基于計算機圖像處理的板形識別系統(tǒng)設(shè)計

楊全海

（陜西職業(yè)技術(shù)學(xué)院 計算機科學(xué)系，陜西 西安 710100）

基于計算機圖像處理的板形識別系統(tǒng)設(shè)計

楊全海

（陜西職業(yè)技術(shù)學(xué)院 計算機科學(xué)系，陜西 西安 710100）

針對現(xiàn)階段基于圖像檢測的板形識別在缺陷的檢出率普遍較低以及檢測速度慢等問題，文中提出了一種基于計算機圖像處理的板形識別系統(tǒng)，其通過直方圖均衡化與高帽變換對初始圖像進行處理，并通過邊緣檢測算法提取輪廓，然后利用BP神經(jīng)網(wǎng)絡(luò)分類器進行缺陷識別與分類。其在實驗及實際工業(yè)生產(chǎn)中，均具有較高的識別率，可達到約90%，且還具有較好的板形識別效果。

計算機圖像處理；板形識別；邊緣檢測；BP神經(jīng)網(wǎng)絡(luò)分類器

當前，基于圖像檢測的板形識別在缺陷的檢出率以及檢測速度上均存在問題，缺陷檢出率和檢測速率普遍較低[1-5]。此外，檢測精度的提高與實時缺陷分類等也是需要迫切解決的關(guān)鍵點。

為了解決傳統(tǒng)圖像檢測的板形識別中存在的問題，文中提出一種基于計算機圖像處理的板形識別系統(tǒng)。首先，對實時得到的板形圖像進行直方圖均衡化以及高帽變換增強圖像，并通過Canny邊緣檢測算法得到板形的邊緣。然后通過BP神經(jīng)網(wǎng)絡(luò)對提取到的板形缺陷進行實時識別分類。實驗表明，此板形識別系統(tǒng)在板形缺陷檢測中取得了較好的效果，平均識別率可達到90%以上。

1　板形特征提取

實時獲得的板形原始圖片均存在著噪聲干擾，其按照噪聲干擾的大小會對圖片清晰度造成一定程度的損壞，是圖像變得模糊。當噪聲嚴重時，甚至使圖像本身的特征也無法被識別。為了避免將噪聲干擾識別為板形缺陷，首先利用直方圖均衡化和高帽變換，對獲取的實時原始圖像進行圖像增強處理并用邊緣檢測算法檢測板形的邊緣。

1.1直方圖均衡化

圖像直方圖代表了各個灰度級在圖像中所占的比例，對直方圖均衡化可改善圖像的質(zhì)量。圖像均衡化變化的公式為

其中，rk為原始圖像的灰度，k代表灰度級數(shù)，N為圖像的總像素數(shù)量，nj代表灰度級為rj的像素數(shù)量；L代表圖像所具有的灰度級的總數(shù)量；經(jīng)過變換的圖像灰度用Sk表示，pr（rj）代表原圖像灰度級概率密度函數(shù)。

圖1　冷軋板原圖及其直方圖

圖2　均衡化后的圖像及其直方圖

如圖1與圖2分別為冷軋板原始圖像與直方圖跟均衡化后圖像與直方圖。由圖可看出，為均衡化之前，原始圖像較灰暗，板形所產(chǎn)生的浪由于嚴重的陰影而難以觀察到，由直方圖可看到，原始圖像的灰度分布較為集中在0～50之間。經(jīng)均衡化后，圖像灰度分布在0～255之間，觀察均衡化后的圖像，其圖像變得更為清晰，且其板形波形也變得更加明顯。

1.2高帽變換

當系統(tǒng)處于光線較差的情況下，獲取到的板形原始圖像的曝光通常是不均衡的，其造成圖像顯示效果差，為了解決曝光不均衡的問題，在光照無法改善的條件下，文中采取對圖像進行高帽變換。其變化結(jié)果如圖3所示。

圖3　基于高帽變換的圖像增強

由圖3可看出，圖像經(jīng)過高帽轉(zhuǎn)換后，其顯示效果大幅提升，曝光也更加均衡。在原始圖像中，由于曝光不均衡，使得圖像效果較差，板形波形難以被觀察。而經(jīng)過高帽變換后，圖像質(zhì)量得到了明顯提升，從圖中可清晰看到板形波形。

1.3邊緣檢測

圖像的邊緣是圖像最重要的特性之一，其邊緣記錄了圖像的輪廓，這也是板形識別的重點，只有獲得了圖像的輪廓，才能更好的進行板形識別。邊緣檢測的原理是利用板材翹曲對光反射的影響，當板材表面無翹曲時，其反射光形成均勻的光帶，當板材表面有翹曲時，其反射光形成的光帶出現(xiàn)寬度不同的變化，如圖4所示。

圖4　存在缺陷的板形圖像

圖5的（a）～（f）分別為采用Rober算法、Sodel算法、Prewitt算法、Krisch算法、LoG算法以及 Canny算法檢測邊緣[6-7]的效果圖。

圖5　板形缺陷圖像邊緣檢測算法比較

由圖可看出，Canny算法的邊緣檢測效果最佳，其邊緣檢測結(jié)果不僅是連續(xù)的，且極為清晰。從圖5的（f）可以清晰看到板形的右邊浪。

圖6是使用Canny邊緣檢測算法得到的圖像邊緣圖。

圖6　利用Canny算法提取圖像邊緣

2　BP神經(jīng)網(wǎng)絡(luò)板形識別

當提取圖像的邊緣信息后，需要對板形缺陷進行識別并分類統(tǒng)計，文中采用BP神經(jīng)網(wǎng)絡(luò)對板形進行識別并分類統(tǒng)計。

2.1BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

1）輸入層結(jié)構(gòu)由于每個樣本具有灰度級均值，方差，對比度3個特征值，在此確定輸入層神經(jīng)元個數(shù)為3。

2）隱含層設(shè)置為單層結(jié)構(gòu)。同時，為了減少計算量及滿足在有限迭代次數(shù)下實現(xiàn)網(wǎng)絡(luò)收斂[8-9]，本文首先設(shè)定隱含層神經(jīng)元個數(shù)為48，當網(wǎng)絡(luò)具有收斂能力后，逐漸減少并穩(wěn)定在10個。

3）輸出層結(jié)構(gòu)輸出層神經(jīng)元即為缺陷的類型數(shù)，在此本文只研究左邊浪，右邊浪，左1/4浪，右1/4浪，中浪這五種板形缺陷，故設(shè)置輸出層神經(jīng)元個數(shù)為5。

4）測試樣本為了檢測BP神經(jīng)網(wǎng)絡(luò)在板形缺陷的分類識別的識別率，文中利用缺陷數(shù)量與類型已知的板形對BP神經(jīng)網(wǎng)絡(luò)進行測試。

表1　測試樣本缺陷類型與數(shù)量分布數(shù)據(jù)

2.2BP神經(jīng)網(wǎng)絡(luò)分類器測試結(jié)果

表2和表3分別為BP神經(jīng)網(wǎng)絡(luò)分類器參數(shù)以及分類器測試結(jié)果。由表3的測試結(jié)果可看出，分類器的參數(shù)設(shè)置是合理的，文中的分類器在416個不同類型的缺陷中，識別出384個，平均識別率高達92.3%，此分類器的缺陷識別與分類能力是較為理想的。

表2　BP神經(jīng)網(wǎng)絡(luò)分類器參數(shù)

表3　分類器測試結(jié)果

3　實驗與分析

圖7所示為本文設(shè)計的板形識別系統(tǒng)，其主要由照射光源，工業(yè)攝像機，圖像采集卡以及工控機組成。其中光源采用PHILIPS T8 36W三基色管，其采用特殊氪氣，降低燈管功率，且采用高效熒光粉，色度容差小，光輸出高，壽命長，發(fā)光穩(wěn)定；工業(yè)相機采用德國Imaging Source USB 3.0工業(yè)相機，其成像質(zhì)量高，傳輸界面速度快，外觸發(fā)輸入功能和外部 I/O接口更讓用戶可輕易在現(xiàn)有或新的應(yīng)用程序上進行設(shè)定和整合。圖像采集卡采用維視圖像公司的MV-E8100實時圖像采集卡，其是基于PCI-E X1總線結(jié)構(gòu)開發(fā)的四路高清實時圖像采集卡，數(shù)據(jù)傳輸速率可達250 MByte/s，并采用第四代Philips公司精良的10 bit A/D芯片，使用的4線3D梳狀濾波器能自動消除噪點、抗混疊濾波等技術(shù)，使圖像清晰度更高、圖像采集的實時性能更強。

圖7　板形識別系統(tǒng)硬件構(gòu)成

為了使板形圖像采集效果更加理想，應(yīng)使工業(yè)攝像頭安裝在軋機出口處軋制板材的正中間位置，同時攝像頭的鏡頭鏡片方向必須與軋制版的平面保持平行。此外，為了減少噪聲干擾，應(yīng)當使光帶的有效圖像信息盡可能多，而無效的圖像信息盡可能少，這可通過調(diào)節(jié)攝像頭的焦距來實現(xiàn)。

實驗中，通過調(diào)節(jié)光源的照射位置、照射距離以及照射角度，得到如圖8的典型板形缺陷原圖。然后經(jīng)過計算機圖像處理，進行板形缺陷識別。

從圖8中可看到，本系統(tǒng)能精確識別板形中的缺陷，且邊緣檢測圖像清晰、連續(xù)，系統(tǒng)得到了良好的驗證。

本系統(tǒng)在某冷軋薄板廠的生產(chǎn)線上應(yīng)用，在廠方專家的鑒定下，本系統(tǒng)實際識別的板形缺陷類別和數(shù)量如表4所示。

圖8　部分典型板型缺陷的原圖與邊緣檢測圖

表4　BP分類器實際識別結(jié)果

由表中數(shù)據(jù)可得，本系統(tǒng)在實際工廠生產(chǎn)中的板形識別率穩(wěn)定在91%±2%之間，系統(tǒng)在實際工廠生產(chǎn)中取得較好的識別效果。

4　結(jié)束語

針對現(xiàn)階段基于圖像檢測的板形識別在缺陷的檢出率普遍較低以及檢測速度慢等問題，文中提出了一種基于計算機圖像處理的板形識別系統(tǒng)，其通過直方圖均衡化與高帽變換對初始圖像進行處理，并通過邊緣檢測算法提取輪廓，然后利用BP神經(jīng)網(wǎng)絡(luò)分類器進行缺陷識別與分類。其在實驗及實際工業(yè)生產(chǎn)中的識別率均在約90%，且還具有良好的板形識別效果。

[1]A Zhmedr，Su Tcliffe Mpf.I dent frication of surface features on cold rolled stainless steel strip[J].Wear，2011，24（4）:60-70.

[2]吳平川，路同浚，王炎.機器視覺與鋼板表面缺陷的無損檢測[J].無損檢測，2000，22（1）:13-16.

[3]何炳林，龍建軍，司振軍，等.熱軋帶鋼板形質(zhì)量可視化研究[J].機床與液壓，2004（10）:62-65.

[4]徐科，徐金梧.基于圖象處理的冷軋帶鋼表面缺陷在線檢測技術(shù)[J].鋼鐵，2002，37（12）:61-64.

[5]楊昊.CUDA下局部閾值和二值函數(shù)的邊緣檢測[J].電子科技，2014，27（3）:52-54.

[6]徐科，徐金梧，梁治國，等.冷軋帶鋼表面質(zhì)量自動檢測系統(tǒng)的在線應(yīng)用研究[J].冶金自動化，2004，27（1）:51-53.

[7]Can N Y J.Finding edges and lines in images[R].USA，MIT:Artificial Intelligence Laboratory，2008.

[8]夏良正，李久賢.數(shù)字圖像處理[M].2版.南京:東南大學(xué)出版社，2006.

[9]Martin T Hagan.神經(jīng)網(wǎng)絡(luò)設(shè)計[M].戴葵，譯.北京:機械工業(yè)出版社，2002.

Design of board shape recognition system based on computer image processing

YANG Quan-hai
（Department of Computer Science，Shaanxi Vocational and Technical College，Xi'an 710100，China）

For this stage flatness recognition based on image detection in defect detection rate is generally low and slow detection speed and other issues，this paper presents a computer-based image processing board shape recognition system，which by histogram equalization and hat transform the initial image processing，and extracts contour through the edge detection algorithm，and then use BP neural network classifier defect recognition and classification.Its experiments and actual industrial production has high recognition rate，were about 90%，with good flatness recognition effect.

computer image processing；plate-profile recognition；edge detection；BP neural network classifier

TN99

A

1674－6236（2016）21-0177-03

2016-01-13稿件編號：201601090

楊全海（1974—），男，陜西澄城人，碩士，助教。研究方向：圖形圖像。