基于機器視覺的硅鋼鋼帶表面缺陷自動檢測識別研究

趙蘭鵬，劉堂友

(東華大學 信息科學與技術學院，上海 201620)

?

基于機器視覺的硅鋼鋼帶表面缺陷自動檢測識別研究

趙蘭鵬，劉堂友

(東華大學 信息科學與技術學院，上海 201620)

硅鋼鋼帶是變壓器等工業設備發展的一項重要原材料，其質量的高低直接影響著產品性能的好壞。傳統的人工檢測具有效率低、精確度差等特點。為此提出基于機器視覺的表面缺陷自動檢測研究。該研究采用圖像處理及模式匹配的方法，通過對由CCD工業相機采集到的圖片進行幾何矯正、圖像拼接、缺陷處理等過程，實現了硅鋼鋼帶表面缺陷輪廓檢測、特征提取、分類等功能，從而完成鋼帶質量的判定。

機器視覺；硅鋼鋼帶；缺陷檢測；特征分類

0 引言

硅鋼鋼帶是變壓器等工業設備發展的一項重要原材料，其以良好的表面質量和機械性能在該領域得到廣泛的應用，因此不斷增強對硅鋼鋼帶質量的提升有著重要的意義[1]。隨著高精度的圖像傳感器件、數字信號處理技術和計算機技術的提高，真正實用化的質量自動檢測系統得到了飛速的發展[2]。

本文研究基于機器視覺的硅鋼鋼帶表面缺陷自動檢測識別技術，是在初級硅鋼鋼帶進一步深加工使其成為生產變壓器原材料的生產過程中，采用圖像處理及模式匹配的方法并依據MATLAB軟件仿真，對采集到的圖像進行相應的圖像處理，從而達到對鋼帶缺陷的判斷，最終完成鋼帶質量的判定。

1 系統設計要求

系統研究是在鋼帶生產線傳輸速率為0～40 m/min的環境下，使用CCD工業相機采集圖像，采集速率最大可達16幀/s，獲取的圖像分辨率為1 392×1 040。為了提高系統的處理速度，必須考慮圖像處理和缺陷檢測算法的選取及軟件的運算方式，進而達到在有限時間內做到對龐大圖像數據量的處理，并保證最終的目標效果，因此在滿足缺陷檢測準確度的條件下，有效地控制算法和軟件編程中總體方案設計的復雜度非常重要。

圖1 系統流程圖

2 系統研究

2.1 系統流程圖

基于機器視覺的硅鋼鋼帶缺陷自動檢測識別研究系統流程圖如圖1所示。

2.2 圖像的采集

在傳輸的鋼帶生產線上方架設CCD工業相機和LED燈，并將相機與計算機連接，接著在計算機上運行工業相機和視覺傳感器軟件，進而控制相機對鋼帶進行拍攝，并將拍攝的圖像傳輸給計算機。

2.3 圖像的幾何校正

在圖像采集過程中，由于相機會發生輕微的傾斜使得采集到的圖像發生幾何畸變，因此首先需要對圖像進行幾何校正。幾何校正主要包括兩個內容：像素坐標校正和像素灰度估算[3]。

(1)像素坐標校正采用具有一般形式的投影變換來進行幾何畸變校正。投影變換是利用原圖像找出若干個控制點，同時找出失真圖像與之相對應的控制點的坐標，利用這些對應的坐標可以確定空間變換結構，最后利用這個空間變換結構對失真圖像中每個像素進行變換，得到校正后的圖像坐標。

(2)數字圖像像素的坐標都是整數，而經過計算后得到的坐標不一定是整數，這就需要對經過計算得到的像素點進行像素灰度估算。這里采用雙線性內插法對灰度進行估計。雙線性內插法是根據某點坐標周圍4個像素點灰度在兩個方向上對其灰度進行內插。最后再去除圖像邊緣與鋼帶不相關部分得到校正后的圖像。

圖2～圖5為失真圖像和校正后的圖像。

圖2 失真圖像左圖

圖3 失真圖像右圖

圖4 校正后的圖像左圖

圖5 校正后的圖像右圖

2.4 圖像拼接

為了保證對圖像邊緣處的缺陷做到完整檢測，需要進行圖像拼接。這里根據相機拍攝頻率和鋼帶傳輸速度，設置有效的拼接參數，進行簡單的位置計算，使得左右兩張相鄰圖像共同區域重疊在一起，得到有效的拼接；然后利用圖像融合技術使得兩張圖像重疊區域平滑過渡，濾除明顯分界線[4]，如圖6所示。

圖6 圖像拼接結果

2.5 圖像去噪

由于受生產環境、光照等因素的影響，采集到的圖像會受到噪聲污染，造成圖像降質，因此需要對圖像進行去噪處理。

中值濾波在平滑脈沖噪聲方面非常有效，同時它可以保護圖像尖銳的邊緣，不會使圖像產生明顯的模糊[5]；另外將帶噪聲圖像進行小波變換處理，利用小波去噪所具有的多分辨率和去相關性的特點，經過去除噪聲的小波系數，再做小波逆變換重構圖像，最后得到去噪圖像[6]。經過對比發現，采用基于中值濾波與小波變換相結合的圖像去噪進行處理，在去除噪聲的同時保護了圖像邊緣輪廓，去噪后的圖像如圖7所示。

圖7 去噪后的圖像

2.6 圖像增強

為了使鋼帶上的缺陷更加清晰，在圖像去噪完成后，對圖像進行增強處理。經過對比，最終采取拉普拉斯銳化方法。圖8為增強后的圖像。

圖8 增強后的圖像

2.7 缺陷輪廓提取

在得到增強的圖像之后需要對其進行缺陷輪廓提取，進而可以得到直觀的缺陷邊緣信息。這里采取Canny邊緣檢測算子對缺陷圖像進行輪廓提取。因為該算子采用高斯函數進行濾波，具有很強的抗噪性、好的信噪比和定位性能等優點，能夠對輪廓進行精確提取[7]，結果如圖9所示。接著對輪廓進行圖像膨脹和填充處理[8]，進而得到清晰的缺陷圖，如圖10所示。

圖9 圖像缺陷輪廓的提取

圖10 填充后的缺陷圖像

2.8 缺陷特征提取

缺陷特征提取是計算缺陷的特征值，為缺陷分類做準備。對于人的視覺系統而言，物體的形狀是可以得到識別的重要特征，也是物體穩定的特征[9]，因此本研究主要采用形狀特征分類。

圖像中的像素點坐標用(x,y)來表示；像素灰度值用f(x,y)表示，其取值為0或者1。設R為所有像素點的集合，R′為缺陷區域中像素點的集合。對于缺陷描述常用的形狀特征描述如下：

(1)

式中: Nε和Nθ分別為邊界鏈碼(8方向)中移動偶步與奇步的數目。

(2)缺陷的面積，即缺陷區域中像素點的個數，表達如式(2)：

(2)

(3)區域的圓形度，即區域接近圓形的程度：

(3)

(4)區域的矩形度，即區域面積與其最小的外接矩形面積比值，反映了一塊區域對其包圍矩形的充滿程度：

(4)

Sbox是包圍矩形的面積，矩形度不超過1。

通過以上特征提取方程的計算，最終得到上面圖像的L=1.435 7e+04，S=209 787，C=0.012 8，R=0.570 1,根據廠商所給的質量評定標準可以判定此缺陷為面積性缺陷。

2.9 缺陷的分類

在圖像處理完成后，根據廠商提供的硅鋼鋼帶質量要求，對硅鋼鋼帶進行質量的評估，最終根據鋼帶不同的質量進行不同的分類，以適應不同的市場需求。

3 結論

本文介紹了一種自動圖像缺陷檢測系統，它運用圖像處理技術，對所采集到的圖像進行了一系列處理，進而得到清晰的缺陷圖像；然后根據缺陷的形狀特征進行了分類，最終根據廠商對鋼帶質量評定標準進行了準確的評估，完成硅鋼鋼帶質量的檢測。

[1] MIKOLAJCZYK K， SCHMID C．A performance evaluation of local descriptors[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(10):1615-1630.

[2] WU G,XU K, XU J．Application of a new feature extraction and optimization method to surface defect recognition of cold rolled strips[J]．Journal of University of science and Technology Beijing, 2007, 14(5):437-442.

[3] 戴劍鋒．攝像頭徑向畸變自動校正系統[D]．廣州：華南理工大學，2010.

[4] 邵向鑫．數字圖像拼接核心算法研究[D]．長春：吉林大學，2010.

[5] 唐世偉，林君．小波變換與中值濾波相結合圖像去噪方法[J].哈爾濱工業大學學報，2008，40(8)：1334-1336.

[6] 歐陽誠梓，李勇，郭振鐸，等．基于小波變換與中值濾波相結合的圖像去噪處理[J]．中原工學院學報，2006，17(2)：22-25.

[7] 周超．邊緣檢測Canny算子的研究與改進[D].重慶:重慶師范大學，2012.

[8] 晏暉，姜鵬，陳貝．基于MATLAB工具箱的數字圖像處理技術[J]．微計算機信息，2010，26(26)：214-216.

[9] 張康，鐘平．汽車涂裝表面瑕疵快速檢測方法研究[D]．上海：東華大學，2014.

Research on surface defects detection and identification for silicon steel strips based on machine vision

Zhao Lanpeng, Liu Tangyou

(School of Information Science and Technology，Donghua University，Shanghai 201620,China)

Silicon steel strip is an important raw material in the development of transformer and other industrial devices, and its quality of high and low is very important. The traditional artificial detection is low efficiency, poor accuracy, so this paper puts forward a research on automatic surface defect detection based on machine vision. This study adopts the method of image processing and pattern matching, and through geometric correction, image matching, defect processing on images collected by a CCD industrial camera, to realize the silicon steel strip surface defect detection, feature extraction, classification and other functions, so as to complete the determination of the quality of steel strip.

machine vision;silicon steel strip;defect detection;feature classification

TP391.4

A

10.19358/j.issn.1674- 7720.2016.21.015

趙蘭鵬，劉堂友. 基于機器視覺的硅鋼鋼帶表面缺陷自動檢測識別研究[J].微型機與應用，2016,35(21)：49-51.

2016-08-03)

趙蘭鵬(1989-)，男，碩士研究生，主要研究方向：網絡通信與傳感網。

劉堂友(1969-)，通信作者，男，博士，副教授，主要研究方向：數字圖像處理。E-mail:liuty@dhu.edu.cn。