摘要：目前机器视觉检测技术因其非接触性、灵敏度高和响应快等优点被广泛应用于各行各业。冷轧极薄带钢是冶金企业的主要产品，是应用于汽车外壳、国防、建筑结构和各种电子器件的主要原料。为追求高成品率、合格率、优质率的冷轧极薄带钢，对其表面缺陷正确检测与分类已成为当今研究热点。因此文章以冷轧极薄带钢为研究对象，重点就机器视觉方法在其表面缺陷检测中的应用进行探讨。
关键词：机器视觉方法；冷轧极薄带钢；表面缺陷；检测
冷轧极薄带钢在工业领域是极其重要的原材料，近年来，冷轧带钢生产技术的发展主要有以下几个方面：①提高机组和轧机的速度。目前最高轧制速度已超过了40m/s；②提高产品厚度精度；③改善板形；④提高自动化程度。目前对于冷轧带钢的缺陷检测主要采用人工和传统检测算法，针对不同缺陷特征采用相应的仪器设备，例如孔洞型缺陷采用孔洞仪设备，划痕采用超声波探伤仪检测，涂污类缺陷利用肉眼检测，这些检测方法只适合在速度要求不高的场合，而极薄带钢轧制速度很快，就要求检测方法相应地要适应高速状态。普通带钢的视觉检测现下主要是针对几种缺陷进行检测，而像冷轧极薄带钢特有缺陷（塔形、色差）等没有相应的检测方法，这就有必要对极薄带钢的缺陷进行研究。
一、机器视觉概述
机器视觉即将机器用于检测与识别工作，根据图像的灰度、形状、纹理等信息提取其特征信号，并将其转化为数字信号输入识别系统，最后根据识别结果指导实际生产线上的工作。其灵活性较高，且自动化地实现各功能，适用于在一些危险环境中或要求高速运转的工业领域。目前利用人工识别经常会出现漏检、误检的情况，采用机器视觉的方法能明显提高检测的精度。机器视觉主要用于检测和机器人视觉两个方面：其中检测包含确定目标位置、尺寸，产品的外观检测等；后者用于指引机器人操作与行动。计算机、神经网络智能发展也推动着机器视觉系统实用化，使得自动化检测线高效、快速完成质量检测任务，提高企业产品信誉度。将机器视觉检测与本文研究对象结合起来构成冷轧极薄带钢表面缺陷检测、定位、判别系统，从而实时监控带钢质量，完整地保存测试图片与数据，减少贸易纠纷，维护企业形象。
二、冷轧极薄带钢的缺陷特征分析
根据冷轧极薄带钢生产环境、设备、来料材质等的不同，表面缺陷产生的类型、严重程度不同，后期影响也不一样，本文挑选出几种常见缺陷进行分析，另外像氧化铁皮、划痕、折叠、锈迹、乳化液斑等缺陷也会出现，是影响性能或外观的缺陷。①夹杂缺陷特征：呈小斑点、大块斑痕和条状等形式，无规律分布，可能存在粗糙的麻点，属明域缺陷。②孔洞缺陷特征：表面呈现规律性孔洞，属明域缺陷。③塔形缺陷特征：带钢两边呈船状形态，有手感、肉眼可见，属暗域缺陷。④丝状斑迹缺陷特征：沿着轧制方向，表现形态为白色线状，宽度较窄，长短不一，各对象间无显著角度关系，大多数在宽度、长度的部分地方产生，属暗域缺陷。⑤边浪缺陷特征：两边存在不均匀波浪，沿长度方向连续分布，有手感，属暗域缺陷。
三、基于机器视觉的冷轧极薄带钢缺陷检测研究
（一）检测原理
机器视觉检测系统利用摄像机采集冷轧极薄带钢表面缺陷，通过摄像机和光源的安装位置及角度，分别形成明暗域场采集各种不同类型缺陷，本文在生产现场采集缺陷样本图片，包含有乳化液斑、孔洞、夹杂、小黑点、色差、丝状斑迹、划痕、边浪、塔形和点伤缺陷。获取的缺陷图像数据量高达几百兆，这无疑加大了后期工作量，并且对处理器要求特别高，同时限制了生产线速度，不符合实际，为了解决这两个问题，本文在摄像机获取两张图片时间内利用梯度算法快速判断有无疑似缺陷，如果存在，则保存，如果没有则放弃该图片。在实际生产线上，绝大多数带钢表面是没有缺陷的，因此该方法能高效检测缺陷，同时减轻工作量。
期刊文章分类查询,尽在期刊图书馆目前由于设备、技术限制，本文采用软件实现快速判断功能，同时为保证检测速度，快速判断阶段不进行预处理操作。
冷轧极薄带钢由滚筒卷取，在滚筒上安装有旋转编码器，通过发一定的脉冲数后触发摄像机采集照片，同时记录下缺陷所在位置，并将信号传输给打标机械手，在相应位置打上记号，便于离线时工人查找定位。实时处理图像并保存缺陷图像至缓冲区域后，计算机获取缺陷图像，进行准时处理，预处理缺陷图像，去除噪声、增强对比度等。然后进行缺陷分割，提取出感兴趣区域，聚类合并零散缺陷，保证获得准确的缺陷数量，提取缺陷特征，输入本文采用的组合分类器中进行识别分类，利用 GUI 界面输出显示，报警指导现场生产。
（二）冷轧极薄带钢表面缺陷图像预处理及分割
1.缺陷图像预处理
采集卡获取的冷轧极薄带钢缺陷图像在复杂环境的工业现场，往往会因为传输、外界光照、设备内部干扰等影响图片质量，使得获取的缺陷原始图像不能直接被用来进行分割及识别，需要通过一定的处理算法将干扰尽可能地消除，使其不会影响最后的分割、识别判断结果。图像预处理主要分为去噪、图像增强两个步骤。去噪是将一些噪声干扰因素去除，使得图像表面主要为缺陷和完整部分带钢表面，而图像增强是将缺陷和完整带钢部分的对比度加大，使得灰度值接近的两个部分能够区分开来，突出缺陷感兴趣区域。本课题缺陷种类较多，不仅有明域缺陷还存在暗域缺陷，在以下图像各算法流程展示中均以明域缺陷为例，因其在直观视觉中不仅能看到完整部分灰度纹理还能看到缺陷目标，这在各算法对比分析中较清晰明了，能展示所选择方法的优缺点。
2.缺陷图像分割
冷轧极薄带钢在线缺陷检测的主要任务是能够实时地将缺陷完整分割出来，且将缺陷在带钢上的位置准确标记出来。分割是将图像划分成几个小的子区域，区域的多少由实际情况决定，当目标区域被提取检测出来即停止分割。多数分割算法皆是依据灰度值的两大特性：不连续性和相似性。不连续性即是根据对象边界灰度突变为参考，划分图像为多个小区域。本文为了实现实际生产线上各种冷轧极薄带钢缺陷的分割，降低算法的时间、空间复杂性，在对缺陷图进行简单预处理的基础上，将二维 Otsu 分割算法进行改进，使其满足冷轧极薄带钢缺陷分割的准确性、快速性和可靠性等要求。最后与二维 Otsu分割算法、目前较为流行的加入群智能的阈值分割算法进行分割对比分析，并结合生产实际，获取大量的冷轧极薄带钢样本图片进行研究。
3.表面缺陷分割图像聚类、标记
表面缺陷进行分割处理后得到的二值图像中可能会存在多个缺陷目标杂乱地存在于图像中，为便于后期各缺陷目标进行识别分类，需对缺陷区域进行识别定位，并将相同缺陷的零散区域进行聚类标记，即将分割后的二值图像中的同一缺陷连通区域赋予相同的记号，不一样的记号代表着不一样的位置缺陷。待标记完成后将各个标记区域进行裁剪分割并保存，其提高了后期特征提取的准确性。在本实验研究中，分析冷轧极薄带钢表面缺陷分割样本图片，明域缺陷图像出现这种现象的概率较高，尤其是乳化液斑缺陷和夹杂缺陷，因此有必要对明域缺陷进行聚类；相较于明域缺陷，暗域情况下采集到的图像中缺陷部分很清晰，极少出现缺陷杂乱分布的现象，为节省计算时间，在处理暗域缺陷时不进行该步骤，只进行标记区域操作。
总之，文章主要研究冷轧极薄带钢表面缺陷。为解决目前带钢缺陷检测速度慢、采集时遗漏缺陷问题，搭建了明暗域结合的实验平台，滚筒速度能达约4m/s。此外采用梯度算法快速判断有无缺陷，正确判断率高达99%，该方法减轻了工作量，满足检测工作的高效性要求。
参考文献
[1]陈平.基于机器视觉的带钢表面缺陷检测算法研究[D].西安理工大学,2010
[2]高雪梅.基于机器视觉的带钢表面缺陷检测系统研究[D].河北大学,2011．
论文作者:董冠求,徐宁,陆元捷
论文发表刊物:《基层建设》2016年第33期
论文发表时间:2017/3/7
标签：缺陷论文; 带钢论文; 图像论文; 表面论文; 视觉论文; 机器论文; 算法论文; 《基层建设》2016年第33期论文;