趙 霆，管聲啟，王 鵬

（西安工程大學(xué) 機(jī)電工程學(xué)院，陜西 西安710048）

0 引 言

隨著制造業(yè)的不斷發(fā)展，帶鋼產(chǎn)品的質(zhì)量成了制約最終產(chǎn)品質(zhì)量的一大關(guān)鍵因素，為滿足市場對帶鋼質(zhì)量高標(biāo)準(zhǔn)的要求，生產(chǎn)企業(yè)需要采用先進(jìn)的帶鋼表面缺陷檢測技術(shù)，為改善帶鋼質(zhì)量和提高生產(chǎn)效率提供可能［1］.

自20世紀(jì)70年代以來，國外學(xué)者和研究機(jī)構(gòu)對帶鋼表面自動檢測系統(tǒng)開展了卓有成效的工作，典型的檢測方法包括：基于激光掃描的檢測方法，基于渦流的檢測方法，基于紅外輻射探傷的檢測方法，基于激光超聲探傷的檢測方法和基于CCD（光電耦合器件）成像的機(jī)器視覺檢測方法［2－3］.與其它技術(shù)相對比，基于CCD成像的機(jī)器視覺檢測方法更加適合在線實(shí)時檢測的需要，同時能保存缺陷圖像，確定缺陷出現(xiàn)的位置，并能識別缺陷的類別.這些優(yōu)勢無疑使基于線陣CCD或面陣CCD成像的機(jī)器視覺檢測技術(shù)成為目前研究和應(yīng)用的主流技術(shù)［4］.

圖像處理過程中，系統(tǒng)將采集到的圖像分割成若干個不相交區(qū)域的方法叫做圖像分割，圖像分割的本質(zhì)就是將圖像按照像素單位進(jìn)行分類的過程.目前，圖像分割方法主要可以歸為三大類：基于灰度值的分割方法，基于邊緣的分割方法和基于區(qū)域生成的分割方法［5－6］.目前常用的最大類間差、固定閾值和迭代閾值等分割方法無法避免由于環(huán)境等因素的不同導(dǎo)致圖像灰度值變化而給圖像分割結(jié)果帶來的影響，分割后圖像中存在一定量的背景信息，不能滿足所有缺陷分割的需要，此外，這些方法對噪聲的干擾很敏感，因此不能實(shí)現(xiàn)對帶鋼缺陷的有效分割［7］.

在視覺產(chǎn)生的過程中，人類視覺系統(tǒng)總是對某些與周圍區(qū)域相比擁有某種特征差異的區(qū)域表現(xiàn)出更強(qiáng)的興趣，對此區(qū)域提高注意力并優(yōu)先處理，這就是人類視覺注意機(jī)制的原理［8］.因此，在機(jī)器視覺檢測中，如果能模仿人類視覺的這種特性，提前分析學(xué)習(xí)帶鋼缺陷圖像的缺陷特征，就有可能利用分析特征的結(jié)果作為標(biāo)準(zhǔn)，把這些目標(biāo)從背景圖像中快速準(zhǔn)確地分割出來.

1 帶鋼缺陷圖像分割方法原理

本文分割方法為選擇有用的特征項(xiàng)，深入挖掘該特征所包含的信息，利用所挖掘出來的信息確定分割閾值，從而實(shí)現(xiàn)對帶鋼缺陷圖像的分割.

1.1 帶鋼缺陷圖像特征分析

帶鋼缺陷圖像的特征指的是帶鋼缺陷部分的圖像表現(xiàn)出來的與背景存在著一定差異的可以被識別的某種性質(zhì).在分析和選取特征時，為了保證所選的特征為有效特征，要確保被選擇的圖像特征應(yīng)該滿足以下幾點(diǎn)要求：（1）可識別性：該特征必須要能被識別到；（2）相似性：同類目標(biāo)具有相似的特征；（3）獨(dú)立性：不同的特征應(yīng)互不影響.

分析帶鋼圖像可知，帶鋼的缺陷區(qū)域反映到圖像上就是一定數(shù)量的灰度值相近且與背景平均灰度值存在一定差異的像素點(diǎn)的密集聚集［9－11］.一定量的像素點(diǎn)聚集在一起就形成了一定面積的缺陷區(qū)域.如果利用缺陷面積特征確定分割的閾值，通過閾值就有可能把缺陷從帶鋼圖像中分割出來.為此，我們認(rèn)為在具體的每一幅帶鋼圖像中帶鋼缺陷面積是一定的，且缺陷區(qū)域中各個像素點(diǎn)灰度大致在一定小范圍內(nèi)，缺陷區(qū)域像素灰度通常高于或者低于背景像素灰度；另外，帶鋼缺陷與帶鋼背景區(qū)域相比較，缺陷區(qū)域面積相對較?。灰虼?，當(dāng)采用不同閾值分割帶鋼圖像時，如果分割閾值在缺陷區(qū)域像素灰度值變化范圍之內(nèi)，分割出來的區(qū)域僅含有一部分缺陷信息或者全部缺陷信息，分割出來的面積大小變化不大；當(dāng)分割閾值從缺陷區(qū)域像素灰度值跨越到背景區(qū)域像素灰度值范圍時，分割出來的區(qū)域因含有大量背景區(qū)域的像素，分割區(qū)域面積迅速變化.因此，通過分割出區(qū)域的面積變化的規(guī)律，確定帶鋼缺陷分割的閾值.

1.2 確定帶鋼圖像最佳分割閾值范圍

設(shè)帶鋼圖像f（x，y）灰度值范圍為min［f（x，y）］～ max［f（x，y）］，在帶鋼圖像灰度值范圍內(nèi)進(jìn)行N等分，T1＝ min［f（x，y）］，TN＝ max［f（x，y）］.采用公式（1）確定最佳分割閾值范圍如下：

其中，Tn和Tn＋1為帶鋼圖像灰度f（x，y）范圍min［f（x，y）］～max［f（x，y）］進(jìn)行N 等分中的第n和（n＋1）次分割閾值；STn和STn＋1分別表示采用Tn的Tn＋1分割出的缺陷區(qū)域面積；δn為前后兩次分割出的缺陷區(qū)域面積的絕對差值；［Tn，Tn＋1］表示從Tn到Tn＋1變化范圍；［T0］表示最佳分割閾值存在范圍.

1.3 確定帶鋼圖像最佳分割閾值

由于最佳分割閾值存在于［T0］范圍內(nèi)，必須進(jìn)一步細(xì)分以縮小最佳分割閾值的范圍，從而精確確定最佳閾值.具體方法為：在帶鋼圖像最佳分割閾值［T0］范圍內(nèi)進(jìn)行M 等分，T′m＝Tn，T′m＋1＝Tn＋1.采用公式（2）確定最佳分割閾值如下

其中，T′m，T′m＋1為帶鋼圖像最佳分割閾值［T0］范圍進(jìn)行 M 等分中的第m 和（m＋1）次的分割閾值；S′m，S′m＋1分別表示采用閾值T′m和T′m＋1分割出的缺陷區(qū)域面積；δ′n為前后兩次分割出的缺陷區(qū)域面積的絕對差值，［T′m，T′m＋1］表示從T′m到T′m＋1變化范圍，［T′0］表示細(xì)分后確定的最佳分割閾值存在范圍.由于［T′0］是細(xì)分后確定的帶鋼最佳閾值存在的范圍，其范圍變化很小，因此，可以用［T′0］中的T′m作為最佳分割閾值，如式（3）所示

2 帶鋼缺陷圖像分割過程

CCD采集來的帶鋼圖像可能包含三類區(qū)域：（1）均勻光照下變化緩慢的背景區(qū)域；（2）缺陷處形成的具有一定面積的、不規(guī)則的、灰度值與背景存在一定差異的缺陷區(qū)域；（3）噪聲信息.為了減少噪聲對后期圖像處理的影響，首先對采集到的圖像轉(zhuǎn)化為灰度圖像，然后進(jìn)行3×3的均值濾波以平滑圖像［12］.

2.1 帶鋼缺陷圖像分割閾值確定

由于帶鋼缺陷部分的灰度值既可能小于背景灰度值，也可能大于背景灰度值，所以分兩種情況討論.

2.1.1 缺陷區(qū)域灰度值小于背景區(qū)域 在帶鋼缺陷灰度值小于帶鋼背景灰度的圖像中，對其灰度范圍進(jìn)行10等分，統(tǒng)計(jì)每次目標(biāo)區(qū)域（黑色區(qū)域）面積作為縱坐標(biāo)，以閾值序列Tn作為橫坐標(biāo)，繪制目標(biāo)區(qū)域面積變化曲線，如圖1所示.根據(jù)式（1）和圖1確定最佳閾值分割范圍在第4，5次分割之間.在最佳閾值范圍內(nèi)10等分，進(jìn)行細(xì)分；統(tǒng)計(jì)每次目標(biāo)區(qū)域（黑色區(qū)域）面積作為縱坐標(biāo)，以閾值序列T′m作為橫坐標(biāo)，繪制目標(biāo)區(qū)域面積變化曲線，如圖2所示.最后根據(jù)式（2），（3）和圖2確定最佳閾值T′4.

圖1 預(yù)分割目標(biāo)區(qū)域面積變化曲線Fig.1 Curve of target area′s change

圖2 細(xì)分目標(biāo)區(qū)域面積變化曲線Fig.2 Curve of target area′s change

2.1.2 缺陷區(qū)域灰度值大于背景區(qū)域 在帶鋼缺陷灰度值大于帶鋼背景灰度值的圖像中，對其灰度值范圍進(jìn)行10等分，統(tǒng)計(jì)每次目標(biāo)區(qū)域（白色區(qū)域）面積作為縱坐標(biāo)，以閾值序列Tn作為橫坐標(biāo)，繪制目標(biāo)區(qū)域面積變化曲線，如圖3所示.根據(jù)式（1）和圖3確定最佳閾值分割范圍在第4，5次分割之間.在最佳閾值范圍內(nèi)進(jìn)行10等分，進(jìn)行細(xì)分；統(tǒng)計(jì)每次目標(biāo)區(qū)域（白色區(qū)域）面積作為縱坐標(biāo)，以閾值序列T′m作為橫坐標(biāo)，繪制目標(biāo)區(qū)域面積變化曲線，如圖4所示.最后根據(jù)式（2），（3）和圖4確定最佳閾值T′6.

2.2 帶鋼缺陷圖像分割

根據(jù)2.1節(jié)確定的最佳閾值T′6或T′4，對帶鋼缺陷圖分割效果如圖5所示.圖5中圖（a）～（b）中兩幅圖分別為帶鋼擦裂缺陷和分層缺陷的原圖像與其分割結(jié)果圖，其中虛線圈出區(qū)域即為帶鋼缺陷區(qū)域.可以看出，采用本文方法能夠完整有效地使帶鋼缺陷區(qū)域與背景區(qū)域分離，達(dá)到分割缺陷的目的.

圖3 預(yù)分割目標(biāo)區(qū)域面積變化曲線Fig.3 Curve of target area′s changing

圖4 細(xì)分目標(biāo)區(qū)域面積變化曲線Fig.4 Curve of target area′s changing

圖5 分割效果Fig.5 Segmentation effects

3 實(shí)驗(yàn)與分析

為驗(yàn)證此方法的有效性，選擇文中分割算法與經(jīng)典分割算法進(jìn)行對比實(shí)驗(yàn).經(jīng)典分割算法首先對帶鋼圖像進(jìn)行濾波處理，達(dá)到消除光照不均和噪聲的目的，然后采用最大類間方差分割法分割圖像.規(guī)定最終分割結(jié)果區(qū)域輪廓與帶鋼實(shí)際缺陷區(qū)域輪廓位置吻合且面積大小誤差在±10%以內(nèi)為有效分割.實(shí)驗(yàn)過程為：

（1）選取大小一致的帶有常見缺陷的帶鋼圖像50幅；

（2）在PC平臺WIN7環(huán)境下，利用MATLAB語言和可視化的界面進(jìn)行編程；

（3）由兩名實(shí)驗(yàn)員完成實(shí)驗(yàn)：一人在PC平臺上操作鼠標(biāo)導(dǎo)入圖像，運(yùn)行程序然后導(dǎo)出分割結(jié)果圖像，另外一名實(shí)驗(yàn)員記錄實(shí)驗(yàn)時間.將該實(shí)驗(yàn)分別連續(xù)重復(fù)進(jìn)行3次，統(tǒng)計(jì)結(jié)果求平均數(shù)，進(jìn)行對比分析.

（1）實(shí)驗(yàn)統(tǒng)計(jì)得出文中分割方法能完成90%（3次實(shí)驗(yàn)平均結(jié)果為45幅）以上的帶鋼缺陷圖像的分割，準(zhǔn)確率高于經(jīng)典算法的82%（3次實(shí)驗(yàn)平均結(jié)果為41幅）；文中3次連續(xù)實(shí)驗(yàn)共用時30s，少于經(jīng)典算法的35s.文中算法能夠有效實(shí)現(xiàn)目標(biāo)與背景的分離，而且準(zhǔn)確率與檢測速度都要優(yōu)于經(jīng)典算法.

（2）選取帶狀表面夾層缺陷分割結(jié)果如圖6所示（圖6（b）為圖6（a）的分割結(jié)果），分割結(jié)果中帶有少量孤立點(diǎn)，原因在于這些小尺寸點(diǎn)與帶鋼缺陷區(qū)域像素灰度值非常接近.對于這樣的區(qū)域，一般方法不能辨別出是噪聲點(diǎn)還是小尺寸缺陷區(qū)域，所以不能對其進(jìn)行完整分離，因此后續(xù)工作中需要繼續(xù)對分割結(jié)果的后處理進(jìn)行研究.

圖6 常見帶鋼缺陷分割結(jié)果Fig.6 Segmentation effect of common steep defects

4 結(jié)束語

針對工業(yè)現(xiàn)場帶鋼缺陷檢測的需要，通過研究帶鋼缺陷圖像特征，提出一種基于目標(biāo)面積特征分析的帶鋼缺陷圖像分割方法.該方法以帶鋼缺陷的灰度和面積不同于帶鋼背景作為條件，確定分割閾值，然后通過閾值分割出帶鋼缺陷信息.由于此方法充分挖掘帶鋼缺陷特征，所確定的閾值為最佳分割閾值，因此能夠完整地分割出缺陷信息.對于少量噪聲或偽目標(biāo)灰度與帶鋼缺陷灰度相近時的特殊情況，將在今后的工作中進(jìn)一步研究.

［1］JAYASHREE V，SHAILA Subbaraman.Identification of twill grey fabric defects using DC suppress Fourier power spectrum sum features［J］.Textile Research Journal，2012，82（14）：1485－1497.

［2］ABDEL Sanlam malek，JEAN Yves drean，LAUREN Bigue，et al.Optimization of automated online fabric inspection by fast fourier transform and cross－correlation［J］.Textile Research Journal，2013，83（3）：256－268.

［3］BRUCE N，TSOTSOS J.Saliency based on information maximization［J］.Advances in Neural Information Processing Systems，2006：155－162.

［4］仲兆準(zhǔn)，謝光偉，鐘勝奎，等.帶鋼表面缺陷在線檢測系統(tǒng)的設(shè)計(jì)［J］.北京工業(yè)大學(xué)學(xué)報，2014，7（40）：911－916.ZHONG Zhaozhun，XIE Guangwei，ZHONG Shengkui，et al.Design of online surface defect inspection system for steel strips.［J］.Journal of Beijing University of Technology，2014，7（40）：911－916.

［5］徐帥華，陳龍龍，管聲啟，等.視覺顯著性模型在帶鋼缺陷動態(tài)檢測中的應(yīng)用［J］.西安工程大學(xué)學(xué)報，2014，28（6）：755－759.XU Shuaihua，CHEN Longlong，GUAN Shengqi，et al.Application of visual saliency mechanism model on the dynamic steel strip defect detection［J］.Journal of Xi’an Polytechnic University，2014，28（6）：755－759.

［6］楊帆.數(shù)字圖像處理與分析［M］.北京：北京航空航天大學(xué)出版社，2007：85－89.YANG Fan.Digital image processing and analysis［M］.Beijing：Beihang University Press，2007：85－89.

［7］阮秋琦.實(shí)用數(shù)字圖像處理［M］.北京：電子工業(yè)出版社，2001：123－125.RUAN Qiuqi.Digital image processing using MATLAB［M］.Beijing：Publishing House of Electronics Industry，2001：123－125.

［8］楊丹，趙海濱，龍哲.MATLAB圖像處理實(shí)例詳解［M］.北京：清華大學(xué)出版社，2013，7（1）：127－131.YANG Dan，ZHAO Haibin，LONG Zhe.MATLAB image processing example explanation［M］.Beijing：Tsinghua University Press，2013，7（1）：127－131.

［9］JING Junfeng，LI Hang，LI Pengfei.Combined fabric defects detection approach and quad tree decomposition［J］.Textile Research Journal，2012，41（4）：331－344.

［10］徐科，宋敏，楊朝霖，等.隱馬爾可夫樹模型在帶鋼表面缺陷在線檢測中的應(yīng)用［J］.機(jī)械工程學(xué)報，2013，11（49）：34－40.XU Ke，SONG Min，YANG Chaolin，et al.Application of hidden markov tree model to online detection of surface defects for steel strips［J］.Journal of Mechanical Engineering，2013，11（49）：34－40.

［11］王耀南.計(jì)算機(jī)圖像處理與知識技術(shù)［M］.北京：高等教育出版社，2001：234－254.WANG Yaonan.Computer image processing technology and knowledge［M］.Beijing：Higher Education Press，2001：234－254.

［12］徐科，周茂貴，徐金梧，等.基于線型激光的熱軋帶鋼表面在線檢測系統(tǒng)［J］.北京科技大學(xué)學(xué)報，2008，30（1）：77－79.XU Ke，ZHOU Maogui，XU Jinwu，et al.Development and application of the online surface inspection system for hotroll eds trips based on LED light source［J］.Journal of University of Science and Technology Beijing，2008，30（1）：77－79.