冷軋帶鋼表面缺陷圖像處理與分析方法研究

宋寶宇，王靖震，楊東曉，高冰，柴明亮（鞍鋼集團(tuán)鋼鐵研究院，遼寧鞍山114009）

?

冷軋帶鋼表面缺陷圖像處理與分析方法研究

宋寶宇，王靖震，楊東曉，高冰，柴明亮
（鞍鋼集團(tuán)鋼鐵研究院，遼寧鞍山114009）

摘要：為了提高帶鋼表面質(zhì)量檢測(cè)系統(tǒng)的運(yùn)行效率及檢測(cè)效果，提出了一套可用于在線應(yīng)用的圖像處理與分析方案。通過(guò)對(duì)在線采集到的圖像數(shù)據(jù)進(jìn)行拼接、預(yù)處理、圖像分割等操作，簡(jiǎn)單、高效、準(zhǔn)確地辨識(shí)出在線采集圖像中的完整缺陷。

關(guān)鍵詞：帶鋼；表面質(zhì)量檢測(cè)；圖像處理；圖像分析

宋寶宇，碩士，系統(tǒng)分析師，2006年畢業(yè)于大連理工大學(xué)軟件工程專業(yè)。E-mail：sbyllb@sina.com

隨著科學(xué)技術(shù)的進(jìn)步，冷軋帶鋼的后續(xù)加工工業(yè)正向高速度、高精度和自動(dòng)化方向發(fā)展。為了發(fā)揮自動(dòng)化作業(yè)線生產(chǎn)穩(wěn)定、材料利用率高、產(chǎn)品一致性好的優(yōu)勢(shì)，要求原材料的尺寸公差小、表面質(zhì)量好。因此在冷軋帶鋼生產(chǎn)規(guī)模日益擴(kuò)大的同時(shí)，其表面質(zhì)量也必然會(huì)受到越來(lái)越多的關(guān)注。一直以來(lái)，大多數(shù)鋼廠一直沿用人工開卷抽檢或頻閃光法等檢測(cè)方法進(jìn)行表面質(zhì)量檢測(cè)，這些方法不能真實(shí)可靠地反映帶卷上下表面的質(zhì)量狀況，實(shí)時(shí)性差，而且缺乏檢測(cè)的一致性、科學(xué)性。因此，采用機(jī)器視覺(jué)的方式在線檢測(cè)帶鋼表面質(zhì)量逐漸成為國(guó)內(nèi)外研究的熱點(diǎn)［1-2］。

表面質(zhì)量檢測(cè)系統(tǒng)一般由圖像采集、圖像處理與分析及缺陷分類三部分組成。在帶鋼表面質(zhì)量檢測(cè)過(guò)程中，對(duì)缺陷圖像的處理與分析是十分重要的環(huán)節(jié)。它直接決定檢測(cè)系統(tǒng)的缺陷辨識(shí)能力及后續(xù)的缺陷分類準(zhǔn)確率。圖像采集主要依靠硬件設(shè)備來(lái)實(shí)現(xiàn)，這部分實(shí)施的效果取決于硬件設(shè)備的性能。研發(fā)人員雖然在缺陷分類部分投入了大量的精力，但實(shí)際應(yīng)用效果還有待進(jìn)一步提高。圖像的處理與分析部分是能否找出缺陷的關(guān)鍵，目前大部分表面質(zhì)量檢測(cè)系統(tǒng)所采用的圖像處理及分析方法，或是算法比較粗糙、分析準(zhǔn)確度低，或是算法比較復(fù)雜、運(yùn)算效率低，無(wú)法實(shí)現(xiàn)在線連續(xù)使用。因此本文提出一套算法簡(jiǎn)單、分析準(zhǔn)確度高，且可以在線應(yīng)用的圖像處理與分析方法。

1　圖像處理方法

1.1圖像拼接

從圖像采集設(shè)備的能力和對(duì)采集到的圖像質(zhì)量的要求角度出發(fā)，圖像采集系統(tǒng)目前一般需要使用多臺(tái)照相機(jī)。為了獲得全幅在線圖像，進(jìn)而進(jìn)行存儲(chǔ)和進(jìn)一步處理，因此需要對(duì)同側(cè)多臺(tái)相機(jī)采集到的同步圖像進(jìn)行拼接。由于多臺(tái)相機(jī)相對(duì)帶鋼的角度不同并且對(duì)照明的顯示效果不同，所以對(duì)于同一位置的帶鋼在圖像上呈現(xiàn)不同的灰度，因此不能用常規(guī)的基于重合度原理進(jìn)行拼接。

本文采用基于Surf算法的執(zhí)行策略實(shí)現(xiàn)圖像拼接［3］，它的特點(diǎn)是對(duì)兩幅圖像上的特征進(jìn)行匹配，確定拼接矩陣，在實(shí)際運(yùn)行期間，直接使用拼接矩陣進(jìn)行拼接。Surf算法在計(jì)算中對(duì)高斯二階微分模板進(jìn)行簡(jiǎn)化，使得模板對(duì)圖像的濾波只需要進(jìn)行幾個(gè)簡(jiǎn)單的加減法運(yùn)算，這樣大大提高了算法的運(yùn)行效率，對(duì)于4 MB的圖像拼接計(jì)算時(shí)間在10 s以內(nèi)。在系統(tǒng)實(shí)際運(yùn)行過(guò)程中，拼接矩陣是在系統(tǒng)初始化時(shí)確定的，在系統(tǒng)正常行進(jìn)時(shí)不改變拼接矩陣。

拼接矩陣的計(jì)算方法如下，首先獲取底板圖像和嵌入圖像，這時(shí)使用的是樣板圖像，因?yàn)橥ǔＧ闆r下，帶鋼表面較為光潔，圖像特征較少，因此要特意的增加圖像特征。另外為了優(yōu)化算法性能，分別截取底板圖像的右半部（P1）和嵌入圖像的左半部（P2）進(jìn)行實(shí)際運(yùn)算。接著進(jìn)行圖像拼接特征增強(qiáng)，然后基于Surf算法，提取P1和P2圖像的特征點(diǎn)及其描述器，并尋找P2和P1圖形之間的匹配點(diǎn)對(duì)，然后再根據(jù)匹配點(diǎn)對(duì)計(jì)算變換矩陣，最后根據(jù)變換矩陣確定拼接矩陣。系統(tǒng)進(jìn)行圖像拼接特征增強(qiáng)采用橫向分區(qū)直方圖均衡化的方法。該方法圖像拼接效果如圖1所示。

圖1　圖像拼接效果圖

1.2帶鋼邊部檢測(cè)

系統(tǒng)在對(duì)帶鋼有效圖像分析前需要先將圖像上非帶鋼圖像剪切掉。本文提供的方法是通過(guò)圖像上縱向灰度均值差異，對(duì)帶鋼圖像進(jìn)行切邊處理，處理方法如下：為了提高算法運(yùn)行效率，系統(tǒng)首先對(duì)邊部可能出現(xiàn)的位置進(jìn)行截取，分別截取左邊界可能出現(xiàn)的范圍和右邊界可能出現(xiàn)的范圍，截取策略采用邊界離線統(tǒng)計(jì)預(yù)設(shè)定。然后，在左邊界截取區(qū)域內(nèi)從左至右進(jìn)行掃描，第一次滿足公式（1）條件則確定為左邊界位置XL。

公式（1）中，F(xiàn)（x，y）為圖像上（x，y）點(diǎn)圖像灰度；N為圖像縱向?qū)挾?；K為帶鋼表面圖像高斯濾波統(tǒng)計(jì)均值與非帶鋼表面圖像高斯濾波統(tǒng)計(jì)均值的差；G為非帶鋼表面圖像高斯濾波統(tǒng)計(jì)最大值。接著，在右邊界截取區(qū)域內(nèi)從右至左進(jìn)行掃描，如第一次滿足公式（2）條件，則確定為右邊界位置XR。

1.3光照均衡化

光照均勻化主要是消除圖像上由于光照的不均勻性以及各相機(jī)對(duì)光照顯示效果的不同而產(chǎn)生的背光不均問(wèn)題。處理過(guò)程如下：首先計(jì)算待處理圖像灰度平均值A(chǔ)VG及灰度值標(biāo)準(zhǔn)差SDV，并生成標(biāo)記圖像FBZ。FBZ為二值圖像，生成方法如公式（3）所示。

然后計(jì)算光照補(bǔ)償因子BC，光照補(bǔ)償因子BC是一維數(shù)組，BC（i）為初始圖像每一列像素點(diǎn)所對(duì)應(yīng)的光照補(bǔ)償值。本文所使用的相機(jī)為線掃描相機(jī)，因此在線掃描情況下，采樣位置在垂直掃描線方向上是不變的，因此采集到的圖片在短期內(nèi)只存在橫向上的光照不均，可以用短期縱向上的平均光照補(bǔ)償來(lái)計(jì)算圖像上每點(diǎn)的即時(shí)光照補(bǔ)償。所以，初始圖像每一列像素點(diǎn)所對(duì)應(yīng)的光照補(bǔ)償值BC（i）的計(jì)算公式如下：

式中，F(xiàn)bz（x，y）為二值化標(biāo)記圖像上（x，y）點(diǎn)的值；Fbz（i，y）為二值化標(biāo)記圖像上x=i的點(diǎn)的值；N為二值化標(biāo)記圖像上值為1的點(diǎn)的個(gè)數(shù)；Ni為二值化標(biāo)記圖像上第i列上值為1的點(diǎn)的個(gè)數(shù)。

最后按如下公式計(jì)算獲得光照均勻化后的圖像F′（x，y）。

1.4目標(biāo)圖像增強(qiáng)

為了消除非缺陷范圍灰度波動(dòng)對(duì)系統(tǒng)缺陷檢驗(yàn)的影響，所以對(duì)待辨識(shí)圖像首先進(jìn)行灰階過(guò)濾，將原始圖像轉(zhuǎn)化為兩張?jiān)鰪?qiáng)圖像，分別為亮缺陷圖像和暗缺陷圖像。對(duì)于亮缺陷圖像，需要進(jìn)行灰階提升，提升方法是將圖像上所有低于檢驗(yàn)灰階最小值KGMin像素點(diǎn)的灰度值提高到KGMin。檢驗(yàn)灰階最小值KGMin計(jì)算方法如下：

同樣，對(duì)于暗缺陷圖像，需要進(jìn)行灰階下壓，下壓方法是將圖像上所有高于檢驗(yàn)灰階最大值KGMax像素點(diǎn)的灰度值下壓到KGMax。KGMax計(jì)算方法如下：

2　圖像分析方法

2.1缺陷單元辨識(shí)

由于系統(tǒng)每秒鐘要處理的圖像數(shù)據(jù)達(dá)到百M(fèi)B級(jí)別，本文采用局部?jī)?yōu)化自適應(yīng)閾值分析方法進(jìn)行疑似缺陷單元辨識(shí)，然后再通過(guò)缺陷密度判定方法，對(duì)疑似缺陷單元進(jìn)行缺陷干擾去除。疑似缺陷單元辨識(shí)方法如圖2所示。首先對(duì)分析圖象上每一個(gè)像素點(diǎn)進(jìn)行掃描，然后采用9×9的高斯模版以掃描點(diǎn)為中心計(jì)算高斯加權(quán)和，然后再進(jìn)行階躍變換，計(jì)算動(dòng)態(tài)閾值，再通過(guò)動(dòng)態(tài)閾值判別疑似缺陷單元，對(duì)于確認(rèn)是的單元點(diǎn)位置，加入到缺陷單元標(biāo)記圖，對(duì)于確認(rèn)不是的不做任何處理。

缺陷干擾去除方法是首先通過(guò)13×13的模版對(duì)加入到缺陷單元標(biāo)記圖中的疑似缺陷單元統(tǒng)計(jì)周圍的疑似缺陷單元數(shù)量，如果統(tǒng)計(jì)結(jié)果小于標(biāo)準(zhǔn)缺陷密度常數(shù)PS，則將該缺陷單元剔除。標(biāo)準(zhǔn)缺陷密度常數(shù)PS根據(jù)實(shí)際圖像缺陷特征分析確定。

2.2同質(zhì)缺陷融合

同質(zhì)缺陷融合即是將空間上位置較集中或連續(xù)且特征相似的缺陷單元進(jìn)行連接，已組合成實(shí)體缺陷塊。同質(zhì)缺陷融合的方法是先將相對(duì)連通的缺陷單元組成缺陷單元組，再通過(guò)對(duì)缺陷單元組進(jìn)行半徑為Rd的膨脹，再對(duì)膨脹區(qū)域重合的缺陷單元組進(jìn)行特征提取，對(duì)特征相似的缺陷單元組進(jìn)行融合。本文使用的辨識(shí)特征包括缺陷灰度、缺陷粒度、缺陷灰度標(biāo)準(zhǔn)差。

圖2　缺陷單元辨識(shí)流程圖

3　方案的實(shí)現(xiàn)與效果驗(yàn)證

上述方法在WindowsXP操作系統(tǒng)上進(jìn)行實(shí)現(xiàn)，計(jì)算機(jī)為DELL T7500型圖形工作站，系統(tǒng)軟件及通訊程序基于VS.NET2008平臺(tái)采用C++語(yǔ)言開發(fā)，部分圖形學(xué)算法依靠OpenCV2.2框架開發(fā)，遵循多線程、面向?qū)ο?、低耦合高?nèi)聚的開發(fā)思想，綜合實(shí)現(xiàn)冷軋帶鋼表面質(zhì)量檢測(cè)系統(tǒng)中圖像處理與分析過(guò)程。本文所述方法通過(guò)表面質(zhì)量實(shí)驗(yàn)設(shè)備，采用現(xiàn)場(chǎng)有代表性的鋼板貼敷檢測(cè)輥的方法進(jìn)行驗(yàn)證實(shí)驗(yàn)。實(shí)驗(yàn)帶鋼寬度為600mm，行進(jìn)速度為2～6m/ms，對(duì)現(xiàn)場(chǎng)6張鋼板采集216張2 048×500的圖片進(jìn)行處理及分析，實(shí)際分析過(guò)程效果如圖3所示。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的統(tǒng)計(jì)對(duì)常規(guī)缺陷的驗(yàn)出率達(dá)到90％以上，驗(yàn)錯(cuò)率低于10％。

圖3　實(shí)際分析過(guò)程效果圖

4　結(jié)論

（1）該方案可以有效解決冷軋帶鋼表面質(zhì)量檢測(cè)系統(tǒng)從圖像拼接到缺陷驗(yàn)出過(guò)程一系列圖像處理及分析問(wèn)題。

（2）該方案具有較好的適應(yīng)性和辨識(shí)性能，適合在線應(yīng)用。

（3）通過(guò)進(jìn)一步與DSP等嵌入式設(shè)備的結(jié)合，可形成高性能的表面質(zhì)量檢測(cè)系統(tǒng)，在提高冷軋產(chǎn)品質(zhì)量方面發(fā)揮更大的作用。

參考文獻(xiàn)

［1］張洪濤，段發(fā)階，丁克勤，等．帶鋼表面缺陷視覺(jué)檢測(cè)系統(tǒng)關(guān)鍵技術(shù)研究［J］．計(jì)量學(xué)報(bào)，2007，28（3）：216-219．

［2］劉偉嵬，顏云輝，李瞻宇，等．帶鋼表面缺陷在線檢測(cè)系統(tǒng)的圖像濾波算法［J］．東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，30 （3）：430-433．

［3］劉奇，何明一.基于SURF特征匹配的圖像拼接算法［J］．測(cè)控技術(shù)，2010，29（10）：27-31．

（編輯袁曉青）

修回日期：2015-09-07

Study on Method of Processing and Analyzing Images of Defects on Surface of Cold Rolled Strip Steel

Song Baoyu，Wang Jingzhen，Yang Dongxiao，Gao Bing，Cai Mingliang
（Iron & Steel Research Institutes of Ansteel Group Corporation，Anshan 114009，Liaoning，China）

Abstract:In order to improve the operation efficiency and checking effect on the part of the surface quality detecting system for the strip steel，the solution for online processing and analyzing images of defects on the surface of the strip steel was proposed.According to the solution，the image data by online collecting were montaged and preprocessed and then images were divided so that the full defects in images by online collecting could be identified simply，efficiently and accurately.

Key words:strip steel；surface quality detecting；image processing；image analyzing

中圖分類號(hào)：TG142

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1006-4613（2016）03-0028-04