基于機器視覺的螺紋鋼表面缺陷檢測方法①

孫 鴿,張運楚,2,趙月,萬立志

1(山東建筑大學 信息與電氣工程學院,濟南 250101)

2(山東省智能建筑技術(shù)重點實驗室,濟南 250101)

螺紋鋼作為一種現(xiàn)代化生產(chǎn)中非常重要的工業(yè)材料,在建筑、橋梁、交通、機械等行業(yè)中被廣泛應(yīng)用,是不可或缺的結(jié)構(gòu)材料[1].螺紋鋼的品質(zhì)問題主要分為形狀尺寸缺陷問題和表面缺陷問題.對于尺寸缺陷問題,如果其橫肋和縱肋的相關(guān)尺寸不符合國家的規(guī)定標準,則認為其是不合格的產(chǎn)品;對于表面缺陷問題,主要包含凸包、凹坑、麻點等多種缺陷.在螺紋鋼軋制過程中,如果不能及時發(fā)現(xiàn)其尺寸和表面出現(xiàn)的缺陷,會生產(chǎn)出大量廢品,給企業(yè)帶來損失.因此,需要及時檢測出螺紋鋼存在的生產(chǎn)缺陷并報警,以便調(diào)整軋機壓力或更換軋制設(shè)備[2,3].

目前螺紋鋼缺陷多采用人工檢測,存在工作量大、實時性差、誤檢率高等問題,亟待提高檢測的自動化水平.渦流檢測方法受檢測原理的限制,螺紋鋼缺陷檢測精度不高且可檢測缺陷的種類具有局限性.漏磁檢測裝置結(jié)構(gòu)復(fù)雜,難以維護,且不能對螺紋鋼表面缺陷的類型進行精準的分類.紅外檢測法不僅對環(huán)境的要求比較高,而且也無法準確分類螺紋鋼缺陷類型[4-7].在基于機器視覺的缺陷檢測算法研究過程中,2004年美國密歇根大學的Jia HB 等人提出了一種運用支持向量機SVM 判別圓鋼表面有無缺陷的檢測系統(tǒng),系統(tǒng)實時性好,但僅對細長的裂縫檢測率高,難以檢測出其它表面缺陷[8].2006年韓國浦項制鐵公司Yun 等人結(jié)合形態(tài)學運算、邊緣檢測、支持向量機SVM 分類等方法所改進的帶鋼表面缺陷檢測系統(tǒng)具有較大的應(yīng)用潛力[9].2010年臺灣國立大學的Liu 等人提出了新的檢測表面缺陷的視覺系統(tǒng),采用神經(jīng)網(wǎng)絡(luò)分類器和相關(guān)向量機兩類分類器聯(lián)合對裂痕、刮傷、疤痕、壓痕四種缺陷做判斷識別,正確率可達85%,但是檢測速度和準確性效果偏低[10].2015年劉本迪等人針對螺栓表面的紋理缺陷,使用基于灰度共生矩陣(GLCM)的方法,依據(jù)統(tǒng)計的紋理特征參數(shù)來構(gòu)建標準螺栓數(shù)據(jù)庫,然后進行缺陷檢測實驗,此方法抗噪聲性能較差、對光照和環(huán)境要求高[11].由于螺紋鋼表面缺陷種類多樣、紋理復(fù)雜且形態(tài)多變,需進一步提高螺紋鋼缺陷檢測算法的適用性和魯棒性.

本文采用Halcon 軟件設(shè)計了一種基于機器視覺的螺紋鋼表面缺陷檢測方法.先利用仿射變換對圖像中歪斜的螺紋鋼進行校正,然后基于霍夫變換檢測縱肋邊緣直線位置從而對螺紋鋼正面、側(cè)面圖像進行區(qū)分,最后針對正面、側(cè)面圖像分別進行缺陷檢測,快速準確地判別表面是否存在缺陷.實驗表明所設(shè)計的方法有效解決了生產(chǎn)現(xiàn)場環(huán)境惡劣、工人勞動強度大、操作危險以及時效性差等問題,減少了漏檢率和廢品率.

1 總體方案設(shè)計

本文提出的螺紋鋼表面缺陷檢測方法使用德國MVtec 公司研發(fā)的Halcon 機器視覺軟件完成,利用其集成開發(fā)環(huán)境、靈活的構(gòu)架、以及精度高且穩(wěn)定的特質(zhì)可大大縮短圖像處理開發(fā)周期[12].

首先使用高速工業(yè)相機采集螺紋鋼圖像,對圖像中歪斜的螺紋鋼作旋轉(zhuǎn)校正,并提取出螺紋鋼所在區(qū)域,去除大量復(fù)雜背景的干擾.然后利用基于局部梯度方向的霍夫變換檢測直線的原理對縱肋邊緣直線進行定位,從而辨別區(qū)分螺紋鋼的側(cè)面和正面圖像.對于正面圖像,采用分區(qū)思想,將圖像分為上、下縱肋、中間橫肋三部分分別進行缺陷檢測判斷.對于橫肋部分,結(jié)合“模板匹配法+Blob 分析”對定位到的單個橫肋依次進行缺陷判別;對于上下縱肋,采用Blob 分析快速準確地判別圖像中是否存在缺陷.對于側(cè)面圖像,采用高斯差分的思想,將兩個標準差不同的高斯濾波器相減后構(gòu)造一個帶阻濾波器來增強待檢測表面中缺陷和背景的差異,傅里葉逆變換后得到重構(gòu)的缺陷圖像,通過閾值分割操作獲取缺陷的具體位置,并在原圖中進行標記.系統(tǒng)總體方案如圖1 所示.

圖1 螺紋鋼表面缺陷檢測流程圖

2 圖像預(yù)處理

2.1 圖像采集

使用高速工業(yè)相機對螺紋鋼原始圖像進行采集,將螺紋鋼圖像由RGB 彩色圖像轉(zhuǎn)化為灰度圖像(如圖2).常用轉(zhuǎn)換公式如下:

其中,R(x,y)、G(x,y)、B(x,y)對應(yīng)于彩色圖像中各像素點紅、綠、藍3 通道的值.

圖2 螺紋鋼灰度圖像

2.2 圖像校正及ROI 區(qū)域提取

2.2.1 圖像濾波

螺紋鋼在傳送過程中常常受到外部環(huán)境或者生產(chǎn)運輸系統(tǒng)自身帶來的隨機噪聲的影響,適當?shù)臑V波可以有效地降低噪聲的影響.本文選用了基于均值運算的線性濾波器.

其中,s 為濾波模板的大小,m 為濾波模板所含像素個數(shù),f(x,y)為原像素的灰度值,g(x,y)為目標像素的灰度值.

2.2.2 圖像增強

受螺紋鋼金屬材質(zhì)的影響,螺紋鋼表面的灰度值分布比較均勻,其它背景區(qū)域的灰度值則彼此差異較大,圖像增強的目的是為了提高螺紋鋼的辨識度.根據(jù)獲得的灰度值(mean)和原始灰度值(orig)計算得到的灰度值(res),factor 用來衡量對比度的增加,公式如下:

2.2.3 圖像分割

經(jīng)過上述處理后,為了提取螺紋鋼所處區(qū)域,還需進行閾值分割操作.

(1)基于邊緣的分割

圖像邊緣是圖像的基本特征,是圖像分割、區(qū)域識別的基礎(chǔ).邊緣是圖像周圍像素灰度發(fā)生突變的像素集合,通過求導(dǎo)的方式去檢測邊緣的不連續(xù)性,從而定位邊緣的位置.

常用的一階邊緣檢測算子有:Roberts算子、Prewitt算子、Sobel算子等.一階微分邊緣檢測是利用梯度來檢測局部特征的變換.對于連續(xù)函數(shù)f(x,y),其在點(x,y)處的梯度表示如下:

導(dǎo)數(shù)取最大值的方向為函數(shù)的梯度方向,用θ(x,y)表示:

梯度的幅度為:

Canny算子是一個檢測性能較好的算子,屬于先平滑后求導(dǎo)的方法.

1)首先采用高斯濾波模板進行卷積以平滑圖像:

2)利用微分算子,計算梯度的幅值和方向:

3)對梯度幅值進行非極大值制;

4)使用雙閾值算法檢測和連接邊緣.

4 種常用邊緣檢測算子的特性如表1 所示.

表1 4 種邊緣檢測算子特性比較

本文采用不同的算子對螺紋鋼圖像進行邊緣檢測,實驗結(jié)果如圖3 所示.4 種算子都可以檢測出圖像的邊緣,但是Canny算子檢測到的邊緣更加清晰,細節(jié)更多.

Halcon 中用于Canny 邊緣檢測的語句如下:

edges_image(Image:ImaAmp,ImaDir:Filter,Alpha,NMS,Low,High:)

Image 代表輸入圖像;ImaAmp 代表邊緣振幅圖像;ImaDir 代表圖像邊緣方向;Filter 代表要應(yīng)用的邊緣運算符,如‘canny’,‘deriche1’等;Alpha 代表濾波參數(shù),數(shù)值越小,平滑效果越好,細節(jié)也越少(與“canny”相反).NMS 代表非最大抑制;Low 代表為滯后閾值操作的低閾值;High 代表滯后閾值操作的高閾值.

(2)基于閾值的分割

基于閾值的分割是依據(jù)圖像灰度的分布,選定閾值T,根據(jù)T 將圖像分割為前景、背景兩部分,若一個像素的灰度值大于該閾值T,則認為這個像素為我們感興趣的目標,若小于該閾值,則認為其屬于背景區(qū)域.該方法計算量較小、處理速度快.

其中,f(x,y)為原始圖像,g(x)為閾值分割后的二值圖像.1 表示目標區(qū)域,0 表示背景區(qū)域.

圖3 邊緣檢測結(jié)果對比圖

Halcon 中常用于分割的語句如下:

1)auto_threshold (Image:Region:Sigma)

使用直方圖確定的閾值分割圖像.Image 表示輸入圖像,Region 表示閾值分割后的區(qū)域,Sigma 表示用于直方圖的高斯平滑.

2)threshold (Image:Region:MinGray,MaxGray)

使用全局閾值分割圖像,Image 表示輸入圖像,Region 表示閾值分割后的區(qū)域,MinGray,MaxGray 表示分割的最小、最大灰度值.

Halcon 提供灰度直方圖(如圖4),可以進行直觀的閾值處理.操作灰度直方圖方法如下:

1)在”閾值”選項(如①所示)上打勾,開啟使能輸出,可實現(xiàn)可視化操作.看左圖紅色部分,就是選擇閾值的結(jié)果.

2)綠色線(如②所示)為最低閾值,紅色線(如③所示)為最高閾值,通過拖動這兩條線,可以看到左圖紅色部分的變化,從而獲得最佳閾值.

圖4 灰度直方圖

2.2.4 仿射變換

仿射變換包含平移、縮放、旋轉(zhuǎn)等幾何變換,Halcon 中一般先定義仿射變換單位矩陣,然后向單位變換矩陣中添加需要進行的幾何變換的變換矩陣,最后再做仿射變換.仿射變換的一般表達式為:

式中,a11、a12、a21和a22表示線性部分,a13、a23表示平移部分.對于旋轉(zhuǎn)變換而言,a11、a22為cosθ,a12為-sinθ,a21為sinθ,a13、a23為0.

綜上所述,圖像預(yù)處理具體操作步驟如下:

(1)螺紋鋼圖像采集及圖像灰度化.

(2)以5×5 為模板的均值濾波對灰度圖像進行平滑濾波,利用15×15 的低通掩模增強圖像的對比度.

(3)通過自動閾值分割算子auto_threshold 分割出螺紋鋼整體所在區(qū)域.求取連通域,基于面積和位置信息,選出螺紋鋼所在區(qū)域.

(4)對上述區(qū)域作形態(tài)變換,得到其任意方向的最小外接矩形RegionTrans,并計算出RegionTrans 的中心點坐標Row、Column 以及區(qū)域的方向Phi.

(5)使用vector_angle_to_rigid算子根據(jù)中心點坐標Row、Column 和方向Phi 計算出一個仿射變換矩陣,用于旋轉(zhuǎn)變換.首先對原圖像進行旋轉(zhuǎn)校正操作,然后對RegionTrans 進行同樣的旋轉(zhuǎn)校正操作.變換前后原點的行、列坐標都為最小外接矩形中心點的行列坐標Row、Column.

(6)從校正后的原圖中裁剪出和RegionTrans 相似的區(qū)域,并進行存儲,作為預(yù)處理后的ROI 圖像.圖5是校正前后的對比圖.

圖5 校正前后對比圖

3 圖像正側(cè)面區(qū)分

在做缺陷檢測之前,要先對螺紋鋼的側(cè)面圖像和正面圖像作辨別,基于正側(cè)面圖像的差別設(shè)計適合的檢測方法.

3.1 霍夫變換基本原理

霍夫變換通過將圖像坐標轉(zhuǎn)化到參數(shù)空間來實現(xiàn)直線和曲線的擬合,是檢測、定位曲線和直線的一種常用方法.

在圖像x-y 坐標空間里,所有經(jīng)過點(xi,yi)的直線表示為:

a 為斜率,b 為截距.式(1)也可以表示為:

通過式(2)變換到參數(shù)平面a-b,這就是直角坐標系中對于(xi,yi)的霍夫變換.在圖像坐標空間中共線的點,對應(yīng)于在參數(shù)空間里相交于同一點的直線,同樣,在參數(shù)空間中相交于同一點的直線,在圖像空間中都有與之相對應(yīng)的共線的點,霍夫變換根據(jù)此關(guān)系將圖像空間里的檢測問題轉(zhuǎn)換到參數(shù)空間里,在參數(shù)空間中作累加計算后進行投票表決完成檢測任務(wù).

3.2 圖像正側(cè)面判別

通過Alpha 為1.3,低閾值為15,高閾值為 30 的Canny 濾波器求取ROI 圖像的邊緣,得到邊緣方向圖像ImaDir.然后使用局部梯度方向的霍夫變換hough_lines_dir算子檢測ImaDir 中的直線,并以正常形式返回直線的角度和方向,其中組成共線點的個數(shù)的閾值為67.

以螺紋鋼正面圖像和側(cè)面圖像中檢測到的縱肋上下邊緣共線直線位置的不同為依據(jù)對正面、側(cè)面圖像進行區(qū)分.如圖6 和圖7.例如正面圖像中檢測到的直線,略靠近于圖像上下兩邊,而側(cè)面圖像中檢測到的直線則略靠近圖像中心部分.依次求得每條直線的中心點行列坐標,若其中心行坐標位于0-30 和160-190 之間,則為橫肋朝前的正面圖像,若直線中心點的行坐標位于50-145 之間,則為側(cè)肋朝前的側(cè)面圖像.

圖6 正面圖像

圖7 側(cè)面圖像

4 正面圖像缺陷檢測

正面圖像中存在的螺紋鋼缺陷主要分布在橫肋的角部及腿尖處,且螺紋鋼整體灰度值較為接近.因此本文采用分區(qū)檢測思想,對正面圖像的上、下側(cè)肋以及中間的橫肋部分均進行缺陷判斷,避免遺漏缺陷.

4.1 圖像分區(qū)

圖像和區(qū)域是基于像素精度的數(shù)據(jù)結(jié)構(gòu),但在實際應(yīng)用中,有時需要更高級別的精度要求.采用亞像素檢測到的邊緣,平滑清晰,能實現(xiàn)邊緣的精準定位.因為噪聲或者螺紋鋼自身原因,檢測到的單個縱肋的上下邊緣可能是斷開的,還需通過union_collinear_contours_xld算子連接近似共線的輪廓線.圖像分區(qū)流程圖如圖8 所示.

首先提取出上縱肋圖像ImageA,對于下縱肋作同樣操作,得到圖像ImageB.通過differences算子,從原圖中提取除縱肋以外的橫肋圖像,利用crop_domain算子將其裁剪出來,得到橫肋圖像ImageC.分區(qū)結(jié)果如圖9 所示.

4.2 橫肋圖像缺陷檢測

圖像匹配是橫肋圖像缺陷檢測過程中的主要環(huán)節(jié),將單個標準橫肋與未進行識別定位的一幅橫肋圖像進行匹配,通過單個標準橫肋與整幅橫肋圖像的匹配程度來對每個橫肋進行定位.

圖8 分區(qū)流程圖

圖9 圖像分區(qū)結(jié)果示意圖

4.2.1 橫肋區(qū)域定位

圖像匹配大致分為兩類:基于灰度的匹配和基于特征的匹配.基于灰度值的匹配通過原圖像和模板圖像區(qū)域的灰度信息或頻域分析等屬性的比較來反映它們之間的相似性,此類方法的缺點是效率低、計算量大[13].而基于特征的模板匹配優(yōu)點是計算量較少、抗噪聲性能較好、匹配精度較高[14].

本文采用基于特征的模板匹配方法,以無缺陷的單個橫肋圖像作為模板,以模板的邊緣亞像素輪廓為特征,在待匹配圖像中尋找與標準圖像具有相似特征的匹配[15].模板匹配的一般流程圖如圖10 所示.

運用所述模板匹配方法做實驗,在整幅橫肋圖像中尋找單個橫肋部分,結(jié)果如圖11 所示.通過set_shape_model_param算子可以確定要使用的形狀模型ModelID 是否可以跨越圖像邊界,”border_shape_models”的值可以是“true”、“false”或“system”.

圖10 模板匹配流程圖

圖11 橫肋圖像匹配結(jié)果

4.2.2 橫肋區(qū)域缺陷檢測

對于每一個匹配到的橫肋區(qū)域,先基于其中心點、方向值,生成一個長軸、短軸(ra2、rb2)半徑略大于模板圖像(ra1、rb1)的橢圓區(qū)域,相鄰區(qū)域間可部分重疊,以防止遺漏掉存在缺陷的區(qū)域.以此橢圓區(qū)域為模板對原圖中的橫肋區(qū)域進行裁剪,然后對每個裁剪后的橫肋區(qū)域依次進行缺陷檢測.裁剪區(qū)域為圖12 中紅色橢圓所包含的螺紋鋼區(qū)域.

圖12 單根橫肋裁剪示意圖

對于提取出來的單個橫肋區(qū)域,首先利用Alpha為1.5,低閾值為10,高閾值為30 的Canny 濾波器求取其邊緣,得到邊緣振幅(梯度大小)圖像ImaAmp1,對ImaAmp1 經(jīng)threshold算子分割出灰度值在0-150 之間的區(qū)域.提取連通域,基于面積和圓形度特征判斷圖像中是否存在缺陷.若存在缺陷,則在圖像中標記出來.檢測結(jié)果如圖13.

圖13 橫肋圖像檢測結(jié)果

4.3 縱肋缺陷檢測

對提取的上、下縱肋圖像ImageA、ImageB 先進行圖像增強處理,而后經(jīng)threshold算子分割出灰度值在0-45 之間的區(qū)域,再利用半徑為1.5 的圓形結(jié)構(gòu)元素對分割后的區(qū)域作形態(tài)學開操作.求取連通域,基于面積、周長、凸度特征判斷邊緣圖像中是否存在缺陷.若存在缺陷,需要在圖像中標記出來.檢測結(jié)果如圖14.

圖14 縱肋圖像檢測結(jié)果

4.4 實驗數(shù)據(jù)及分析

使用所述圖像分塊缺陷檢測方法對正面圖像作測試,一共30 張測試圖片,對于橫肋部分,共有338 根單個橫肋,缺陷識別率為94.1%;對于上下縱肋部分,共有60 根縱肋,缺陷識別率為83.3%.分析發(fā)現(xiàn)出現(xiàn)誤判的原因是圖像中存在反光的亮點.誤判情況如圖15.

5 側(cè)面圖像缺陷檢測

對側(cè)面圖像直接作缺陷分割處理,效果通常不會很好,常常會出現(xiàn)誤判或漏判的情況,主要是因為圖像灰階分布比較單一和局限,與周圍背景的對比度較低,提高了缺陷分割提取的難度.目前圖像增強分為在空間域或頻域?qū)D像進行處理的兩類方法,空間域常用方法有直方圖均衡化、指數(shù)、對數(shù)拉伸、圖像濾波等方法,這些增強措施對直方圖分布比較廣泛的圖像來說有較好的效果[16].頻域分析法主要包括傅里葉變換、Garbor 變換和小波變換法等.Garbor 濾波器對帶有方向性的紋理圖像有較好的濾波效果,但實現(xiàn)過程略微麻煩,算法效率不高[17].小波變換是一種時頻域分析方法,小波濾波函數(shù)具有變化性,可對圖像作多尺度的分析,提取圖像中的有用信息[18].傅里葉變換能夠反映出圖像的整體特征,對于圖像背景紋理的抑制有較好的效果,在對圖像進行傅里葉變換將其變換到頻率域上進行濾波操作后,其自身的缺陷信息所受的影響是非常小的,這對于后續(xù)的缺陷檢測的工作提供了比較有利的前提條件[16].

圖15 誤判情況示意圖

5.1 頻域預(yù)處理

5.1.1 頻域濾波

采用頻域濾波法濾去圖像的周期性紋理和噪聲的影響,突出圖像中的缺陷與背景間的差異性.頻域濾波的流程如圖16,其處理的一般步驟為:

(1)通過fft_generic算子(參數(shù)Direction=‘to_freq’)對圖像f(x,y)進行快速傅里葉變換(FFT),得到頻域圖像F(u,v).

(2)構(gòu)建適合的頻率濾波器H(u,v),此步為頻域處理的重要步驟.

(3)對F(u,v)作濾波處理,即通過convol_fft算子將F(u,v)和H(u,v)進行卷積,得到濾波后的圖像G(u,v).

(4)通過fft_generic算子(參數(shù)Direction=‘from_freq’)將濾波后的頻域圖像G(u,v)經(jīng)傅里葉逆變換(IFFT)轉(zhuǎn)換到空間域,得到其空間域圖像g(x,y).

通常會在濾波前后加上一些預(yù)處理(去噪等)和后處理(圖像增強)等操作.

圖16 頻域濾波流程圖

5.1.2 濾波器設(shè)計

頻域濾波處理的難點和關(guān)鍵之處在于濾波器的選擇,適當?shù)臑V波器能夠幫助濾去不需要的頻率信息,方便之后對圖像缺陷的特征分析.本文借用高斯差分算法(DOG)[19]對缺陷圖像進行頻域濾波操作,從而加強缺陷與圖像背景的對比度.

高斯差分算法步驟如下:

(1)選擇標準差為σ1的二維高斯函數(shù)H1(u,v)與圖像F1(u,v)進行卷積操作,得到平滑濾波后的圖像G1(u,v).其中G1(u,v)=F1(u,v)*H1(u,v).

(2)選擇相同尺寸、標準差為σ2的二維高斯函數(shù)H2(u,v)與圖像F2(u,v)進行卷積操作,得到平滑圖像G2(u,v).其中G2(u,v)=F2(u,v)*H2(u,v).

(3)將步驟(1)和步驟(2)得到的圖像G1(u,v)、G2(u,v)相減,即得到差分DOG 函數(shù),其中DOG=G1(u,v)- G2(u,v).

實驗證明通過DOG算法處理后的圖像(如圖17),螺紋鋼表面的缺陷表現(xiàn)為較暗的區(qū)域,灰度值要比鄰近區(qū)域低一些,缺陷與背景的對比度得到了較好的拉伸.

圖17 頻域濾波后圖像

5.2 缺陷識別

頻域濾波后,為了完整的分割出位于橫肋角部及腿尖的缺陷,并對各種圖像具有較好的適應(yīng)性,還需進一步作后處理和閾值分割處理.

首先通過gray_range_rect算子計算頻域濾波后圖像的灰度值范圍,即以10×10 的矩形為模板,遍歷輸入圖像,在圖像的邊界處,灰度值被鏡像.將每個矩形模板內(nèi)圖像灰度值的最大值和最小值的差值賦值給中心點,結(jié)果以圖像的形式返回,得到包含灰度值范圍的圖像Imageresult,以此增強圖像紋理之間的對比度,方便閾值分割.然后根據(jù)圖像Imageresult 的灰度直方圖,通過全局閾值分割算子threshold 確定分割的最小灰度值與最大灰度值,選擇圖像Imageresult 中灰度值在(33,255)之間的區(qū)域.提取連通域,基于面積和圓形度特征將缺陷區(qū)域提取并在圖像中標記出來.如圖18 和圖19.

圖18 圖像Imageresult

圖19 側(cè)面缺陷檢測結(jié)果

5.3 實驗數(shù)據(jù)及分析

使用所述頻域缺陷檢測方法對側(cè)面圖像作測試,共37 張存在缺陷的測試圖片,缺陷識別率為89.2%.分析發(fā)現(xiàn)出現(xiàn)誤判的原因是當缺陷出現(xiàn)在縱肋上時,分割效果一般,誤將亮點識別為缺陷或未發(fā)現(xiàn)缺陷.如圖20.

圖20 誤判情況示意圖

6 總結(jié)

根據(jù)螺紋鋼表面缺陷檢測的需求提出了采用Halcon 軟件開發(fā)的基于機器視覺的檢測方法.首先對歪斜的螺紋鋼圖像進行旋轉(zhuǎn)校正,裁剪出螺紋鋼所在ROI 區(qū)域.然后基于螺紋鋼側(cè)面和正面圖像紋理形狀的差異性,設(shè)計了區(qū)分方法和不同的缺陷檢測方法.對于正面圖像,將其分為上、下縱肋和橫肋3 部分,采用分區(qū)思想進行缺陷檢測,有效避免了因螺紋鋼整體灰度值相近而帶來的缺陷分割困難的問題.對于側(cè)面圖像,通過變換到頻域中作高斯差分濾波處理來拉伸缺陷與背景的對比度,再結(jié)合Blob 分析法進行缺陷的精準提取.實驗證明本文設(shè)計的缺陷檢測方法能夠快速準確地判別出缺陷所在處,提高了檢測的精度,也降低了漏檢率和廢品率.