蔡聰藝

基于稀疏成像與機器視覺的金屬材料次表面缺陷檢測方法

蔡聰藝

（漳州職業(yè)技術學院 機械工程學院，福建 漳州 363000）

傳統(tǒng)方法缺陷區(qū)域的輪廓邊緣存在斷續(xù)，缺陷定位區(qū)域封閉性較差，導致檢測識別準確率較低。針對這一問題，提出基于稀疏成像與機器視覺的金屬材料次表面缺陷檢測方法。掃描采集材料次表面二維圖像，采用均值濾波和高斯濾波，對圖像進行去噪處理，分割次表面缺陷的預處理圖像，利用機器視覺，定位并合并缺陷區(qū)域，提取灰度、形狀、紋理缺陷特征，利用稀疏成像，修正特征參數(shù)，對參數(shù)進行BP神經(jīng)網(wǎng)絡訓練，進而識別金屬次表面缺陷類型。選取鋼管的凹坑、劃痕和擦傷次表面缺陷，進行對比實驗，結果表明，此次方法提高了缺陷檢測識別準確率，更加符合檢測方面的要求。

稀疏成像；機器視覺；金屬材料；次表面缺陷；缺陷檢測

由于金屬材料生產(chǎn)過程中的設備和工藝等因素，材料次表面存在孔洞、夾層、劃傷等缺陷，嚴重影響了金屬性能，因此對金屬材料表面缺陷進行檢測，具有重要的現(xiàn)實意義[1]。國外金屬缺陷檢測技術研究較早，應用激光掃描的機器視覺檢測技術，對金屬材料次表面進行掃描，通過接收裝置接收散射光和反射光，光電轉換后，獲得金屬表面的二維信號，再采用自相關和分形分析的方法，對缺陷信號進行精確分辨，實現(xiàn)次表面缺陷檢測[2]。而國內金屬缺陷檢測技術也達到了較高要求，文獻[3]利用CCD和圖像采集卡，采集金屬表面的圖像信號，利用光電編碼裝置發(fā)出計數(shù)脈沖信號，區(qū)分金屬材料的背景和缺陷灰度，將金屬圖像轉化為數(shù)字圖像，通過工業(yè)級計算機實現(xiàn)數(shù)據(jù)綜合，再通過千兆以太網(wǎng)，將缺陷信息傳輸給服務器數(shù)據(jù)庫，并對其進行合并整理[3]。文獻[4]提出一種渦流檢測技術，運用電磁感應原理，在金屬材料表面產(chǎn)生渦流，利用渦流檢測儀器，檢測渦流磁場對線圈的反作用變化，從而判斷金屬表面有無缺陷，得到表面和表皮下層阻流缺陷，再通過計算機系統(tǒng)提取表面缺陷[4]。但傳統(tǒng)缺陷檢測方法的識別準確度較差，針對這一問題，在以上理論的基礎上，提出基于稀疏成像與機器視覺的金屬材料次表面缺陷檢測方法。機器視覺是利用機器代替人眼，對金屬次表面缺陷進行測量和判斷，可以將攝取目標轉換為圖像信號，而稀疏成像能夠利用較少的原子，表示金屬圖像采集信號，使缺陷的表示方法更加簡潔。

1 基于稀疏成像與機器視覺的金屬材料次表面缺陷檢測方法設計

1.1 預處理金屬材料次表面圖像

利用圖像處理技術，對金屬材料次表面圖像進行預處理，豐富次表面圖像信息量。選取激光器作為掃描光源的檢測設備，采用面陣CCD和線陣CCD兩種成像方式，對金屬材料次表面進行掃描，使用CCD傳感器和圖像采集卡，結合明域的照明方式，采集材料次表面的二維圖像[5]。采用均值濾波的方法，對二維圖像進行去噪處理，選取3×3的模板，將模板中心對應待處理的圖像像素，計算每個像素和周圍像素的均值，將其作為新的像素值代替原像素[6]。計算公式為

1.2 基于機器視覺定位金屬材料次表面缺陷區(qū)域

連接分割圖像的邊緣，對缺陷區(qū)域進行定位，采用二值圖像的形態(tài)學，膨脹分割后的圖像，使缺陷圖像區(qū)域形成一個封閉輪廓[14]。檢測到缺陷區(qū)域后，根據(jù)圖像像素的空間接近度和灰度相近度，合并同一個缺陷的區(qū)域[15]。利用機器視覺技術，將缺陷區(qū)域轉換成圖像信號，得到缺陷區(qū)域的形態(tài)信息，測量缺陷區(qū)域空間坐標的最大值和最小值，進而精準地判定區(qū)域空間最小矩形，具體如圖1所示。

圖1 基于機器視覺判定區(qū)域空間最小矩形

選取兩個閾值，當空間接近度和灰度相似距離小于該閾值時，判定兩個缺陷區(qū)域為同一缺陷，對其進行合并。至此完成基于機器視覺，金屬材料次表面缺陷區(qū)域的定位。

1.3 基于稀疏成像檢測缺陷特征

灰度特征提取完畢后，提取缺陷區(qū)域的形狀特征，直接統(tǒng)計輪廓區(qū)域內目標像素點的個數(shù)，得到缺陷區(qū)域面積，采用Freeman鏈碼表跟蹤輪廓邊界，得到缺陷輪廓的周長，利用Compactness算法和Rectangularity算法，分別得到缺陷輪廓的圓形度和矩形度[18]。在90°范圍內旋轉輪廓邊界，保持角度增量小于3°，旋轉一次后，對坐標系方向的外接矩形參數(shù)信息進行記錄，選取面積最小的外接矩形，將矩形長寬作為缺陷輪廓長寬，計算長與寬的比值，得到缺陷形狀的細長度。

2 實驗論證分析

進行對比實驗，記此次缺陷檢測方法為實驗A組，兩種傳統(tǒng)方法為實驗B組和實驗C組，比較3組實驗的金屬材料次表面缺陷識別率。

2.1 實驗準備

選取一含缺陷的鋼管作為實驗對象，3組實驗分別對鋼管次表面缺陷進行檢測。實驗A組對鋼管表面進行激光掃描，獲得752*402的鋼管次表面圖像，將圖像導入缺陷檢測軟件，軟件開發(fā)由Windows XP系統(tǒng)和OpenCV2.1線陣相機的SDK構成，對鋼管次表面缺陷進行定位，如圖2所示。

圖2 鋼管次表面缺陷采集樣本

缺陷區(qū)域包括凹坑、劃痕和擦傷，提取缺陷區(qū)域的特征值，具體數(shù)值如表1~3所示。

表1 缺陷區(qū)域灰度特征提取結果

表2 缺陷區(qū)域形狀特征提取結果

表3 缺陷區(qū)域紋理特征提取結果

根據(jù)上表數(shù)據(jù)建立特征集合，設計BP網(wǎng)絡，對特征集合進行訓練分類與識別。網(wǎng)絡最大迭代次數(shù)取15000~20000次，網(wǎng)絡訓練參數(shù)的學習率取0.02，最小誤差閾值為0.002，初始化權值取[-1,1]。

2.2 實驗結果

采集200個鋼管次表面缺陷的樣本集，由凹坑、劃痕、擦傷3類缺陷構成，3組實驗分別對樣本集進行分類識別。實驗A組采用訓練好的BP網(wǎng)絡分類器進行識別，其中凹坑缺陷的樣本數(shù)量為70個，3組實驗的對比結果如表4所示。

由表4可知，實驗A組平均識別率為93.9%，實驗B組和C組平均識別率分別為88.0%、84.2%，A組識別率分別提高了5.9%、9.7%。對樣本集中的劃痕缺陷進行識別，劃痕樣本數(shù)量為60個，實驗對比結果如表5所示。

表4 凹坑缺陷識別結果

表5 劃痕缺陷識別結果

表6 擦傷缺陷識別結果

由表5可知，實驗A組平均識別率為96.0%，實驗B組和C組平均識別率分別為89.2%、86.3%，A組識別率分別提高了6.8%、9.7%。最后識別擦傷缺陷，樣本數(shù)量為70個，實驗對比結果如表6所示。

由表6可知，實驗A組平均識別率為91.9%，實驗B組和C組平均識別率分別為83.1%、79.3%，A組識別率分別提高了8.8%、12.6%，當缺陷類別不同時，A組識別準確率始終高于B組和C組。綜上所述，此次設計方法利用稀疏成像和機器視覺技術，提取的特征參數(shù)更加精確，提高了金屬次表面缺陷的識別準確率，更加符合檢測方面的要求。

3 結束語

此次設計方法充分發(fā)揮了稀疏成像和機器視覺的優(yōu)勢，提高了缺陷檢測的識別準確率。但此次研究仍存在一定不足，去噪算法時效性較低，在今后的研究中，會在預篩選相似像素方面，進一步改進非局部均值算法，縮短檢測方法的時耗。

[1] 馬書澤，蔣瑋. 激光修復金屬表面缺陷檢測系統(tǒng)研究與開發(fā)[J]. 機電工程技術，2020, 49(08): 7-10

[2] 徐偉鋒，劉山. 基于機器視覺的接頭組件表面缺陷檢測系統(tǒng)研究[J]. 機床與液壓，2020, 48(16): 72-77

[3] 方葉祥，甘平，陳俐. 金屬表面缺陷檢測的改進YOLOv3算法研究[J]. 機械科學與技術，2020, 39(09): 1390-1394

[4] 蔡漢明，劉明. 基于Inception-V3模型的金屬板材表面缺陷檢測系統(tǒng)[J]. 輕工機械，2020, 38(01): 71-74

[5] 苑丹丹，閻相伊，路丹丹，等. 基于R-FCN深層卷積神經(jīng)網(wǎng)絡的金屬沖壓件表面缺陷檢測[J]. 工程機械，2020, 51(01): 23-30, 8

[6] 徐志祥，王錚恭，黃義敏，等. 激光超聲檢測帶過渡圓角平板表面缺陷的數(shù)值研究[J]. 應用光學，2020, 41(01): 214-219

[7] 李輝，吉同元，李鵬飛. 船閘工程金屬結構探傷裝備配置研究[J]. 港工技術，2020, 57(01): 71-74

[8] 汪方斌，孫凡，朱達榮，等. 一種基于偏振熱像的金屬疲勞損傷評估方法[J]. 光學學報，2020, 40(14): 124-134

[9] 徐秀，宣靜怡，曹桐滔，等. 基于Faster R-CNN的圓柱形金屬工件表面缺陷檢測[J]. 軟件導刊，2019, 18(05): 130-133

[10] 韓寧，張志杰，尹武良，等. 基于渦流傳感的金屬表面缺陷檢測方法研究[J]. 傳感技術學報，2019, 32(05): 704-710

[11] 馮維，劉紅帝，湯少靖，等. 基于HDRI的高反光金屬表面缺陷檢測方法研究[J]. 儀表技術與傳感器，2019(08): 112-116

[12] 王思琪，魏紹鵬，丁濤，等. 基于顯微機器視覺的MEMS微構件表面缺陷檢測系統(tǒng)研究[J]. 湖北工程學院學報，2019, 39(03): 49-52

[13] 張立新. 基于表面缺陷檢測的金屬圖像識別[J]. 粘接，2019, 40(08): 121-123

[14] 符林芳. 金屬零件表面缺陷檢測系統(tǒng)中的機器視覺應用分析[J]. 工業(yè)加熱，2019, 48(04): 73-74, 78

[15] 姜闊勝，柯虎城. 鬼像原理在高亮金屬表面缺陷檢測中的應用[J]. 陜西理工大學學報：自然科學版，2019, 35(06): 1-5, 12

[16] 莊濤，張軍，李志鵬，等. 人工神經(jīng)網(wǎng)絡在金屬餐具缺陷檢測中的應用[J]. 天津職業(yè)技術師范大學學報，2018, 28(04): 28-31

[17] 周友行，馬逐曦，石弦韋，等. HSI顏色空間下的直線導軌表面缺陷檢測方法[J]. 中國機械工程，2019, 30(18): 2179-2184

[18] 梁穎，詹光曹，徐科. 基于二值化賦范梯度的中厚板表面缺陷檢測[J]. 表面技術，2019, 48(10): 336-341

[19] 顧佳晨，高雷，劉路璐. 基于深度學習的目標檢測算法在冷軋表面缺陷檢測中的應用[J]. 冶金自動化，2019, 43(06): 19-22, 27

[20] 孫暉，孫錫柯，孫燕，等. 基于改進SSD模型的熱鍍鋅板表面缺陷在線檢測系統(tǒng)[J]. 電子技術，2018, 47(12): 107-109, 106

Metal subsurface defect detection method based on sparse imaging and machine vision

CAI Cong-yi

(Department of Mechanical and Automation Engineering, Zhangzhou Institute of Technology, Fujian Zhangzhou 363000, China)

The contour edge of defect area is discontinuous, and the sealing of defect location area is poor, which leads to the low recognition accuracy of defect detection. Therefore, a method based on sparse imaging and machine vision is proposed to detect subsurface defects in metal materials. The two-dimensional image of material subsurface is scanned and collected. The mean filter and Gaussian filter are used to denoise the image. The preprocessing image of subsurface defect is segmented. The defect area is located and combined by machine vision. The defect features of gray, shape and texture are extracted. Sparse imaging is used to modify the feature parameters. The parameters are trained by BP neural network to identify the metal secondary type of surface defect. The results show that this method improves the accuracy of defect detection and identification, and is more in line with the detection requirements.

sparse imaging；machine vision；metal materials；subsurface defects；defect detection

2020-10-12

福建省教育廳中青年教育科研項目（JZ180803）

蔡聰藝（1985-），男，福建漳州人，講師，碩士，主要從事機器智能檢測相關技術研究，ggjhg808@126.com。

TG115

A

1007-984X(2021)01-0001-05