基于機器視覺的帶鋼表面缺陷檢測系統(tǒng)中圖像處理方法設(shè)計研究

許春和

（綏化學(xué)院，黑龍江 綏化 152061）

研究以機器視覺為基礎(chǔ)的帶鋼表面缺陷檢測系統(tǒng)中圖像處理方法設(shè)計過程，需按照圖像預(yù)處理、缺陷辨識、結(jié)果分析的步驟來完整整體化圖像處理，以此來得到帶鋼表面缺陷的完整信息，從而結(jié)合其實際情況對其加以處理，保證帶鋼生產(chǎn)質(zhì)量。

1 帶鋼表面圖像預(yù)處理

1.1 進(jìn)行圖像去噪

（1）在獲取以及處理帶鋼表面圖像時，會受拍照技術(shù)、拍照環(huán)境因素的干擾，使得得到的圖像摻雜有噪聲，這部分噪聲可能會降低帶鋼表面圖像整體質(zhì)量，這會給圖像處理人員一種錯覺：帶鋼表面存在缺陷。故而在進(jìn)行以機器視覺為基礎(chǔ)的帶鋼表面缺陷檢測系統(tǒng)中圖像處理方法設(shè)計前，需清理帶鋼表面圖像中滯留的噪聲，實現(xiàn)對其的正確辨識。就當(dāng)前階段來說，圖像噪聲處理方式包括多種形式，其中應(yīng)用最為廣泛的是中值濾波，其是一種平滑的局部處理方式，不但可直接清除圖像中夾雜的噪聲，還可確保在處理過程中不會破壞圖像邊緣等關(guān)鍵信息。比如以圖像f（x，y）為例，得到對應(yīng)的濾波結(jié)果，表述為g（x，y），具體表達(dá)式如下：

在以上表達(dá)式中，坐標(biāo)（x，y）對應(yīng)的像素點可用P 來表示，而W 指的是P 的鄰域。

（2）雖然通過中值濾波能夠直接清除脈沖中所含的噪聲，但是在整個去噪階段，若是未能恰當(dāng)選擇大小適宜的像素鄰域，可能會對濾波結(jié)果產(chǎn)生較大的影響。因此在應(yīng)用中值濾波來對圖像加以處理之后，還需設(shè)計出更加有效的自適應(yīng)濾波方法，以此來解決上述問題，具體方式如下所示：其一，將圖像f（x，y）對應(yīng)的坐標(biāo)為（x，y）、最小、最大位置的像素點P對應(yīng)的灰度值以gxy、gmin、gmax表示，設(shè)定P 最大鄰域是Mmax，在P 的鄰域是Mxy時，以gmed來表示i 具體的中值濾波值，其后通過系統(tǒng)的計算來對比分析gmin、gmax、gmed的大小，如果得出結(jié)論：gmax＞gmed＞gmin，可進(jìn)入下一步程序，若是與上述結(jié)果存在差異，需進(jìn)一步擴大Mxy；若是在對Mxy進(jìn)行擴大以后，其仍舊小于Mmax，需重復(fù)上述流程；若是Mxy擴大之后不小于Mmax，gmed即可當(dāng)作圖像中值濾波最終階段的計算結(jié)果；最后若是得出結(jié)論：gmax＞gmed＞gmin，則能確定gxy是圖像處理的中值濾波最終結(jié)果，若是與上述結(jié)論有所差異，則代表中值濾波最終計算結(jié)果是gmed。通過該種處理方式，能夠完美解決以上提出的像素鄰域問題，得到最佳的像素鄰域值，不會對最終的濾波結(jié)果產(chǎn)生影響，且整體計算過程比較簡單，不會耗費過長的時間，為后續(xù)圖像處理奠定基礎(chǔ)。

1.2 進(jìn)行圖像增強

在完成去噪以后，還需進(jìn)行圖像增強，因在帶鋼表面缺陷檢測時，會因各個方面的影響因素而使得圖像真正缺陷區(qū)域與背景區(qū)域灰度不會存在較大差異，如此在進(jìn)行其后的缺陷辨識時可能會因此而出現(xiàn)差錯，故而需通過合理的技術(shù)措施來增強帶鋼表面圖像的整體質(zhì)量，保證圖像清晰可觀，并可使得圖像背景區(qū)域、缺陷區(qū)域的灰度存在一定差異，在一定程度上增加其灰度對比度，便于后續(xù)對其的系列處理工作。就當(dāng)前階段來說，形態(tài)學(xué)算法是一種比較有效、便利的圖像增強方式，其主要是借助對圖像的腐蝕、膨脹等一系列操作，來增強圖像質(zhì)量以及灰度差異性。圖像去噪之后f（x，y）可用f（x，y）來表示，結(jié)構(gòu)元素c 可有用（i，j）來表示，對應(yīng)的腐蝕、膨脹過程如下：

通過上述過程（2）、（3）來完成c（i，j）、f（x，y）對應(yīng)的閉運算之后，再安排開運算，即進(jìn)行圖像增強，具體過程可用以下方程式來表示：

上式中，g 代表的是閉運算操作，o 代表的是開運算操作。上述圖像增強過程，可在一定程度上提升圖像的整體質(zhì)量，并解決以上提出的問題，發(fā)揮出形態(tài)學(xué)運算的優(yōu)勢，以達(dá)到提升缺陷區(qū)域、背景區(qū)與灰度差異增加的目的。

2 機器視覺帶鋼表面缺陷正確辨識

2.1 進(jìn)行缺陷分割、聚類處理

缺陷圖像分割，其主要是為了分割圖像背景區(qū)域內(nèi)容與缺陷內(nèi)容，比較常用的缺陷圖像處理方法為閾值分割法，在該種處理方法中，最為重要的內(nèi)容是閾值選擇，故而針對實際情況與應(yīng)用所需，設(shè)計效率更高的代自適應(yīng)閾值分割法，以此按照具體的要求來展開缺陷圖像的辨識與分割。具體內(nèi)容如下所示：

（1）明確帶鋼圖像整體特征，計算像素點最小灰度值、最大灰度值，分別用Dmin、Dmax表示，以此為基礎(chǔ)計算初始閾值Fk，具體求取結(jié)果如下：

（2）通過求得的初始閾值來完成圖像分割，分割之后得到對應(yīng)的圖像背景內(nèi)容、缺陷內(nèi)容的灰度，分別用Gb、Gq來表示

在上述兩個表達(dá)式中，Ni，j 指的是Gq灰度值整體的像素點數(shù)量，Gq指的是坐標(biāo)（x，y）位置像素點灰度值。通過層遞式的計算、分析之后，求解出對應(yīng)區(qū)域的灰度，且計算結(jié)果準(zhǔn)確、可靠。

（3）以 Gb、Gq來進(jìn)行 Fk更新，以 Fk+1來代表更新結(jié)果，具體表達(dá)式如下所示：

（4）重復(fù)迭代進(jìn)行上述流程（1）、（3），直到其后得到結(jié)果：Fk=Fk+1。代表Fk此時是最優(yōu)閾值，可進(jìn)行以下各項運算。

（5）圖像分割之后，對其中的缺陷展開聚類處理，其后在此基礎(chǔ)上完成缺陷分類，便于對其進(jìn)行集中化處理與管理。缺陷圖像整體聚類過程可按照如下方式進(jìn)行：其一，設(shè)定缺陷區(qū)域灰度值：255，背景區(qū)域灰度值：0，以這兩個數(shù)據(jù)來展開后續(xù)的聚類處理，該階段，圖像再迭代自適應(yīng)閾值分割之后，需搜索并統(tǒng)計連通區(qū)域分布位置與數(shù)量；其二，初始缺陷數(shù)暫時設(shè)定為0，在具體的探索時若是發(fā)現(xiàn)存在缺陷區(qū)域內(nèi)容，要求沿著缺陷區(qū)域邊緣以矩形框來加以標(biāo)記，此時缺陷數(shù)量+1；矩形框標(biāo)記時，每一階段都需要將標(biāo)記過的矩形框、發(fā)生相交的最大面積矩形框展開對比分析，測量矩形框之間的相交面積，若是此面積超過其中小矩形框面積的1/2，可以判定以上兩個矩形框?qū)儆谕环N類型，需合并處理；若是不滿足上述條件，要求直接保留標(biāo)記過的新的矩形框；其三，重復(fù)上述一、二過程，直到標(biāo)記全部的連通區(qū)域為止，以此來實現(xiàn)對其的正確的標(biāo)識。

2.2 進(jìn)行缺陷分類

（1）在對各項缺陷內(nèi)容進(jìn)行明確以及分類之前，要求通過相應(yīng)的技術(shù)手段來完成缺陷紋理特征提取，以此來為后續(xù)缺陷分類奠定基礎(chǔ)。在分類時引入灰度共生矩分類方式，其可直接完成缺陷內(nèi)容紋理特征提取，該種提取方式，主要是借助對圖像熵、能量、相關(guān)性、對比度的研究來表述圖像在各個階段的紋理特征，具體過程如下所示：

其中i，j 指的是圖像的像素灰度，L 指的是灰度級總數(shù)，為保證所得數(shù)據(jù)的真實性、可靠性，可通過上式進(jìn)行重復(fù)計算，以此來得出最接近實際值的結(jié)果。

（2）相關(guān)性整體描述了圖像各項內(nèi)容、各個區(qū)域、各個時間段像素間的差異性，按照以上方式來對其加以計算，該種差異性可以q2來表示：

（3）通過能量來進(jìn)行圖像粗糙度測量，測量結(jié)果以q3表示，具體的計算流程如下所示：

（4）以熵來表述與研究圖像整體的信息量，以q4來表示，按照以下方式來計算：

（5）通過上式（10）、（11）、（12）、（13）來依次求出圖像在各個方面的紋理特征，可在此基礎(chǔ)上，通過支持向量機來完成圖像缺陷的分類工作，該種方式屬于全局分類方式，分類效果良好，主要是以計算最優(yōu)分類面來實現(xiàn)對帶鋼表面缺陷的科學(xué)分類。具體流程如下所示：列出支持向量機分類目標(biāo)函數(shù)最優(yōu)值，以分類直線法W 來加以表述，具體方式如下表達(dá)式：

上式（14），對應(yīng)的約束條件，可通過以下表達(dá)式來加以闡述：

其中xi、yi分別代表的是輸入特征樣本、樣本相應(yīng)輸出。

（6）以ai來表示拉格朗日乘子，列出最優(yōu)分類目標(biāo)函數(shù)，求解對偶方程式，得出相應(yīng)的結(jié)果，具體方程式如下：

在按照以上方程式來求解出對偶形式之后，可直接求解最優(yōu)分類面，按照以下表達(dá)式來進(jìn)行：

該種方程式得出的結(jié)果能夠很好地驗證帶鋼表面缺陷檢測系統(tǒng)中圖像處理方法的具體效果，且該項數(shù)據(jù)具備較高的參考性，利于后續(xù)展開相關(guān)性研究。

3 結(jié)果分析

選擇帶鋼表面存在缺陷的圖像，分別抽取100 個帶有空洞、劃痕、夾雜等各種缺陷問題的樣本，按照上述圖像處理方法來展開對應(yīng)的檢測工作，對各個缺陷圖像展開辨識，查看并分析辨識結(jié)果，分析其有效性、精確性。具體辨識結(jié)果如下表1：

表1 帶鋼表面缺陷整體辨識結(jié)果示意表

分析表1 各項數(shù)據(jù)可得到結(jié)果，上述文章中闡述的方法整體辨識率皆超過95%，最高甚至可達(dá)到100%，這代表其對帶鋼表面缺陷有著較高的辨識度，由此可知，基于機器視覺的帶鋼表面缺陷檢測系統(tǒng)中圖像處理方法效果明顯。

4 結(jié)語

綜上，文章就基于機器視覺的帶鋼表面缺陷檢測系統(tǒng)中圖像處理方法設(shè)計進(jìn)行了論述與分析，研究了其重要性與必要性，建議給予其足夠的重視，設(shè)計出對應(yīng)的自適應(yīng)中值濾波圖像去噪方法，并以Top-hat完成圖像增強，實現(xiàn)對各項表面缺陷的正確辨識。