基于機器視覺技術的表面缺陷在線檢測系統設計

吳曉君 ，唐 婷 ，張 林 ，蔡君義

（1.西安建筑科技大學 機電工程學院，西安 710055；2.西安啟源機電裝備股份有限公司，西安 710018）

輥彎成型（roll forming，又稱冷彎成型）是指通過順序配置的多道次成型軋輥，把卷材、帶材等金屬板帶不斷地進行橫向彎曲，以制成特定斷面的型材[1]。隨著工業化水平的不斷發展，對鋼材表面質量的要求也越來越高，如何快速準確地檢測出表面缺陷成為鋼板軋制過程中非常關鍵的一個環節。傳統的表面缺陷檢測主要依賴于人工目測和抽檢，檢測結果易受檢驗人員的經驗水平等主觀因素影響，且勞動強度大，誤檢、漏檢現象嚴重。近年來，以圖像處理為基礎的機器視覺技術不斷應用于工業生產的表面缺陷檢測過程中，其較高的檢測精度、較低的檢測成本和易于自動化處理的特點受到眾多廠家的青睞。

西安某大型國有企業擁有一套國際先進的數控式散熱器輥彎成型生產線。實際生產中，由于硅鋼片平均片長為2000 mm，片寬為520 mm，板厚為1.0 mm～1.2 mm，邊部較窄，經輥彎成型加工后，極易產生邊浪。現有的人工檢測方法經常檢測不及時且漏檢率較高，導致變壓器散熱片的廢品率較高，給企業帶來巨大的經濟損失。

針對該企業的上述問題，本文設計了一套基于機器視覺技術的表面缺陷在線檢測系統。該系統已成功應用于該企業，并取得了良好的運行效果。

1 硬件系統設計

硬件系統主要組成部分包括光源、CCD相機和工控機等，如圖1所示。

圖1 機器視覺硬件系統Fig.1 Schematic diagram of hardware system for machine vision

1.1 光源的選擇

照明光源是機器視覺系統中的重要組成部分。一般來說，機器視覺系統為了避免環境自然光線或燈光對其工作狀態的影響，光源應亮度大、亮度可調、均勻性好及穩定性高，以抑制外界環境各種光對圖像質量產生較大影響而導致機器視覺系統的故障或誤判行為[2]。由于LED燈具有發光強、散熱小和壽命高等優點，本系統采用紅色LED燈作為系統的光源。

1.2 CCD相機的選擇

CCD（charge coupled device）即電荷耦合器件，是一種半導體器件，能夠把光學影像轉化為數字信號。常見的CCD攝像頭包括線陣和面陣2種方式。對于移動的物體，面陣CCD的檢測精度不高，故通常采用線陣CCD方式。

本系統采用的CCD攝像頭采用BrtVision線陣CCD數字相機，該相機無需采集卡，可直接與工控機連接，其具體參數如下：型號為BLU0708M30，有效像素為2048 pixel（對應本系統下的最高水平分辨率為3.94 pixel/mm）以及8 bit采樣精度。

1.3 照明方式

照明方式通常可以分為明場照明和暗場照明。本系統選擇暗場照明方式，將相機豎直擺放，光源以一個較大的角度為入射角，若硅鋼片無邊浪，被測硅鋼片表面顏色是均勻且較暗；若有邊浪，圖像則呈現交替的亮帶和暗帶，有利于圖像識別階段的邊緣檢測。

2 邊緣檢測

當CCD相機將采集到的圖像傳輸到工控機后，我們需要對圖像進行邊緣檢測以提取邊緣信息供后續故障分類環節使用。

邊緣檢測作為硅鋼片特征提取的重要步驟之一，常見的邊緣檢測算法包括Roberts、Sobel、Prewitt和Canny等算法[3]，由于Canny算法具有很好的信噪比和檢測精度，在圖象處理領域得到了廣泛的應用[4]。但是，傳統的Canny算法也存在很多不足，如高斯濾波參數選擇困難、易受噪音干擾，人工確定閾值方法不夠精確等。針對這些不足，很多學者將Canny算法與小波變換、數學形態學等結合在一起，這樣雖然在一定程度上彌補了Canny算法的不足，但同時也大大提高了運算的復雜程度，不適用于在線監測[5]。本文利用Otsu法自適應確定閾值的改進Canny算法對圖像進行邊緣檢測。

2.1 傳統的Canny算法

傳統Canny算法邊緣檢測步驟如下：首先利用高斯濾波器對原圖像進行濾波去噪，其次對濾波后的圖像求梯度幅值以及梯度向量，進而對梯度圖像進行非極大值抑制操作，剔除非最大值的像素點；最后人工選擇高、低閾值并分析確定圖像的最終邊緣，其流程如圖2所示。

傳統Canny算法的缺點：①在濾波去噪環節，采用二維高斯函數對圖像進行平滑處理，是對圖像整體進行濾波，從而使圖像不含噪聲的區域也變得模糊，這是使用者所不希望的；②傳統Canny算法在檢測邊緣時，2個高低閾值完全由人為根據經驗設定，不具有自適應性，檢測效率較低，無法滿足大型圖像庫中圖像邊緣自動檢測的要求。

2.2 改進環節

2.2.1 自適應平滑濾波

為了減少和抑制噪聲對邊緣檢測的影響，本文先對圖像進行自適應平滑濾波[6]。該方法只對噪聲區域進行平滑處理，對無噪聲的區域不進行平滑處理，從而將模糊的影響降到最低。對圖像中每個像素計算其3×3鄰域R中 8個點的平均灰度ρ（R）和方差σ2（R），若像素灰度與 ρ的差值大于 1.5σ（R），則認為該像素為噪聲；以噪聲像素鄰域中灰度位于［ρ（R）-σ2（R），ρ（R）+σ2（R）］范圍內像素的加權平均灰度作為該像素的真實灰度值。對于噪聲位置具有隨機性和局部性的圖像，具有很好的效果。其效果對比如圖3所示。

圖3 不同濾波方法效果對比Fig.3 Comparison of different filtering methods

從圖3可以看出，對局部（上半部分）含有噪聲的圖像進行不同的噪聲濾波處理后得到的效果具有明顯的差異。中值濾波、高斯濾波和維納濾波等傳統濾波方法對噪聲有一定的濾波作用，但是效果不是很明顯，而且模糊了不含噪聲的部分。自適應平滑濾波相對于其他的濾波方式，濾波后效果較好，且不含噪聲的部分基本未被模糊。

2.2.2 Otsu閾值分割

眾多閾值分割算法中，1979年由Otsu[7]提出的基于類間方差最大化的分割算法一直被認為是自動選取閾值的最優方法。它將圖像分為背景與目標兩類，通過搜索計算類間方差最大值得到最優閾值。

設T為最佳高閾值對應的灰度值，k（0，1……255）為整個圖像的灰度值，wB和wO分別為圖像背景和目標圖像對應的總像素數，p（k）為灰度值為k對應的像素數，則可以得到下列公式。

背景均值：

目標均值：

圖像總均值：

圖像背景和目標兩類像素的類間方差：

在Otsu方法中，圖像最佳高閾值為

低閾值l可以通過選擇一定的比例因子來確定，設比例因子為0.4，則l=0.4h。

2.3 仿真實驗驗證

本文將傳統Canny算法進行改進，加入自適應平滑濾波，并與最大類間方差法Otsu結合，使得邊緣檢測更加準確，減少了虛假邊緣存在。仿真結果如圖4所示。

圖4 Otsu閾值分割法效果對比Fig.4 Results under different thresh

圖 4（b）～4（e）分別是人工隨機確定的高低閾值，從效果圖可以看出，高低閾值的選擇對結果有很大的影響，選擇不當，既可能出現虛假邊緣（圖4（b）、圖 4（c）、圖 4（e）），也有可能遺漏邊緣（圖 4（d））。而 Otsu 閾值分割法（圖 4（f））得到的輪廓邊緣更完整，也不含虛假邊緣，是一種理想的邊緣檢測方法。

3 缺陷分類

3.1 神經網絡簡介

人工神經網絡（artificial neural networks）是由大量處理單元廣泛互聯而形成的非線性網絡，具有很強的自適應、自組織和自學習能力，可以代替復雜的傳統算法，使信號處理過程更接近人類的思維。BP（back propagation）神經網絡，是基于誤差反向傳播算法的前饋型人工神經網絡。它結構簡單、非線性能力強，已被廣泛應用于模式識別和圖像處理中。

3.2 BP神經網絡結構設計

BP神經網絡一般由多層神經元組成：輸入層、隱含層和輸出層。其拓撲結構示意如圖5所示。

圖5 BP神經網絡結構Fig.5 Structure chart of BP neural network

輸入層設計：在圖像處理部分，本文提取了3個板形缺陷的特征參數，分別為均值、均方差和邊緣像素點數。因此，輸入層神經元數為3。

輸出層設計：缺陷分類中，依據邊浪的嚴重程度將硅鋼片的缺陷種類分為3類，分別為無邊浪、輕微邊浪和嚴重邊浪3種（根據專家打分[8]確定），因此輸出層神經元數為3。

隱含層設計：BP神經網絡的隱含層設計是十分關鍵的。實際應用中，隱含層一般為1層。根據經驗公式并通過多次試驗，確定本系統隱含層最佳神經元數為6。

3.3 學習訓練

選擇3種不同程度缺陷的樣本共330個。選擇各自的60個樣本（共180個）作為訓練樣本，剩余的150個樣本作為檢驗樣本。設置好訓練函數、訓練次數、誤差指標、訓練步長等相關學習參數后，對樣本進行訓練。訓練樣本和訓練結果如表1、表2所示。

表1 BP神經網絡訓練樣本參數Tab.1 Parameters of training samples

表2 BP神經網絡訓練結果Tab.2 Training results of BP neutral network

4 在線檢測驗證

結合實際應用的需要，開發了一套表面缺陷在線檢測系統。該系統根據上文提出的算法，以Visual Studio 2013和OpenCV為開發工具，并應用面向對象的程序設計方法進行編程，該系統的操作界面如圖6所示。

圖6 表面缺陷在線檢測系統操作界面Fig.6 Interface of defect detection system

該系統先提取CCD相機采集的圖像邊緣部分作為原始圖像，通過改進的Canny算法對硅鋼片圖像的邊緣進行處理，然后提取圖像的參數進行故障嚴重程度分類，并記錄相應的信息，指導后續的生產線作業。該系統已成功應用于生產實踐中，且表面檢測準確率達到92%。

5 結語

本文針對某企業在硅鋼片輥彎成型加工過程中易出現的表面缺陷，設計了一套基于機器視覺技術的表面缺陷在線檢測系統。從系統硬件設計、圖像采集處理、特征參數提取及故障分類等方面進行了深入地研究，實現了包括圖像采集、圖像處理、缺陷分類和信息存儲等功能。實驗結果表明該系統具有處理速度快、抗干擾能力強、準確率較高、成本低廉等優點。本系統中的整體架構和缺陷檢測與分類方法還可以應用于其他類似表面缺陷檢測問題中，具有廣泛的應用前景。

[1]韓飛，劉繼英，艾正青，等.輥彎成型技術理論及應用研究現狀[J].塑性工程學報，2010，17（5）：53-60.

[2]顏發根，劉建群，陳新，等.機器視覺及其在制造業中的應用[J].機械制造，2004，42（11）：28-30.

[3]段瑞玲，李慶祥，李玉和.圖像邊緣檢測方法研究綜述[J].光學技術，2005，31（3）：415-419.

[4]Canny J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Image Processing，1986，8（6）：679-698.

[5]朱鳳芹.改進Canny算法在再制造視覺檢測中的應用[J].中國農機化學報，2015，36（3），270-273.

[6]張錚，徐超，任淑霞，等.數字圖像處理與機器視覺—Visual C++與Matlab實現[M].2版.北京：人民郵電出版社，2014.

[7]梁光明，孫即祥，馬琦，等.Otsu算法在Canny算子中的應用[J].國防科技大學學報，2003，25（5）：36-39.

[8]劉林，曹艷平，王婷，等.應用模糊數學[M].2版.西安：陜西科學技術出版社，2008.