楊全海

（陜西職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)科學(xué)系，陜西 西安 710100）

基于計(jì)算機(jī)圖像處理的板形識(shí)別系統(tǒng)設(shè)計(jì)

楊全海

（陜西職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)科學(xué)系，陜西 西安 710100）

針對(duì)現(xiàn)階段基于圖像檢測(cè)的板形識(shí)別在缺陷的檢出率普遍較低以及檢測(cè)速度慢等問(wèn)題，文中提出了一種基于計(jì)算機(jī)圖像處理的板形識(shí)別系統(tǒng)，其通過(guò)直方圖均衡化與高帽變換對(duì)初始圖像進(jìn)行處理，并通過(guò)邊緣檢測(cè)算法提取輪廓，然后利用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行缺陷識(shí)別與分類(lèi)。其在實(shí)驗(yàn)及實(shí)際工業(yè)生產(chǎn)中，均具有較高的識(shí)別率，可達(dá)到約90%，且還具有較好的板形識(shí)別效果。

計(jì)算機(jī)圖像處理；板形識(shí)別；邊緣檢測(cè)；BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器

當(dāng)前，基于圖像檢測(cè)的板形識(shí)別在缺陷的檢出率以及檢測(cè)速度上均存在問(wèn)題，缺陷檢出率和檢測(cè)速率普遍較低[1-5]。此外，檢測(cè)精度的提高與實(shí)時(shí)缺陷分類(lèi)等也是需要迫切解決的關(guān)鍵點(diǎn)。

為了解決傳統(tǒng)圖像檢測(cè)的板形識(shí)別中存在的問(wèn)題，文中提出一種基于計(jì)算機(jī)圖像處理的板形識(shí)別系統(tǒng)。首先，對(duì)實(shí)時(shí)得到的板形圖像進(jìn)行直方圖均衡化以及高帽變換增強(qiáng)圖像，并通過(guò)Canny邊緣檢測(cè)算法得到板形的邊緣。然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)提取到的板形缺陷進(jìn)行實(shí)時(shí)識(shí)別分類(lèi)。實(shí)驗(yàn)表明，此板形識(shí)別系統(tǒng)在板形缺陷檢測(cè)中取得了較好的效果，平均識(shí)別率可達(dá)到90%以上。

1　板形特征提取

實(shí)時(shí)獲得的板形原始圖片均存在著噪聲干擾，其按照噪聲干擾的大小會(huì)對(duì)圖片清晰度造成一定程度的損壞，是圖像變得模糊。當(dāng)噪聲嚴(yán)重時(shí)，甚至使圖像本身的特征也無(wú)法被識(shí)別。為了避免將噪聲干擾識(shí)別為板形缺陷，首先利用直方圖均衡化和高帽變換，對(duì)獲取的實(shí)時(shí)原始圖像進(jìn)行圖像增強(qiáng)處理并用邊緣檢測(cè)算法檢測(cè)板形的邊緣。

1.1直方圖均衡化

圖像直方圖代表了各個(gè)灰度級(jí)在圖像中所占的比例，對(duì)直方圖均衡化可改善圖像的質(zhì)量。圖像均衡化變化的公式為

其中，rk為原始圖像的灰度，k代表灰度級(jí)數(shù)，N為圖像的總像素?cái)?shù)量，nj代表灰度級(jí)為rj的像素?cái)?shù)量；L代表圖像所具有的灰度級(jí)的總數(shù)量；經(jīng)過(guò)變換的圖像灰度用Sk表示，pr（rj）代表原圖像灰度級(jí)概率密度函數(shù)。

圖1　冷軋板原圖及其直方圖

圖2　均衡化后的圖像及其直方圖

如圖1與圖2分別為冷軋板原始圖像與直方圖跟均衡化后圖像與直方圖。由圖可看出，為均衡化之前，原始圖像較灰暗，板形所產(chǎn)生的浪由于嚴(yán)重的陰影而難以觀察到，由直方圖可看到，原始圖像的灰度分布較為集中在0～50之間。經(jīng)均衡化后，圖像灰度分布在0～255之間，觀察均衡化后的圖像，其圖像變得更為清晰，且其板形波形也變得更加明顯。

1.2高帽變換

當(dāng)系統(tǒng)處于光線較差的情況下，獲取到的板形原始圖像的曝光通常是不均衡的，其造成圖像顯示效果差，為了解決曝光不均衡的問(wèn)題，在光照無(wú)法改善的條件下，文中采取對(duì)圖像進(jìn)行高帽變換。其變化結(jié)果如圖3所示。

圖3　基于高帽變換的圖像增強(qiáng)

由圖3可看出，圖像經(jīng)過(guò)高帽轉(zhuǎn)換后，其顯示效果大幅提升，曝光也更加均衡。在原始圖像中，由于曝光不均衡，使得圖像效果較差，板形波形難以被觀察。而經(jīng)過(guò)高帽變換后，圖像質(zhì)量得到了明顯提升，從圖中可清晰看到板形波形。

1.3邊緣檢測(cè)

圖像的邊緣是圖像最重要的特性之一，其邊緣記錄了圖像的輪廓，這也是板形識(shí)別的重點(diǎn)，只有獲得了圖像的輪廓，才能更好的進(jìn)行板形識(shí)別。邊緣檢測(cè)的原理是利用板材翹曲對(duì)光反射的影響，當(dāng)板材表面無(wú)翹曲時(shí)，其反射光形成均勻的光帶，當(dāng)板材表面有翹曲時(shí)，其反射光形成的光帶出現(xiàn)寬度不同的變化，如圖4所示。

圖4　存在缺陷的板形圖像

圖5的（a）～（f）分別為采用Rober算法、Sodel算法、Prewitt算法、Krisch算法、LoG算法以及 Canny算法檢測(cè)邊緣[6-7]的效果圖。

圖5　板形缺陷圖像邊緣檢測(cè)算法比較

由圖可看出，Canny算法的邊緣檢測(cè)效果最佳，其邊緣檢測(cè)結(jié)果不僅是連續(xù)的，且極為清晰。從圖5的（f）可以清晰看到板形的右邊浪。

圖6是使用Canny邊緣檢測(cè)算法得到的圖像邊緣圖。

圖6　利用Canny算法提取圖像邊緣

2　BP神經(jīng)網(wǎng)絡(luò)板形識(shí)別

當(dāng)提取圖像的邊緣信息后，需要對(duì)板形缺陷進(jìn)行識(shí)別并分類(lèi)統(tǒng)計(jì)，文中采用BP神經(jīng)網(wǎng)絡(luò)對(duì)板形進(jìn)行識(shí)別并分類(lèi)統(tǒng)計(jì)。

2.1BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

1）輸入層結(jié)構(gòu)由于每個(gè)樣本具有灰度級(jí)均值，方差，對(duì)比度3個(gè)特征值，在此確定輸入層神經(jīng)元個(gè)數(shù)為3。

2）隱含層設(shè)置為單層結(jié)構(gòu)。同時(shí)，為了減少計(jì)算量及滿足在有限迭代次數(shù)下實(shí)現(xiàn)網(wǎng)絡(luò)收斂[8-9]，本文首先設(shè)定隱含層神經(jīng)元個(gè)數(shù)為48，當(dāng)網(wǎng)絡(luò)具有收斂能力后，逐漸減少并穩(wěn)定在10個(gè)。

3）輸出層結(jié)構(gòu)輸出層神經(jīng)元即為缺陷的類(lèi)型數(shù)，在此本文只研究左邊浪，右邊浪，左1/4浪，右1/4浪，中浪這五種板形缺陷，故設(shè)置輸出層神經(jīng)元個(gè)數(shù)為5。

4）測(cè)試樣本為了檢測(cè)BP神經(jīng)網(wǎng)絡(luò)在板形缺陷的分類(lèi)識(shí)別的識(shí)別率，文中利用缺陷數(shù)量與類(lèi)型已知的板形對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。

表1　測(cè)試樣本缺陷類(lèi)型與數(shù)量分布數(shù)據(jù)

2.2BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器測(cè)試結(jié)果

表2和表3分別為BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器參數(shù)以及分類(lèi)器測(cè)試結(jié)果。由表3的測(cè)試結(jié)果可看出，分類(lèi)器的參數(shù)設(shè)置是合理的，文中的分類(lèi)器在416個(gè)不同類(lèi)型的缺陷中，識(shí)別出384個(gè)，平均識(shí)別率高達(dá)92.3%，此分類(lèi)器的缺陷識(shí)別與分類(lèi)能力是較為理想的。

表2　BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器參數(shù)

表3　分類(lèi)器測(cè)試結(jié)果

3　實(shí)驗(yàn)與分析

圖7所示為本文設(shè)計(jì)的板形識(shí)別系統(tǒng)，其主要由照射光源，工業(yè)攝像機(jī)，圖像采集卡以及工控機(jī)組成。其中光源采用PHILIPS T8 36W三基色管，其采用特殊氪氣，降低燈管功率，且采用高效熒光粉，色度容差小，光輸出高，壽命長(zhǎng)，發(fā)光穩(wěn)定；工業(yè)相機(jī)采用德國(guó)Imaging Source USB 3.0工業(yè)相機(jī)，其成像質(zhì)量高，傳輸界面速度快，外觸發(fā)輸入功能和外部 I/O接口更讓用戶可輕易在現(xiàn)有或新的應(yīng)用程序上進(jìn)行設(shè)定和整合。圖像采集卡采用維視圖像公司的MV-E8100實(shí)時(shí)圖像采集卡，其是基于PCI-E X1總線結(jié)構(gòu)開(kāi)發(fā)的四路高清實(shí)時(shí)圖像采集卡，數(shù)據(jù)傳輸速率可達(dá)250 MByte/s，并采用第四代Philips公司精良的10 bit A/D芯片，使用的4線3D梳狀濾波器能自動(dòng)消除噪點(diǎn)、抗混疊濾波等技術(shù)，使圖像清晰度更高、圖像采集的實(shí)時(shí)性能更強(qiáng)。

圖7　板形識(shí)別系統(tǒng)硬件構(gòu)成

為了使板形圖像采集效果更加理想，應(yīng)使工業(yè)攝像頭安裝在軋機(jī)出口處軋制板材的正中間位置，同時(shí)攝像頭的鏡頭鏡片方向必須與軋制版的平面保持平行。此外，為了減少噪聲干擾，應(yīng)當(dāng)使光帶的有效圖像信息盡可能多，而無(wú)效的圖像信息盡可能少，這可通過(guò)調(diào)節(jié)攝像頭的焦距來(lái)實(shí)現(xiàn)。

實(shí)驗(yàn)中，通過(guò)調(diào)節(jié)光源的照射位置、照射距離以及照射角度，得到如圖8的典型板形缺陷原圖。然后經(jīng)過(guò)計(jì)算機(jī)圖像處理，進(jìn)行板形缺陷識(shí)別。

從圖8中可看到，本系統(tǒng)能精確識(shí)別板形中的缺陷，且邊緣檢測(cè)圖像清晰、連續(xù)，系統(tǒng)得到了良好的驗(yàn)證。

本系統(tǒng)在某冷軋薄板廠的生產(chǎn)線上應(yīng)用，在廠方專(zhuān)家的鑒定下，本系統(tǒng)實(shí)際識(shí)別的板形缺陷類(lèi)別和數(shù)量如表4所示。

圖8　部分典型板型缺陷的原圖與邊緣檢測(cè)圖

表4　BP分類(lèi)器實(shí)際識(shí)別結(jié)果

由表中數(shù)據(jù)可得，本系統(tǒng)在實(shí)際工廠生產(chǎn)中的板形識(shí)別率穩(wěn)定在91%±2%之間，系統(tǒng)在實(shí)際工廠生產(chǎn)中取得較好的識(shí)別效果。

4　結(jié)束語(yǔ)

針對(duì)現(xiàn)階段基于圖像檢測(cè)的板形識(shí)別在缺陷的檢出率普遍較低以及檢測(cè)速度慢等問(wèn)題，文中提出了一種基于計(jì)算機(jī)圖像處理的板形識(shí)別系統(tǒng)，其通過(guò)直方圖均衡化與高帽變換對(duì)初始圖像進(jìn)行處理，并通過(guò)邊緣檢測(cè)算法提取輪廓，然后利用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行缺陷識(shí)別與分類(lèi)。其在實(shí)驗(yàn)及實(shí)際工業(yè)生產(chǎn)中的識(shí)別率均在約90%，且還具有良好的板形識(shí)別效果。

[1]A Zhmedr，Su Tcliffe Mpf.I dent frication of surface features on cold rolled stainless steel strip[J].Wear，2011，24（4）:60-70.

[2]吳平川，路同浚，王炎.機(jī)器視覺(jué)與鋼板表面缺陷的無(wú)損檢測(cè)[J].無(wú)損檢測(cè)，2000，22（1）:13-16.

[3]何炳林，龍建軍，司振軍，等.熱軋帶鋼板形質(zhì)量可視化研究[J].機(jī)床與液壓，2004（10）:62-65.

[4]徐科，徐金梧.基于圖象處理的冷軋帶鋼表面缺陷在線檢測(cè)技術(shù)[J].鋼鐵，2002，37（12）:61-64.

[5]楊昊.CUDA下局部閾值和二值函數(shù)的邊緣檢測(cè)[J].電子科技，2014，27（3）:52-54.

[6]徐科，徐金梧，梁治國(guó)，等.冷軋帶鋼表面質(zhì)量自動(dòng)檢測(cè)系統(tǒng)的在線應(yīng)用研究[J].冶金自動(dòng)化，2004，27（1）:51-53.

[7]Can N Y J.Finding edges and lines in images[R].USA，MIT:Artificial Intelligence Laboratory，2008.

[8]夏良正，李久賢.數(shù)字圖像處理[M].2版.南京:東南大學(xué)出版社，2006.

[9]Martin T Hagan.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].戴葵，譯.北京:機(jī)械工業(yè)出版社，2002.

Design of board shape recognition system based on computer image processing

YANG Quan-hai
（Department of Computer Science，Shaanxi Vocational and Technical College，Xi'an 710100，China）

For this stage flatness recognition based on image detection in defect detection rate is generally low and slow detection speed and other issues，this paper presents a computer-based image processing board shape recognition system，which by histogram equalization and hat transform the initial image processing，and extracts contour through the edge detection algorithm，and then use BP neural network classifier defect recognition and classification.Its experiments and actual industrial production has high recognition rate，were about 90%，with good flatness recognition effect.

computer image processing；plate-profile recognition；edge detection；BP neural network classifier

TN99

A

1674－6236（2016）21-0177-03

2016-01-13稿件編號(hào)：201601090

楊全海（1974—），男，陜西澄城人，碩士，助教。研究方向：圖形圖像。