基于機器視覺的帶鋼表面缺陷檢測系統中圖像處理方法設計研究

許春和

（綏化學院，黑龍江 綏化 152061）

研究以機器視覺為基礎的帶鋼表面缺陷檢測系統中圖像處理方法設計過程，需按照圖像預處理、缺陷辨識、結果分析的步驟來完整整體化圖像處理，以此來得到帶鋼表面缺陷的完整信息，從而結合其實際情況對其加以處理，保證帶鋼生產質量。

1 帶鋼表面圖像預處理

1.1 進行圖像去噪

（1）在獲取以及處理帶鋼表面圖像時，會受拍照技術、拍照環境因素的干擾，使得得到的圖像摻雜有噪聲，這部分噪聲可能會降低帶鋼表面圖像整體質量，這會給圖像處理人員一種錯覺：帶鋼表面存在缺陷。故而在進行以機器視覺為基礎的帶鋼表面缺陷檢測系統中圖像處理方法設計前，需清理帶鋼表面圖像中滯留的噪聲，實現對其的正確辨識。就當前階段來說，圖像噪聲處理方式包括多種形式，其中應用最為廣泛的是中值濾波，其是一種平滑的局部處理方式，不但可直接清除圖像中夾雜的噪聲，還可確保在處理過程中不會破壞圖像邊緣等關鍵信息。比如以圖像f（x，y）為例，得到對應的濾波結果，表述為g（x，y），具體表達式如下：

在以上表達式中，坐標（x，y）對應的像素點可用P 來表示，而W 指的是P 的鄰域。

（2）雖然通過中值濾波能夠直接清除脈沖中所含的噪聲，但是在整個去噪階段，若是未能恰當選擇大小適宜的像素鄰域，可能會對濾波結果產生較大的影響。因此在應用中值濾波來對圖像加以處理之后，還需設計出更加有效的自適應濾波方法，以此來解決上述問題，具體方式如下所示：其一，將圖像f（x，y）對應的坐標為（x，y）、最小、最大位置的像素點P對應的灰度值以gxy、gmin、gmax表示，設定P 最大鄰域是Mmax，在P 的鄰域是Mxy時，以gmed來表示i 具體的中值濾波值，其后通過系統的計算來對比分析gmin、gmax、gmed的大小，如果得出結論：gmax＞gmed＞gmin，可進入下一步程序，若是與上述結果存在差異，需進一步擴大Mxy；若是在對Mxy進行擴大以后，其仍舊小于Mmax，需重復上述流程；若是Mxy擴大之后不小于Mmax，gmed即可當作圖像中值濾波最終階段的計算結果；最后若是得出結論：gmax＞gmed＞gmin，則能確定gxy是圖像處理的中值濾波最終結果，若是與上述結論有所差異，則代表中值濾波最終計算結果是gmed。通過該種處理方式，能夠完美解決以上提出的像素鄰域問題，得到最佳的像素鄰域值，不會對最終的濾波結果產生影響，且整體計算過程比較簡單，不會耗費過長的時間，為后續圖像處理奠定基礎。

1.2 進行圖像增強

在完成去噪以后，還需進行圖像增強，因在帶鋼表面缺陷檢測時，會因各個方面的影響因素而使得圖像真正缺陷區域與背景區域灰度不會存在較大差異，如此在進行其后的缺陷辨識時可能會因此而出現差錯，故而需通過合理的技術措施來增強帶鋼表面圖像的整體質量，保證圖像清晰可觀，并可使得圖像背景區域、缺陷區域的灰度存在一定差異，在一定程度上增加其灰度對比度，便于后續對其的系列處理工作。就當前階段來說，形態學算法是一種比較有效、便利的圖像增強方式，其主要是借助對圖像的腐蝕、膨脹等一系列操作，來增強圖像質量以及灰度差異性。圖像去噪之后f（x，y）可用f（x，y）來表示，結構元素c 可有用（i，j）來表示，對應的腐蝕、膨脹過程如下：

通過上述過程（2）、（3）來完成c（i，j）、f（x，y）對應的閉運算之后，再安排開運算，即進行圖像增強，具體過程可用以下方程式來表示：

上式中，g 代表的是閉運算操作，o 代表的是開運算操作。上述圖像增強過程，可在一定程度上提升圖像的整體質量，并解決以上提出的問題，發揮出形態學運算的優勢，以達到提升缺陷區域、背景區與灰度差異增加的目的。

2 機器視覺帶鋼表面缺陷正確辨識

2.1 進行缺陷分割、聚類處理

缺陷圖像分割，其主要是為了分割圖像背景區域內容與缺陷內容，比較常用的缺陷圖像處理方法為閾值分割法，在該種處理方法中，最為重要的內容是閾值選擇，故而針對實際情況與應用所需，設計效率更高的代自適應閾值分割法，以此按照具體的要求來展開缺陷圖像的辨識與分割。具體內容如下所示：

（1）明確帶鋼圖像整體特征，計算像素點最小灰度值、最大灰度值，分別用Dmin、Dmax表示，以此為基礎計算初始閾值Fk，具體求取結果如下：

（2）通過求得的初始閾值來完成圖像分割，分割之后得到對應的圖像背景內容、缺陷內容的灰度，分別用Gb、Gq來表示

在上述兩個表達式中，Ni，j 指的是Gq灰度值整體的像素點數量，Gq指的是坐標（x，y）位置像素點灰度值。通過層遞式的計算、分析之后，求解出對應區域的灰度，且計算結果準確、可靠。

（3）以 Gb、Gq來進行 Fk更新，以 Fk+1來代表更新結果，具體表達式如下所示：

（4）重復迭代進行上述流程（1）、（3），直到其后得到結果：Fk=Fk+1。代表Fk此時是最優閾值，可進行以下各項運算。

（5）圖像分割之后，對其中的缺陷展開聚類處理，其后在此基礎上完成缺陷分類，便于對其進行集中化處理與管理。缺陷圖像整體聚類過程可按照如下方式進行：其一，設定缺陷區域灰度值：255，背景區域灰度值：0，以這兩個數據來展開后續的聚類處理，該階段，圖像再迭代自適應閾值分割之后，需搜索并統計連通區域分布位置與數量；其二，初始缺陷數暫時設定為0，在具體的探索時若是發現存在缺陷區域內容，要求沿著缺陷區域邊緣以矩形框來加以標記，此時缺陷數量+1；矩形框標記時，每一階段都需要將標記過的矩形框、發生相交的最大面積矩形框展開對比分析，測量矩形框之間的相交面積，若是此面積超過其中小矩形框面積的1/2，可以判定以上兩個矩形框屬于同一種類型，需合并處理；若是不滿足上述條件，要求直接保留標記過的新的矩形框；其三，重復上述一、二過程，直到標記全部的連通區域為止，以此來實現對其的正確的標識。

2.2 進行缺陷分類

（1）在對各項缺陷內容進行明確以及分類之前，要求通過相應的技術手段來完成缺陷紋理特征提取，以此來為后續缺陷分類奠定基礎。在分類時引入灰度共生矩分類方式，其可直接完成缺陷內容紋理特征提取，該種提取方式，主要是借助對圖像熵、能量、相關性、對比度的研究來表述圖像在各個階段的紋理特征，具體過程如下所示：

其中i，j 指的是圖像的像素灰度，L 指的是灰度級總數，為保證所得數據的真實性、可靠性，可通過上式進行重復計算，以此來得出最接近實際值的結果。

（2）相關性整體描述了圖像各項內容、各個區域、各個時間段像素間的差異性，按照以上方式來對其加以計算，該種差異性可以q2來表示：

（3）通過能量來進行圖像粗糙度測量，測量結果以q3表示，具體的計算流程如下所示：

（4）以熵來表述與研究圖像整體的信息量，以q4來表示，按照以下方式來計算：

（5）通過上式（10）、（11）、（12）、（13）來依次求出圖像在各個方面的紋理特征，可在此基礎上，通過支持向量機來完成圖像缺陷的分類工作，該種方式屬于全局分類方式，分類效果良好，主要是以計算最優分類面來實現對帶鋼表面缺陷的科學分類。具體流程如下所示：列出支持向量機分類目標函數最優值，以分類直線法W 來加以表述，具體方式如下表達式：

上式（14），對應的約束條件，可通過以下表達式來加以闡述：

其中xi、yi分別代表的是輸入特征樣本、樣本相應輸出。

（6）以ai來表示拉格朗日乘子，列出最優分類目標函數，求解對偶方程式，得出相應的結果，具體方程式如下：

在按照以上方程式來求解出對偶形式之后，可直接求解最優分類面，按照以下表達式來進行：

該種方程式得出的結果能夠很好地驗證帶鋼表面缺陷檢測系統中圖像處理方法的具體效果，且該項數據具備較高的參考性，利于后續展開相關性研究。

3 結果分析

選擇帶鋼表面存在缺陷的圖像，分別抽取100 個帶有空洞、劃痕、夾雜等各種缺陷問題的樣本，按照上述圖像處理方法來展開對應的檢測工作，對各個缺陷圖像展開辨識，查看并分析辨識結果，分析其有效性、精確性。具體辨識結果如下表1：

表1 帶鋼表面缺陷整體辨識結果示意表

分析表1 各項數據可得到結果，上述文章中闡述的方法整體辨識率皆超過95%，最高甚至可達到100%，這代表其對帶鋼表面缺陷有著較高的辨識度，由此可知，基于機器視覺的帶鋼表面缺陷檢測系統中圖像處理方法效果明顯。

4 結語

綜上，文章就基于機器視覺的帶鋼表面缺陷檢測系統中圖像處理方法設計進行了論述與分析，研究了其重要性與必要性，建議給予其足夠的重視，設計出對應的自適應中值濾波圖像去噪方法，并以Top-hat完成圖像增強，實現對各項表面缺陷的正確辨識。