺陷位置做比較確認(rèn)其準(zhǔn)確性.實(shí)驗(yàn)選擇了72個(gè)缺陷樣本圖像對基于顯著性區(qū)域特征改進(jìn)算法的檢測系統(tǒng)進(jìn)行了鋼鐵鑄坯表面缺陷檢測.測試結(jié)果如表1所示.

表1 鋼鐵鑄坯表面缺陷檢測結(jié)果Table 1 Testing results of the slab surface defect detection system

完成顯著性檢測之后的圖像與經(jīng)過Gabor小波處理得到的圖像進(jìn)行融合，通過區(qū)域生長和區(qū)域篩選之后得到可信度較高的可能缺陷區(qū)域.測試結(jié)果如表2所示(此結(jié)果含有表1中定位失敗和其他顯著性區(qū)域定位的結(jié)果).

表2 鋼鐵鑄坯表面?zhèn)稳毕菖懦Y(jié)果Table 2 Pseudo-defect removing results of the slab surface defect detection system

通過表1、2的實(shí)驗(yàn)結(jié)果可知，基于圖像顯著性特征的鑄坯表面缺陷檢測算法效果較好，這是由算法本身的特點(diǎn)決定的:1)鑄坯表面缺陷有很多種，僅使用單一缺陷特征難以有效地定位出缺陷區(qū)域的位置;2)有些鑄坯表面缺陷并非只有一處缺陷，直接在整幅圖上進(jìn)行檢測很容易產(chǎn)生虛警和漏檢;3)由于該測算法在進(jìn)入檢測階段之前已經(jīng)對整幅圖像進(jìn)行了篩選，故其對檢測環(huán)境的適應(yīng)性較強(qiáng)，通過實(shí)驗(yàn)表明其虛警率與漏檢率都較低.

4 結(jié)束語

本文提出了一種基于顯著性區(qū)域特征的改進(jìn)算法來進(jìn)行鋼鐵鑄坯表面缺陷檢測，并結(jié)合Gabor小波處理得到的結(jié)果來分析和篩選缺陷區(qū)域，能排除大量非缺陷的顯著性區(qū)域.實(shí)驗(yàn)結(jié)果表明提出的鋼鐵鑄坯表面缺陷檢測方法可信度較高，具有較好的實(shí)用價(jià)值.

但是由于該系統(tǒng)對于每張輸入的樣本圖像都需要進(jìn)行較長時(shí)間的顯著性區(qū)域檢測，因此后面還可以進(jìn)一步對顯著性區(qū)域算法進(jìn)行優(yōu)化加速.而且在實(shí)際情況中有些缺陷本身不具有亮度和緯度上的顯著性特征，如何使得檢測系統(tǒng)能夠?qū)@些顯著性特征不足的樣本進(jìn)行較好的識別定位，也將是下一步工作的重點(diǎn).

［1］MA Yufei，ZHANG Hongjiang.Contrast－based image atten－tion analysis by using fuzzy growing［C］//Proceedings of the 11th ACM Intemational Conference on Multimedia.New York，USA:ACM，2003:374－381.

［2］KO B C，KWAK S Y，BYUN H.SVM－based salient region(s)extraction method for image retrieval［C］//Proceedings of the 17th International Conference on Pattern Recognition.Washington，DC，USA:IEEE Computer Society，2004:977－980.

［3］ITTI L，KOCH C，NIEBUR E.A model of saliency－based visual attention for rapid scene analysis［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20(11):1254－1259.

［4］GOFERMAN S，ZELNIK－MANOR L，TAL A.Context－aware saliency detection［C］//2010 IEEE Conference on Computer Vision and Pattern Recognition.San Francisco，USA，2010:2376－2383.

［5］ZHAI Y，SHAH M.Visual attention detection in video sequences using spatiotemporal cues［C］//Proceedings of the 14th Annual ACM International Conference on Multimedia.New York，USA:ACM，2006:815－824.

［6］CHENG Mingming，ZHANG Guoxin，MITRA N J，et al.Global contrast based salient region detection［C］//2011 IEEE Conference on Computer Vision and Pattern Recognition.Providence，USA，2011:409－416.

［7］鐘微，謝雪梅，石光明.一種靈活的圖像頻譜分割與去噪方法［J］.西安電子科技大學(xué)學(xué)報(bào)，2007，34(6):935－938.

ZHONG Wei，XIE Xuemei，SHI Guangming.Image spectrum segmentation and de－noising based on multi－channel nonuniform filter banks［J］.Journal of Xidian University，2007，34(6):935－938.

［8］張紅梅，卞正中，郭佑民，等.感興趣區(qū)域高效提取算法［J］.軟件學(xué)報(bào)，2005，16(1):77－88.

ZHANG Hongmei，BIAN Zhengzhong，GUO Youmin，et al.An efficient approach to extraction of region of interest［J］.Journal of Software，2005，16(1):77－88.

［9］HOU Xiaodi，ZHANG Liqing.Saliency detection:a spectral residual approach［C］//2007 IEEE Conference on Computer Vision and Pattern Recognition.Minneapolis，USA，2007:1－8.

［10］畢為民，孫才新，姚陳果.基于門限值小波包變換抑制局部放電白噪干擾［J］.重慶大學(xué)學(xué)報(bào)，2003，26(6):53－55.

BI Weimin，SUN Caixin，YAO Chenguo.Wavelet packet decomposition based on entropy threshold for white－noise rejection in PD signal［J］.Journal of Chongqing University，2003，26(6):53－55.

吳家偉，男，1988年生，碩士研究生，主要研究方向?yàn)閳D像處理、機(jī)器學(xué)習(xí)與生物特征識別.

嚴(yán)京旗，男，1975年生，副教授.參與并主持了多項(xiàng)國家自然科學(xué)基金項(xiàng)目.主要研究方向?yàn)閳D像圖形綜合技術(shù)、可視計(jì)算、三維生物特征識別等.

方志宏，男，1968年生，副教授，博士.主要研究方向?yàn)橐苯鹱詣?dòng)化、圖像處理、信號處理和電子技術(shù)的應(yīng)用等.

Defect detection on a steel slab surface based on the characteristics of an image’s saliency region

WU Jiawei1，YAN Jingqi1，F(xiàn)ANG Zhihong2，XIA Yong2，LU Minjian3
(1.Institute of Image Processing＆ Pattern Recognition，Shanghai Jiao Tong University，Shanghai 200030，China;2.Institute of Baoshan Iron ＆ Steel Co.，Ltd.，Shanghai 201900，China;3.Equipment Department of Baoshan Iron ＆ Steel Co.，Ltd.，Shanghai 201900，China)

In considering complex defect conditions in steel slab surface detection，a new defect detection method based on the saliency region was presented from the viewpoint of image processing and graphics features.First，by the processing of saliency region characteristics and Gabor wavelet filtering，the feature image was obtained，and then the characteristic regions in the two images were fused to obtain a highly reliable image of the defect region characteristics.Finally，the defect was detected by a well－trained Adaboost classifier in the fused defect region，thereby obtaining the final defect positioning result.The algorithm combines saliency region characteristics and Gabor wavelet features;it not only narrows the search range of the Adaboost classifier，but also improves the ability to exclude pseudo－defects.Consequently，it has faster positioning speed and higher accuracy.The algorithm performed well in the experiment and possesses high practical value.

steel slab surface;defect detection;saliency region;feature extraction;Gabor wavelet;Adaboost classifier

TP391.4

A

1673－4785(2012)01－0075－06

10.3969/j.issn.1673－4785.201111020

2011－11－23.

國家自然科學(xué)基金資助項(xiàng)目(60873137).

嚴(yán)京旗.E－mail:jqyan@sjtu.edu.cn.