基于形態學和區域生長的硅鋼片微表面缺陷檢測①

何 昊 賀福強 李思佳 張明月 謝 丹

（貴州大學機械工程學院 貴州貴陽 550025）

硅鋼片是一種很重要的磁性材料，主要用于制作變壓器、電動機和發電機的鐵芯。變壓器、電動機、發電機都是農業裝備中重要供電、動力設備。在農業生產中，設備運行環境較為惡劣，較好的零部件質量能提升裝備運行壽命。通過對零部件硅鋼片進行缺陷檢測，增加零部件的合格率。硅鋼片的表面質量好壞是決定其磁性能的主要因素［1］。視覺檢測具有實時性、高效率、精度高等的優點［2］，故視覺檢測可以實現檢測的自動化，極大降低誤檢率、減少人工檢測主觀性的影響。

圖像分割就是把圖像根據性質分成多個區域的過程，主要是指灰度值、像素強度值、紋理等特征。分割的方法主要有基于閾值、聚類法、遺傳算法、變形模型、區域生長等［3］。Fabricio 等［4］提出了一種基于梯度向量流的自動種子區域生長方法，對較多目標的分割也有不錯的效果。Cui等［5］提出了一種改進的SRG 算法，利用Harris 角點檢測原理自動選擇起始種子點；區域生長準則里引入了圖像的不確定性，使分割更具有魯棒性。Mohammed 等［6］提出了一種可以自動提取 ROI 并且用機器學習算法篩選比較適合的種子點的SRG算法，明顯改善圖像分割后的噪聲。Rajkumar等［7］依據預選擇的像素區域的中值來自動選擇種子點，提取出種子ROI，利用梯度算子分割出ROI的邊界。Sheng等［8］利用深度學習找到比較有效的分割閾值進行閾值分割后，再進行區域生長。

1 圖像分析及預處理

拍攝圖像會產生隨機的擾動，圖像有一定的噪聲，為消除掉圖像中的無關信息，對圖像進行預處理。

1.1 灰度化

為降低運算量，需要將拍攝的三通道的RGB圖像轉化為單通道的灰度圖像。采用加權平均法的灰度化方法，其中心理學灰度公式根據人眼對RGB三色的敏感程度選擇不同的權重：

式（1）中，R、G、B分別為RGB 三通道灰度值，灰度化結果如圖1（a）所示。

1.2 平滑處理

為了盡可能避免將背景當作缺陷，需要對圖像進行平滑處理，這樣雖然會使缺陷的邊界模糊，但是有利于減少背景的干擾。注意所采用的去噪處理為均值濾波，均值濾波公式為：

式（2）中，m、n分別為所選擇的濾波核的長和寬，Sxy是以(x，y)為中心的濾波核對應像素的位置集合，平滑處理結果如圖1（b）所示。均值濾波的缺點是會使一些細節如邊緣等信息丟失，因此在找到種子點后，對沒有經過平滑處理的圖像進行區域生長，找到缺陷邊界。

2 算法原理

2.1 閾值分割

圖1 均值濾波處理

閾值分割是圖像分割中最簡單、基礎的方法，性能比較穩定，計算量較小，運算速度快；它主要有全局閾值分割、局部閾值分割、自適應閾值分割等方法。閾值算法基于閾值T，將像素灰度值大于閾值T 和小于閾值T 的部分分別叫做前景和背景。變換函數表達式：

式（3）中，T 為閾值，g(x，y)為原圖像像素點(x，y)的灰度值，f(x，y)為分割后圖像像素點(x，y)的灰度值，閾值分割結果如圖2所示。

圖2 閾值分割結果

2.2 形態學開運算降噪

數學形態學簡稱形態學，其處理方式為領域運算，即把領域結構元素與圖像對應位置像素進行邏輯運算，這種運算的影響因素主要有結構元素大小、形狀和邏輯運算的規則。形態學操作主要有膨脹、腐蝕、梯度運算、禮帽運算、黑帽運算、開運算和閉運算等，但其基礎為腐蝕和膨脹，利用膨脹和腐蝕就能完成不同形式的運算。

腐蝕運算能消除輪廓邊界點，使邊界向內縮小，主要用于細化二值圖像目標輪廓、去除噪聲等。

式（4）中，A為原圖像，B為結構元素。首先給結構元素B定義一個原點，當結構元素B的原點移動到圖像A的(x，y)上時，如果結構元素B上等于1 的像素點對應圖像A也等于1，則將圖像A的(x，y)的灰度值置為1，否則置為0，腐蝕示意圖如圖3所示。

圖3 腐蝕示意圖

膨脹運算則與腐蝕運算相反，使邊界向外擴張，主要用于填補圖像分割后的空白，使相近的不相連的輪廓相連。其公式為：

式（5）中，A為原圖像，B為結構元素。首先給結構元素B定義一個原點，當結構元素B的原點移動到圖像A的(x，y)上時，如果結構元素B上等于1 的像素點對應圖像A中至少有一個等于1，則將圖像A的(x，y)的灰度值置為1，否則置為0。

先進行腐蝕操作，然后在腐蝕的基礎上進行膨脹操作，主要用于去噪和計數等。其公式為：

式（6）中，A為原圖像，B、C為結構元素。開運算效果如圖4 所示，圖5 為開運算處理的結果。

圖4 開運算效果

2.3 區域生長法

圖5 形態學開運算結果

區域生長的思想就是把領域（四領域、八領域等）相同的化為一個區域。首先需要一個種子點作為生長的開始，然后將種子點領域內滿足相似準則要求的像素點合并到種子的區域，將這個區域的像素做為種子點，繼續進行生長，直到沒有符合要求的點，生長結束，所有種子點像素作為生長的區域。分割的好壞由初始種子點和相似準則決定。

2.3.1 種子點選擇與檢測

經過閾值分割和形態學處理后，將二值圖像各輪廓中心作為待定種子點。如果選擇的種子點位于缺陷的絕對區域，那么種子點總有一個方向各像素的深度值呈現高-低-高的形態。設計檢測模板如圖 6 所示，計算出種子點在 0°、45°、90°、135°方向上的深度變化，判斷其變化是否呈高低高形態。

圖6 檢測模板

種子點左右兩側r個像素的灰度平均值分別為：

各方向的灰度變化為：

深度形Si態變化判定：

式（10）中，I(u)為檢測模板中第u個像素的灰度值，w= 1，2，3，4，分別代表 0°，45°，90°，135°方向，mwm為w方向兩側的最小灰度值，T1為形態變化閾值。如果種子點不滿足深度形態變化判定，則去除該待定種子點。

2.3.2 生長過程

區域生長的具體流程如下：

（1）將種子點坐標放入種子點集seeds。

（2）頂出種子點集中的一個種子點，對種子點八鄰域的像素點進行相似準則判斷；滿足相似準則條件的點，視為種子點放入種子點集seeds。

（3）將頂出的種子點存入種子集S。

（4）如果種子點集內沒有元素，則跳到步驟（4）； 如 果 種 子 點 集 中 還 有 元 素 ， 則 跳 到步驟（2）。

（5）生成一張和輸入圖像長寬一致，像素值全為0的圖像I。

（6）將圖像I中對應種子集S坐標的像素值置為255，得到分割圖像I'。

其中生長的相似準則為：

式（11）中，gray(seed)為當輪種子點的灰度值，gray(8_n)為其八鄰域各點的像素值，Thresh為設置的閾值。區域生長結果如圖7所示。

圖7 區域生長結果

3 實驗過程

圖像分割就是按照預先設定的規則，將圖像分割為有意義的前景和背景的過程。區域生長是一個分割效果比較好的算法，但前提是需要找到適合的種子點。單一的分割算法就容易遇到這種不足的情況，結合使用形態學和閾值分割的方法來找到合適的種子點，幫助區域生長算法完成分割任務，達到滿足要求的分割效果，分割方法流程如圖8所示。

圖8 分割流程圖

首先對輸入的圖片進行灰度化處理，變成單通道的灰度圖片，然后濾波去除噪聲，使圖像更平滑，選擇合適的閾值進行閾值分割，在利用開運算去除掉分割后較小的前景，以各前景區域的中心點為起始種子點，進行區域生長，得到最終所滿足要求的前景。

4 實驗結果與分析

本文采用的圖像來自開源數據，實驗是在Windows10，OpenCV 上實現的。電腦配置為i5-8300H，NVIDIA GeForce GTX1060；軟件 Py‐thon3.7，OpenCV_Python4.1.2；圖像的灰度值范圍為［0，255］區間。

本文提出的自動種子區域生長算法部分實驗效果如圖9所示，分割比較飽滿，誤判較少（噪聲較少）。其中a（1）～a（6）為硅鋼片微表面原圖，b（1）～b（6）為對應圖像的人工標注圖像，c（1）～c（6）為對應圖像算法分割結果。

本文對比實驗了閾值分割算法、人工選擇種子點的區域生長法以及本文提出的自動種子區域生長算法。

對比人工標注圖像，計算各算法分割圖像的精確率P、F1值，進行分割效果客觀比較。

精確率：

圖9 自動種子區域生長算法效果

式（12）（13）中，TP、TN、FP、FN分別為正類判定為正類、負類判定為負類、負類判定為正類，正類判定為負類的數目。

根據各算法各分割圖像的精確率、F1 值繪制折線圖。各算法分割性能如圖10 所示，圖10（a）為各算法F1值，圖10（b）為各算法精確值。

從圖10 可以看出，自動種子區域生長算法基本達到人工種子點區域生長算法的性能，甚至有所增強，這是由于該算法選擇缺陷中心點作為種子點，而人工工選擇種子點的算法由于偶爾種子點選擇靠近缺陷邊緣，缺陷中心的種子點生長更有優勢。

圖10 各算法性能比較

5 結論

對于在復雜背景下分割缺陷，單一的算法很難奏效。例如閾值分割算法，很難找到一個固定的閾值可以有效分割所有的圖像；由于缺陷所占比例不清楚且所占比例很小，多種自動閾值方法都會失效；單一的自動種子區域生長算法也因為類似的原因而不能有很好的分割效果。基于此，本文提出了一種基于形態學的自動種子區域生長算法，該算法結合了形態學、閾值分割、區域生長方法，其分割效果比單一的算法都要好。對硅鋼片微表面缺陷圖像的測試結果表明，該方法缺陷分割的準確性表現不錯。

表1 各算法性能比較