摘要：针对传统人工检测带钢缺陷效率低、误检率高、危险性大的问题，提出了一种基于机器视觉的缺陷检测与识别的研究方案。带钢生产线上的视频图像由工业摄像机采集，采用中值滤波和小波分析进行去噪，采用Canny算子进行边缘检测。然后，利用缺陷图像的圆形度对缺陷进行识别和分类，从而实现对带钢缺陷的检测和统计。实验结果表明，该缺陷检测方案能够实时、准确、有效地识别带钢缺陷，证明了该方法的可行性。
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越来越高。钢材是基础经济建设的支柱，带钢是钢材的重要类型之一，其表面质量直接影响最终产品的性能和销量。目前，国内钢带制造加工企业通常采用人工目测取样的方法进行质量检验。该方法采样率低、随机性差、检测效率低，生产线环境恶劣危险，威胁检验人员健康。随着计算机科学的快速发展，机器视觉技术越来越广泛地应用于工业生产的自动检测中。一些发达国家和地区已经生产出相对成熟的带钢检测系统[1]。随着我国现代化建设的深入，这一全新的检测技术也引起了各钢铁生产企业的关注，市场需求巨大。因此，具有自主知识产权的带钢表面缺陷检测系统的研发引起了高校和企业相关科技人员的关注[2]。
本文研究的系统按照最佳成像方案设计光路[3]。利用鲍默工业相机实时采集原始钢带图像，利用MATLAB对每一帧图像进行预处理，如去噪、增强等。取得良好效果后，进行图像扩展、图像平滑和图像分割，提取图像中感兴趣的部分，最后根据图像特征自动识别缺陷类型。
1系统设计要求
在试点钢带制造企业中，生产线上钢带的传输速率为0~40 m/min，系统采用了CCD工业相机。最大采集速率为每秒16帧的xbdsb，采集图像分辨率为1 3921 040。由于图像数据量大，需要满足生产检验的实时性要求。因此，在有限的时间内处理海量的图像数据，保证检测效果是研究的核心和目标[4]。在分析了带钢图像的特征特性并通过大量实验对其进行改进后，设计了一种基于像素灰度值的处理算法。在保证缺陷检测精度的前提下，很好地控制了算法的复杂度，满足了带钢生产的要求。
2设计流程图
基于机器视觉的带钢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拥有强大的图像处理工具箱[5]。它几乎囊括了所有成熟的图像处理功能，只需简单调用即可实现输入输出、格式转换、形态处理、线性滤波、对比度增强、数据统计等操作。无论格式如何，都可以通过imread功能直接读取钢带缺陷的原始图像。读取的钢带缺陷原始图像如图2所示。
2.2带钢缺陷图像的预处理
2.2.1去噪处理
由于带钢车间环境嘈杂，光和噪声的干扰很大，在图像采集过程中不可避免地会引入噪声信号。中值滤波可以消除离群噪声，保持图像的边缘特征，不会造成图像明显模糊，更适合本研究中的带钢缺陷图像。对含有噪声的图像进行小波变换处理后，图像的原始信息和噪声产生的小波系数表现出不同的特征，从而使图像具有不同的特征
x=wdencmp(gbl、Z1、sym 4、2、THR、SORH、KEEPAPP)；
2.2.2增强处理
去噪后，为了使带钢缺陷更加清晰，对预处理后的图像进行了增强。小波分析在图像增强中具有很大的优势，因为它可以从多尺度、多角度提取信号特征，并在不同尺度下清晰区分噪声和信号[7]。图像经过2D小波分解后，轮廓主要集中在低频部分，而细节则集中在高频部分。因此，可以通过增强低频分解系数和衰减高频分解系数来达到图像增强的目的。钢带缺陷增强的图像如图3所示。
2.3钢带缺陷的划分
为了便于带钢缺陷的识别和分类，采用Canny算子对其进行处理。Canny算法以其检测率高、定位准确、响应清晰的三大标准成为目前应用最广泛的边缘检测算法[8]。首先，用应力函数的线性结果参数展开边缘。用imfill函数填充边缘的间隙；然后使用imclearborder函数删除连接到图像边界的对象；最后，使用菱形结构元素来平滑图像。此时，钢带的缺陷部分已经完全分离，结果如图4所示。
缺陷图像的特征提取和识别
3.1特征提取
图像特征提取是缺陷识别中最重要的部分，也是算法的核心。本文研究的算法是计算分割出的缺陷零件的lcddhb特征、面积和圆度。计算面积的原理如下：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lcddhb即区域的边界长度，当把像素看作一个个点时，则lcddhb用链码表示，求lcddhb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。lcddhbL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lcddhb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lcddhb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lcddhb。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] ymdkfd.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] cxdwt，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] 难过的铃铛，爱笑的野狼，jxdwk.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] kndl，axdlh.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] 炙热的羽毛.边缘检测Canny算子的研究与改进[D].重庆：重庆师范大学，2012.
[9] 高挑的大地.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] xlmdls，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] qcdy，tmdsh，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] 眼睛大的鼠标.数字图像处理基础与应用[M].北京：清华大学出版社，2013.