基于機器視覺的螺紋鋼表面尺寸檢測方法

來 煜，孔建益，劉懷廣，王興東

（武漢科技大學(xué) 機械自動化學(xué)院 智能設(shè)計與制造研究所，武漢 430081）

0 引言

螺紋鋼作為現(xiàn)代化生產(chǎn)中重要的工業(yè)材料，在建筑、機械、交通、運輸?shù)刃袠I(yè)都有著廣泛的應(yīng)用。其表面橫肋、縱肋的相關(guān)尺寸如果不能達到國家標(biāo)準(zhǔn)的要求，將被視為尺寸缺陷，其產(chǎn)品肯定就是不合格的。隨著市場對螺紋鋼表面的質(zhì)量要求越來越高，傳統(tǒng)的人工離線測量的方法已經(jīng)不能夠滿足現(xiàn)代化生產(chǎn)線的要求，因此，各種非接觸的、無損傷的檢測方法得到了越來越多的開發(fā)和利用[1]。目前，廣泛使用的表面缺陷檢測技術(shù)有渦流、 超聲波、漏磁和磁粉等檢測方法[2]。這些檢測方法在螺紋鋼表面的尺寸缺陷檢測方面有很大的局限性，其存在檢測精度不足，直觀性差等缺點。因此，為了提高檢測精度，滿足不同尺寸的螺紋鋼的要求，螺紋鋼表面尺寸缺陷檢測應(yīng)用更加精確、智能的機器視覺表面檢測系統(tǒng)[3,4]。

根據(jù)螺紋鋼尺寸國家標(biāo)準(zhǔn)的要求（GB 1499.2-2007），需要對螺紋鋼橫肋高及內(nèi)徑、縱肋高度、橫肋與軸線夾角、橫肋間距和橫肋頂寬6個尺寸參數(shù)進行計算。

為了獲得橫肋、縱肋全部的尺寸信息，在螺紋鋼成像時需要分別獲得螺紋鋼側(cè)面和正面的圖像，且獲取的圖像范圍寬于螺紋鋼直徑。 要計算螺紋鋼表面尺寸，檢測螺紋鋼表面尺寸缺陷，首先要把螺紋鋼從背景中分割出來[5]，然后在螺紋鋼范圍內(nèi)對表面尺寸進行計算求出。螺紋鋼外形結(jié)構(gòu)復(fù)雜，需要測量的參數(shù)較多，其主要的外形尺寸有9個（如圖1所示），包括螺紋鋼橫肋高度、螺紋鋼內(nèi)徑、縱肋高度、橫肋與軸線夾角、橫肋間距、橫肋頂寬、縱肋頂寬、縱肋斜角和橫肋斜角。為了便于計算各參數(shù)，需要對螺紋鋼的側(cè)面和正面圖像進行聯(lián)合處理[6,7]。

基于以上情形，對復(fù)雜光照條件下螺紋鋼缺陷圖像的檢測方法進行研究。在獲得螺紋鋼側(cè)面、正面圖像后，先對螺紋鋼側(cè)面圖像進行處理，計算出螺紋鋼橫肋高及內(nèi)徑的值；再對螺紋鋼正面圖像進行處理，得出螺紋鋼縱肋高度、橫肋與軸線夾角、橫肋間距、橫肋頂寬的值；從而為螺紋鋼表面尺寸缺陷的機器視覺檢測奠定了基礎(chǔ)。

1 螺紋鋼側(cè)面圖像處理

圖2 螺紋鋼部分側(cè)面處理圖像

從側(cè)面圖像2(a)中可以看出，由于其橫肋的均勻分布，二值化后的圖像邊緣呈現(xiàn)細小的鋸齒狀（如圖2(b)所示）。鋸齒頂部由橫肋頂部構(gòu)成，而鋸齒底部為螺紋鋼的內(nèi)徑邊緣。因此，要求橫肋的高和螺紋鋼的內(nèi)徑，首先要精確定位鋸齒狀的邊緣。由于涉及到定位問題，在求取邊緣時精確性就很重要，因此，在二值化之前，首先對原始圖像進行中值濾波，剔除邊界噪聲，再使用OTSU進行分割。邊緣的獲取選擇了效果較好的Sobel算子，但是Sobel算子形成的邊緣較粗，定位性不好，還需要對其進行細化（如圖2(c)所示），以更能反映邊緣位置信息。圖2(d)是細化后的邊緣定位情況，可以看出其能比較準(zhǔn)確的反映邊緣橫肋的分布情況。

螺紋鋼的邊緣圖像獲得以后，下一步就是進行肋高和內(nèi)徑計算。一般說來，內(nèi)徑就是兩條細化邊緣的內(nèi)側(cè)最近距離，而橫肋高就是邊緣的橫向?qū)挾?。但是，由于?shù)字圖像離散化后的精度缺失以及噪聲的影響，其邊緣鋸齒并不是等高的，如果直接遍歷橫向?qū)挾热菀仔纬烧`差。鑒于此，本文提出了基于投影重心的亞像素邊界定位方法。

圖3是通過求投影重心來進行亞像素邊界定位的示意圖。左圖是細化邊緣（如圖2(c)所示）垂直方向的投影圖，右圖是其局部放大圖。從右圖中可以看出，兩條細化邊界都存在最大的投影值（紅線所示位置），其可以看作是鋸齒邊緣的中心位置[8]。

圖3 基于投影重心的亞像素邊界定位

紅線兩邊的投影值呈現(xiàn)階梯狀，也就是說越靠近鋸齒頂部（或底部），所處的像素越少，存在噪聲的幾率也會越大。為了更準(zhǔn)確的反映鋸齒邊緣的尺寸，分別取紅線兩側(cè)投影的重心，來代表鋸齒的谷頂或谷底，從而得到四個位置點（C1，C2，C3，C4），那么兩側(cè)鋸齒的高度（橫肋高度）h1、h2可以表示為：

那么，螺紋鋼內(nèi)徑d可表示為：

圖4 螺紋鋼側(cè)面圖像處理尺寸

從圖5可以看出螺紋鋼橫肋高度h=(h1+h2) /2=3.64；螺紋鋼內(nèi)徑d=39.95。由于投影重心并非整數(shù)，因此可以精確到比單個像素更高的精度，亦即亞像素精度。圖4是圖3的測試結(jié)果，可以看出兩個邊界的寬度誤差是0.12個像素，若單個像素代表0.6mm，那么其誤差在0.072mm，遠小于規(guī)定的±0.6mm（GB 1499.2-2007）的誤差，因此算法是符合要求的。

2 螺紋鋼正面圖像處理

圖5 螺紋鋼部分正面處理圖像

螺紋鋼正面圖像（圖5(a)所示）內(nèi)部結(jié)構(gòu)比較復(fù)雜，中間條紋是斜向分布的橫肋，兩側(cè)邊緣還包括縱肋部分。因此，再用細化的Sobel邊緣容易造成橫肋的變形以及縱肋的定位問題，在此使用具有精確定位能力的Canny邊緣算法，使用Canny算法的一個好處是其邊緣圖像是單像素的（如圖5(b)所示），精度較高，這就方便了后續(xù)的處理。從圖5(c)中可以看出Canny邊緣的定位能力。為了消除噪聲干擾，在使用Canny算子之前，需要對原始圖像進行濾波，本文采用了中值濾波方式。獲得Canny邊緣后，對其進行垂直投影（如圖5(d)所示）。從圖中可以看出，其投影呈現(xiàn)一個“山”字形，兩側(cè)是包含縱肋的邊緣，中間凸起是橫肋部分。因此，求縱肋的高度，需先求出兩邊具有最高投影的位置，然后求其距離D，那么結(jié)合側(cè)面圖像鋼筋的內(nèi)徑d，縱肋的高度h1可以表示為：

為了求橫肋間距及橫肋頂寬，需要先定位橫肋的軸線位置。在此，采用了求“山”字中間凸起的橫向重心的方法。當(dāng)然，在此之前必須求出兩邊谷點的位置，亦即橫肋的左右分布邊界。通常四個橫肋邊緣確定一個橫肋間距l(xiāng)和兩個橫肋軸線寬度w（如圖6所示），因此重心確定以后，沿著重心向上遍歷橫肋邊緣，每四個邊緣計算一次，然后求平均，就可以得到橫肋間距l(xiāng)及橫肋軸線寬度w。當(dāng)然，要求橫肋的頂寬，還需要求橫肋的方向角β。

圖6 遍歷橫肋邊緣

橫肋與軸線夾角（方向角）需要確定單個橫肋的外接矩形，通過計算對角線的方向角來確定。在此，采用邊緣輪廓跟蹤算法（如圖7所示）。

圖7 邊緣跟蹤求方向角

在沿軸線遍歷橫肋邊緣過程中，當(dāng)發(fā)現(xiàn)一個橫肋外緣時，就以此為起點，分別向左右兩端搜索，直到找到最左端的位置點（x1,y1）以及最右端的位置點（x2,y2），從而形成一個單邊外接矩形，橫肋的方向角β可由以下方式計算得到：

方向角求出來后，橫肋的頂寬b，可由w和β計算得：

至此，正面圖像的四個參數(shù)就已經(jīng)求出，圖8表示出了橫肋與軸線夾角為78.11°；螺紋鋼縱肋高度為3.52，物理尺寸為2.19mm；橫肋頂寬為3.91；橫肋間距為10.00，對應(yīng)物理尺寸為6.20mm。

圖8 螺紋鋼正面圖像處理尺寸

3 結(jié)論

根據(jù)螺紋鋼的圖像特點，通過對螺紋鋼的圖像分析，在提出的投影重心法和邊緣跟蹤法的基礎(chǔ)上，計算得到了螺紋鋼的6個尺寸（螺紋鋼橫肋高及內(nèi)徑、縱肋高度、橫肋與軸線夾角、橫肋間距和橫肋頂寬），給螺紋鋼的自動化檢測奠定了基礎(chǔ)。算法具有精度高，抗干擾能力強的特點，但由于拍攝角度的限制和螺紋鋼軋制過程中的旋轉(zhuǎn)性，獲取的連續(xù)圖像存在中間狀態(tài)，需要進行判斷。

[1] Hyuck-Cheol Kwona, Ho-Won Leeb, Hak-Young Kimc,et al.Surface wrinkle defect of carbon steel in the hot bar rolling process[J].Journal of Materials Processing Technology,209(2009):4476-4483.

[2] Fuchs A，Hauselhofer W,Brasseur G. Design of an eddy current based crack detection sensor for wire processing applications [A].Proceedings of IEEE Sensors 2004,Vienna,Austria[C].Oct 24-27,2004,2:840-843.

[3] 許裕祿.棒鋼表面缺陷自動化檢測系統(tǒng)[D].臺南:成功大學(xué),2007.

[4] Da Zhang,Zhi Xie, Chong Wang.Bar Section Image Enhancement and Positioning Method in On-Line Steel Bar Counting and Automatic Separating System[J].Congress on Image and Signal Processing,2008:319-323.

[5] Pal S K,King R A,Hashim A A. Automatic graylevel thresholding through index of fuzziness and entropy[J].Pattern Recognition Letter(S0167-8655),1983,1(3):141-146.

[6] 張玨遂.螺紋鋼質(zhì)量影響因素分析及改進研究[J].金屬材料與冶金工程,2010,38(4):6-9.

[7] 張槐祥,劉懷廣,楊茂麟,等.復(fù)雜光照環(huán)境下的線材缺陷自適應(yīng)分割方法[J].光電工程,2014,41(2):40-46.

[8] FAN L N，WEN Y,XU X H. Research on edge detection of greyscale image corrupted by noise based on multi-structure elements[A].The 4th International Conference on Parallel and Distributed C omputing(PDCAT’03),Chengdu,China[C],Aug 27-29,2003:840-843.

[9] Jong Pil Yun,YoungSu Park,Boyeul Seo,et al.Development of Real-time Defect Detection Algorithm for High-speed Steel Bar in Coil(BIC)[A].SICE-ICASE International Joint Conference, Bexco,Busan, Korea[C].Oct.18-21,2006:2495-2498.