改進Otsu算法的鍍鋅板表面缺陷檢測方法

張蜀紅

(新疆輕工職業技術學院,烏魯木齊 830021)

0 引言

隨著我國現代工業化水平的不斷提高，鍍鋅板已經成為現代化機械、電器、汽車、航空航天方面不可缺少的材料[1]。近年來這些應用領域對鍍鋅板的質量要求越來越高，產業更加重視對鍍鋅板質量的檢測。由于鍍鋅板生產工藝復雜，要經過開卷、焊接、爐區控制、熱鍍鋅、剪切等生產過程，影響鍍鋅板表面的因素較多，容易對鍍鋅板表面造成劃痕、擦傷、鋅渣等缺陷，影響最終產品的質量和抗腐蝕性[2]。

針對上述存在的問題，文獻[3]提出了紅外檢測技術，對生產線上鍍鋅板進行紅外掃描，檢測出鍍鋅板表面的缺陷。但是檢測的有效速度范圍較小，當線速度過大時，紅外檢測很難準確掃描到鍍鋅板表面上的缺陷信息，造成誤檢和漏檢。文獻[4]中開發出基于CCD器件的檢測技術，應用了電荷耦合器件，不受線速度的影響可自動檢測鍍鋅板表面，快速識別出鍍鋅板表面的缺陷。但檢測系統的識別精度不高，對分辨率較小和對比度較低的缺陷不能很好地識別。

針對上述研究中存在的不足，本文基于改進的Otsu算法設計出鍍鋅板表面缺陷檢測系統，數字光源控制器、高速CCD相機和編碼器之間相互連接，采集到清晰明亮、光照均勻、成像清晰的鍍鋅板表面圖像[5]。將采集到的圖像傳輸到軟件系統中進行缺陷識別，在鍍鋅板表面發現缺陷時在圖像中標記出來并發出告警提醒工作人員及時處理存在缺陷的鍍鋅板，提高了鍍鋅板的正產質量。

1 總體方案設計

本研究的創新點在于：

1)改進了Otsu算法，克服了一維Otsu算法分割圖像后光照不均勻，噪聲過多，圖像質量不佳的問題。改進后算法分割后的圖像中像素灰度大致一致，不會出現過亮或過暗的區域，圖像中噪聲明顯較少，對鍍鋅板的檢測效果更好。

2)利用編碼器和表面同步器實現數字變頻觸發采集到鍍鋅板表面的圖像，獲取到的圖像畫面清晰，缺陷特征更容易區分。

3)對鍍鋅板缺陷的在線監測和識別，使用分塊檢驗算法過濾缺陷圖像，缺陷單元對缺陷區域圖像進行識別和分類，對鍍鋅板表面的檢測效率更高。

由于鍍鋅板的表面平滑，在圖像的成像上顯示出比較均勻的灰度特征，圖像的像素之間灰度變化不明顯。出現缺陷的鍍鋅板，缺陷處的灰度值發生強烈變化，灰度值明顯低于周圍像素[6]。利用相機進行采樣圖像，對鍍鋅板表面的圖像進行處理和分析，可以及時發現存在缺陷的鍍鋅板，進行特征提取，識別出缺陷的種類[7]。要想更好地檢測到表面存在缺陷的鍍鋅板，對檢測系統的要求更高，如表1所示。

表1 對檢測系統的要求

系統能夠對鍍鋅板表面進行缺陷檢測，篩選出具有缺陷的鍍鋅板，檢測到缺陷信息后，對存在缺陷的區域進行識別和分類，然后在圖像系統中保留缺陷區域的圖像，以便于后期檢查中隨時查看[8]。系統能夠根據缺陷區域的特征分析缺陷的類型，發出告警提醒工作人員進行操作[9]。系統總體設計如圖1所示。

圖1 系統總體設計圖

鍍鋅板表面缺陷檢測系統組成部分包括：數字光源控制器、同步觸發控制器、高速CCD相機、以太網交換機、表面同步器、編碼器、顯示器和圖像處理系統[10]。

完成對鍍鋅板缺陷的檢測，要先對鍍鋅板圖像進行采集，選擇合適的相機完成圖像采集[11]。本系統中使用高速CCD相機，相較于傳統的圖像傳感器性能更高。如表2所示。

表2 高速CCD相機與傳統的圖像傳感器性能比較

高速CCD相機接口標準為Gige，基于千兆以太網通信協議，能夠快速傳輸圖像，反饋更加及時。同時圖像的質量更佳，分辨率更高[12]。傳統的圖像傳感器檢測范圍寬闊，成像面積更大，對鍍鋅板的成像不夠集中，識別目標較為分散。高速CCD相機線狀檢測，能夠快速識別到鍍鋅板，對鍍鋅板表面缺陷的檢測速度更快，識別更加集中[13]。

本系統中采用了數字光源控制器，不會產生熱輻射對相機造成影響，被照射到的鍍鋅板也不受影響。多種照明方式能夠清晰地采集到鍍鋅板表面的每個細節，使采集到的圖像不存在盲區，提高了檢測系統的效率[14]。

2 核心技術設計

2.1 改進Otsu算法進行圖像處理

實際中采集到的圖像并不是每張都可以進行檢測，有的圖像存在光照不均勻的問題，存在噪聲影響了圖像的質量，所以運用圖像分割算法對采集到的圖像進行處理[15]。由于采集到的鍍鋅板圖像背景部分沒有明顯的紋理特征，所以對表面圖像的灰度圖采用閾值分割法分割出表面缺陷的區域。在閾值分割中，Otsu算法計算效率高，能夠計算出圖像的自適應閾值，很適合對鍍鋅板表面圖像進行缺陷檢測[16]。

傳統的Otsu算法直接處理光照過強、噪聲過多的圖像得到的效果較差。對于放大倍率大、分辨率高的圖像，相對照度曲線并不平穩，往往會存在中間部分進光量大、邊緣部分進光量少的情況[17]。同時被檢測的鍍鋅板在運動過程中可能存在豎直方向上的振動，圖像發生明暗變化，不同倍率下的相對照度曲線如圖2所示。

圖2 不同放大倍數下相對照度曲線

對于光照亮度不均勻的鍍鋅板表面圖像，如果使用一維Otsu算法求得圖像的全局閾值，使用全局閾值分割圖像，會造成圖像分割不均的情況[18]。鍍鋅板的運動導致圖像背景亮度變化不平均，因此不適用全局閾值進行圖像的分割。

本研究針對一維Otsu算法的不足，對Otsu算法改進。以(i,j)表示由像素點的灰度級二元組，i+j表示直方圖中截距為k的直線，共有2L條。圖像中像素點滿足i+j=k的概率密度為：

(1)

(2)

(3)

其中:μ(T)表示圖像的總均值，ω(T)表示圖像的灰度級。下一步可計算出類間方差：

ω0(T)ω1(T)[μ0(T)-μ1(T)]2

(4)

公式(4)中,T′為圖像的最佳閾值，T′可表示為：

(5)

得到最佳閾值T′后，對像素點進行分類，表示為：

(6)

其中:f(x,y)表示分割后的圖像。

使用改進后的Otsu算法進行圖像分割，得到的圖像灰度范圍集中，灰度值比較平均，灰度級變化不大。改進后的算法具有更好的抗噪聲能力，離散度較低，計算速度更快，性能更優[19]。

2.2 鍍鋅板表面缺陷檢測

為提高缺陷檢測效率，本研究通過分塊檢驗算法進行無缺陷過濾。將整個鍍鋅板表面圖像劃分為50*50像素大小的若干區域，檢驗每個區域內缺陷系數T是否超過檢驗常數K，如果超過將該區域圖像標記為疑似缺陷，沒有超過則過濾點該區域的圖像[20]。疑似缺陷檢驗系數T可表示為：

I′={(x,y)|f(x,y)>avg+sdv}

(7)

其中：T表示鍍鋅板圖像的疑似缺陷檢驗系數，f(x,y)表示被檢測區域鍍鋅板圖像的像素。對于檢測到的疑似缺陷鍍鋅板圖像還需進一步識別分類，確定鍍鋅板缺陷的類型[21]。缺陷單元識別流程如圖3所示。

圖3 缺陷單元識別流程

首先按照順序掃描疑似缺陷鍍鋅板圖像，再選用合適的高斯模板，以圖像的掃描點為中心，計算缺陷圖像的高斯加權和再確定動態閾值，對疑似圖像進行判斷，將確認的缺陷圖像添加缺陷單元標記[22]。建立樣本空間a∈{a1,a2,…,an}，其中ai表示鍍鋅板疑似缺陷單元的灰度值。判斷是否存在缺陷模糊劃分矩陣可表示為：

(8)

其中：μ表示矩陣分量。進一步確定鍍鋅板缺陷區域的聚類中心：

(9)

式中，xi表示第i個缺陷圖像樣本的灰階，ωi表示各樣本灰階概率密度。缺陷單元迭代計數器b值大于或等于設定的最大限制時，迭代檢驗停止，可得到：

(10)

當FCN的值大于迭代限值時，對模糊矩陣進行更新，對鍍鋅板區域圖像重新檢測直到確定聚類中心。當疑似缺陷的鍍鋅板圖像灰度值大于聚類中心時，缺陷單元將這區域圖像標記為確認缺陷部分。

根據鍍鋅板表面缺陷的圖像特征對缺陷類型進行分類，建立鍍鋅板表面缺陷庫，把缺陷圖像保存在缺陷庫中，建立圖像和缺陷類型的對應關系，缺陷特征被數字化用來和實時采集到的缺陷圖像進行對比，實現鍍鋅板表面缺陷的分類[23]。缺陷分類流程如圖4所示。

圖4 缺陷分類流程

鍍鋅板表面缺陷識別分類是一個長期的過程，對于檢測缺陷的圖像缺陷種類的分類還需結合有關技術人員的實際經驗，完善鍍鋅板表面缺陷圖庫。隨著訓練次數的增加，能夠識別更多的鍍鋅板缺陷類型，提高了缺陷識別的準確率。

3 實驗結果與分析

為驗證本文所研究基于Otsu算法的鍍鋅板表面缺陷檢測系統的性能，給出5組鍍鋅板表面缺陷樣本，1組樣本數量為100個，分別使用文獻[3]檢測方法、文獻[4]檢測方法和本文研究系統的鍍鋅板表面檢測方法對樣本進行檢測，記錄數據，進行對比3種檢測方法的檢測識別的正確率和精度，如表3所示。

表3 鍍鋅板樣本數據

檢測系統的實現是基于硬件設備與軟件系統之間互相結合完成對鍍鋅板表面缺陷的檢測。軟件操作系統的實驗環境如表4所示。

表4 軟件操作系統

本研究建立了運動控制實驗平臺，模擬檢測對象在生產線的檢測狀態，采用一個4K工業線陣相機，保證對鍍鋅板檢測的全面覆蓋。采用2個具有CameraLink接口的圖像采集卡，傳輸速率可達255 MB/s。建立缺陷庫的方法是把已認知的缺陷進行采樣，采樣圖像分辨率、大小參照線上采樣圖片，把常見缺陷特征數字化，利用離線統計、在線驗證的方法逐步確定缺陷的類別。確缺陷識別流程如圖5所示。

檢測到的鍍鋅板上存在劃傷、孔洞和劃痕的鍍鋅板圖像如圖6所示。

圖6 鍍鋅板劃傷、孔洞和劃痕圖像

對鍍鋅板缺陷區域進行定位依靠采集圖像的位置信息和帶鋼長度方向的位置信息。獲取線程生產過程數據管理庫中帶鋼位置信息也能對缺陷進行定位。鍍鋅板缺陷位置信息包括水平位置、縱向位置、缺陷上下表面的信息和帶鋼編碼。圖像處理使用OpenCV2.2，使用分塊檢驗算法過濾缺陷圖像，并標記處缺陷區域，利用Sobel算子對圖像邊緣進行檢測，鍍鋅板劃痕缺陷特征如圖7所示。

圖7 鍍鋅板劃痕缺陷特征

采用3種檢測系統對表3中鍍鋅板樣本數據進行檢測，得到檢測結果如圖8所示。

圖8 檢測結果

觀察圖8可知，本研究系統對鍍鋅板表面缺陷的檢出率最高，檢測到的鍍鋅板表面缺陷數量最多。對五組樣本檢測到的數量分別為：94、92、95、92、97，可計算出平均檢出率為94%。文獻[3]檢測系統的檢測到缺陷樣本數量最少，最低為60個。是因為紅外掃描的分辨率低，檢測精度不高，無法檢測到細小的表面缺陷。文獻[4]檢測系統檢測到的鍍鋅板表面缺陷的樣本數最高可達到88個，最低低至70個。檢測個樣本組的檢出率不穩定，檢測到樣本表面缺陷的數量變化幅度過大。說明文獻[4]檢測系統的檢測性能不夠穩定，采集到圖像的分辨率不高，圖像質量不佳，對圖像處理的算法對圖像中大量噪聲處理的效果也不好，導致無法檢測到不明顯的表面缺陷，造成檢測系統性能的不穩定。

4 結束語

本文應用基于Otsu算法的鍍鋅板表面缺陷檢測系統，通過高速CCD相機、數字光源控制器、同步觸發控制器、編碼器和表面同步器之間協同作用，編碼器根據鍍鋅板位置的變化發出脈沖信號，高速CCD相機接收到信號后完成對鍍鋅板表面圖像的采集。將采集到的圖像通過以太網交換機傳輸到軟件處理部分，運用改進后的Otsu算法對采集到的鍍鋅板表面圖像進行分割，根據圖像中像素灰度的變化和邊緣信息識別出鍍鋅板是否存在缺陷，若鍍鋅板表面存在缺陷，識別出缺陷的類型并進行標記，同時在系統中發出告警。

由于鍍鋅板在制作工藝和傳送過程中會出現各種各樣的缺陷，同一種缺陷類型千奇百怪，一塊鍍鋅板表面可能會存在多種確缺陷，各種缺陷可能在同一區域互相重疊，檢測系統可能無法同時識別到多種缺陷的存在，對檢測系統還需改進，建立更加完善的缺陷分析機制。