基于matlab的螺紋鋼損傷圖像識別技術

(山東建筑大學 山東 濟南 250100)

螺紋鋼作為現代化生產中重要的工業材料，在建筑、機械、交通、運輸等行業都有著廣泛的應用。其表面特征如果不能達到國家標準的要求，將被視為缺陷，其產品肯定就是不合格的。隨著市場對螺紋鋼表面的質量要求越來越高，傳統的人工離線測量的方法已經不能夠滿足現代化生產線的要求，因此，各種非接觸的、無損傷的檢測方法得到了越來越多的開發和利用[1]。目前，廣泛使用的表面缺陷檢測技術有渦流、超聲波、漏磁和磁粉等檢測方法[2]。

一、圖像預處理

(一)圖像灰度化處理

如果對源色彩圖像進行數字處理，其運算量較大，且不利于研究后續處理。所以我們先將源色彩圖像轉化為灰度圖像，然后通過 MATLAB 讀入圖像并對源圖像進行調整。

(二)圖像濾波處理

很多數字信號處理方法是需要建立在傅里葉變換的基礎上實現的，而傅里葉變換具有一定的局限性。信號在進行傅里葉變換后，變換后的信號將不能再提供任何時域信息，使得信號在頻率變化下出現失真[4]。這對于一些非平穩含有突變的系統，采用傅里葉變化所得到的結果是不可靠的。要解決之類問題可以使用小波變換。隨著系統頻率變化，小波變換可以提供對應變化的窗口，通過伸縮平移運算對系統信號逐步進行多尺度細化，從而能有效地提取信息。通過各種濾波對比，最終選用自適應濾波。

MATLAB中利用wiener2函數可以實現對圖像噪聲的自適應濾除[3],wiener2函數根據圖像的局部方差來調整濾波器的輸出。當局部方差大時,濾波器的平滑效果較弱,濾波器的平滑效果強,wiener2函數采用的算法是首先估計出像素的局部矩陣和方差

(1)

(2)

其中y是圖像中每個像素的MXN的鄰域。然后,對每一個像素利用wiener2濾波器估計出其灰度值

(3)

使用wiener2函數進行濾波會產生比線性濾波更好的效果,因為自適應濾波器保留了圖像的邊界和圖像的高頻成分,但花時間更多。函數的調用格式為:

J=wiener2(I,[m n],noise),使用自適應濾波對圖像1進行濾降噪處理。參數為m與n為標量，指定m*n鄰域來估計圖像均值與方差，默認區域大小為3*3.參數noise為矩陣，表示指定噪聲。

[J,noise]=wiener2(I,[m n]),使用自適應濾波對圖像1進行降噪處理，并返回函數的估計噪聲noise。處理后的圖像如圖所示:

圖1 自適應濾波圖像

(三)圖像邊界銳化

圖像銳化是補償圖像的輪廓，增強圖像的邊緣及灰度跳變的部分，使圖像變得清晰，分為空域處理和頻域處理兩類。圖像銳化是為了突出圖像上地物的邊緣、輪廓，或某些線性目標要素的特征。這種濾波方法提高了地物邊緣與周圍像元之間的反差，因此也被稱為邊緣增強[4]。此處采用log算子高斯算法和拉普拉斯算法相結合的算子，是集合平滑和邊沿于一身的算子模型。Laplace算子對通過圖像進行操作實現邊緣檢測的時，對離散點和噪聲比較敏感。于是，首先對圖像進行高斯暖卷積濾波進行降噪處理，再采用Laplace算子進行邊緣檢測，就可以提高算子對噪聲和離散點的Robust，應用histep函數對圖像直方圖均衡化處理。

二、圖像二值化

圖像二值化( Image Binarization)就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現出明顯的黑白效果的過程。在數字圖像處理中，二值圖像占有非常重要的地位，圖像的二值化使圖像中數據量大為減少，從而能凸顯出目標的輪廓。

(一)二值化圖像處理

使用開運算對二值化圖像進行處理，以去除圖像中的細小空洞，經過開運算后的圖像中依然存在一些噪聲干擾。圖像區域連通處理可以進一步去除面積較小的連通域，從而去除圖像上的噪聲干擾，使所需要的目標更加清晰。

(二)邊緣提取及傷痕檢測

對處理后的二值圖，運用bwperim函數對二值圖像進行邊緣輪廓提取，提取程序選用8鄰域掃描，邊緣提取后的效果圖如圖2所示。通過圖2，我們可以清楚的看到中心周線左端有嚴重缺陷，由此可見，初步實現損傷位置的檢測。

圖2

三、總結

本文雖然解決了一些基本方面的問題，但是螺紋鋼表面缺陷檢測系統是一個很復雜的系統，雖然針對尺寸缺陷這一塊提出了自己的想法，但是離實時在線檢測還有很長的距離，還是有很多問題需要解決，其中主要是包括如何將理論研究算法和實際的算法操作相結合。