基于Matlab的鋼材表面圖像分割和分類

安宏　劉雨

摘? 要：鋼板表面的缺陷特征多種多樣，嚴重影響鋼板的質量，雖然可以通過改進加工工藝減少鋼板表面的缺陷，但是在復雜的環境下，避免不了缺陷的出現，在此時及時發現鋼板表面的缺陷是很重要的一項工作。通過人眼直接辨別鋼板表面的缺陷效率低下勞動力耗費過多，但是把鋼板的表面特征制作成圖像，通過機器視覺對圖像進行分割，提取鋼板缺陷，是一種簡單方便的方法。

關鍵詞：鋼板表面缺陷，圖像，機器視覺

引言

鋼材在我國工業發展中有很高的地位，它是很多機器器材不可或缺的材料，大到航母，小到汽車都離不開鋼鐵的影響。鋼材表面的質量影響著鋼材的使用情況。在生產鋼材的過程中，有很多因素影響到鋼材表面的質量，使鋼材表面出現各種缺陷。比如：劃痕、孔洞、鱗片、裂紋和異物等等。這些缺陷不僅影響了鋼材的外觀，同樣使鋼材的使用變得麻煩，如果不能將鋼材缺陷及時發現，有缺陷的鋼材被使用，可能引發不必要的經濟損失。如何對鋼材表面進行快速準確的檢查成了重中之重。

鋼板表面質量檢測經歷了人工目測、傳統無損檢測和基于機器視覺的檢測3個發展階段。人工目視檢測表面缺陷的方法效率低、容易漏檢、勞動強度大和實時性差。傳統無損檢測方法包括渦流檢測、紅 外檢測、漏磁檢測和激光檢測等，這些方法檢出 的缺陷種類少，檢測實時性不強，檢測的表面缺陷分 辨率也不高，無法有效評估產品的表面質量狀況。目前，基于機器視覺的表面質量檢測方法是研究的熱點，該方法采用攝像機采集鋼板表面圖像，然后通過圖像處理和分析提取缺陷圖像特征，進行缺陷的自動分類。

1.圖像預處理和圖像分割

在鋼板表面缺陷檢測與識別中，對圖像信息的獲取是前提與關鍵。在圖像獲取的過程中，由于存在許多外在因素的影響，比如光照、灰塵和攝像器材自身等，會對獲取的圖像產生不同程度的干擾。圖像在傳送和轉換過程中，對圖像引入一些噪聲。噪聲的出現會對后期特征提取與圖像分割造成不必要的困難，甚至導致圖像分割的結果很不理想。引入噪聲的原因可能是多種多樣的，比如環境因素、攝像儀器本身和相對運動等都可能使圖像降質[1]。為了獲得理想的圖像處理效果步驟為：1、將圖像進行歸一化處理;2、預創建存放灰度出現概率的向量;3、計算每級灰度出現的概率。

在圖像分割領域，紋理圖像的分割是最有難度的一個問題。人的眼睛可以輕松地辨別不同的紋理，但很難用數學的術語去定義。由于紋理圖像的內涵豐富，因此它的定義很模糊，紋理的定義在一定程度 上會影響紋理分割的結果。然而，紋理具有一定的周期性和震蕩性，且呈現出半局部性質。（1）要對缺陷圖像進行分析，先對缺陷進行特征提取和分類，然后對獲取的缺陷圖像加以去噪和分割等操作。對于鋼板表面圖像的缺陷檢測，首先需要檢測出該圖像有無缺陷，若存在缺陷還需將其進行分類處理，即需要完成識別和分類兩個工作，所以圖 像的分割是圖像識別和分類的前提。（2）對于紋理圖像的分割，必須先對紋理特征進行獲取和表達，以往的對于紋理特征的提取方法有分形維數、小波變換、灰度共生矩陣和馬爾科夫模型等。然而這些方法只適用于那些紋理分布均勻一致的圖像，對于稍顯復雜的紋理圖像，往往得不到很好的特征提取結果。

2.圖像均衡化和圖像邊緣檢測

直方圖均衡化是圖像處理領域中利用圖像直方圖對對比度進行調整的方法。利用圖像均衡衡化使缺陷特征更加明顯。先把直方圖均衡化后，把預處理圖像像素為1的值進行處理

邊緣檢測是圖像處理和計算機視覺中的基本問題，邊緣檢測的目的是標識數字圖像中亮度變化明顯的點。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。這些包括（1）深度上的不連續、（2）表面方向不連續、（3）物質屬性變化和（4）場景照明變化。邊緣檢測是圖像處理和計算機視覺中，尤其是特征提取中的一個研究領域。利用Matlab軟件中的edge函數直接對圖像進行邊緣檢測。

3.特征提取與分類

特征提取是計算機視覺和圖像處理中的一個概念。它指的是使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征。特征提取的結果是把圖像上的點分為不同的子集，這些子集往往屬于孤立的點、連續的曲線或者連續的區域。特征的好壞對泛化性能有至關重要的影響[3]。可以利用特征值進行分類

特征值分為形態特征和不變矩特征。形態特征主要為目標面積、矩形度和伸長度。不變矩方法是一種經典的特征提取方法。單純的中心矩或是原點矩盡管可以表征平面物體的幾何形狀，卻都不具有不變性，但可從這些矩構造不變量。圖像的 7個不變矩具有平移、旋轉、比例不變性，在目標識別、圖像匹配、形狀分析等領域得到了廣泛的應用[2]。

已知鋼材5為無缺陷鋼板，根據鋼材5的不變矩特征值進行分類，分類標準為：

當同時符合七個分類標準則鋼材為無缺陷鋼材，否則為缺陷鋼材。

結論

本文雖然利用機器視覺中的一些方法解決一些基本方面的問題，但是鋼材表面缺陷檢測系統是一個很復雜的系統，距離實時準確檢測還有很長的一段路要走。需要足夠的樣本，來確定分類標準。如何得出更多的特征值，使分類更加準確細致。

參考文獻

[1]? 王健. 基于圖像分割的鋼板表面缺陷識別 [J]. 北京交通大學學報，2016.

[2]? 杜慶海. 基于不變矩特征的圖像識別 [J]. 信息技術與信息化，2008.

[3]? 閆俊紅. 基于圖像處理的鋼板缺陷檢測方法 [J]. 光電技術應用，2019.

[4]? 周超. 基于圖像處理的鋼板表面缺陷檢測系統的研究 [D]. 遼寧工業大學，2013.

[5]? 李喜. 基于DSP的鋼板在線識別與跟蹤技術研究 [D]. 南京理工大學，2016.