基于特征提取與匹配的帶鋼缺陷檢測

洪奔奔，管聲啟，任 浪，高 磊

?

基于特征提取與匹配的帶鋼缺陷檢測

洪奔奔，管聲啟，任 浪，高 磊

（西安工程大學，機電工程學院，陜西 西安 710048）

為了提高工件缺陷檢測準確性，本文以工件缺陷區域特征為基礎，提出了一種新的工件缺陷檢測方法。首先對帶鋼缺陷圖像進行小波多層分解，選擇低頻系數圖像和高頻系數圖像進行重構，從而有效地抑制了背景紋理信息；其次，通過分割和濾波對重構圖像進行特征提取，得到帶鋼的缺陷特征圖像；最后，通過對帶鋼缺陷特征圖進行SURF特征提取與目標圖像匹配，得到缺陷的具體位置。實驗結果表明，用該算法進行表面缺陷識別，可獲得較高的識別率，具有一定的通用性。

裂紋區域檢測；小波分解；圖像重構；SURF特征提取與匹配

0 引言

《中國制造2025》中指出，制造業作為國家支柱產業直接體現了一個國家生產力水平的高低。在帶鋼加工過程中，由于各方面的因素影響，使帶鋼表面出現不同類型的缺陷，如裂紋、麻點、夾雜、表皮分層等缺陷。這些缺陷不僅影響產品的外觀，還降低了產品的抗腐蝕性、耐磨性和疲勞強度等性能，最終直接影響產品的使用性能和質量[1]。因此，在制造加工過程中，應盡早處理帶鋼表面缺陷，以確保帶鋼的質量。

目前，帶鋼缺陷檢測算法有很多[2-4]。文獻[5],基于目標面積特征分析的帶鋼缺陷圖像分割方法，能夠完整有效地分割出帶鋼缺陷區域，但對于少量噪聲或偽目標灰度與帶鋼缺陷灰度相近時的特殊情況不能很好檢測；文獻[6]，一種改進全變差正則化的Shearlet自適應帶鋼圖像去噪算法，能夠有效濾除帶鋼圖像上的噪聲，提高了圖像視覺效果。但會不同程度地導致圖像細節模糊，使圖像視覺質量下降。

本文算法，通過對圖像進行小波多層分解和重構，從而有效地抑制了背景紋理信息。然后，通過分割和濾波，提取帶鋼缺陷特征圖。最后，通過對缺陷特征圖進行SURF特征提取與目標圖相匹配，可是得到缺陷的具體位置。

1 帶鋼缺陷的特征提取過程

1.1 小波多層分解

小波多層分解稱為小波包或子帶樹，即利用多次疊代的小波轉換分析輸入信號的細節部分。小波包分析為輸入信號提供了一種精細的分析方法[8]。根據被分析信號的特征，它將頻帶進行多層次劃分，對多分辨率分析后沒有細分的高頻部分進一步分解，自適應的選擇相應頻帶，使之與信號頻譜相匹配，從而提高時頻分辨率。

在帶鋼缺陷圖像中，缺陷部與噪聲、背景紋理等混合在一起，很難進行有效分離。而小波具有多分辨率特性，通過小波分解，帶鋼缺陷圖像所包含的不同頻率圖像信息能夠分解在不同圖層中，有利于帶鋼缺陷信息的提取。帶鋼圖像的小波分解可表示為：

其中，hk為低通濾波器系數，gk為高通濾波器系數，cAj-1(k1, k2)為第j-1層低頻系數圖像，cHj(m, n)為水平高頻系數圖像，cVj(m, n) 為垂直高頻系數圖像，cDj(m, n)為對角高頻系數圖像。

通過式（1）可以得到,小波濾波后輸出低頻系數圖像cA，水平高頻系數圖像cH，垂直高頻系數圖像cV，對角高頻系數圖像cD。在同一圖層上，每次小波分解可以得到不同頻率信息在不同方向上的分離。通過小波多層分解，不同頻率的信息在不同圖層中分離，如圖1所示，雖然有效抑制了背景信息的干擾，但也分解了缺陷部分輪廓。因此，需要進行小波圖像重構，使缺陷信息更加完整。

1.2 小波圖像重構

本文算法，對帶鋼缺陷圖像進行小波分解，減少背景紋理對小波圖像重構的影響。通過比較、分析獲得的小波分解圖層，如圖2所示，進行小波圖像重構。通過低頻系數圖像和垂直高頻系數圖像進行融合，得到的小波重構圖像，如圖3所示，有效的突出帶鋼缺陷部分，為特征提取提供了依據。

圖1 帶鋼缺陷圖像不同圖層小波分解圖

圖2 帶鋼缺陷圖像第3層高頻系數小波分解圖

圖3 小波重構圖像

1.3 特征提取

帶鋼缺陷圖像采集于工業機械加工現場，如圖4所示，在采集過程，通常受到工業現場噪聲、光照不均影響。傳統方法采用低通濾波，抑制了高頻信息，使高、低頻信息對比度明顯。然而，帶鋼缺陷圖像部分信息頻率較高。因此，無論是空間域濾波還是變換域濾波，必然會濾除部分帶鋼缺陷信息，造成帶鋼缺陷區域檢測不準確。

圖4 帶鋼缺陷原圖

在小波重構圖像中，帶鋼缺陷與背景灰度值不同。本文算法，先通過高通濾波器，抑制低頻信號，再采用直方圖閾值法對圖像進行分割，將帶鋼缺陷從背景中分割出來。該算法首先得到缺陷圖像的灰度直方圖，其中直方圖中出現背景和缺陷兩區域的灰度值不同，將背景所對應的灰度值作為閾值，然后根據該閾值進行分割即可將缺陷從圖像中分割出來[7]。如圖5所示，從而為特征提取與目標圖相匹配提供了依據。

2 帶鋼缺陷的特征匹配算法

本文采用SURF算法，其主要采用了Hessian特征以及積分圖像，加快了程序搜索和運行的時間，優化了特征點提取的理論算法。SURF算法的特征點檢測與匹配流程圖，如圖6所示。

圖5 帶鋼缺陷特征圖

3 帶鋼缺陷檢測實驗

在帶鋼生產加工過程中，由于各方面的因素影響，會導致帶鋼表面出現各種缺陷。這些缺陷不僅影響產品的外觀，還降低了產品的抗腐蝕性、耐磨性和疲勞強度等性能。本文選用帶鋼缺陷圖像作為測試圖像。

圖6 SURF算法的特征點檢測與匹配流程圖

（1）對帶鋼缺陷圖像進行小波多層分解和重構，有效抑制了背景紋理信息；

（2）通過分割和濾波對小波重構圖像進行特征提取，得到帶鋼的缺陷特征圖像；

（3）采用SURF算法，對缺陷特征圖進行特征提取與目標圖相匹配，從而獲得帶鋼缺陷位置信息。

通過對帶鋼缺陷圖像進行小波多層分解、圖像重構、濾波與分割，得到帶鋼缺陷特征圖，如圖5所示。然后，通過構建構建Hessian矩陣、構建尺度空間、精確定位特征點、主方向確定、特征點描述子生成，得到帶鋼缺陷特征圖與待檢測場景圖的特征點及其特征向量，最后進行SURF特征提取與匹配，得到帶鋼缺陷的具體位置，如圖7所示。

圖7 SURF特征提取與匹配算法

4 結語

通過對帶鋼缺陷圖像的小波多層分解，采用小波分解后的低頻系數圖像和垂直高頻系數圖像進行圖像重構，抑制了背景紋理信息，能有效檢測偽目標灰度與帶鋼缺陷灰度相近時的特殊情況；然后，通過分割和濾波對重構圖像進行特征提取，得到細節更清楚的帶鋼缺陷特征圖像；最后，通過SURF特征提取與匹配算法，對帶鋼缺陷位置進行準確檢測。在帶鋼缺陷檢測匹配過程中，帶鋼缺陷特征圖與待檢測場景圖匹配點的個數有限，造成匹配精度不高，所以，提高匹配精度，成為帶鋼缺陷位置檢測待解決的問題。

[1] 劉偉嵬, 顏云輝, 孫宏偉. 冷軋帶鋼表面缺陷在線檢測軟件體系結構設計[J]. 計算機工程與設計, 2008(05): 1276- 1278+1282.

[2] NEOGI N, MOHANTA D K, DUTTA P K. Review of vision- based steel SURFace inspection systems[J]. EURA-SIP Journal on Image and Video Processing, 2014(1): 1-19.

[3] 孫光民, 劉鵬, 李子博. 基于圖像處理的帶鋼表面缺陷檢測改進算法的研究[J]. 軟件工程, 2018, 21(04): 5-8.

[4] 胡慧君, 李元香, 劉茂福, 等. 基于機器學習的帶鋼表面缺陷分類方法研究[J]. 計算機工程與設計, 2014, 35(2): 620-624.

[5] 趙霆, 管聲啟, 王鵬. 基于目標面積特征分析的帶鋼缺陷圖像分割方法[J]. 西安工程大學學報, 2015, 29(04): 477-481.

[6] 韓英莉. 一種改進全變差正則化的Shearlet自適應帶鋼圖像去噪算法[J]. 表面技術, 2014, 43(06): 105-110.

[7] 郭璇, 鄭菲, 趙若晗, 等. 基于閾值的醫學圖像分割技術的計算機模擬及應用[J]. 軟件, 2018, 39(3): 12-15.

[8] 趙芮. 光標定位技術的研究[J]. 軟件, 2018, 39(3): 199-203

[9] 賈平, 徐寧, 張葉. 基于局部特征提取的目標自動識別[J]. 光學精密工程, 2013, 21(07): 1898-1905.

[10] 韓英莉, 洪英. 帶鋼表面缺陷的一種在線檢測識別算法研究[J]. 光電子·激光, 2015, 26(2): 320-327.

[11] 管聲啟, 洪奔奔, 梁洪, 王立中. 高斯差分濾波顯著性的刀具磨損檢測[J]. 機械科學與技術, 2018, 37(02): 276-279.

[12] 師紅宇, 管聲啟. 基于小波分解的帶鋼缺陷檢測[J]. 軟件, 2016, 37(12): 35-37.

[13] Jiahui Cong, Yunhui Yan. Application of human visual attention mechanism in SURFace defect inspection of steel strip[J]. Chinese Journal of Mechanical Engineering, 2011, 22(10): 1189-1192.

[14] 化春鍵, 周海英. 閾值分解下的冷軋極薄帶鋼表面缺陷分割[J]. 機械科學與技術, 2017, 36(02): 308-313.

Strip Defect Detection Based on Feature Extraction and Matching

HONG Ben-ben, GUAN Sheng-qi, REN Lang, GAO Lei

(College of mechanical & electronic Engineering, Xi’an Polytechnic University, Xi’an 710048, China)

In order to improve the accuracy of workpiece defect detection, this paper proposes a new method for detecting workpiece defects based on the characteristics of workpiece defect areas. Firstly, the wavelet defect image is decomposed by wavelet, and the low frequency coefficient image and the high frequency coefficient image are selected for reconstruction, which effectively suppresses the background texture information. Secondly, the feature is extracted by segmentation and filtering to obtain the band. The defect feature image of steel; finally, the SURF feature extraction and target image matching are performed on the strip defect feature map to obtain the specific location of the defect. The experimental results show that the surface defect identification can be used to obtain a high recognition rate and has certain versatility.

Crack detection; Wavelet decomposition; Image reconstruction; SURF feature extraction and matching

TH741.3

A

10.3969/j.issn.1003-6970.2018.09.007

陜西省重點研發計劃項目(項目編號：2018GY-020)，西安市科技計劃項目(項目編號：2017074CG/RC037(XAGC006))

洪奔奔(1992-)，男，研究生，主要研究方向：圖像處理與智能信息處理；管聲啟(1971-)，男，教授，博士，研究生導師，主要研究方向：圖像處理與智能信息處理；任浪(1993-)，男，研究生，主要研究方向：圖像處理與智能信息處理；高磊(1991-)，男，研究生，主要研究方向：圖像處理與機器學習。

本文著錄格式：洪奔奔，管聲啟，任浪，等. 基于特征提取與匹配的帶鋼缺陷檢測[J]. 軟件，2018，39（9）：31-34