基于機器視覺的鋼帶缺陷檢測研究

劉朝選，劉堂友，吳云飛（東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620）

基于機器視覺的鋼帶缺陷檢測研究

劉朝選，劉堂友，吳云飛
（東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620）

針對鋼帶缺陷傳統(tǒng)的人工檢測效率低、誤檢率高以及危險程度大等問題，提出了一種基于機器視覺的缺陷檢測和識別的研究方案。采用工業(yè)攝像頭采集鋼帶生產(chǎn)線上的視頻圖像，通過中值濾波和小波分析相結(jié)合的方法去噪，并用Canny算子實現(xiàn)邊緣檢測，再以缺陷圖像的圓形度等特征完成識別分類，從而實現(xiàn)對鋼帶缺陷的檢測和統(tǒng)計。實驗結(jié)果表明，該缺陷檢測方案能夠?qū)崟r準(zhǔn)確有效地識別鋼帶缺陷，證明了該方法的可行性。

機器視覺；缺陷檢測；識別分類；鋼帶

0 引言

近年來，我國經(jīng)濟發(fā)展進(jìn)入轉(zhuǎn)型期，對產(chǎn)品質(zhì)量和外觀的關(guān)注度也越來越高。鋼材是基礎(chǔ)經(jīng)濟建設(shè)的支柱，而鋼帶是鋼材的重要材型之一，其表面質(zhì)量直接影響到最終產(chǎn)品的性能與銷量。目前，國內(nèi)鋼帶制造、加工企業(yè)通常采用人工目視抽檢法進(jìn)行質(zhì)量檢測，這種方法抽檢率低、隨機性差、檢測效率低，并且生產(chǎn)線環(huán)境惡劣，危險性大，對檢測人員的健康有威脅。機器視覺技術(shù)隨著計算機科學(xué)的高速發(fā)展，越來越廣泛地應(yīng)用到工業(yè)生產(chǎn)的自動化檢測中。一些發(fā)達(dá)國家和地區(qū)早已生產(chǎn)出了比較成熟的鋼帶檢測系統(tǒng)［1］。隨著我國現(xiàn)代化程度的加深，這種全新檢測技術(shù)也引起了各鋼材生產(chǎn)企業(yè)的重視，市場需求很大。因此，研究開發(fā)出具有自主知識產(chǎn)權(quán)的鋼帶表面缺陷檢測系統(tǒng)受到各大高校和企業(yè)相關(guān)科技人員的重視［2］。

本文研究的系統(tǒng)根據(jù)最佳成像方案設(shè)計光路［3］，利用 Baumer工業(yè)攝像頭實時采集原始鋼帶圖像，對每幀圖像利用MATLAB進(jìn)行去噪和增強等預(yù)處理，取得較好效果后，進(jìn)行圖像膨脹、圖像平滑、圖像分割處理，提取圖像中感興趣的部分，最終根據(jù)圖像特征自動識別出缺陷類型。

1 系統(tǒng)設(shè)計要求

在所試點的鋼帶生產(chǎn)企業(yè)中，其生產(chǎn)線鋼帶傳輸速率為0～40 m/min，系統(tǒng)采用CCD工業(yè)相機，采集速率最大可達(dá)16幀/秒，獲取的圖像分辨率為1 392×1 040。由于圖像數(shù)據(jù)量很大，又要滿足生產(chǎn)檢測的實時性要求，因此在有限時間內(nèi)完成對圖像龐大數(shù)據(jù)量的處理并保證檢測效果是研究的核心和目標(biāo)［4］。在分析了鋼帶圖像的特征性質(zhì)并經(jīng)過多次試驗改進(jìn)后，設(shè)計了基于像素灰度值的處理算法，在保證缺陷檢測準(zhǔn)確度的前提下，較好地控制算法的復(fù)雜度，達(dá)到了鋼帶生產(chǎn)要求。

2 設(shè)計流程圖

基于機器視覺的鋼帶缺陷檢測系統(tǒng)流程圖如圖1所示。

圖1 鋼帶缺陷檢測系統(tǒng)框架

2.1基于MATLAB的鋼帶圖像讀取

在圖像處理方面，MATLAB擁有功能強大的圖像處理工具箱［5］。它幾乎包括了所有成熟的圖像處理函數(shù)，通過簡單的調(diào)用就可以實現(xiàn)輸入輸出、格式變換、形態(tài)學(xué)處理、線性濾波、對比度增強和數(shù)據(jù)統(tǒng)計等操作。鋼帶缺陷的原始圖像可以通過imread函數(shù)直接讀取，而不用考慮其格式，讀取的原始缺陷鋼帶圖像如圖2所示。

圖2 缺陷鋼帶的原始圖像

2.2 鋼帶缺陷圖像的預(yù)處理

2.2.1 去噪處理

由于鋼帶生產(chǎn)車間環(huán)境嘈雜，光線和噪聲干擾很大，在圖像的采集過程中不可避免地引入了噪聲信號。中值濾波可以消除孤點噪聲，同時保持圖像的邊緣特性，不會使圖像產(chǎn)生顯著的模糊，比較適合于此次研究的鋼帶缺陷圖像；對含噪聲圖像進(jìn)行小波變換處理后，圖像的原始信息和噪聲所產(chǎn)生的小波系數(shù)表現(xiàn)出不同的特點，從而可以去除噪聲的小波系數(shù)，最后用小波逆變換重構(gòu)圖像。經(jīng)過試驗對比，發(fā)現(xiàn)采用基于小波變換與中值濾波相結(jié)合的圖像去噪處理方法，去除噪聲同時保護邊緣輪廓的效果最好［6］。

主要去噪程序如下：

Z1=medfilt2（YT，［5，5］）；

％使用 sym4小波設(shè)定全局閾值去噪％

［THR，SORH，KEEPAPP］ddencmp（′den′，′wv′，Z1）；

X=wdencmp（′gbl′，Z1，′sym4′，2，THR，SORH，KEEPAPP）；

2.2.2 增強處理

去噪完成后，為了讓鋼帶缺陷更加清晰明了，對預(yù)處理后的圖像進(jìn)行了圖像增強處理。小波分析因它能多尺度多角度提取信號特征，并在不同尺度上讓噪聲和信號明顯地區(qū)分開來，所以它在圖像增強方面有很大優(yōu)勢［7］。圖像經(jīng)二維小波分解后，輪廓主要集中在低頻部分，細(xì)節(jié)則集中在高頻部分，因此，通過對低頻分解系數(shù)進(jìn)行增強處理，對高頻分解系數(shù)進(jìn)行衰減處理，即可達(dá)到圖像增強的目的。鋼帶缺陷增強圖像如圖3所示。

圖3 鋼帶缺陷增強圖像

2.3 鋼帶缺陷的分割

為了便于對鋼帶缺陷的識別分類，使用Canny算子對其進(jìn)行處理。因Canny具有高檢測率、精確的定位、明確的響應(yīng)的三條標(biāo)準(zhǔn)，使其成為目前最廣泛使用的邊緣檢測算法［8］。首先用strel函數(shù)線性的結(jié)果甬?dāng)?shù)對邊緣進(jìn)行圖像膨脹操作；利用 imfill函數(shù)填充邊緣的縫隙；然后用imclearborder函數(shù)刪除與圖像邊界相連的對象；最后，用菱形結(jié)構(gòu)元素對圖像進(jìn)行平滑處理。至此鋼帶缺陷部分已經(jīng)完全地分割出來，其結(jié)果如圖4所示。

圖4 鋼帶缺陷邊緣檢測圖像

3 缺陷圖像的特征提取與識別

3.1 特征提取

圖像特征提取是缺陷識別最為重要的部分，也是算法的核心。本文研究的算法是對分割后的缺陷部分進(jìn)行周長、面積和圓形度等的特征計算。計算面積的原理為：對于二值圖像像素值f（x，y）=1，表示目標(biāo)缺陷物體，像素值取 0表示背景，缺陷的面積就是 f（x，y）=1的個數(shù)疊加［9］。計算公式如下：

其中，Ne、No分別為邊界鏈碼（8方向）中走偶步與奇步的數(shù)目。在計算缺陷圖像的周長前，使用edge函數(shù)中的Canny算子對平滑后圖像進(jìn)行處理［11］，缺陷邊緣提取圖像如圖5所示。

3.2 判斷識別

根據(jù)缺陷圖像的特征，利用面積和周長的大小來識

圖5 鋼帶缺陷邊緣提取圖像

計算缺陷周長即區(qū)域的邊界長度，當(dāng)把像素看作一個個點時，則周長用鏈碼表示，求周長也即計算鏈碼長度［10］。當(dāng)鏈碼值為奇數(shù)時，其長度記作；當(dāng)鏈碼值為偶數(shù)時，其長度記作1。周長L表示為：別缺陷存在與否，利用圓形度等特征判斷缺陷的類型。圓形度的計算公式為［12］：其中，C為圓形度；S為物體面積；L為物體周長。由3.1節(jié)可得 S=662，L=100.818 3，再利用式（3）可得缺陷圖像的圓形度C=0.818 4。由于缺陷圖像不是絕對規(guī)則的圖形，根據(jù)鋼帶生產(chǎn)企業(yè)的標(biāo)準(zhǔn)，把 C在 0.8～1判斷為圓形斑點，其他為裂紋。而本文計算的C=0.818 4，所以可以判定缺陷為斑點。

4 結(jié)論

首先利用工業(yè)攝像頭采集鋼帶圖像，對獲得的原始圖像進(jìn)行去噪、增強等預(yù)處理，在此基礎(chǔ)上，進(jìn)行形態(tài)學(xué)處理和 Canny邊緣檢測，然后分析圖像特征，經(jīng)過多次試驗和改進(jìn)算法，最終實現(xiàn)了實時識別缺陷和類型判斷的系統(tǒng)要求。這不僅滿足了生產(chǎn)線快速自動化的生產(chǎn)條件，同時提高了檢測的效率、準(zhǔn)確度和科學(xué)性，為后續(xù)的研究和推廣應(yīng)用奠定了基礎(chǔ)。

［1］LIU Y C，HSU Y L，SUN Y N，et al.A computer vision system for automatic steel surface inspection［C］.2010 the 5th IEEE Conference on Industrial Electronics and Applications（ICIEA），IEEE，2010：1667-1670.

［2］Wu Guifang，Xu Ke，Xu Jinwu.Application of a new feature extraction and optimization method to surface defect recognition of cold rolled strips［J］.北京科技大學(xué)學(xué)報（英文版）2007，14（5）：437-442.

［3］劉彩章.基于機器視覺的帶鋼表面缺陷成像系統(tǒng)理論與實驗研究［D］.武漢：武漢科技大學(xué)，2012.

［4］劉明煒，王快社.帶鋼表面缺陷在線檢測實時處理方法研究［J］.冶金設(shè)備，2008，8（4）：32-34.

［5］晏暉，姜鵬，陳貝.基于 MATLAB工具箱的數(shù)字圖像處理技術(shù)［J］.微計算機信息，2010，26：214-216.

［6］唐世偉，林君.小波變換與中值濾波相結(jié)合圖像去噪方法［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2008，40（8）：1334-1336.

［7］曾誠.基于小波理論的圖像去噪和增強技術(shù)研究［D］.武漢：武漢理工大學(xué)，2008.

［8］周超.邊緣檢測Canny算子的研究與改進(jìn)［D］.重慶：重慶師范大學(xué)，2012.

［9］楊陽.鋼球表面缺陷視覺檢測技術(shù)的研究［D］.南昌：華東交通大學(xué)，2009.

［10］陸應(yīng)騏，童韜.鏈碼和在邊界形狀分析中的應(yīng)用［J］.中國圖象圖形學(xué)報，2002，7（12）：1323-1328.

［11］王小俊，劉旭敏，關(guān)永.基于改進(jìn) Canny算子的圖像邊緣檢測算法［J］.計算機工程，2012，38（14）：196-198.

［12］朱虹.數(shù)字圖像處理基礎(chǔ)與應(yīng)用［M］.北京：清華大學(xué)出版社，2013.

Machine vision based defect detection on strip steel

Liu Chaoxuan，Liu Tangyou，Wu Yunfei
（School of Information Science and Technology，Donghua University，Shanghai 201620，China）

Aiming at low manual detection efficiency，high rate of false detection and high labor intensity，an algorithm based on machine vision was proposed to achieve automated defect detection and identification of strip steel.Using industrial cameras capture video images from strip steel production line，the method of median filtering and wavelet analysis were combined to eliminate noises；utilizing Canny operator to realize Edge detection，and then completed the identification and classification according to the features of defect images such as circular degree.The experimental result shows that this detection system can accurately and effectively identify the defects in a real time，and proves the feasibility of this method.

machine vision；defect defection；identification；strip steel

TP391.4

A

1674-7720（2015）24-0050-03

劉朝選，劉堂友，吳云飛.基于機器視覺的鋼帶缺陷檢測研究［J］.微型機與應(yīng)用，2015，34（24）：50-52.

2015-08-24）

劉朝選（1989-），男，碩士研究生，主要研究方向：多媒體通信與圖像處理。

劉堂友（1969-），通信作者，男，博士，副教授，主要研究方向：數(shù)字圖像處理。E-mail：liuty@dhu.edu.cn。

吳云飛（1989-），男，碩士研究生，主要研究方向：多媒體通信與圖像處理。