徐帥華，管聲啟，陳龍龍，李 婷

(西安工程大學(xué)機(jī)電工程學(xué)院，陜西 西安 710048)

0 引言

近幾年來(lái)，由于汽車(chē)、造船、高鐵、地鐵等相關(guān)行業(yè)的快速發(fā)展和帶鋼連鑄連軋與各種新工藝的不斷涌現(xiàn)，其產(chǎn)能需求日益增大，帶鋼質(zhì)量要求日益提高。在生產(chǎn)加工過(guò)程中，由于受多方面因素的影響，導(dǎo)致帶鋼表面出現(xiàn)裂紋、抬頭紋、孔洞、針眼、鱗皮、麻點(diǎn)等不同類(lèi)型的缺陷，這些缺陷不僅影響產(chǎn)品的外觀，更嚴(yán)重的是降低了產(chǎn)品的質(zhì)量和實(shí)用價(jià)值。隨著微電子技術(shù)、計(jì)算機(jī)技術(shù)、自動(dòng)化技術(shù)和光電子技術(shù)等的快速發(fā)展，人工智能、神經(jīng)網(wǎng)絡(luò)理論的深化研究及實(shí)用化，使帶鋼表面的質(zhì)檢設(shè)備向智能化、高精度、高可靠度、高速在線檢測(cè)技術(shù)越來(lái)越多地呈現(xiàn)出來(lái)[1-3]。

實(shí)現(xiàn)帶鋼表面缺陷準(zhǔn)確自動(dòng)的檢測(cè)對(duì)鋼鐵企業(yè)具有以下3方面的意義:進(jìn)行質(zhì)量控制，提高生產(chǎn)效率，降低工人勞動(dòng)強(qiáng)度。為了維護(hù)企業(yè)形象和信譽(yù)，降低企業(yè)的經(jīng)濟(jì)損失，提高產(chǎn)品表面質(zhì)量，實(shí)現(xiàn)帶鋼表面缺陷自動(dòng)檢測(cè)，成為日益迫切的需求。針對(duì)以上帶鋼缺陷檢測(cè)的重要性，在此提出一種基于小波分解的帶鋼缺陷檢測(cè)方法，該方法增強(qiáng)了圖像的對(duì)比度，圖像細(xì)節(jié)部分清晰，提高了檢測(cè)的準(zhǔn)確性[4-7]。

1 同態(tài)濾波方法研究

在照明-反射模型中，一幅圖像f(x，y)可以表示為照明分量與反射分量的乘積形式:

其中:照明分量i(x，y)頻譜集中在低頻段，通常用來(lái)表示慢的動(dòng)態(tài)變化，可直接決定一幅圖像中像素能達(dá)到的動(dòng)態(tài)范圍;反射分量r(x，y)頻譜集中在高頻段，由物體本身特性決定，表示灰度急劇變化部分。同態(tài)濾波方法通常用來(lái)處理照明不均、細(xì)節(jié)對(duì)比度差、分辨率不清的圖像，通過(guò)對(duì)圖像的灰度范圍進(jìn)行調(diào)整，在壓縮圖像動(dòng)態(tài)范圍的同時(shí)增加圖像各部分的對(duì)比度，有效增強(qiáng)感興趣的細(xì)節(jié)，提高缺陷圖像的顯著度[8-10]。

傳統(tǒng)同態(tài)濾波算法是一種基于特征、在頻域中進(jìn)行的對(duì)比度增強(qiáng)方法，其處理過(guò)程如圖1所示。

圖1 傳統(tǒng)同態(tài)濾波過(guò)程

圖1中H(u，v)是決定圖像濾波效果的決定性因素，常用的有Butter-Worth高通濾波器，有抑制低頻部分的作用，其公式如下:

其中D0為截止頻率。該濾波算法使用的是傅里葉變換，具有較高的頻域分辨率和較低的空域分辨，對(duì)圖像的局部特點(diǎn)描述能力差。這種算法從圖像的整體角度去處理光照不均對(duì)圖像造成的影響，雖然可以很好地保持圖像的原始面貌，但它沒(méi)有充分考慮圖像的空域局部特性，因此局部細(xì)小的對(duì)比度增強(qiáng)效果不能滿足要求。

由于頻域處理圖像存在一定缺陷，有些學(xué)者提出空域算法，常用的算法有鄰域平均算法、局部對(duì)比度修正和局部對(duì)比度均衡等算法，這些算法利用圖像的局部對(duì)比度特點(diǎn)自適應(yīng)地進(jìn)行亮度修正，具有較好的局部對(duì)比度增強(qiáng)性能;但這類(lèi)方法沒(méi)有考慮圖像信息的頻率特征，因而不能達(dá)到突出高頻信息，衰減由光照不均引起的低頻信息的目的。

具有調(diào)和分析功能的小波分析方法，能夠同時(shí)兼顧頻域和空域中對(duì)局部對(duì)比度增強(qiáng)良好的特性，以及頻域信息的高通處理，因此本文采用新的基于小波變換的同態(tài)濾波方法，處理后圖像局部對(duì)比度明顯增強(qiáng)，保留了原有圖像的整體信息，并且對(duì)噪聲具有一定的魯棒性。

2 優(yōu)化的同態(tài)濾波算法

通過(guò)分析小波具有對(duì)稱性、雙正交性和去相關(guān)性等特點(diǎn)，可同時(shí)進(jìn)行時(shí)域、頻域的局部分析，能夠靈活地把信號(hào)的局部奇異特征提取出來(lái)，從而實(shí)現(xiàn)圖像信息的分離。對(duì)圖像進(jìn)行二維小波分解可以得到反應(yīng)圖形近似信息的低頻子圖和反應(yīng)細(xì)節(jié)信息的高頻子圖，然而光照不均和低頻缺陷主要存在于低頻子圖中，高頻子圖主要保留了缺陷細(xì)節(jié)信息和噪聲，因此采用高通濾波可以有效消除光照不均的影響，還可有效保留低頻細(xì)節(jié)信息，增強(qiáng)高頻細(xì)節(jié)信息[11-17]。優(yōu)化的同態(tài)濾波過(guò)程如圖2所示。

圖2 優(yōu)化小波濾波

2.1 小波分解

設(shè)hk為低通濾波器系數(shù)，gk為高通濾波器系數(shù)，小波分解可表示為:

其中:Ci(m，n)是 i層近似分量(LL);(m，n)是 i層水平細(xì)節(jié)分量(LH);m，n)是 i層垂直細(xì)節(jié)分量(HL);(m，n)是 i層對(duì)角線方向細(xì)節(jié)分量(HH)。

小波分解級(jí)數(shù)越少會(huì)使LL中包含過(guò)多的細(xì)節(jié)信息，有可能導(dǎo)致圖像的細(xì)節(jié)損失;但小波分解級(jí)數(shù)越多，不僅增加運(yùn)算量減小運(yùn)算速度，而且使小波系數(shù)LL不能充分反映圖像的光照分布特性和近似信息，進(jìn)而不能有效地消除圖像的光照不均勻性。因此綜合考慮本文選擇三級(jí)小波分解，近似子圖LL反應(yīng)低頻圖像近似信息和光照不均的分布，水平細(xì)節(jié)子圖LH和垂直細(xì)節(jié)子圖HL反應(yīng)圖像的高頻細(xì)節(jié)信息，對(duì)角線細(xì)節(jié)子圖HH反應(yīng)圖像的高頻信息和噪聲，對(duì)這些子圖的處理可以得到帶鋼缺陷的完整信息。

2.2 小波濾波處理

圖像的光照不均信息經(jīng)過(guò)小波分解后通常存在于低頻近似子圖中，采用非線性調(diào)整來(lái)修正圖像的亮度不均勻性，其表達(dá)式為:

其中x為近似子圖小波系數(shù)，m為近似子圖的小波系數(shù)的平均數(shù)，k(0＜k＜1)是對(duì)比度調(diào)節(jié)因子，修正圖像的亮度不均勻性。

采用高頻強(qiáng)調(diào)濾波器H( j，u，v)對(duì)小波分解后的高頻子圖進(jìn)行濾波，達(dá)到增強(qiáng)高頻信息的目的。其表達(dá)式為:

其中:n為小波分解級(jí)數(shù);r1為修正因素，偏移量;r2＞1為乘性因素，可以將高頻分量進(jìn)一步增強(qiáng);D0為截止頻率，其中 u為水平加權(quán)系數(shù)，v為垂直加權(quán)系數(shù)，對(duì)水平細(xì)節(jié)子圖濾波時(shí)u=1，v=0;對(duì)垂直細(xì)節(jié)子圖濾波時(shí)u=0，v=1。

2.3 小波子圖融合

對(duì)小波分解后的各級(jí)子圖經(jīng)過(guò)濾波處理，近似子圖LL保留了除去光照不均分量的低頻信息，水平細(xì)節(jié)子圖LH和垂直細(xì)節(jié)子圖HL分別保留著檢測(cè)目標(biāo)的水平細(xì)節(jié)和垂直細(xì)節(jié)方向的信息，而且每個(gè)子圖經(jīng)過(guò)高通強(qiáng)調(diào)濾波增強(qiáng)了缺陷信息;對(duì)角細(xì)節(jié)子圖中最主要含有大量的噪聲信息，因此選擇小波分解的近似子圖、水平細(xì)節(jié)子圖和垂直細(xì)節(jié)子圖相加融合。

2.3.1 子圖中央周邊差

本文模仿視覺(jué)注意機(jī)制中央周邊差操作，增強(qiáng)缺陷信息的顯著度，可為缺陷分割提供條件。中心定義為小波三層分解后高分辨率的子圖，周邊定義為低分辨率子圖。對(duì)小波三層分解后的不同分辨率的近似子圖、水平細(xì)節(jié)子圖、垂直細(xì)節(jié)子圖采取中央周邊差操作，形成近似特征差分子圖(fLL(δ))、細(xì)節(jié)特征差分子圖(fLH(δ)、fHL(δ))，從而量化中心區(qū)域相對(duì)于四周的差異。中央周邊操作如下:

其中，Θ為子圖之間中央周邊操作，c為中心尺度，s=c+δ表示周邊尺度，δ表示中央周邊尺度差。當(dāng)c=1 時(shí)，s=2，3;當(dāng) c=2 時(shí)，s=3。

2.3.2 子圖融合策略

由于各子圖不同尺度條件下顯著值分布不同，因此在融合之前先對(duì)子圖進(jìn)行歸一化處理，以消除缺陷被放大的影響，然后對(duì)近似、水平和垂直差分子圖進(jìn)行相加融合，形成提高缺陷顯著度的近似、水平和垂直顯著圖，增強(qiáng)了缺陷信息，為后續(xù)的處理奠定基礎(chǔ)。公式如下:

通過(guò)對(duì)各差分子圖相加融合后得到的可以發(fā)現(xiàn)缺陷信息主要存在于近似、水平和垂直細(xì)節(jié)子圖中，缺陷信息的顯著度得到明顯的提升，為了減少計(jì)算量，提高缺陷檢測(cè)效率，因此對(duì)近似顯著圖、水平細(xì)節(jié)顯著圖和垂直細(xì)節(jié)顯著圖進(jìn)行相加融合，并對(duì)融合的圖像取指數(shù)處理。

3 帶鋼缺陷檢測(cè)過(guò)程及實(shí)驗(yàn)分析

3.1 帶鋼缺陷檢測(cè)過(guò)程

在生產(chǎn)過(guò)程中，受到檢測(cè)環(huán)境的影響會(huì)導(dǎo)致采取的帶鋼缺陷圖像中存在低對(duì)比度、微小缺陷和光照不均的圖像，本文選擇抬頭紋和夾雜缺陷作為測(cè)試圖像。如圖3所示。

圖3 缺陷圖像

缺陷檢測(cè)過(guò)程如下:

1)首先對(duì)缺陷圖像灰度值進(jìn)行對(duì)數(shù)處理，并對(duì)處理后圖像進(jìn)行小波三層分解(采用sym4小波分解)。

2)然后對(duì)分解后的近似子圖進(jìn)行線性濾波，消除光照不均的影響，保留低頻缺陷信息;對(duì)水平細(xì)節(jié)子圖和垂直細(xì)節(jié)子圖進(jìn)行改進(jìn)的高通強(qiáng)調(diào)濾波處理，增強(qiáng)高頻信息，提高缺陷對(duì)比度。

3)對(duì)濾波后的子圖進(jìn)行中央周邊差操作得到差分子圖，并對(duì)近似差分子圖、水平細(xì)節(jié)差分子圖和垂直細(xì)節(jié)差分子圖進(jìn)行歸一化操作相加融合處理，得到近似顯著圖、水平細(xì)節(jié)顯著圖和垂直細(xì)節(jié)顯著圖。

4)對(duì)相加處理后的顯著圖進(jìn)行選擇性的融合性處理，并對(duì)其取指數(shù)處理。

5)最后采用最大類(lèi)間差分割方法分割融合圖像。

采用本文缺陷檢測(cè)算法對(duì)抬頭紋缺陷和夾雜缺陷進(jìn)行缺陷檢測(cè)，檢測(cè)結(jié)果如圖4所示。

圖4 缺陷檢測(cè)結(jié)果

3.2 帶鋼缺陷檢測(cè)實(shí)驗(yàn)分析

為了驗(yàn)證本文算法的有效性，分別對(duì)帶鋼缺陷圖像采用零均值化缺陷檢測(cè)方法、頻域同態(tài)濾波、Otsu分割以及本文算法進(jìn)行對(duì)比實(shí)驗(yàn)，其檢測(cè)結(jié)果如圖5所示。

圖5 帶鋼缺陷對(duì)比檢測(cè)實(shí)驗(yàn)結(jié)果

由圖5可以看出，灰度差影檢測(cè)無(wú)法消除光照不均對(duì)帶鋼缺陷的影響，缺陷沒(méi)有完全分割出，其沒(méi)有完整分割出帶鋼缺陷;Otsu分割方法直接對(duì)缺陷圖像進(jìn)行分割檢測(cè)，無(wú)法完整分割出缺陷信息，許多背景信息被分割出去，降低了檢測(cè)的準(zhǔn)確性;零均值化處理和頻域同態(tài)濾波可以分割出一部分缺陷信息，但是仍有微小缺陷未被檢測(cè)出來(lái)，對(duì)噪聲的影響比較敏感;本文檢測(cè)算法可以檢測(cè)出缺陷的高頻細(xì)節(jié)部分和低頻的近似缺陷部分，消除光照不均和噪聲的影響，因此可以準(zhǔn)確地檢測(cè)出帶鋼的缺陷信息，使背景和缺陷完全分離開(kāi)，在工業(yè)現(xiàn)場(chǎng)中對(duì)環(huán)境的要求不高，適合于在復(fù)雜的外部采集環(huán)境中實(shí)時(shí)在線檢測(cè)。

4 結(jié)束語(yǔ)

受檢測(cè)環(huán)境的影響，采集到的圖像都含有噪聲和光照不均的現(xiàn)象，嚴(yán)重影響了圖像的質(zhì)量，本文提出基于小波分解的帶鋼缺陷檢測(cè)。對(duì)缺陷圖像灰度值進(jìn)行取對(duì)數(shù)處理，分離光照不均信息和圖像信息;對(duì)分離圖像進(jìn)行小波三層分解，實(shí)現(xiàn)帶鋼缺陷圖像的高頻信息和低頻信息的分離，為后續(xù)濾波處理奠定基礎(chǔ);通過(guò)對(duì)近似子圖線性濾波以達(dá)到消除光照不均的影響，對(duì)細(xì)節(jié)子圖進(jìn)行高通濾波增強(qiáng)高頻信息;在此基礎(chǔ)上對(duì)每個(gè)子圖進(jìn)行中央周邊差操作和對(duì)差分子圖相加融合策略，達(dá)到提高缺陷信息顯著度的目的;最后對(duì)融合圖像進(jìn)行最大類(lèi)間差分割，實(shí)現(xiàn)帶鋼缺陷的分割。本文檢測(cè)算法有效地避免了由于檢測(cè)環(huán)境造成的光照不均和噪聲對(duì)圖像的影響，提高了缺陷圖像檢測(cè)效率，滿足在復(fù)雜環(huán)境下的實(shí)時(shí)在線檢測(cè)，降低了成本。

[1] 王宏，朱德生，唐威.一種基于灰度投影的帶鋼表面缺陷檢測(cè)算法[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008，29(3):375-377.

[2] Qin Xian-sheng，He Feng，Liu Qiong，et al.Online defect inspection algorithm of bamboo strip based on computer vision[C]//Proceedings of the 2009 IEEE International Conference on Industrial Technology.2009.

[3] 叢家慧，顏云輝.視覺(jué)注意機(jī)制在帶鋼表面缺陷檢測(cè)中的應(yīng)用[J].中國(guó)機(jī)械工程，2011，22(10):1189-1192.

[4] 管聲啟，石秀華.基于頻域?yàn)V波的織物疵點(diǎn)檢測(cè)[J].計(jì)算機(jī)應(yīng)用，2008，28(10):2673-2675.

[5] 梁琳，何衛(wèi)平，雷蕾，等.光照不均圖像增強(qiáng)方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2010，27(5):1625-1628.

[6] 王冬梅，路敬祎，王秀芳.基于Matlab的同態(tài)濾波算法的研究[J].科學(xué)技術(shù)與工程，2010，10(26):6562-6564.

[7] Wei Yulan，Li Bing，Zhang Dan，et al.The strip steel surface defects detection adaptive preprocessing method based on double field[J].Advanced Materials Research，2012，549:576-579.

[8] Bulnes F G，Usamentiaga R，Garcia D F，et al.Periodic defects in steel strips:Detection through a vision-based technique[J].IEEE Industry Applications Magazine，2013，19(2):39-46.

[9] 孫忠貴.數(shù)字圖像光照不均勻校正及Matlab實(shí)現(xiàn)[J].微計(jì)算機(jī)信息，2008，24(12):313-314.

[10] 管聲啟，師紅宇，王燕妮.基于圖像零均值化的帶鋼缺陷檢測(cè)[J].鋼鐵研究學(xué)報(bào)，2013，25(4):59-62.

[11] 管聲啟，屈云仙，高照元.小波域同態(tài)濾波的刀具磨損檢測(cè)[J].機(jī)械科學(xué)與技術(shù)，2013，32(11):1703-1707.

[12] 譚紹華.基于機(jī)器視覺(jué)的帶鋼表面缺陷檢測(cè)系統(tǒng)研究[D].武漢:華中科技大學(xué)，2012.

[13] 林選偉.基于視覺(jué)注意機(jī)制的鋼板表面缺陷區(qū)域檢測(cè)[D].武漢:武漢科技大學(xué)，2013.

[14] Liu Shangwang，He Dongjian，Liang Xinhong.An improved hybrid model for automatic salient region detection[J].IEEE Signal Processing Letters，2012，19(4):207-210.

[15] 陳莉.基于小波變換的圖像增強(qiáng)算法[J].陜西理工學(xué)院學(xué)報(bào)(自然科學(xué)版)，2014，30(1):32-37.

[16] 熊杰，周明全，耿國(guó)華，等.使用同態(tài)分解和小波變換增強(qiáng)真彩圖像[J].計(jì)算機(jī)工程與應(yīng)用，2010，46(4):22-25.

[17] 熊杰.基于頻率域、小波變換和神經(jīng)網(wǎng)絡(luò)的真彩圖像增強(qiáng)算法研究[D].西安:西北大學(xué)，2010.