圖像識別技術在板材缺陷識別中的應用

柴文婷，胡 鷹，李雯瓊，王效崗，朱麗麗

(1.太原科技大學， 山西 太原 030024；2.太原工業學院，山西 太原 030008)

0 前言

隨著鋼鐵工業的快速發展，對鋼鐵產品的質量要求越來越高。板形作為鋼鐵生產的重要指標，其重要性不言而喻。目前，國產第三代全液壓矯直機并未配備板型儀，主要采用人工目測判斷板材缺陷及缺陷類型，依靠經驗給出彎輥值，由于誤差較大而導致矯直質量下降，影響產品質量。本文利用圖像處理技術，借助工業相機采集板材圖像信息，通過對圖像信息的處理，不僅得到板材的不平度等常規信息，還通過圖像的分析歸類，將板材缺陷對應到彎輥特定的矯直工藝，即通過確定缺陷類型才能正確的進行彎輥量設置從而消除板形缺陷。

1 板形判定對矯直的意義

目前在國外一部分矯直機上采用了板型儀來實現板形判定，但在國內矯直機上板型儀應用的卻很少。板型儀按照與板材的關系大致可以分為兩大類，一類是接觸式板型儀，在檢測輥中裝入壓力傳感器，直接接觸帶材和檢測輥，得到板材的張力，通過對張力的分析得出板形。但這種方式容易損傷帶材表面，雖然可以運用技術預防和修復，但付出的人力、物力較大，而且工作效率下降，后期維護工作也比較困難，因此接觸型板型儀已經不符合當前產品的生產要求。另一類為非接觸式板型儀，主要的檢測方法有激光法、測擾度法、電磁法等，與接觸式板型儀相比，非接觸式板型儀使用壽命長，易于維護和費用低，但其檢測方法易受到周圍環境的影響，從而影響識別結果[1]。

隨著計算機技術的應用和發展，圖像識別技術也日益成熟。圖像識別技術具有再現性好、處理精度高、靈活性好及比較經濟等特點，在很多領域得到了廣泛的應用。對于目前的高強度、薄規格板材，接觸式與非接觸式兩種板型儀應用效果都不是特別好。而且板型儀只能測量得到不平度數據，對于得到板形識別結果還要經過復雜的數據分析。因此本文將圖像識別技術引入到對矯直機進行不平度數據采集和板形缺陷識別的工作中。通過圖像識別技術識別矯前板形，采集板材的不平度數據，為進一步模糊控制彎輥裝置奠定了基礎。矯前板形的獲取是為了確定矯直工藝，矯后板形的獲取主要是為了調整優化模型參數，如圖1所示。

圖1 矯前與矯后板形

2 圖像識別技術在板材缺陷識別中的應用

2.1 板形缺陷識別原理

一束光照射到正常板材和缺陷板材上的反射是有差異的，即取決于板材的缺陷類型和粗糙程度，通常人眼難以識別。因此可以通過圖像處理技術比較某一區域與其相鄰區域的表面特性差異來判斷是否存在板材缺陷及其類型，即通過判斷反射光強度的變化得出此板材區域是否存在缺陷[2]。對面陣CCD攝像機提出現場采集的圖像進行圖像處理后，提取出其板材的特征值，即可獲得板材的缺陷信息。

2.2 板材圖像處理核心技術

2.2.1 板材圖像的采集

2.2.2 板材圖像的濾波去噪

板材圖像在生成和傳輸過程中很容易受到周圍環境及其它各種因素的干擾，從而影響后期的圖像處理工作。由于現場存在較強的電磁干擾及聲光震動等，圖像在采集傳輸中會耦合影響識別結果的各種干擾噪聲，例如脈沖噪聲、高斯噪聲等，為了減少噪聲對數字圖像的影響，需對數字圖像進行去噪處理。目前主要的圖像去噪算法有鄰域平均法和中值濾波法等。鄰域平均法是對當前像素及其相鄰的像素點統一進行平均處理，即去除突然變化的像素點、平滑像素使圖像有一定程度的模糊化，這樣就可以濾去圖像中的噪聲[3]。但模糊化后的圖像由于像素均勻會影響邊緣檢測，從而影響后續工作。中值濾波法則是把以某點(x,y)為中心的區域內的所有像素的灰度按從大到小的順序排列，取中間值作為(x,y)處的灰度值(若窗口中有偶數個像素，則取兩個中間值的平均)。中值濾波法在去除噪聲的同時還可以保護圖像邊緣[4]。因此本文采用中值濾波法對數字圖像進行去噪處理。

2.2.3 板材圖像的邊緣檢測

板材圖像的邊緣是指像素灰度急劇變化的區域，可以表示出一個圖像的輪廓，是圖像的一個基本特征。邊緣大致可以分為兩種，一種邊緣兩邊像素的灰度值明顯不同，稱為階躍邊緣。另一種為像素的灰度值變化為由小到大，再由大到小，這時突變區域為邊緣，稱為屋頂邊緣[5]。圖像的邊緣包含大量的有用信息，是確定板形缺陷的重要依據，不僅可以確定板材缺陷的位置形狀、還可以分析應變聚集程度，是板材圖像處理過程的重要環節。

邊緣檢測的處理過程基本分為4個步驟：濾波、增強、檢測、定位。經典的邊緣檢測方法就是通過在圖像中像素的某一鄰域構造邊緣檢測算子來實現邊緣檢測的目的。經典的邊緣檢測算子有Roberts算子、Sobel算子、Prewitt算子、Canny算子等。Roberts算子計算交叉方向上的像素差值，對垂直邊緣有較好的檢測效果，但對噪聲非常敏感。Sobel算子和Prewitt算子相似，都能很好的消除噪聲，但同時會造成圖像模糊化。Canny算子先對圖像進行平滑處理后再求導，能很好的檢測出圖像的邊緣，而且提取出的圖像清晰、連續性好。因此根據板材圖像處理的需求，選取canny邊緣檢測算子進行處理是最優選擇。

通過CCD攝像機拍攝中浪和左邊浪兩種缺陷板形后，用計算機對其進行中值濾波和Canny算子邊緣檢測處理后，實驗結果為圖2、圖3所示。

圖2 中浪板形缺陷檢測

圖3 左邊浪板形缺陷檢測

2.3 板材圖像數據處理及分析

2.3.1 板材圖像識別特征值的提取

對圖像完成去噪和邊緣檢測處理后，需對得到的圖像數據進行分析處理。本文對缺陷的識別通過提取特征值來實現。選用平均值、方差和對比度作為特征值。

(1)平均值的計算公式為

式中，L為灰度級數；b為離散灰度在[0,L-1]上的隨機量；P(b)為灰度b的概率密度。

(2) 方差的計算公式為

(3)對比度的計算公式為

式中Pδ(j,k)為灰度共生矩陣，表示灰度點離開某個固定位置關系為k的概率。

通過對圖像特征值的提取，能夠根據不同的特征值將板材圖像進行分類，分別對應不同的板形缺陷模型，例如中浪、邊浪等。

3.3.2 采用徑向基網絡識實現材缺陷的機器識別

本文采用徑向基網絡對板材圖像進行缺陷識別，徑向基網絡將徑向基函數運用于神經網絡中，運用局部逼近的方式避免了BP收斂速度慢等缺點，而且學習能力也得到了提高，可以較快的實現機器自學習。具體方法是將典型的板型缺陷圖像提取到的特征值作為訓練樣本，利用徑向基網絡對這三組特征值進行訓練學習，經過一定次數的學習后，徑向基網絡就可以識別對應的典型板材缺陷。徑向基網絡的設計步驟：

(1) 將平均值、方差和對比度作為輸入，即輸入層為3；

(2) 本文設定主要識別邊浪、中浪兩種缺陷，同時包括正常和異常兩種情況，用0和1 的組合來表示輸出，[1 ,0]表示中浪，[0,1]表示邊浪，[0,0]表示正常，[1,1]表示異常；

(3) 隱含層選用單層，神經元個數隨著收斂速度慢慢減少，這樣可以減少計算量；

(4) 選用138組邊浪和138組中浪作為訓練樣本；

(5) 設定訓練誤差為0.0001，經過128步完成訓練。

對兩組138個樣本的訓練結果見表1。平均識別率達到97.5%

表1 板形缺陷訓練結果

可以看出，首先通過中值平滑濾波很好的去除了圖像噪聲，再通過Canny算子邊緣檢測后得到明顯的圖像邊緣，再提取板形特征，最后通過RBF分類器正確的得出板形缺陷類型。因此將圖像識別技術應用在板材缺陷識別中的方法效果良好，板材缺陷識別率達到了97.5%。

2.4 板材不平度的識別

得到板材的缺陷類型后，利用側面攝像機來提取板材的不平度圖像，再經過圖像濾波和邊緣檢測得到灰度圖，最后利用灰度差就可得到板材不平度。圖4是以中浪為例的不平度圖像處理過程。

圖4 中浪不平度圖像處理

確定板形缺陷和板材不平度的整體流程如圖5所示。

圖5 板材缺陷識別及不平度圖像處理流程圖

3 結束語

本文設計的板材缺陷識別方法已應用在國內某鋼廠全液壓矯直機矯直模型軟件系統當中，通過對多種規格及缺陷板材的矯直測試，系統能夠有效的識別測試板材的典型缺陷，并根據識別結果給出合理的彎輥設定值，實現了板型缺陷自動識別及彎輥的自動設定，提高了矯直機的矯直效率和質量。

[1] 夏德深,傅德勝編著.現代圖像處理技術與應用[M].南京：東南大學出版社，1997.

[2] 章毓晉.圖像工程(上冊)——圖像處理和分析[M].北京:清華大學出版社，1999.

[3] 郎銳.數字圖像處理學-Visual C++實現[M].北京：北京希望電子出版社，2002：134-139. [4] 周存龍，徐靜，王國棟.中厚板輥式矯直機壓下模型[J].重型機械，2016 (02):24-26.

[5] 劉穎.計算機圖像識別技術的發展現狀和展望[J].考試周刊，2014(08).

[6] 楊紅光.中厚板矯直機彎輥量自適應模型系統[D].太原科技大學，2012.

[7] 申敏.基于自適應智能調整的九輥矯直機控制系統[J].自動化技術與應用，2014.

[8] 崔麗.中厚板輥式矯直過程模型研究[D].沈陽:東北大學,2009.

[9] Liu Zhifang,Wang Yongqin,Yan Xingchun.A new model for the plate leveling process based on curvature integration method[J],International Journal of Mechanical Sciences, 2012,54(01):213-224.