基于表面缺陷檢測的金屬圖像識別

張立新

摘要：質量控制是金屬行業的一個重要問題，同時保持生產速度也是金屬制造中的主要問題。金屬物體的質量取決于其質地，形狀等。在裸眼生產的早期階段難以檢測到諸如針孔，劃痕等原始金屬平面上的各種缺陷，為了提升分析所需的時間和準確性因人而異。文章提出了使用增強型Gabor濾波器的自動缺陷檢測和分類技術，以便可以確保制造過程中的金屬質量以及生產率，該方法有助于檢測人員在很短的時間內獲得有關缺陷圖像的信息，從而使缺陷金屬不會與合格金屬混合。

關鍵詞：質量控制;自動缺陷監測;Gabor濾波器;分類

中圖分類號：TP393;TQ050.4+1

文獻標識碼：A

文章編號：1001-5922（2019）08-0121-03

計算機圖像識別技術的快速發展，推進以圖像檢測為手段的不同應用的出現，如產品表面缺陷檢測等。當前，制造業的自動化水平的發展，促使生產過程中缺陷檢測的自動化水平的推進，改變由于手動檢查過程造成的結果不準確、勞動密集且繁瑣的現狀。因此利用現代技術實現自動化缺陷檢測及分類是金屬生產廠家提升生產效率的有效手段[1-3]。

常見的機器故障是由于過時、表面劣化和事故三個原因而發生問題，在這三個原因中，表面劣化是由于腐蝕和機械磨損造成的。機械磨損是由磨損，疲勞和負荷力引起的。其中表面劣化是導致大多數機器故障的主要因素，因此，在生產的早期階段自動實現和分類表面缺陷是很重要的。通常從現有的缺陷檢測工作中發現金屬中的以下缺陷，這些類型的缺陷，如表1所示[4]。

文章提出一種有效的缺陷檢測和分類技術，該技術能夠在較短時間內高效發現圖像缺陷，并在金屬檢測過程中進行實際應用。

1 Gabor濾波器實現金屬識別

1.1 Gabor濾波器原理

Cabor濾波器由諧波函數定義，即由高斯分布調制的正弦函數。Gabor濾波器與傅立葉濾波器有一些相似之處，但僅限于某些頻帶，在Cabor變換的幫助下，可以在處理完信號之后將信號轉換為時頻域，并且通過處理信號的逆Gabor變換，從而得到所需的結果信號，Gabor變換也稱為短時傅里葉變換（STFT）[5]。

Cabor濾波器還可以將圖像分解成對應于不同比例和方向的分量。在空間域中，Cabor函數是復指數，由高斯函數調制，其在二維（2D）平面中的脈沖響應具有以下一般形式：

1.2 檢測方法

文章提出的缺陷檢測和分類算法的流程，如圖2所示。首先收集從生產過程中獲得的金屬板圖像，Gabor濾波器組由參考和測試圖像創建，在通過比較測試圖像和統計值（即參考圖像的平均值和標準偏差）來提取特征差異之后。然后通過數據融合獲得獨特的圖像，進行閾值處理以評估是否存在缺陷，如果存在缺陷，則進行邊界框計算以對缺陷進行分類。

文中1.2檢測方法提出了一種金屬板的缺陷檢測和分類技術，以便可以在減少計算時間的情況下實現更高的缺陷檢測率。所提出的算法的操作序列如下：用于多通道濾波的Gabor濾波器組創建所提出的算法在具有劃痕或斑點或兩者的缺陷的金屬的各種圖像上進行實驗。Cabor濾波器由各種參數組成，例如波長、帶寬、方向、相位偏移和縱橫比等。為了過濾目的，必須決定Cabor濾波器的比例和方向，根據圖像的比例、波長和帶寬影響濾波器響應。過濾器的響應也受到金屬部件取向的影響。因此，我們考慮比例，S=3和方向，L=6并獲得18個不對稱Gabor濾波器，然后使用這18個Cabor濾波器過濾每個采集的圖像。

2 數據融合與閾值處理

2.1 數據融合

在該步驟中，組合來自上述方法中獲得的差異圖像的像素，步驟如下：1）添加具有相同比例和不同取向的圖像像素，從而產生三個圖像;2）取相鄰方向的合成像素的平均值，得到兩個圖像。然后計算這兩個圖像的平均值以獲得唯一圖像H=（x，y）。在該圖像之后，通過重復上述兩個步驟獲得具有相同取向的H'=（x，y）。并將圖像H=（x，y）和h'=（x，y）組合以獲得單個唯一圖像。

如圖3 （a）是通過首先添加具有相同尺度的圖像的像素而獲得的圖像，而3 （b）表示通過首先添加具有相同取向的圖像的像素而獲得的圖像。

2.2 閾值處理

通過閾值處理來完成圖像的分割，融合圖像具有低能量點和高能量點，其中缺陷部分由高能量點表示。因此，為了抑制不屬于缺陷的這些低能量點，對圖像進行閾值處理，這產生二進制圖像，其中白色像素表示金屬板中的缺陷部分。

如圖4表示閾值化后獲得的圖像，通過分析該閾值圖像來確定是否存在缺陷。

3 缺陷分類與結果分析

3.1 缺陷分類

在第一步驟中，從閾值圖像中丟棄低于極限值的白色像素的數量，之后檢查組件連接。然后通過考慮行和列來計算所有連接對象的邊界框，評估邊界框的百分比密度，并通過考慮密度是否大于或小于閾值限制來做出決定，如果密度≥T，缺陷是斑點，如圖4中，有三個斑點，并且檢測到兩個劃痕。

3.2 結果分析

顯示點檢測的準確度大于金屬中的劃痕檢測，如圖5所示該方法成功地檢測出不同尺寸，分辨率和方向的缺陷，因此證明是穩健的。

4 結語

利用圖像檢測技術實現金屬產品缺陷檢測是工業生產過程中的重要手段，上述文中提出了一種檢測斑點和劃痕金屬缺陷的無監督缺陷檢測方法，并通過實驗證明該方法對斑點缺陷檢測的準確性大于劃痕缺陷。該算法具有在各種類型的圖像中使用的能力，通過使用所提出的方法，提高了檢測速度并保持了準確性。

參考文獻

[1]王妲，卜燕，張華，等，基于分形維數的磁痕圖像缺陷檢測[J].計算機應用研究，2015，32（02）：603-605+612.

[2]王健榮，王妲，基于空頻域的金屬缺陷特征提取算法[J].輕工科技，2017，33（01）：67-68+123.

[3]蔣文波，羅秋容，張曉華，基于數字圖像的混凝土道路裂縫檢測方法綜述[J].西華大學學報（自然科學版），2018，37（01）：75-84.

[4]李志鋒冷軋鍍鋅線帶鋼表面質量檢測系統開發與應用[A].中國金屬學會涕十一屆中國鋼鐵年會論文集——S16.分析檢測[C].北京：中國金屬學會，2017：4.

[5]常青，圖像識別在工件缺陷檢測中的應用研究[D].大連：大連理工大學，2017.