一種軋制鎂合金薄板表面缺陷檢測系統(tǒng)

張文宇，高 青，劉安琪，趙紅陽，巨東英

（1.遼寧科技大學(xué) 軟件學(xué)院，遼寧 鞍山 114051；2.遼寧科技大學(xué) 鎂合金鑄軋技術(shù)研究中心，遼寧 鞍山 114051）

一種軋制鎂合金薄板表面缺陷檢測系統(tǒng)

張文宇1，2，高 青1，劉安琪1，趙紅陽2，巨東英2

（1.遼寧科技大學(xué) 軟件學(xué)院，遼寧 鞍山 114051；2.遼寧科技大學(xué) 鎂合金鑄軋技術(shù)研究中心，遼寧 鞍山 114051）

在鎂合金薄板的軋制過程中，如關(guān)鍵工藝參數(shù)控制不當(dāng)或因板坯質(zhì)量、加工設(shè)備精度存在問題，薄板表面易出現(xiàn)邊裂、褶皺、波紋等缺陷。這些缺陷如不能及時準(zhǔn)確地檢測，將嚴(yán)重影響薄板的表面質(zhì)量和性能，極大地降低產(chǎn)品成材率。為此，本文采用計(jì)算機(jī)視覺技術(shù)對軋制鎂合金薄板圖像進(jìn)行實(shí)時分析，提取其缺陷特征，并采用貝葉斯分類器進(jìn)行缺陷識別，最終設(shè)計(jì)與實(shí)現(xiàn)了一個軋制鎂合金薄板表面缺陷實(shí)時檢測系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)綜合缺陷準(zhǔn)確識別率達(dá)到83.6%。

計(jì)算機(jī)視覺；軋制鎂合金薄板；特征提取；缺陷檢測；貝葉斯

鎂合金因其優(yōu)異的性能在工業(yè)生產(chǎn)、日常生活、航空航天等領(lǐng)域有著越來越廣泛的應(yīng)用。而在軋制鎂合金薄板的過程中，待加工板坯的質(zhì)量、軋機(jī)主要設(shè)備精度或軋制速度、壓下力等核心工藝參數(shù)控制不當(dāng)均直接造成薄板表面質(zhì)量低下，嚴(yán)重降低軋制薄板的成材率，為此，基于計(jì)算機(jī)視覺技術(shù)開發(fā)出一套無損、實(shí)時、準(zhǔn)確的鎂合金軋制薄板表面缺陷檢測系統(tǒng)具有較大的現(xiàn)實(shí)意義。

薄板表面缺陷檢測最早可追溯到20世紀(jì)80年代后期，前人對冷軋帶鋼缺陷檢測的研究相對較多，針對鎂薄板表面缺陷檢測的技術(shù)相對較少，由于冷軋帶鋼與軋制鎂薄板生產(chǎn)工藝的不同，導(dǎo)致兩種板材產(chǎn)生的缺陷也不盡相同，冷軋帶鋼的主要缺陷有氣體夾雜、裂紋、氧化皮壓入等，而軋制鎂薄板的主要缺陷有波紋、邊裂、輥印等。

早期薄板表面缺陷檢測一般采用人工目視抽檢法，檢測速度慢、漏檢率高，不適合工業(yè)生產(chǎn)要求。對此一些專家學(xué)者又相繼提出了渦流檢測、紅外檢測、漏磁檢測等表面缺陷檢測方法［1-2］，但仍然存在檢測精度低、可檢測的缺陷種類較少等諸多局限性。隨著計(jì)算機(jī)視覺技術(shù)研究的不斷深入，基于數(shù)字圖像處理的薄板表面缺陷方法已成為研究熱點(diǎn)，該方法的核心在于如何選擇高速的圖像處理算法與高辨識度的模式識別算法。近年來，針對薄板表面缺陷的特點(diǎn)，各類學(xué)者提出了許多缺陷識別方法，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和最大類間方差法［3-5］，但在薄板的軋制過程中，現(xiàn)場環(huán)境對缺陷的影響較大，導(dǎo)致識別率降低。

對此，本文應(yīng)用計(jì)算機(jī)視覺技術(shù)針對鎂薄板本身及軋制現(xiàn)場環(huán)境特點(diǎn)，采取一種基于線陣CCD攝像機(jī)的缺陷實(shí)時自動檢測技術(shù)，先對攝像機(jī)獲取的圖像進(jìn)行預(yù)處理并采用數(shù)學(xué)形態(tài)學(xué)濾波來增強(qiáng)圖像對比度，然后進(jìn)行特征值選擇與提取，最后通過貝葉斯分類器對缺陷進(jìn)行分類，此方法可以實(shí)時快速高效地對軋制薄板表面缺陷進(jìn)行檢測。

1 薄板表面缺陷成因及檢測流程

1.1 缺陷成因

遼寧科技大學(xué)鎂合金鑄軋研究中心自主研制了一臺輥寬450 mm，最大卷重100 kg，可軋制0.3 mm厚的AZ31鎂合金薄板的六輥溫軋機(jī)。在軋制過程中，因待加工材料質(zhì)量、設(shè)備精度及控制參數(shù)不當(dāng)會導(dǎo)致軋制鎂薄板表面出現(xiàn)多種缺陷。常見的5種薄板表面缺陷如圖1所示。

圖1 軋制薄板表面缺陷照片F(xiàn)ig.1 Surface defect images of rolling sheet

（1）邊裂：如圖1a所示。鎂薄板一側(cè)或兩側(cè)邊緣破裂不均，多表現(xiàn)為鋸齒狀［6］。其產(chǎn)生原因主要為鎂薄板帶邊緣在大張力的軋制條件下發(fā)生撕裂；總壓下率偏大等。

（2）油污：如圖1b所示。鎂薄板表面附著有油漬斑點(diǎn)。其產(chǎn)生原因主要為板坯本身存在油污；軋制設(shè)備上附著的油漬在軋制過程中滴漏在薄板上等。

（3）波紋：如圖1c所示。鎂薄板表面凹凸不平，其產(chǎn)生原因主要為長時間工作的軋輥在壓力的作用下產(chǎn)生錯位等。

（4）褶皺：如圖1d所示。鎂薄板表面局部區(qū)域出現(xiàn)折疊。其產(chǎn)生原因主要為板坯本身存在波紋缺陷，在軋制過程中被軋輥壓合；薄板帶跑偏，一邊拉伸，另一邊產(chǎn)生褶皺等。

（5）劃傷：如圖1e所示。鎂薄板表面有金屬光澤的線狀痕跡。產(chǎn)生原因主要為軋輥表面不光滑或粘附異物；各種導(dǎo)輥與帶鋼的速度不一致等。

1.2 檢測流程

在線檢測系統(tǒng)流程如圖2所示。系統(tǒng)通過攝像頭實(shí)時采集生產(chǎn)線上的薄板圖像，經(jīng)預(yù)處理模塊去除圖像噪聲并檢索輪廓，再對檢索到的缺陷輪廓提取幾何特征及紋理特征，并利用貝葉斯分類器進(jìn)行分類，最后給出檢測缺陷的類別及基本信息。

圖2 薄板表面缺陷的系統(tǒng)流程圖Fig.2 Flow chart of sheet surface defect detection

從流程圖可以看出，系統(tǒng)要滿足實(shí)時性要求，必須要使圖像從預(yù)處理到給出分類后結(jié)果的時間小于圖像采集下一幅圖像的時間，否則鎂薄板表面會有漏檢，無法滿足實(shí)時性需求，這就對檢測系統(tǒng)算法的快速、高效提出了更高要求。

2 系統(tǒng)關(guān)鍵算法

在軋制鎂薄板過程中，計(jì)算機(jī)實(shí)時采集的圖像因受傳感器材料、電子元器件、運(yùn)動模糊，以及圖像信號傳輸過程中傳輸介質(zhì)和記錄設(shè)備等的不完善，會使圖像存在一些噪聲，導(dǎo)致圖像不清晰，這將極大增加系統(tǒng)誤檢率。因此，在對圖像進(jìn)行特征值提取前需要對圖像進(jìn)行預(yù)處理，以去除噪聲并增強(qiáng)圖像的對比度，以下著重介紹圖像預(yù)處理以及缺陷特征選擇與提取的過程。

2.1 圖像預(yù)處理

在本系統(tǒng)中，攝像機(jī)實(shí)時采集生產(chǎn)線上高速運(yùn)行的鎂薄板帶的表面圖像，為了降低缺陷受噪聲干擾的程度，需要先對圖像進(jìn)行預(yù)處理，具體流程如圖3所示。

圖3 預(yù)處理流程圖Fig.3 Pre-processing flow chart

圖像傳入后，首先進(jìn)行灰度化處理，其在不影響圖像信息完整性的基礎(chǔ)上，可有效減小系統(tǒng)計(jì)算量以滿足實(shí)時性要求。其次進(jìn)行直方圖均衡化處理，可增加像素灰度值的動態(tài)范圍，防止圖像過亮或過暗，并增強(qiáng)圖像的對比度，從而突出缺陷。采用的中值濾波，可以減少周圍環(huán)境、照明等的干擾，同時能很好地保留圖像的邊緣信息。接著對圖像進(jìn)行二值化操作，選用自適應(yīng)閾值來決策是保留還是直接剔除某個像素，以減少噪聲的干擾。其后，對圖像進(jìn)行形態(tài)學(xué)操作以減少圖像運(yùn)動模糊所帶來的噪聲。最后檢索輪廓可以聚焦缺陷區(qū)域以便于提取缺陷特征。通過以上流程可以保證在不影響原有缺陷特征的情況下突出缺陷，提高缺陷檢測的準(zhǔn)確率。

2.2 圖像特征選擇與提取

鎂薄板表面圖像經(jīng)預(yù)處理后，如其表面沒有缺陷則其在圖像上表現(xiàn)為各個像素均勻分布，如果有邊裂、油污、褶皺等的缺陷，則缺陷區(qū)域的像素會明顯與周圍不同，直觀上反映為缺陷部分有明顯的幾何特征，同時圖像的缺陷在灰度的表現(xiàn)上也會存在一些差異，為此本文綜合選取了幾何特征和紋理特征這兩大類能反映缺陷形狀及灰度特性的特征。以進(jìn)一步抽象出缺陷的形狀特征參數(shù)組合，最終來確定分類器給出的缺陷信息，使計(jì)算機(jī)能夠自動識別邊裂、油污、波紋等缺陷。

2.2.1 幾何特征 幾何形狀特征是能夠相對直觀描述圖像缺陷的基本特征之一［7］，選取的幾何形狀特征需要將缺陷的位置、大小、形狀等信息簡單地描述出來，本文選取了5種最基本、組合后效果相對較好的幾何特征，包括：面積、周長、離心率、圓形度、歸一化矩。

其中，歸一化矩有極其特殊的屬性，即在旋轉(zhuǎn)、平移、縮放后，有著計(jì)算值的不變性，其與大小、位置、角度無關(guān)，這意味著歸一化矩可以更好地識別圖像的特征。

通過以上的幾何特征對缺陷形狀有了描述，而攝像機(jī)獲取的圖像經(jīng)灰度化處理后各種缺陷在灰度的表現(xiàn)上也不盡相同，為了更全面地表現(xiàn)缺陷的本質(zhì)屬性，還要用到另一種類的特征，稱之為紋理特征。

2.2.2 紋理特征 在圖像分析中紋理特征是指灰度變化的數(shù)字特征。綜合考慮，本文選取了熵、能量、對比度、相關(guān)性等四個紋理特征，來將缺陷信息的灰度特征更好地表示出來。

（1）熵。圖像的熵衡量了一個圖像中所包含信息量的豐富程度，是對圖像中紋理信息的非均勻程度或復(fù)雜度的一種表示［8］。

本系統(tǒng)中，為了反映圖像灰度分布的空間特征，在可以表示聚集特征的一維熵的基礎(chǔ)上，加入空間特征量來共同表示圖像的二維熵。該理論中，圖像灰度分布的空間特征量選用圖像的鄰域灰度值來表示，與該原本圖像中的像素灰度值共同組成一個特征二元組，記為（i，j），圖像熵的計(jì)算公式

式中：i為像素的灰度值（0≤i≤255）；j為鄰域灰度均值（0≤ j≤255）；Pij為特征二元組（i,j）出現(xiàn)的頻數(shù)與圖像總像素?cái)?shù)的商。

（2）能量ASM。能量是衡量一個圖像中的灰度分布均勻程度和紋理粗細(xì)程度的特征值。如果其中有些值相對其它值相差越大，則圖像能量值越大；當(dāng)共生矩陣中的元素越相對集中分布，圖像的能量值越大。圖像的能量值越大，表明圖像的紋理模式越均勻，其圖像紋理變化相對越規(guī)則。在圖像處理中，其表示的方式為

式中：P(i)為圖像的一階直方圖，是灰度級為i的像素總數(shù)與圖像總像素?cái)?shù)的商。

（3）對比度CON。圖像的對比度是衡量圖像的清晰程度和紋理溝紋深淺程度的特征值［9］。對比度計(jì)算公式

式中：P(i)為圖像的一階直方圖，是灰度級為i的像素總數(shù)與圖像總像素?cái)?shù)的商。

（4）相關(guān)性COR。圖像的相關(guān)性是圖像中局部灰度相關(guān)性的特征值，它關(guān)心的是空間灰度共生矩陣中在行方向或者列方向上各個元素的相似程度。其相關(guān)性的表示公式為

式中：i為像素的灰度值（0≤i≤255）；j為鄰域灰度均值（0≤ j≤255）；Pij為特征二元組（i,j）出現(xiàn)的頻數(shù)與圖像總像素?cái)?shù)的商，且

通過上述9種特征，可以提取出缺陷的大小、形狀、灰度分布、紋理等特征，以突出缺陷的數(shù)學(xué)特性，為下一步與分類器中的缺陷樣本匹配及缺陷分類識別做好充分準(zhǔn)備。

3 分類器的設(shè)計(jì)

3.1 分類器的選擇

在數(shù)據(jù)特征值已經(jīng)準(zhǔn)備好的情況下，分類器的選擇一般需要考慮分類器訓(xùn)練的時間以及判斷的時間。另外，根據(jù)實(shí)驗(yàn)基地的要求，需要實(shí)時檢測出鎂薄板的表面缺陷，所以需要分類器能夠快速地完成訓(xùn)練，在這種情況下，貝葉斯、K鄰近算法、決策樹較優(yōu)于其它算法［10-12］。而且在實(shí)時的檢測過程中，系統(tǒng)需要根據(jù)特征值進(jìn)行很快的判斷，此時，貝葉斯、神經(jīng)網(wǎng)絡(luò)、SVM可以更好地滿足此需求［13］。另外，貝葉斯因其條件屬性和決策類別間關(guān)系清晰、分類速度快，已被成功應(yīng)用到Web文檔分類［14］、產(chǎn)品故障率分類［15］等諸多領(lǐng)域。因此，本文選擇了貝葉斯分類器。

3.2 貝葉斯分類器的設(shè)計(jì)

貝葉斯分類以概率推理為基礎(chǔ)，即在各種不確定的情況下，僅僅根據(jù)各條件出現(xiàn)的概率，來完成相應(yīng)的推理決策。本文提取鎂薄板表面圖像中缺陷的9種特征作為貝葉斯網(wǎng)絡(luò)特征。如圖4所示。

圖4 貝葉斯網(wǎng)絡(luò)特征Fig.4 Bayesian network characteristics

在給定缺陷特征的條件下缺陷類型的條件概率為

式中：(S,L,e,R0,Hu,H,ASM,CON,COR)為樣本的特征向量；Defect為特征空間中不同的缺陷類型；P(Defect)為Defect的先驗(yàn)概率；P(S,L,e,R0,Hu,H,ASM,CON,COR)表示在 Defect條件下，(S,L,e,R0,Hu,H,ASM,CON,COR)特征的條件概率。

3.3 貝葉斯分類器的訓(xùn)練

使用貝葉斯分類器對薄板表面缺陷進(jìn)行分類，采用的原則是將待檢測集提取到的缺陷特征值與訓(xùn)練樣本獲取到的帶類別標(biāo)簽的分類集進(jìn)行匹配，對待檢測集的每個類別計(jì)算各個特征屬性的條件概率，以此來確定從屬于哪種缺陷類別的可能性最大。對此首先需要對樣本集進(jìn)行訓(xùn)練，圖5為具體的訓(xùn)練過程。

圖5 訓(xùn)練集訓(xùn)練過程Fig.5 Training process of training set

此階段為訓(xùn)練階段，又包括準(zhǔn)備階段和分類器訓(xùn)練階段。

準(zhǔn)備階段的輸入為所有待分類的圖像，輸出為上文提取到的九種特征參數(shù)值以及這些組合參數(shù)從屬的類別，其中九種特征參數(shù)由計(jì)算機(jī)軟件負(fù)責(zé)計(jì)算，各個特征組合從屬的類別由人工完成；分類器訓(xùn)練階段的輸入為提取到的九種特征參數(shù)以及這些組合參數(shù)從屬的類別，輸出為貝葉斯分類器。

3.4 分類器的測試

分類器設(shè)計(jì)好以后，需要對分類器進(jìn)行測試，圖6為訓(xùn)練集的測試過程。此階段的輸入為待分類的圖像與分類器，輸出為待分類項(xiàng)與類別的映射關(guān)系。

圖6 訓(xùn)練集測試過程Fig.6 Testing process of training set

4 實(shí)驗(yàn)驗(yàn)證

根據(jù)本系統(tǒng)的要求，需要對邊裂、油污、波紋、褶皺、劃傷等五種缺陷進(jìn)行分類識別，以下為貝葉斯分類器的測試應(yīng)用過程及結(jié)果。

將分類器訓(xùn)練階段獲取到的規(guī)則集作為訓(xùn)練樣本的分類目錄，然后對測試集進(jìn)行測試，以檢測分類器能否達(dá)到應(yīng)用的標(biāo)準(zhǔn)。本次實(shí)驗(yàn)對上文提到的5種缺陷各采集100個樣本，共計(jì)500張圖片作為訓(xùn)練樣本。經(jīng)過訓(xùn)練集的學(xué)習(xí)，將人工額外選取的250個缺陷樣本進(jìn)行分類識別實(shí)驗(yàn)，系統(tǒng)的分類識別結(jié)果如表1所示。

從表1可以看出，使用貝葉斯分類器進(jìn)行表面缺陷分類，在5種缺陷中波紋缺陷的識別率最高，達(dá)到了92%，綜合后也達(dá)到了83.6%，較好地完成了缺陷圖像的分類。從具體數(shù)據(jù)來看，劃傷與褶皺的識別率最低，而這兩類缺陷最大的相似之處在于呈幾何線狀，識別率低可能在于選取的缺陷特征沒能較好地表達(dá)出缺陷的本質(zhì)特征。在之后的研究中，會優(yōu)化提取的缺陷特征屬性，并且增加缺陷識別的種類，并依據(jù)檢測到的缺陷，采用專家系統(tǒng)自動修改軋制參數(shù)，以減少缺陷，從而實(shí)現(xiàn)軋制生產(chǎn)線的全面自動化。

表1 分類器識別結(jié)果Tab.1 Recognition results of class

5 結(jié)論

本文針對鎂合金鑄軋薄板表面缺陷的特點(diǎn)設(shè)計(jì)了一套缺陷實(shí)時檢測系統(tǒng)，系統(tǒng)缺陷的綜合識別率達(dá)到83.6%。在具體算法上，本系統(tǒng)首先應(yīng)用數(shù)字圖像處理算法對攝像頭傳入的圖像進(jìn)行一系列預(yù)處理，然后利用貝葉斯分類器對提取到的缺陷特征進(jìn)行分類，分類器采用貝葉斯方法，所需估計(jì)的參數(shù)較少，算法比較簡潔，缺陷檢出后，在運(yùn)行界面的監(jiān)控日志部分給出缺陷所屬的類別，不需要人工干預(yù)，可以滿足自動化的需求。

［1］楊水山.冷軋帶鋼表面缺陷機(jī)器視覺自動檢測技術(shù)研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2009.

［2］趙蘭斌.管道漏磁檢測探頭的設(shè)計(jì)思路［J］.裝備制造技術(shù)，2013（12）：249-252.

［3］張洪濤，計(jì)時鳴.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)鋼板表面缺陷分類算法研究［J］.浙江工業(yè)大學(xué)學(xué)報，2010，38（4）：388-390.

［4］王成明，顏云輝，陳世禮，等.基于改進(jìn)支持向量機(jī)的冷軋帶鋼表面缺陷分類識別［J］.東北大學(xué)學(xué)報（自然科學(xué)版），2007，28（3）：410-413.

［5］李敏，羅洪艷，鄭小林，等.一種改進(jìn)的最大類間方差圖像分割法［J］.南京理工大學(xué)學(xué)報，2012，36（2）：332-337.

［6］李峰，葉學(xué)衛(wèi)，姜正連，等.冷軋帶鋼表面缺陷識別與控制［J］.冶金設(shè)備，2010（1）：65-69.

［7］易貞弟.基于機(jī)器視覺的零件表面缺陷檢測技術(shù)研究［D］.沈陽：沈陽理工大學(xué)，2014.

［8］LEE K，HEE S H，DOO K B.Implementation of GLCM/GLDV-based texture algorithm and its application to high resolution imagery analysis［J］.The Korean Society of Remote Sensing，2005，21（2）：121-133.

［9］張寧新，陳忠，郭莉莉，等.高分辨率遙感影像居民區(qū)檢測算法研究［J］.計(jì)算機(jī)工程與科學(xué)，2013，35（11）：126-133.

［10］BIELZA C，LARRANAGA P.Discrete Bayesian network classifiers：a survey［J］.Acm Computing Surveys，2014，47（1）：1-43.

［11］LAUSSER L，MUSSEL C，MELKOZEROV A，et al.Identifying predictive hubs to condense the training set of k-nearest neighbour classifiers［J］.Computational Statistics，2014，29（1）：81-95.

［12］AZAR A T，ELMETWALLY S M.Decision tree classifiers for automated medical diagnosis［J］.Neural Computing and Applications，2013，23（7）：2387-2403.

［13］OZYILDIRIM B M，AVCI M.One pass learning for generalized classifier neural network［J］.Neural Networks the Official Journal of the International Neural Network Society，2016，73：70-76.

［14］侯小靜.貝葉斯分類器研究及其在Web文檔分類中的應(yīng)用［D］.鄭州：鄭州大學(xué)，2005.

［15］蔡志強(qiáng)，孫樹棟，YANNOU B，等.基于貝葉斯網(wǎng)絡(luò)分類器的產(chǎn)品故障率分類研究［J］.計(jì)算機(jī)應(yīng)用研究，2009，26（9）：3307-3309.

［］［］

A detection system of alloy sheet surface defect in rolling magnesium

ZHANG Wenyu1，2，GAO Qing1，LIU Anqi1，ZHAO Hongyang2，JU Dongying2

（1.School of Software，University of Science and Technology Liaoning，Anshan 114051，China；2.Magnesium Alloy Cast-Rolling Technology Research Center，University of Science and Technology Liaoning，Anshan 114051，China）

In the process of rolling magnesium alloy sheet，these problems including the improper control of the key parameters，slab quality and equipment accuracy，are frequently occurred，which lead to the sheet surface defects such as edge cracking，folding，rippling.If these defects are not diagnosed accurately and promptly，the surface quality and properties of the rolling sheet are greatly affected，the rate of finished product is greatly decreased.In this paper，the images of the rolling magnesium alloy sheet are real-time analyzed using computer vision technique，the defect features are extracted，the sheet preface defects are recognized by the Bayes classifier.Lastly a real-time defect system of the rolling magnesium alloy sheet preface defect is designed and implemented.The results show the average time to recognize the defects is 16ms and the integrated recognition rate is 83.6%.

computer vision；rolling magnesium alloy sheet；feature extraction；defect detection；bayes

May 9，2017）

TP399

A

1674-1048（2017）04-0305-07

10.13988/j.ustl.2017.04.012

2017-05-09。

遼寧省教育廳項(xiàng)目（L2013128）。

張文宇(1973—)，男，遼寧鞍山人，教授。

巨東英(1954—)，男，河北石家莊人，教授。