基于角點(diǎn)檢測(cè)的熱軋帶鋼表面缺陷在線檢測(cè)

劉佳敏，甘 屹，姚 俊

LIU Jia-min1 , GAN Yi1 , YAO Jun2

（1.上海理工大學(xué) 機(jī)械工程學(xué)院，上海 200093；2.上海電氣集團(tuán)中央研究所，上海 200070）

0 引言

隨著對(duì)機(jī)械零件表面加工要求的不斷提高,計(jì)算機(jī)視覺檢測(cè)作為一種產(chǎn)品質(zhì)量控制的重要手段也得到了飛速發(fā)展。針對(duì)表面?zhèn)郾容^尖利這一形狀特征，文獻(xiàn)[1]用Harris角點(diǎn)作為標(biāo)記點(diǎn)標(biāo)記缺陷位置，再利用灰度信息濾除偽標(biāo)記點(diǎn)，最后提取出缺陷處圖像。但在Harris角點(diǎn)檢測(cè)算法[2～4]中，經(jīng)驗(yàn)常數(shù)k值的選取是算法能否取得較好的實(shí)驗(yàn)結(jié)果的關(guān)鍵。文獻(xiàn)[1]對(duì)角點(diǎn)檢測(cè)算法沒有進(jìn)行優(yōu)化，無法減小響應(yīng)函數(shù)的不穩(wěn)定性，對(duì)實(shí)驗(yàn)結(jié)果會(huì)有干擾。本文提出先對(duì)角點(diǎn)檢測(cè)算法進(jìn)行優(yōu)化，再利用優(yōu)化后的角點(diǎn)檢測(cè)對(duì)熱軋帶鋼[5]進(jìn)行在線檢測(cè)，對(duì)得到的質(zhì)量信息進(jìn)行圖像處理[6]進(jìn)而分析產(chǎn)品缺陷，為產(chǎn)品的在線檢測(cè)提供參考，對(duì)提高產(chǎn)品生產(chǎn)效率、保證生產(chǎn)質(zhì)量、調(diào)整生產(chǎn)工藝和設(shè)備有重要意義。

1 角點(diǎn)檢測(cè)優(yōu)化原理

Harris角點(diǎn)檢測(cè)方法[7]認(rèn)為，一幅圖像的像素點(diǎn)在任意方向上的灰度變化量都能夠通過微分運(yùn)算反映，因此可以區(qū)分出角點(diǎn)。設(shè)以像素點(diǎn)（x，y）為中心的高斯窗口分別在x方向和y方向上的移動(dòng)位移為u，v個(gè)單位，Harris給出的灰度變化量為：

其中，I（x，y）為像素點(diǎn)的灰度函數(shù)，wx,y為高斯窗口函數(shù)，主要用于對(duì)圖像進(jìn)行降噪，一般定義wx,y為：

公式(1)可近似表示成泰勒多項(xiàng)式形式：

?表示卷積。

將Eu,v(x,y)化為二次型，令M化為實(shí)對(duì)稱矩陣有：

其中，公式(4)中M為實(shí)對(duì)稱矩陣：

對(duì)公式(4)進(jìn)行對(duì)角化處理可得：

其中，R為旋轉(zhuǎn)因子，其特征值 λ1和 λ2分別反映了x方向和y方向上的圖像表面曲率。只有當(dāng) λ1和 λ2都比較大時(shí)且為基本相等的正數(shù)時(shí)，意味著該點(diǎn)在任意方向上的灰度值都發(fā)生了劇烈變化，表明這個(gè)點(diǎn)可能為角點(diǎn)。

此外，Harris還定義角點(diǎn)響應(yīng)函數(shù)CRF為：

其中，detM為矩陣M的行列式，trM為矩陣的跡，且trM=λ1+λ2，K為大于零的經(jīng)驗(yàn)參數(shù)值，滿足CRF值大于預(yù)設(shè)定的閾值時(shí)，當(dāng)前像素點(diǎn)則為角點(diǎn)。然而選取不同的k值，與之對(duì)應(yīng)的也會(huì)有不同的檢測(cè)效果，需要不斷的調(diào)試程序直到k值取得一個(gè)對(duì)整體實(shí)驗(yàn)效果都較好的值時(shí)，實(shí)驗(yàn)才會(huì)取得令人滿意的檢測(cè)結(jié)果。

針對(duì)以上不足，由Harris角點(diǎn)檢測(cè)原理可以得出，λ1≈ λ2＞ 1時(shí)為角點(diǎn)，得：

由式(8)和式(9)可推導(dǎo)出：

式(10)為優(yōu)化的角點(diǎn)檢測(cè)算法，避免了經(jīng)驗(yàn)參數(shù)k值對(duì)檢測(cè)的影響，同時(shí)也避免了公式(1)中的極小值的選取，減少了響應(yīng)函數(shù)的不穩(wěn)定性。

由式(10)可知，當(dāng)位于圖像的邊緣區(qū)域和平坦區(qū)域的時(shí)候CRF(x,y)都小于零，只有當(dāng)其是角點(diǎn)的時(shí)候，CRF(x,y)才大于零。

2 實(shí)驗(yàn)與分析

根據(jù)實(shí)驗(yàn)條件，本文選取熱軋帶鋼表面常見的三種缺陷作為檢測(cè)對(duì)象。在工況下，熱軋帶鋼的溫度接近于鍛件的高溫，所處環(huán)境惡劣。一般的檢測(cè)方法不適用這種情況。

熱軋帶鋼常見的三種缺陷分別為輥印（Roll marks）、紅銹（Red scale），邊部氣割缺陷（Craters）。為了檢測(cè)這幾種缺陷，將LED燈光源調(diào)至適中，CCD相機(jī)拍攝素材圖像，運(yùn)用OpenCV進(jìn)行特征提取[8,9]。對(duì)剪切拍攝的素材圖像進(jìn)行裁剪處理，選取有缺陷的部分表面圖像，依據(jù)圖像處理的基礎(chǔ)理論知識(shí)進(jìn)行處理。在圖像處理中，Canny算法給出了判斷邊緣提取方法性能的指標(biāo)，是圖像處理的經(jīng)典算法之一，Hough變換也是圖像變換中的經(jīng)典手段,主要用來從圖像中分離出具有某種相同特征的幾何形狀。Canny算法和Hough算法在圖像處理中都應(yīng)用非常廣泛，本文分別應(yīng)用Canny算法和Hough算法對(duì)實(shí)驗(yàn)圖像進(jìn)行處理，與角點(diǎn)檢測(cè)算法處理得到的結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖1～圖3所示，為了更直觀的評(píng)價(jià)三種算法提取結(jié)果，本文用MATLAB分別提取三種缺陷的灰度圖像建成灰度三維圖，XY平面對(duì)應(yīng)相應(yīng)的缺陷圖像，Z軸表示缺陷圖像中的每一個(gè)像素點(diǎn)的灰度值三維圖，結(jié)果如圖4～圖6所示。

圖1 輥印缺陷圖像實(shí)驗(yàn)結(jié)果對(duì)比

圖2 紅銹缺陷圖像實(shí)驗(yàn)結(jié)果對(duì)比

圖3 邊部氣割缺陷圖像實(shí)驗(yàn)結(jié)果對(duì)比

圖4 輥印缺陷圖像的灰度三維圖對(duì)比

圖5 紅銹缺陷圖像的灰度三維圖對(duì)比

圖6 邊部氣割缺陷圖像的灰度三維圖對(duì)比

從圖1～圖3可以看出，優(yōu)化后的角點(diǎn)檢測(cè)算法能分辨以上三種熱軋帶鋼的表面缺陷，角點(diǎn)比較清晰。Canny算法僅在邊部氣割缺陷的缺陷情況下能分辨出表面缺陷，在輥印和紅銹缺陷的情況下，Canny算法不能分辨出來，Hough算法僅在紅銹缺陷的情況下能分辨出來，對(duì)其他兩種缺陷分辨不明顯。

觀察對(duì)比圖4～圖6的灰度三維圖，也可以知道，對(duì)于輥印和紅銹缺陷，Canny算法處理的圖像灰度值在缺陷處灰度值變化不大，這表明Canny算法不能明顯區(qū)分圖像中的缺陷；Hough算法只在紅銹缺陷中灰度值變化明顯，能分辨出表面缺陷，其他缺陷分辨不理想；角點(diǎn)檢測(cè)算法表現(xiàn)優(yōu)異，準(zhǔn)確的分辨出了三種缺陷圖像。

經(jīng)過以上對(duì)比，可以看出優(yōu)化后的角點(diǎn)檢測(cè)算法在缺陷檢測(cè)方面比Canny算法和Hough算法具有更好的效果。

在檢測(cè)缺陷圖像時(shí)，角點(diǎn)檢測(cè)算法不僅在缺陷檢測(cè)方面效果良好，還能通過根據(jù)突變點(diǎn)的灰度值為圖像的缺陷分類判定提供重要信息，避免誤判和錯(cuò)判。例如圖5(c)和圖6(c)，分別代表紅銹灰度三維圖和邊部氣割缺陷灰度三維圖，從中可以看出紅銹和邊部氣割缺陷這兩種缺陷圖像的灰度變化是相反的。其中，紅銹的角點(diǎn)突變點(diǎn)的灰度值很小，接近于零，邊部氣割缺陷的圖像的角點(diǎn)突變點(diǎn)的灰度則變化較大，兩者在角點(diǎn)突變點(diǎn)灰度值相差很大，因此在用角點(diǎn)檢測(cè)方法來在檢測(cè)缺陷圖像時(shí)，通過考慮突變點(diǎn)的灰度值可以避免造成誤判和錯(cuò)判，在實(shí)現(xiàn)缺陷圖像的快速分類時(shí)，角點(diǎn)檢測(cè)可以提供灰度信息幫助，對(duì)缺陷分類系統(tǒng)優(yōu)化有重要意義。

3 結(jié)論

角點(diǎn)檢測(cè)因其含有很高的信息量來反映圖像的局部特征，能夠快速可靠的實(shí)現(xiàn)標(biāo)定、匹配功能。本文提出的優(yōu)化角點(diǎn)檢測(cè)方法來實(shí)現(xiàn)對(duì)熱軋帶鋼表面的缺陷檢測(cè)，對(duì)比Canny算法和Hough算法具有更好的檢測(cè)效果。同時(shí)，角點(diǎn)檢測(cè)算法還可以通過考慮突變點(diǎn)的灰度值來檢測(cè)誤判和錯(cuò)判。實(shí)驗(yàn)結(jié)果證明本文提出的優(yōu)化角點(diǎn)檢測(cè)算法不僅比Canny算法和Hough算法有更好的檢測(cè)效果，還能為圖像缺陷分類提供重要的灰度信息，為熱軋帶鋼的在線檢測(cè)提供了一種新的缺陷檢測(cè)參考方法，對(duì)缺陷檢測(cè)方法的改進(jìn)和缺陷檢測(cè)分類系統(tǒng)的優(yōu)化設(shè)計(jì)也具有重要意義。

[1]王磊.基于機(jī)器視覺的電池表面缺陷檢測(cè)技術(shù)研究[D].中國(guó)科學(xué)技術(shù)大學(xué),2011.

[2]Zhang,X,He,G.,Yuan,J.A rotation invariance image matching method based on harris corner detection[A].International Congress on Image and Signal Processing,Tianjin,China[C].2009:1-5.

[3]Harris C,Stephens M J.Acombined corner and edge detector[A].Proceedings of the 4th Alley Vision Conference[C].New York:IEEE,1988:147-151.

[4]毛雁明,蘭美輝,王運(yùn)瓊,馮喬生.一種改進(jìn)的基于Harris的角點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2009,19(5):130-133.

[5]楊水山,何永輝,趙萬(wàn)生.Boosting優(yōu)化決策樹的帶鋼表面缺陷識(shí)別技術(shù)[J].紅外與激光工程,2010,39(5):954-958.

[6]齊從謙,甘屹.基于遺傳算法的醫(yī)學(xué)CT圖像數(shù)字化處理[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,32(6):799-801

[7]Likai Chen,Wei Lu,Jiangqun Ni,Wei Sun,Jiwu Huan .Region duplication detection based on Harris corner points and step sector statistics[J].J.Vis.Commun.Image R.2013(24):244-254.

[8]Y.Freund,R.E.Schapire.A decision-theoretic generalization of online learning and an application to Boosting[J].Comput System Sci,1997,55(1):119-139.

[9]陳凱歌,韓曉軍,張宇,杜云飛.基于OpenCV的Harris角點(diǎn)檢測(cè)[J].河南紡織高等專科學(xué)校學(xué)報(bào),2011,(4):53-56.