郭嘉宇，張世鋼，楊旭杰

（江蘇大學(xué) 機械工程學(xué)院，江蘇 鎮(zhèn)江 212013）

0 引 言

在國民實際生活和工業(yè)生產(chǎn)中，鋼帶的應(yīng)用領(lǐng)域不斷擴大，鋼帶使用范圍也越來越廣，特別是在航天航空、汽車制造、半導(dǎo)體工業(yè)、生物醫(yī)療、精密加工、新材料制造等行業(yè)，對鋼帶表面的質(zhì)量檢測格外嚴(yán)格，鋼帶表面缺陷越來越受到關(guān)注。只有對鋼帶表面缺陷的特征、不良影響以及產(chǎn)生原因有了正確的認(rèn)識，才能合理控制產(chǎn)品質(zhì)量，采取有效的控制措施，實施質(zhì)量攻關(guān)，以達(dá)到改善產(chǎn)品質(zhì)量的目的，最終滿足用戶的使用要求。

鋼帶表面的缺陷會降低產(chǎn)品的質(zhì)量、影響產(chǎn)品的機械性能，也影響其外觀。缺陷類型中的線缺陷往往以線條形式在鋼帶表面出現(xiàn)，劃痕屬于縱向線缺陷，是指在工件被加工表面上隨機分布的長短不一的線狀缺損，是工件在加工過程中由于磨粒壓入工件過深產(chǎn)生的表面缺陷。這些缺陷的出現(xiàn)不僅會損害產(chǎn)品的性能，影響產(chǎn)品的商業(yè)用途，而且甚至?xí)Ξa(chǎn)品的表觀質(zhì)量造成后續(xù)正常使用的安全隱患。

目前國內(nèi)的鋼材鋼帶加工制造企業(yè)主要通過人工檢測和手工接觸判斷的方法進行鋼帶表面劃痕及缺陷的檢測，這種方法速度慢，效率低，并且容易漏檢。因為普通相機無法拍攝到表面微觀劃痕，所以需要通過精密微觀缺陷檢測技術(shù)，實現(xiàn)對鋼帶表面缺陷的監(jiān)測，加強軋制工藝管理，剔除廢品、減少原材料浪費、提高成材率。故基于機器視覺的鋼帶表面劃痕測量方法是研究的內(nèi)容。

1 國內(nèi)外研究現(xiàn)狀

當(dāng)前，圖像識別和處理技術(shù)已成為機器視覺應(yīng)用中進行物體表面缺陷識別和檢測的研究熱點。呂宏峰等針對因為復(fù)雜的光照條件給電子元器件的表面缺陷檢測問題帶來巨大的挑戰(zhàn)，提出了一種Canny—區(qū)域分裂合并算法。明五一等以透明件表面缺陷為研究對象，探討機器視覺檢測透明件技術(shù)發(fā)展近狀及現(xiàn)存問題，對未來可能發(fā)展趨勢進行預(yù)測。鄭彬等，為了解決傳統(tǒng)型材表面缺陷檢測存在測量精度低、穩(wěn)定性差和費時等問題，提出了型材表面缺陷圖像處理方法。王思琪等檢測MEMS微構(gòu)件表面缺陷，對顯微機器視覺檢測關(guān)鍵技術(shù)進行了探析。彭雨等為提高對細(xì)長產(chǎn)品表面缺陷的檢測效率，運用機器視覺技術(shù)對細(xì)長產(chǎn)品外部輪廓尺寸及表面缺陷狀況進行檢測。運用機器視覺技術(shù)，分析圖像傳輸過程中噪聲產(chǎn)生原因及降噪方法；采用Canny算法和SimpleBlobDectorte特征點檢測方法，提取零件輪廓和色斑輪廓，采用系統(tǒng)法對表面缺陷檢測設(shè)備進行整體分析。

通過對國內(nèi)外研究現(xiàn)狀分析，發(fā)現(xiàn)機器視覺廣泛地應(yīng)用于表面類缺陷識別檢測的各個領(lǐng)域。缺陷檢測對于提升各類工業(yè)產(chǎn)品的表面平整度，提高產(chǎn)品生產(chǎn)效率，降低質(zhì)量成本，穩(wěn)定產(chǎn)品質(zhì)量，降低維護損耗，避免人為目視檢測的疏失等方面有重要意義。以鋼帶表面劃痕為研究對象，提出了基于機器視覺的鋼帶表面劃痕的圖像處理方法，使用圖像處理軟件Halcon，對鋼帶表面的劃痕進行識別、檢測和提取處理，使其應(yīng)用于工業(yè)實際生產(chǎn)中，提高表面劃痕檢測能力和生產(chǎn)效率。

2 鋼帶表面劃痕檢測原理分析

2.1 表面劃痕檢測系統(tǒng)

選擇硬件系統(tǒng)組成基本的檢測系統(tǒng)，搭建由計算機、高分辨率CCD工業(yè)相機、光學(xué)顯微鏡頭和LED光源等組成的機器視覺測量系統(tǒng)。表面劃痕檢測系統(tǒng)設(shè)計如圖1所示。

圖1 表面劃痕檢測系統(tǒng)設(shè)計

2.2 鋼帶圖像處理

經(jīng)過圖像的采集部分后，應(yīng)用Halcon軟件對其進行處理。Halcon的底層功能算法比OpenCV多，運算性能快。而Halcon提供的算法要比VisionPro多，更靈活。因此采用Halcon進行圖像處理。

2.3 圖像算法設(shè)計及圖像提取

2.3.1 圖像預(yù)處理

如圖2所示，對工業(yè)相機獲取到的鋼帶圖像進行灰度處理，降低噪聲，抑制無用特征。借助灰度圖像，畫出其原始圖像的灰度直方圖，如圖3所示。從圖中可以看出劃痕部分和周圍正常部分相比要暗，也就是劃痕部分的灰度值偏小，相較于鋼帶表面的其他光滑部分，細(xì)小的劃痕不易識別，給檢測帶來了難度。灰度直方圖中有兩個峰值較為明顯，兩峰值分別為劃痕灰度值和背景灰度值。將灰度直方圖均衡化后獲得灰度值均勻分布的直方圖，如圖4所示。

圖2 原始圖像

圖3 灰度直方圖

圖4 灰度值均衡化后的直方圖

采用均值濾波，測量灰度值的平均值，具有很好的平滑降噪效果，且運算速度較高斯濾波、中值濾波快。設(shè)待去噪圖像（，）大小為×，經(jīng)均值濾波后用下式（1）表示降噪：

式（1）中：，=0，1，2，…，-1；是像素點（，）鄰域內(nèi)所有像素點的集合；是點集中的總點數(shù)。

2.3.2 圖像分割與劃痕定位

通過圖像分割，產(chǎn)生一個個感興趣區(qū)域（Region of Intereset, ROI）。將分立的感興趣區(qū)域精確地分割，使這些感興趣區(qū)域能夠在后續(xù)的操作中達(dá)到所需目標(biāo)。機器視覺中采用的常規(guī)分割方法為閾值分割，即將圖像ROI內(nèi)灰度值處于某一指定范圍內(nèi)的所有點選到一個輸出區(qū)域內(nèi)，而動態(tài)閾值分割處理能夠?qū)D像所在的局部背景和圖像形成對比，在使用環(huán)形LED的前提下，照明前后劃痕和背景的灰度值發(fā)生變化。由上圖3和4可知，被分割的劃痕和背景之間存在非常明顯的灰度差。在此基礎(chǔ)上，動態(tài)閾值分割可以用來檢測鋼帶表面上的缺陷，消除干擾，可以很容易地區(qū)分開劃痕和背景。

式（2）中圖像g代表理想、沒有缺陷物體的圖像，稱為參考圖像。為檢測出和理想物體間的偏差，只需要找出圖像f中太亮或太暗的像素即可。

在鋼材的表面缺陷檢測中應(yīng)用均值濾波和動態(tài)閾值分割方法檢測材料表面的大缺陷特征，如劃傷。應(yīng)用高斯濾波和全局閾值分割檢測材料表面的小缺陷特征，再將提取出的缺陷經(jīng)形態(tài)學(xué)分析后組合在一起構(gòu)成完整的缺陷區(qū)域。均值濾波處理后的圖像如圖5所示，動態(tài)閾值分割如圖6所示。

圖5 均值濾波后的圖像

圖6 動態(tài)閾值分割后的圖像

2.3.3 提取圖像聯(lián)通區(qū)域

為了將所獲得的分立的ROI中的目標(biāo)檢測劃痕不至于因閾值分割而割裂開，應(yīng)用圖像聯(lián)通區(qū)域提取把一些相互聯(lián)通的像素集合成為一個區(qū)域，計算出分割后得到的區(qū)域中包含的全部連通區(qū)域。在此使用4鄰域，將同一道劃痕放置入一個區(qū)域內(nèi)，在一個矩形像素網(wǎng)絡(luò)里，一個像素的上側(cè)、下側(cè)、左邊和右邊都分別有一個像素，它用來描述前景，即物體。連通區(qū)域提取后的圖像如圖7所示。

圖7 連通區(qū)域提取后的圖像

2.3.4 劃痕特征提取與形態(tài)學(xué)操作

因為劃痕呈狹長帶狀，形狀細(xì)長，具有明顯的方向性，長度、粗細(xì)變化明顯。因此在保留ROI，去除上述操作中不需要的部分時需要確定物體的類型、特征量。根據(jù)劃痕的相關(guān)特點，特征提取操作中使用基于面積的區(qū)域特征提取，提取感興趣的區(qū)域中的劃痕，剔除不感興趣的區(qū)域面積較設(shè)定值小的缺陷。

式（3）中，為區(qū)域的面積即區(qū)域內(nèi)的點數(shù)||。其中第一個公式用來計算二值圖像表示的區(qū)域面積，第二個公式則適用于用行程編碼表示的區(qū)域面積。

通過區(qū)域形態(tài)學(xué)合并經(jīng)過特征提取的劃痕，使用原理為式（4）中針對兩個區(qū)域和的并集，把兩區(qū)域里的劃痕合成。在對鋼帶表面劃痕等類似的大缺陷特征進行形態(tài)學(xué)處理時，使用閉操作。圓形模板進行閉運算時先進行膨脹，再進行腐蝕。膨脹使區(qū)域增大，腐蝕使面積縮小。應(yīng)用閉操作，合并相互分離的物體，可以填充孔洞、消除缺口，形成平滑區(qū)域的邊界，閉合所有的劃痕區(qū)域。閉操作對應(yīng)公式如式（5），閉操作圖像如圖8所示。

圖8 應(yīng)用閉操作后的圖像

由圖8可知，盡管閉操作已經(jīng)對要識別檢測劃痕的提取進行了很好的處理，它可以有效地提高所需圖像的精準(zhǔn)度。但圖8中仍存在少部分需要被剔除的較小缺陷，所以需要進行下一步的操作來剔除明顯不屬于劃痕的表面缺陷。完成上述步驟后，再次提取聯(lián)通區(qū)域，進行特征提取，通過合理設(shè)置閾值，最終得到鋼帶表面劃痕檢測后的圖像，檢測結(jié)果圖像如圖9所示。

圖9 表面劃痕檢測結(jié)果圖像

將圖9和圖2的原始圖像進行對比，發(fā)現(xiàn)經(jīng)過圖像的一系列處理后所獲得的結(jié)果和實際肉眼觀察得到的鋼帶表面劃痕的大小和位置分布基本符合。劃痕檢測的結(jié)果達(dá)到了開始設(shè)定的劃痕檢測提取目標(biāo)，提高了鋼帶表面劃痕識別檢測和提取的準(zhǔn)確度和效率。但如果同一幅圖像中出現(xiàn)了多條形狀不規(guī)則、寬度不一、深度變化的劃痕，分析情況較為復(fù)雜時，對應(yīng)的檢測精度會相應(yīng)地下降，需要對識別提取的算法進一步針對性地優(yōu)化。

3 結(jié) 論

根據(jù)基于機器視覺的鋼帶表面劃痕測量的實際需要，搭建了合適的檢測平臺，并選擇Halcon圖像處理軟件，合理運用圖像預(yù)處理、圖像閾值分割、提取聯(lián)通區(qū)域、特征提取和形態(tài)學(xué)等圖像處理方法，對鋼帶表面劃痕的識別測量處理進行完善。在研究的基礎(chǔ)上，經(jīng)過更多的試驗對比，發(fā)現(xiàn)機器視覺可減小外界環(huán)境對檢測的影響，提升檢測識別的效率，消除人為因素造成的誤差，可以將鋼帶表面劃痕測量的精度和準(zhǔn)確度再次提升，使之滿足實際工程的需要，促進提升鋼帶合格生產(chǎn)的自動化效率。研究自動檢測提取技術(shù)，將推進信息化與工業(yè)化深度融合，加快推動新一代信息技術(shù)與制造技術(shù)融合發(fā)展，推進生產(chǎn)過程智能化，全面提升研發(fā)、生產(chǎn)、管理和服務(wù)的智能化水平。