基于圖像處理的鋼坯缺陷檢測研究

羅瑋+張榮福+郁浩+鄔奇

摘 要：為了解決傳統(tǒng)鋼坯長度測量方法不能有效檢測到鋼坯邊界缺陷點的問題，提出了一種基于圖像處理技術(shù)的非接觸式軋鋼邊界缺陷檢測方法。通過Canny算子對預(yù)處理后的圖像進行邊緣檢測，并提取邊緣點坐標。對端頭坐標點進行高階貝塞爾曲線擬合，通過求其曲線的曲率，確定端頭點位置。對左右邊緣進行八鄰域跟蹤，確定邊緣缺陷點位置。實驗表明，該方法能準確地對缺陷點進行定位。

關(guān)鍵詞關(guān)鍵詞：圖像處理；貝塞爾曲線；邊界跟蹤

DOIDOI：10.11907/rjdk.161434

中圖分類號：TP317.4

文獻標識碼：A 文章編號：1672-7800（2016）008-0177-03

0 引言

鋼廠型鋼在生產(chǎn)和加工過程中不可以避免地會產(chǎn)生變形，同時由于其縱向較長，需要對型鋼的長度進行精確測量從而根據(jù)實際需求進行精密切割。傳統(tǒng)在線鋼坯長度檢測系統(tǒng)主要使用以下方法：主被動式光電管檢測、輥軸轉(zhuǎn)動量計算、結(jié)構(gòu)光測量等，但是以上測量方法都不能很好地檢測出鋼坯端頭缺陷的確切位置，因此切割時只有采用定長切割的方法，導(dǎo)致產(chǎn)生大量鋼材浪費，嚴重影響成材率。為了提高鋼材利用率，提出了基于CCD和圖像處理技術(shù)的鋼坯邊緣缺陷檢測技術(shù)[1-2]，通過Canny算子對圖像進行邊緣檢測，配合高階貝塞爾曲線擬合以及八鄰域邊界跟蹤的方法，確定鋼坯端頭頂點以及兩側(cè)邊緣缺陷點的坐標，并根據(jù)坐標計算出合適的剪切長度。

1 圖像預(yù)處理

1.1 灰度提取

圖像預(yù)處理主要是通過對圖像進行灰度化、二值化、濾波等一系列操作，使得圖像中目標物體與背景圖像以及噪聲能夠比較好地分離開來，便于后續(xù)處理。

在某鋼廠拍攝的軋鋼首端圖像為彩色圖像，通常圖像在三維色彩空間中用RGB的疊加共同表示一個像素點的顏色，則一個坐標下的像素點需要使用三維向量來存儲RGB值。而灰度值則表示了黑白圖像中顏色深與淺的關(guān)系，用0～255這256個值來表示。因此，如果對彩色圖像進行灰度值提取，則每個像素點只需要用一維向量即可保存灰度值，且更有利于區(qū)分目標物體與背景噪聲。提取彩色圖像灰度[3]有3種常見方法，分別是均值法、加權(quán)平均法、分量法，這里使用加權(quán)平均法提取圖像灰度。加權(quán)平均法通過給R、G、B 3個分量分別設(shè)置一個權(quán)值，然后將權(quán)值與對應(yīng)分量的值相乘求和得到灰度值：

圖1是使用上述灰度提取算法對鋼坯彩色圖像進行處理的結(jié)果，圖2是灰度分布直方圖，橫坐標為灰度值大小，縱坐標為像素點個數(shù)。

由圖1可以得知，對于CCD拍攝到的軋鋼首端圖像，目標圖像的灰度值比較高，而背景圖像基本處于低灰度值。從圖2的灰度提取結(jié)果可以看出，低灰度值區(qū)間有波峰出現(xiàn)，說明背景區(qū)域主要集中在此區(qū)間內(nèi)，高灰度值同樣有比較集中的像素點分布，即目標圖像的像素點集中在該區(qū)間。且高低灰度區(qū)間中間有明顯的分割界限，更利于后續(xù)圖像分割閾值的選取。

1.2 圖像二值化及濾波、形態(tài)學處理

通過對上述處理后的灰度圖像進行二值化處理，有利于將背景與目標更好地分離。通常采用選取閾值的方法對灰度圖像進行二值化，即通過將灰度圖像中每個像素點的灰度值與選取的閾值進行比較，小于閾值的賦值為0，大于閾值的賦值為1，從而將灰度圖變?yōu)橹挥?和1表示的二值圖像，公式如下：

其中，G（i，j）為圖像的二值化矩陣，g（i，j）為圖像的灰度矩陣，T為根據(jù)灰度直方圖選取的閾值。經(jīng)過轉(zhuǎn)換的二值化圖像中仍有一些噪點，對圖像的處理造成干擾，考慮通過中值濾波對噪聲進行抑制同時保護邊緣信號，并用數(shù)學形態(tài)學處理的方法，將濾波后的二值圖像進行邊界提取、骨架提取、孔洞填充、角點提取、圖像重建，從而增強目標圖像特征，去除不相關(guān)的信息。處理后的圖像如圖3所示。

1.3 邊緣提取

在二值化圖像中，鋼坯邊緣信息并不非常清晰，通過圖像邊緣檢測[4-5]可以準確提取出目標邊緣信息，這樣有利于獲得鋼坯邊緣缺陷點坐標、端頭坐標，為計算剪裁長度提供方便，其具體實現(xiàn)可利用圖像和模板進行卷積來完成。經(jīng)常使用的邊緣檢測微分算子有很多，如 Canny算子[6]。Canny算子邊緣檢測具有濾波、增強、檢測等多個過程。在對圖像進行處理前，首先利用高斯平滑濾波器對圖像進行平滑處理來消除噪聲，接著采用一階偏導(dǎo)的有限差分來計算灰度梯度幅值和方向；在圖像處理的過程中，采取了對像素點灰度梯度幅值非極大值抑制處理過程，最后Canny算子還利用兩個閾值來連接邊緣。Canny算子對二值圖像的邊緣檢測結(jié)果如圖4所示。從圖4可以看出，Canny算子對形態(tài)學處理后的二值圖像檢測后的邊緣信息比較完整，型鋼左右側(cè)邊的規(guī)整與不規(guī)整的轉(zhuǎn)折點特征比較明顯，便于后續(xù)處理以定位特征點所在的坐標。

2 輪廓點提取

經(jīng)過預(yù)處理的圖像，僅保留了目標邊緣信息，但其中包含了輥道的邊緣，需要從中提取出僅屬于鋼坯輪廓點的坐標。在圖4中，有3個標記點：A、B、C。其中A點表示鋼坯左邊界高度規(guī)整與否的臨界點，B點表示鋼坯右邊界高度規(guī)整與否的臨界點，C表示鋼坯弧形頂端的最遠點。計算型鋼的截取長度就是找出這3個關(guān)鍵點，分別求出A點與C點的距離及B點與C點的距離，取其中的最大值作為截取長度。

2.1 鋼坯端頭坐標提取

經(jīng)過Canny算子提取邊緣后的二值圖像，其邊緣灰度與其它區(qū)域灰度離散分布在一個圖形矩陣中。需要對這一組離散的點擬合成一條光滑的曲線，以尋找曲率最大的點。通常采用貝塞爾曲線法[7-8]或者最小二乘多項式法[9]進行擬合。

最小二乘法擬合曲線遵循的原則是就相對應(yīng)點之差的平方最小。可以用如下公式表示：

從圖5可以看出，使用高階（這里選3階）貝塞爾曲線擬合，可以使得輪廓點比較集中地分布在擬合得到的曲線兩側(cè)，從而較好地描述了輪廓點軌跡，根據(jù)擬合后的曲線方程求出鋼坯端頭最頂部點的坐標，即圖4中的C點。

2.2 左右邊界缺陷點坐標提取

在圖像測量中，通常需要檢測目標區(qū)域的邊界點走向，以判斷特征點的坐標位置。輪廓點趨勢判斷通常會用到八鄰域法[10-12]。

圖像上的非邊界點會有8個像素點與其相接，分別位于中心像素點的周圍，相鄰兩個方位之間的角度為45°，8個方向鏈碼分別命名為1、2、3、4、5、6、7、8，如圖6所示。

對鋼坯邊緣作霍夫變換檢測直線后，求得鋼胚左右邊界上的多條線段，這些線段上的每一個像素點的坐標都放在一個數(shù)組中，通過對這些線段的斜率及線段所在直線的截距進行分類，若兩線段的斜率比較相近且截距也近似相同，同時兩線段相鄰的兩個端點的坐標差比較小，就認為這兩條線段在同一條直線上，然后將兩個線段的端點進行線性回歸。對得到的若干條線段進行處理后，得到的一組數(shù)據(jù)是線性回歸后的若干條線段以及每一個線段的端點坐標。

在對鋼坯端頭截取長度進行統(tǒng)計后，取極限截取長度在圖像中所占的像素點個數(shù)為L。取鋼坯端頭輪廓起始特征點的行坐標為M，則只需要分別從鋼坯的左右邊緣行坐標為（M-L）處的邊緣點向下進行基于八鄰域規(guī)則的邊界輪廓跟蹤。

鋼坯右側(cè)邊界輪廓跟蹤方法與上面類似，不同之處在于初始搜索方向為輪廓點的正右方（即方向“3”），終止搜索方向為“7”方向，其余輪廓跟蹤流程同左側(cè)邊緣相似。

在采用八鄰域邊界跟蹤算法之后，可以得到規(guī)定邊界區(qū)域內(nèi)每一個輪廓點的方向鏈碼表。通常而言，規(guī)整邊界的像素點分布由于噪點、相機的像素分辨率及其它因素，造成規(guī)整邊界的像素點分布可能不在同一條直線上，而是部分像素點在直線兩側(cè)突變，如圖8（a）所示。通過對邊界點的方向鏈碼進行分析，像素點的變化范圍在線性回歸直線的兩側(cè)，且左右變化不超過兩個像素點，此時認為該段邊界為規(guī)整邊界。

對于非規(guī)整邊界而言，如圖8（b）所示，通過對像素點的邊界鏈碼來分析，當某個邊緣點之后連續(xù)若干個像素點的邊界鏈碼為“5”、“6”或“7”，且邊緣點累計變化范圍在3個或以上像素點時，認為該邊緣點就是分界點，記錄該點的坐標，同時終止向下尋找判斷。通過對邊界鏈碼分析，可以容易得出鋼胚左右邊界的凹凸情況，從而可以判斷出左、右邊界規(guī)整與非規(guī)整的分界點坐標，即圖4的A、B兩點。

3 結(jié)語

本文提出了基于圖像處理的鋼坯邊緣缺陷檢測方法。采用Matlab軟件實現(xiàn)了圖像的灰度化和二值化處理，并使用9×9的窗口濾波及形態(tài)學處理使目標圖像增強。使用Canny算子對目標提取邊緣信息后，通過曲線擬合尋找最大曲率的方法，能夠較準確地找出端頭頂點坐標。對左、右邊界分別采用八鄰域跟蹤的方法，能夠很好地找出左、右邊界處缺陷點的坐標。

參考文獻：

[1] 劉勇，黃劼，李揚揚，等.大型鍛件幾何尺寸非接觸在線測量系統(tǒng)研究[J].中國測試技術(shù)，2008，15（5）：116-118.

[2] 童衛(wèi)旗.熱軋帶鋼在線測寬技術(shù)的發(fā)展現(xiàn)狀[J].儀表技術(shù)與傳感器，2006，5（11）：10-13.

[3] 劉勇.關(guān)于彩色化灰度圖像的算法研究及實現(xiàn)[D].濟南：山東大學，2007.

[4] 吳劍鋒.一種圖像邊緣檢測的新算法[J].福州大學學報：自然科學版，2000，28（4） ：26-28.

[5] 魏偉波，丙筱亭.圖像邊緣檢測方法研究[J].計算機工程與應(yīng)用，2006，12（30）：88-91.

[6] CANNY J A.Computational approach to edge detection[J].IEEE Trans.on Pattern Analysis and Machine Intelligence，1986，8（6）：679-698.

[7] 祝雙武，韓惠民，任亮.基于貝塞爾曲線及柏林噪聲模型的紗線外觀仿真[J].西安工程大學學報，2009，23（1）：23-29.

[8] 鄭振貴，彭勇，許寧，等.一種基于貝塞爾曲線的終端定位軌跡擬合方法[P].中國，201210472346.2，2013-03-27.

[9] 劉佳琪，楊繼新，王春艷.進化算法在最小二乘法曲線擬合中的應(yīng)用[J].計算機應(yīng)用，2010，30（2）：41-42.

[10] 劉相濱，向堅持，陽波.基于八鄰域邊界跟蹤的標號算法[J].計算機工程與應(yīng)用，2001，21（23）：125-126.

[11] JIN JINGXUAN.A location method based on eight neighborhood chain code for palmprint image[J].Journal of Yanbian University：Natural Science，2007，33（4）：279-282.

[12] 馮彥銘，謝家龍，李林升，等.基于八鄰域跟蹤算法的封閉區(qū)域幾何尺寸測量[J].機械工程與自動化，2013，5（6）：170-172.

（責任編輯：孫 娟）