摘  要： 针对钢带缺陷传统的人工检测效率低、误检率高以及危险程度大等问题，提出了一种基于机器视觉的缺陷检测和识别的研究方案。采用工业摄像头采集钢带生产线上的视频图像，通过中值滤波和小波分析相结合的方法去噪，并用Canny算子实现边缘检测，再以缺陷图像的圆形度等特征完成识别分类，从而实现对钢带缺陷的检测和统计。实验结果表明，该缺陷检测方案能够实时准确有效地识别钢带缺陷，证明了该方法的可行性。

　　关键词： 机器视觉；缺陷检测；识别分类；钢带

　　近年来，我国经济发展进入转型期，对产品质量和外观的关注度也越来越高。钢材是基础经济建设的支柱，而钢带是钢材的重要材型之一，其表面质量直接影响到最终产品的性能与销量。目前，国内钢带制造、加工企业通常采用人工目视抽检法进行质量检测，这种方法抽检率低、随机性差、检测效率低，并且生产线环境恶劣，危险性大，对检测人员的健康有威胁。机器视觉技术随着计算机科学的高速发展，越来越广泛地应用到工业生产的自动化检测中。一些发达国家和地区早已生产出了比较成熟的钢带检测系统[1]。随着我国现代化程度的加深，这种全新检测技术也引起了各钢材生产企业的重视，市场需求很大。因此，研究开发出具有自主知识产权的钢带表面缺陷检测系统受到各大高校和企业相关科技人员的重视[2]。

　　本文研究的系统根据最佳成像方案设计光路[3]，利用Baumer工业摄像头实时采集原始钢带图像，对每帧图像利用MATLAB进行去噪和增强等预处理，取得较好效果后，进行图像膨胀、图像平滑、图像分割处理，提取图像中感兴趣的部分，最终根据图像特征自动识别出缺陷类型。

1 系统设计要求

　　在所试点的钢带生产企业中，其生产线钢带传输速率为0~40 m/min，系统采用CCD工业相机，采集速率最大可达16帧/秒，获取的图像分辨率为1 392×1 040。由于图像数据量很大，又要满足生产检测的实时性要求，因此在有限时间内完成对图像庞大数据量的处理并保证检测效果是研究的核心和目标[4]。在分析了钢带图像的特征性质并经过多次试验改进后，设计了基于像素灰度值的处理算法，在保证缺陷检测准确度的前提下，较好地控制算法的复杂度，达到了钢带生产要求。

2 设计流程图

　　基于机器视觉的钢带缺陷检测系统流程图如图1所示。

　　2.1 基于MATLAB的钢带图像读取

　　在图像处理方面，MATLAB拥有功能强大的图像处理工具箱[5]。它几乎包括了所有成熟的图像处理函数，通过简单的调用就可以实现输入输出、格式变换、形态学处理、线性滤波、对比度增强和数据统计等操作。钢带缺陷的原始图像可以通过imread函数直接读取，而不用考虑其格式，读取的原始缺陷钢带图像如图2所示。

　　2.2 钢带缺陷图像的预处理

　　2.2.1 去噪处理

　　由于钢带生产车间环境嘈杂，光线和噪声干扰很大，在图像的采集过程中不可避免地引入了噪声信号。中值滤波可以消除孤点噪声，同时保持图像的边缘特性，不会使图像产生显著的模糊，比较适合于此次研究的钢带缺陷图像；对含噪声图像进行小波变换处理后，图像的原始信息和噪声所产生的小波系数表现出不同的特点，从而可以去除噪声的小波系数，最后用小波逆变换重构图像。经过试验对比，发现采用基于小波变换与中值滤波相结合的图像去噪处理方法，去除噪声同时保护边缘轮廓的效果最好[6]。

　　主要去噪程序如下：

　　Z1=medfilt2（YT，[5，5]）；

　　%使用sym4小波设定全局阈值去噪%

　　[THR，SORH，KEEPAPP]ddencmp（′den′，′wv′，Z1）；

　　X=wdencmp（′gbl′，Z1，′sym4′，2，THR，SORH，KEEPAPP）；

　　2.2.2 增强处理

　　去噪完成后，为了让钢带缺陷更加清晰明了，对预处理后的图像进行了图像增强处理。小波分析因它能多尺度多角度提取信号特征，并在不同尺度上让噪声和信号明显地区分开来，所以它在图像增强方面有很大优势[7]。图像经二维小波分解后，轮廓主要集中在低频部分，细节则集中在高频部分，因此，通过对低频分解系数进行增强处理，对高频分解系数进行衰减处理，即可达到图像增强的目的。钢带缺陷增强图像如图3所示。

　　2.3 钢带缺陷的分割

　　为了便于对钢带缺陷的识别分类，使用Canny算子对其进行处理。因Canny具有高检测率、精确的定位、明确的响应的三条标准，使其成为目前最广泛使用的边缘检测算法[8]。首先用strel函数线性的结果甬数对边缘进行图像膨胀操作；利用imfill函数填充边缘的缝隙；然后用imclearborder函数删除与图像边界相连的对象；最后，用菱形结构元素对图像进行平滑处理。至此钢带缺陷部分已经完全地分割出来，其结果如图4所示。

3 缺陷图像的特征提取与识别

　　3.1 特征提取

　　图像特征提取是缺陷识别最为重要的部分，也是算法的核心。本文研究的算法是对分割后的缺陷部分进行周长、面积和圆形度等的特征计算。计算面积的原理为：对于二值图像像素值f（x，y）=1，表示目标缺陷物体，像素值取0表示背景，缺陷的面积就是f（x，y）=1的个数叠加[9]。计算公式如下：

　　计算缺陷周长即区域的边界长度，当把像素看作一个个点时，则周长用链码表示，求周长也即计算链码长度[10]。当链码值为奇数时，其长度记作；当链码值为偶数时，其长度记作1。周长L表示为：

　　其中，Ne、No分别为边界链码（8方向）中走偶步与奇步的数目。在计算缺陷图像的周长前，使用edge函数中的Canny算子对平滑后图像进行处理[11]，缺陷边缘提取图像如图5所示。

　　3.2 判断识别

　　根据缺陷图像的特征，利用面积和周长的大小来识别缺陷存在与否，利用圆形度等特征判断缺陷的类型。圆形度的计算公式为[12]：

　　C=（4πS）/L2（3）

　　其中，C为圆形度；S为物体面积；L为物体周长。由3.1节可得S=662，L=100.818 3，再利用式（3）可得缺陷图像的圆形度C=0.818 4。由于缺陷图像不是绝对规则的图形，根据钢带生产企业的标准，把C在0.8～1判断为圆形斑点，其他为裂纹。而本文计算的C=0.818 4，所以可以判定缺陷为斑点。

4 结论

　　首先利用工业摄像头采集钢带图像，对获得的原始图像进行去噪、增强等预处理，在此基础上，进行形态学处理和Canny边缘检测，然后分析图像特征，经过多次试验和改进算法，最终实现了实时识别缺陷和类型判断的系统要求。这不仅满足了生产线快速自动化的生产条件，同时提高了检测的效率、准确度和科学性，为后续的研究和推广应用奠定了基础。

参考文献

　　[1] LIU Y C， HSU Y L， SUN Y N， et al. A computer vision system for automatic steel surface inspection[C]. 2010 the 5th IEEE Conference on Industrial Electronics and Applications（ICIEA）， IEEE， 2010：1667-1670.

　　[2] Wu Guifang， Xu Ke， Xu Jinwu. Application of a new feature extraction and optimization method to surface defect recognition of cold rolled strips[J]. 北京科技大学学报（英文版） 2007， 14（5）：437-442.

　　[3] 刘彩章.基于机器视觉的带钢表面缺陷成像系统理论与实验研究[D].武汉：武汉科技大学，2012.

　　[4] 刘明炜，王快社.带钢表面缺陷在线检测实时处理方法研究[J].冶金设备，2008，8（4）：32-34.

　　[5] 晏晖，姜鹏，陈贝.基于MATLAB工具箱的数字图像处理技术[J].微计算机信息，2010，26：214-216.

　　[6] 唐世伟，林君.小波变换与中值滤波相结合图像去噪方法[J].哈尔滨工业大学学报，2008，40（8）：1334-1336.

　　[7] 曾诚.基于小波理论的图像去噪和增强技术研究[D].武汉：武汉理工大学，2008.

　　[8] 周超.边缘检测Canny算子的研究与改进[D].重庆：重庆师范大学，2012.

　　[9] 杨阳.钢球表面缺陷视觉检测技术的研究[D].南昌：华东交通大学，2009.

　　[10] 陆应骐，童韬.链码和在边界形状分析中的应用[J].中国图象图形学报，2002，7（12）：1323-1328.

　　[11] 王小俊，刘旭敏，关永.基于改进Canny算子的图像边缘检测算法[J].计算机工程，2012，38（14）：196-198.

　　[12] 朱虹.数字图像处理基础与应用[M].北京：清华大学出版社，2013.