《電子技術應用》
您所在的位置:首頁 > 測試測量 > 設計應用 > 基于機器視覺的硅鋼鋼帶表面缺陷自動檢測識別研究
基于機器視覺的硅鋼鋼帶表面缺陷自動檢測識別研究
2016年微型機與應用第21期
趙蘭鵬,,劉堂友
東華大學 信息科學與技術學院,,上海 201620
摘要: 硅鋼鋼帶是變壓器等工業(yè)設備發(fā)展的一項重要原材料,,其質(zhì)量的高低直接影響著產(chǎn)品性能的好壞,。傳統(tǒng)的人工檢測具有效率低,、精確度差等特點,。為此提出基于機器視覺的表面缺陷自動檢測研究,。該研究采用圖像處理及模式匹配的方法,,通過對由CCD工業(yè)相機采集到的圖片進行幾何矯正、圖像拼接,、缺陷處理等過程,,實現(xiàn)了硅鋼鋼帶表面缺陷輪廓檢測、特征提取,、分類等功能,,從而完成鋼帶質(zhì)量的判定。
Abstract:
Key words :

  趙蘭鵬,,劉堂友

 ?。|華大學 信息科學與技術學院,上海 201620)

       摘要:硅鋼鋼帶是變壓器等工業(yè)設備發(fā)展的一項重要原材料,,其質(zhì)量的高低直接影響著產(chǎn)品性能的好壞,。傳統(tǒng)的人工檢測具有效率低、精確度差等特點,。為此提出基于機器視覺的表面缺陷自動檢測研究,。該研究采用圖像處理及模式匹配的方法,通過對由CCD工業(yè)相機采集到的圖片進行幾何矯正,、圖像拼接,、缺陷處理等過程,實現(xiàn)了硅鋼鋼帶表面缺陷輪廓檢測,、特征提取,、分類等功能,,從而完成鋼帶質(zhì)量的判定。

  關鍵詞:機器視覺,;硅鋼鋼帶,;缺陷檢測;特征分類

0引言

  硅鋼鋼帶是變壓器等工業(yè)設備發(fā)展的一項重要原材料,,其以良好的表面質(zhì)量和機械性能在該領域得到廣泛的應用,,因此不斷增強對硅鋼鋼帶質(zhì)量的提升有著重要的意義[1]。隨著高精度的圖像傳感器件,、數(shù)字信號處理技術和計算機技術的提高,,真正實用化的質(zhì)量自動檢測系統(tǒng)得到了飛速的發(fā)展[2]。

  本文研究基于機器視覺的硅鋼鋼帶表面缺陷自動檢測識別技術,,是在初級硅鋼鋼帶進一步深加工使其成為生產(chǎn)變壓器原材料的生產(chǎn)過程中,,采用圖像處理及模式匹配的方法并依據(jù)MATLAB軟件仿真,對采集到的圖像進行相應的圖像處理,,從而達到對鋼帶缺陷的判斷,,最終完成鋼帶質(zhì)量的判定。

1系統(tǒng)設計要求

  系統(tǒng)研究是在鋼帶生產(chǎn)線傳輸速率為0~40 m/min的環(huán)境下,,使用CCD工業(yè)相機采集圖像,,采集速率最大可達16幀/s,獲取的圖像分辨率為1 392×1 040,。為了提高系統(tǒng)的處理速度,,必須考慮圖像處理和缺陷檢測算法的選取及軟件的運算方式,進而達到在有限時間內(nèi)做到對龐大圖像數(shù)據(jù)量的處理,,并保證最終的目標效果,,因此在滿足缺陷檢測準確度的條件下,有效地控制算法和軟件編程中總體方案設計的復雜度非常重要,。

圖像 001.png

2系統(tǒng)研究

  2.1系統(tǒng)流程圖

  基于機器視覺的硅鋼鋼帶缺陷自動檢測識別研究系統(tǒng)流程圖如圖1所示,。

  2.2圖像的采集

  在傳輸?shù)匿搸a(chǎn)線上方架設CCD工業(yè)相機和LED燈,并將相機與計算機連接,,接著在計算機上運行工業(yè)相機和視覺傳感器軟件,進而控制相機對鋼帶進行拍攝,,并將拍攝的圖像傳輸給計算機,。

  2.3圖像的幾何校正

  在圖像采集過程中,由于相機會發(fā)生輕微的傾斜使得采集到的圖像發(fā)生幾何畸變,,因此首先需要對圖像進行幾何校正,。幾何校正主要包括兩個內(nèi)容:像素坐標校正和像素灰度估算[3]。

  (1)像素坐標校正采用具有一般形式的投影變換來進行幾何畸變校正,。投影變換是利用原圖像找出若干個控制點,,同時找出失真圖像與之相對應的控制點的坐標,,利用這些對應的坐標可以確定空間變換結構,最后利用這個空間變換結構對失真圖像中每個像素進行變換,,得到校正后的圖像坐標,。

  (2)數(shù)字圖像像素的坐標都是整數(shù),而經(jīng)過計算后得到的坐標不一定是整數(shù),,這就需要對經(jīng)過計算得到的像素點進行像素灰度估算,。這里采用雙線性內(nèi)插法對灰度進行估計。雙線性內(nèi)插法是根據(jù)某點坐標周圍4個像素點灰度在兩個方向上對其灰度進行內(nèi)插,。最后再去除圖像邊緣與鋼帶不相關部分得到校正后的圖像,。

  圖2~圖5為失真圖像和校正后的圖像。

  

圖像 002.png

圖像 003.png

圖像 004.png

圖像 005.png

  2.4圖像拼接

  為了保證對圖像邊緣處的缺陷做到完整檢測,,需要進行圖像拼接,。這里根據(jù)相機拍攝頻率和鋼帶傳輸速度,設置有效的拼接參數(shù),,進行簡單的位置計算,,使得左右兩張相鄰圖像共同區(qū)域重疊在一起,得到有效的拼接,;然后利用圖像融合技術使得兩張圖像重疊區(qū)域平滑過渡,,濾除明顯分界線[4],如圖6所示,。

圖像 006.png

  2.5圖像去噪

  由于受生產(chǎn)環(huán)境,、光照等因素的影響,采集到的圖像會受到噪聲污染,,造成圖像降質(zhì),,因此需要對圖像進行去噪處理。

  中值濾波在平滑脈沖噪聲方面非常有效,,同時它可以保護圖像尖銳的邊緣,,不會使圖像產(chǎn)生明顯的模糊[5];另外將帶噪聲圖像進行小波變換處理,,利用小波去噪所具有的多分辨率和去相關性的特點,,經(jīng)過去除噪聲的小波系數(shù),再做小波逆變換重構圖像,,最后得到去噪圖像[6],。經(jīng)過對比發(fā)現(xiàn),采用基于中值濾波與小波變換相結合的圖像去噪進行處理,,在去除噪聲的同時保護了圖像邊緣輪廓,,去噪后的圖像如圖7所示。

圖像 007.png

  2.6圖像增強

  為了使鋼帶上的缺陷更加清晰,,在圖像去噪完成后,,對圖像進行增強處理,。經(jīng)過對比,最終采取拉普拉斯銳化方法,。圖8為增強后的圖像,。

圖像 008.png

  2.7缺陷輪廓提取

  在得到增強的圖像之后需要對其進行缺陷輪廓提取,進而可以得到直觀的缺陷邊緣信息,。這里采取Canny邊緣檢測算子對缺陷圖像進行輪廓提取,。因為該算子采用高斯函數(shù)進行濾波,具有很強的抗噪性,、好的信噪比和定位性能等優(yōu)點,,能夠對輪廓進行精確提取[7],,結果如圖9所示,。接著對輪廓進行圖像膨脹和填充處理[8],進而得到清晰的缺陷圖,,如圖10所示,。

圖像 009.png

圖像 010.png

  2.8缺陷特征提取

  缺陷特征提取是計算缺陷的特征值,為缺陷分類做準備,。對于人的視覺系統(tǒng)而言,,物體的形狀是可以得到識別的重要特征,也是物體穩(wěn)定的特征 [9],,因此本研究主要采用形狀特征分類,。

  圖像中的像素點坐標用(x,y)來表示;像素灰度值用f(x,y)表示,,其取值為0或者1,。設R為所有像素點的集合,R′為缺陷區(qū)域中像素點的集合,。對于缺陷描述常用的形狀特征描述如下:

 ?。?)缺陷的周長,即缺陷的邊界長度,,這里的周長用鏈碼表示,,求周長也即計算鏈碼長度。當鏈碼值為偶數(shù)時,,其長度記作1,;當鏈碼值為奇數(shù)時,其長度記作2,。周長為:

  QQ圖片20161207150341.png

  式中: Nε和Nθ分別為邊界鏈碼(8方向)中移動偶步與奇步的數(shù)目。

 ?。?)缺陷的面積,,即缺陷區(qū)域中像素點的個數(shù),,表達如式(2):

  QQ圖片20161207150345.png

  (3)區(qū)域的圓形度,,即區(qū)域接近圓形的程度:

  QQ圖片20161207150348.png

 ?。?)區(qū)域的矩形度,即區(qū)域面積與其最小的外接矩形面積比值,,反映了一塊區(qū)域對其包圍矩形的充滿程度:

  QQ圖片20161207150351.png

  Sbox是包圍矩形的面積,,矩形度不超過1。

  通過以上特征提取方程的計算,,最終得到上面圖像的L=1.435 7e+04,,S=209 787,C=0.012 8,,R=0.570 1,根據(jù)廠商所給的質(zhì)量評定標準可以判定此缺陷為面積性缺陷,。

  2.9缺陷的分類

  在圖像處理完成后,根據(jù)廠商提供的硅鋼鋼帶質(zhì)量要求,,對硅鋼鋼帶進行質(zhì)量的評估,,最終根據(jù)鋼帶不同的質(zhì)量進行不同的分類,以適應不同的市場需求,。

3結論

  本文介紹了一種自動圖像缺陷檢測系統(tǒng),,它運用圖像處理技術,對所采集到的圖像進行了一系列處理,,進而得到清晰的缺陷圖像,;然后根據(jù)缺陷的形狀特征進行了分類,最終根據(jù)廠商對鋼帶質(zhì)量評定標準進行了準確的評估,,完成硅鋼鋼帶質(zhì)量的檢測,。

  參考文獻

  [1] MIKOLAJCZYK K,, SCHMID C.A performance evaluation of local descriptors[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(10):1615 1630.

 ?。?] WU G,XU K, XU J.Application of a new feature extraction and optimization method to surface defect recognition of cold rolled strips[J].Journal of University of science and Technology Beijing, 2007, 14(5):437 442.

  [3] 戴劍鋒.攝像頭徑向畸變自動校正系統(tǒng)[D].廣州:華南理工大學,,2010.

 ?。?] 邵向鑫.數(shù)字圖像拼接核心算法研究[D].長春:吉林大學,2010.

 ?。?] 唐世偉,,林君.小波變換與中值濾波相結合圖像去噪方法[J].哈爾濱工業(yè)大學學報,2008,,40(8):1334 1336.

 ?。?] 歐陽誠梓,李勇,,郭振鐸,,等.基于小波變換與中值濾波相結合的圖像去噪處理[J].中原工學院學報,,2006,17(2):22-25.

 ?。?] 周超.邊緣檢測Canny算子的研究與改進[D].重慶:重慶師范大學,,2012.

  [8] 晏暉,,姜鵬,,陳貝.基于MATLAB工具箱的數(shù)字圖像處理技術[J].微計算機信息,2010,,26(26):214 216.

 ?。?] 張康,鐘平.汽車涂裝表面瑕疵快速檢測方法研究[D].上海:東華大學,,2014.


此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權禁止轉載。