金屬加工表面缺陷檢測綜述

蔡東吟；陳國瑞；詹贊；唐林林；胡超超；潘升

（重慶交通大學，重慶400074）

0 引言

目前，由于制造業的迅猛發展，各種各樣的工業產品正不斷涌現。其中，金屬材料制品是主要的加工產品之一。例如，中國的鋼鐵產品保證了國內的機械、交通以及建筑等行業的發展。然而，在金屬表面加工過程中，由于生產環境的局限性，不可避免會產生表面缺陷。金屬表面的缺陷會直接影響產品的外觀以及使用性能，嚴重時會導致產品性能退化，造成重大財產損失以及威脅到人民生命安全。因此，對金屬表面進行及時的缺陷檢測具有重要意義。

解決因金屬加工表面缺陷帶來的企業盈利下降的關鍵在于進行金屬加工表面缺陷的智能檢測。一方面，智能檢測有助于及時發現金屬加工表面的缺陷，從而有效控制產品質量。另一方面，通過發現金屬加工表面的缺陷類型，可以有助于發現生產工藝中存在的問題，改善生產工藝流程，從而減少表面缺陷的出現。

為了總結與評估金屬表面缺陷檢測的優缺點，并為未來研究提供相應的借鑒，本文廣泛調研了國內外文獻并對其進行了全面的綜述。

1 人工檢測

傳統的金屬表面缺陷檢測主要依靠人工檢測。在質檢過程中，質檢人員通過肉眼觀察并采用隨機抽檢的方式對鋼鐵表面缺陷進行檢測[1]。但是，人工檢測存在諸多不足。例如，工人勞動強度大，檢測結果過于主觀意識并且惡劣的生產環境也會威脅到質檢員的生命安全。因此，人工檢測不適應于大規模金屬產品制造業的質量檢測。

2 物理機理檢測

物理機理檢測主要是借助物理信號（電信號和電磁信號）對金屬表面缺陷進行檢測，主要檢測方式包括紅外線檢測、渦流檢測以及漏磁識別。1989 年，由于渦流信號對微小瑕疵反應敏銳，法國洛林連軋公司研制了基于渦流信號的熱連鑄板坯缺陷探測設備[2]。但由于基于物理機理的缺陷檢測對設備要求較高，并且只能適用于特定類型的缺陷檢測。因此，該方法不適用于批量金屬表面缺陷檢測。

3 機器視覺檢測

20 世紀中期起，隨著圖像處理算法相應的軟件與硬件的發展，基于圖像處理的機器視覺檢測系統開始應用于金屬表面缺陷檢測。機器視覺是一種無接觸、無損傷的自動檢測技術，是實現設備自動化、智能化和精密控制的有效手段[3]。目前，機器視覺表面缺陷檢測主要分為傳統圖像處理技術和深度學習處理方法。

3.1 傳統圖像處理技術

傳統基于傳統圖像處理技術的機器視覺系統是借助照明系統（主要為LED 光源）和圖像傳感器（CCD 或CMOS）收集被檢測對象的表面圖像信息，利用相應的傳統圖像處理算法提取圖像的特征，然后通過所提取的特征進行表面缺陷的定位以及識別。基于傳統圖像處理的金屬表面缺陷檢測主要分為圖像預處理、圖像輪廓分割、特征提取以及目標識別。

圖像預處理是通過對金屬表面缺陷圖像進行濾波操作，降低圖像的噪聲干擾，便于后期缺陷特征提取。例如，屈爾慶等[4]提出基于復合差分進化的Gabor 濾波器優化法，有效改進了帶鋼表面缺陷檢測效率。閔永智等[5]利用鋼軌圖像灰度特征實現了鋼軌缺陷檢測。周鵬等[6]利用尺度不變特征轉換（Scale-invariant feature transform，SIFT）算子提取特征向量，并利用Euclidean 距離度量進行圖像匹配，實現了中厚板缺陷檢測。

圖像分割是指利用圖像內部特征將圖像區域劃分為若干具有相同特征的區域。目前的圖像分割理論主要包括閾值分割、區域分割、邊緣分割以及基于特定理論的圖像分。例如，Wakaf 等[7]提出基于自動閾值的圖像分割理論，能有效將缺陷區域從背景中分割出來。雖然目前已有相關圖像分割法應用在工業檢測領域，但上述方法存在分割的精度與抗噪性的矛盾，同時，在實際應用中，一些算法在準確性、實時性和可操作性上也還存在較大的困難。

圖像特征提取的目的是將缺陷圖像進行映射，是金屬加工表面缺陷檢測的關鍵環節。張學武等[8]結合Gaussian和Gabor 濾波器提取圖像特征，并進行特征合成實現了銅帶表面缺陷檢測。叢家慧等[9]提出基于頻率選擇和方向選擇性的Gabor 濾波器，有效提取了帶鋼表面缺陷的紋理特征。湯勃等人[10]通過對鋼板表面缺陷進行數學形態操作，實現了鋼板表面缺陷檢測。

目標識別主要為模式識別，而模式識別又分為有監督學習與無監督學習。監督學習通過引入基于概率統計的分類器，實現不同類型缺陷的分類。Gong 等[11]通過引入彈珠損失提升了支持向量機（Support Vector Machines，SVM）在噪聲條件下的魯棒性，從而提高了鋼板表面缺陷檢測分類精度和效率。

無監督學習主要通過聚類的方式揭示特征分布情況。Mandeiota 等[12]結合（k-Nearest Neighbors，KNN）和小波變換實現了鐵軌表面缺陷檢測。但是，上述聚類方法也存在以下不足：聚類前都需要事先確定要類別數目，然而在實際中聚類的數目往往無法事先得知；處理大規模數據的能力、效率以及消除噪聲的影響等方面都有待于提高。此外，部分聚類算法對輸入參數較為敏感，同時參數取值沒有成熟的理論依據，大多依靠用戶的經驗來確定。

上述基于傳統圖像處理技術的金屬加工表面缺陷檢測方法有效實現了表面缺陷的自動化檢測。然而，傳統圖像處理技術的特征提取方式很大程度上依賴于人工調參，只能適應于特定任務下的金屬表面缺陷檢測。因此該方式無法適應于實際生產中復雜的金屬表面缺陷的檢測。

3.2 深度學習圖像檢測

近年來，深度學習由于具有深度特征自提取的能力，被廣泛應用于圖像檢測任務中。深度學習是一種人工智能學習理論，它通過模仿人類學習機制學習外界信息特征[13]，其中卷積神經網絡（Convolutional Neural Network，CNN）以原始圖像作為輸入，它能夠在大量的訓練圖像數據集中自動學習具有高度抽象性和不變性的特征，而不是構造單一的特征用以描述圖像，從而可以使卷積神經網絡魯棒的適應并且勝任各種計算機視覺任務。目前也有學者試著將深度學習理論引入金屬加工表面缺陷檢測中。

王一鳴等[14]結合CNN 和視覺注意力模塊，實現了金屬工件缺陷的精細化識別。Fu 等[15]結合深度CNN 與多尺度模塊，搭建了輕量化的鋼鐵表面缺陷分類模型。上述基于深度學習的機器視覺檢測方法提升了金屬加工表面缺陷的自動化檢測中的魯棒性。但由于深度學習屬于數據驅動型的學習理論，而實際的金屬表面缺陷圖像是有限的并且不同類型的缺陷的數量具有不平衡的特點。上述問題為基于深度學習的機器視覺檢測帶來巨大的挑戰。

4 結論

本文從不同機理對金屬表面缺陷檢測方法的國內外檢測進行了較為全面的綜述。其中，檢測方法分為傳統的人工檢測，基于物理機理的檢測以及基于機器視覺的檢測。通過對不同金屬表面缺陷檢測方法的發展現狀以及優勢與劣勢的總結，本文得出以下方面的總結與展望：

①提高檢測算法的魯棒性。金屬加工表面缺陷檢測的環境較為惡劣，所采集的圖像采集存在光照不均勻、運動模糊以及采集設備退化導致的電子噪聲等，這會導致圖像質量下降。而不同類型的噪聲疊加甚至會導致圖像信息退化，這些會直接增加金屬表面缺陷檢測難度。因此，提高噪聲環境下的金屬表面缺陷檢測具有重要意義。

②提高圖像檢測算法的泛化性。目前的基于機器視覺的金屬表面缺陷檢測都是針對單一金屬材料的缺陷檢測（例如鋼鐵）等，而實際生產中，工業產品的金屬材料多種多樣，提高算法對不同金屬表面缺陷檢測的適應性具有重要的實際意義。

③提高算法的檢測速度。基于深度學習的金屬加工表面缺陷檢測模型都選擇神經網絡作為特征提取模型，神經網絡的運行需要占用大量的計算資源，這對硬件設備要求過高。因此，未來應該致力于發展輕量并且快速型神經網絡，以滿足實際生產需求。