CN102654464A - 基于多特征模糊识别的铜带表面缺陷检测系统 - Google Patents

Abstract

一种基于多特征模糊识别的铜带表面缺陷检测系统，所述系统包括：编码器模块，用于获取铜带运行的速度信息，生成频率信号；图像采集模块，用于采集铜带表面彩色图像；图像处理模块，用于对铜带表面彩色图像进行缺陷检测，具体过程如下：然后经过预判断算法，如果含有缺陷，则通过Canny算法进行缺陷图像分割，提取缺陷图像的宽长比、圆形度、矩形度和不变矩特征，将提取的特征向量输入多特征模糊识别分类器，识别出缺陷类型。本发明提高了铜带表面缺陷类型的识别率和识别精度，满足企业对铜带表面缺陷信息检测和存储的需求，同时可应用于其他材料的表面质量检测。

Description

基于多特征模糊识别的铜带表面缺陷检测系统

技术领域

本专利涉及基于多特征模糊识别的铜带表面缺陷检测系统。

背景技术

铜带是铜加工材中的一个重要品种，消费量约占加工铜材总消费量的18％，广泛应用于电子、电气、通讯、仪表仪器、交通运输和机械制造等各个领域。特别是现代通讯、电子和半导体产业的发展，不但其需求量剧增，同时对铜带的质量提出了“精密铜带”即高表面、高性能和高精密度的要求。然而在加工过程中，由于原材料、轧制设备和工艺等原因，会导致铜带表面出现划痕、起皮、孔洞、污渍等不同类型的缺陷。这些缺陷不仅影响产品的抗腐蚀性、耐磨性和抗疲劳强度等性能，还可能造成灾难性危害。

成型的铜带在流水线上的运行速度较快，而且其表面缺陷的检测是一种重复性、精度要求高的劳动，但是检测的环境复杂、恶劣，致使传统的人目检测、红外检测、漏磁检测、频闪光检测、偏振光(风间彰，日本，1995)和超声波检测(宋寿鹏，江苏大学，2006)等存在实时性差、漏检率高和检测精度低等弊端，致使铜带表面缺陷检测效果不能很好的达到企业的要求。另外，当购货方以表面质量为理由退货和索赔时，由于成品是铜带卷，其长度达百米，无法现场查验致使企业蒙受不必要的损失。

目前，具有快速、高效等特点的检测表面缺陷的技术主要是基于机器视觉。机器视觉是指用计算机来实现人眼的视觉功能，采用自动化与智能化技术获取物体的图像，通过计算机识别和控制，测量过程中只需很少的人工干预就可完成，且具有非接触、测量速度快、自动化程度高、精度高等优点。

基于机器视觉的表面缺陷检测方法中的难点是快速判断获取的物体表面图像是否含有缺陷，缺陷的特征提取和分类。由于铜带表面具有强反光性，致使传统的基于机器视觉的铜带表面缺陷检测方法存在不同方面的不足。如沈昱明(上海理工大学，2010)提出的基于LabView的检测方法，其缺陷是在缺陷判断方面所用时间长，未能考虑铜带表面质量信息的存储。张学武等(河海大学，2011)提出基于视觉仿生理论的方法，未考虑缺陷判断环节，同时也没有存储铜带表面质量图像模块。因此，快速、高效、高精度的检测出铜带表面缺陷，同时存储铜带表面质量信息，解决铜带生产企业检测产品表面缺陷和避免恶意退货的需求仍是急需解决的问题。

据在浙江某企业调研得出铜带表面出现缺陷的概率低于8％，在缺陷检测方法中首先判断是否存有缺陷可以提高系统处理的实时性。在对缺陷的特征提取时选择对旋转、缩放具有不变性的宽长比、圆形度、矩形度和由Hu M.K(美国，1962)提出的不变矩的多特征，可以解决单一特征的局限性，同时利用扎德(L.A.Zadeh)(美国，1965)提出的模糊理论的分类器，能够更快速、更精确的识别出表面缺陷的类型。

发明内容

针对现有技术在铜带表面缺陷检测的识别率、缺陷检测的精度、识别速率和存储铜带表面信息等方面的不足，本发明提供了一种识别率较高、缺陷检测的精度高、识别速度较快的基于多特征模糊识别的铜带表面缺陷检测系统。

本发明解决其技术问题所采用的技术方案是：

一种基于多特征模糊识别的铜带表面缺陷检测系统，所述系统包括：编码器模块，用于获取铜带运行的速度信息，生成频率信号；图像采集模块，用于采集铜带表面彩色图像；图像处理模块，用于对铜带表面彩色图像进行缺陷检测，具体过程如下：

1)对传送来的铜带表面彩色图像进行灰度化处理，处理成灰度图像；2)利用中值滤波算法进行噪声去除；

3)对图像进行预判断算法判断图像是否含有缺陷，算法的具体描述是将灰度图像f按图像的宽度等分为两幅图像f₁和f₂，将两幅图像对应的像素点的灰度值f₁(x_i，y_j)、f₂(x_i，y_j)相减，与整幅图像的像素值之和的1/2的比值δ作为判断采集得到的铜带表面图像是否含有缺陷的系数，当检测得到的比值δ不属于预设阈值范围区间，则判定含有缺陷；

4)如果含有缺陷则利用Canny算法进行缺陷图像的分割；

5)对分割出的缺陷提取对旋转、缩放具有不变性的宽长比、矩形度、圆形度和不变矩缺陷特征，得到特征向量；

6)对提取的特征向量，进过归一化处理到[0，1]范围内，输入模糊识别分类器，首先计算出缺陷的多特征向量的缺陷类型模糊分类系数矩阵，再将归一化的特征向量作为分类器的输入向量，识别出缺陷类型。

进一步，所述图像处理模块中，具体过程还包括以下步骤：

7)将识别出缺陷信息存入服务器模块中的数据库；

8)在原先采集的铜带彩色图像上以一种不同于铜带颜色的颜色标记出缺陷，在展示模块中直观的显示。

再进一步，所述步骤6)中，分类器的计算公式为：

$C_i=\mathrm{MAX}\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}\left(X_i{W}_{\mathrm{ij}}\right)---\left(23\right)$

其中：C_j是向量中的最大的元素，其下标i对应着缺陷的类型；m是特征向量中的特征个数，X_i是特征向量的第i个数值；j是缺陷类型的数目，W是区分度系数矩阵，W_ij是对应的多特征对缺陷类型的区分度，且单特征对所有缺陷类型的区分度之和为1。

更进一步，根据在企业调研获取的铜带表面缺陷数据，计算出每种缺陷对应的每种特征的值；对样本进行统计，计算出多特征区分系数矩阵W_ij。

根据公式(23)对待分类数据进行计算，计算出缺陷类型C_i，确定缺陷类型并将数据加入样本，动态的调整多特征区分系数矩阵W_ij。

所述步骤5)中，宽长比小于一定的系数k时其属于划痕的可能性为78％，计算方法如下式：

            k＝W/L        (8)

其中，W，L是表面缺陷的最小外接矩形的宽和长；

缺陷形状为矩形时为最大值1，为圆形时为π/4，对划痕的区分度大于65％，计算方法如下：

            R＝S₀/S_r      (9)

其中，S₀，S_r是表面缺陷的面积和表面缺陷最小外接矩形的面积；

圆形度表示物体的圆形程度，计算方法如下式：

$K=P_0^2/S_0---\left(10\right)$

其中，P₀，S₀是表面缺陷的周长和面积；

归一化式为：

            O＝1-4π/K    (11)

不变矩是区域形状特征，计算方法如下：

区域R的(i，j)阶为：

$M_{\mathrm{ij}}=\underset{x\∈R}{\mathrm{\Σ}}\underset{y\∈R}{\mathrm{\Σ}}{x}^i{y}^j---\left(12\right)$

点(x，y)是区域R的内点或边界点；

${\mathrm{\μ}}_{\mathrm{ij}}=\underset{x\∈R}{\mathrm{\Σ}}\underset{y\∈R}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^i{(y-\stackrel{\‾}{y})}^j---\left(13\right)$

其中，

为区域R的形心，由下式求得：

$\stackrel{\‾}{x}=\frac{M_{10}}{M_{00}},\stackrel{\‾}{y}=\frac{M_{01}}{M_{00}}---\left(14\right)$

中心矩μ_ij虽然对区域平移具有不变性，但对旋转和尺度变化依然敏感，可通过对μ_ij进行归一化得到尺度的不变性。归一化中心矩定义为：

${\mathrm{\η}}_{\mathrm{ij}}=\frac{{\mathrm{\μ}}_{\mathrm{ij}}}{{\mathrm{\μ}}_{00}^r},r=\frac{i+j}{2}+1---\left(15\right)$

由归一化的中心矩组合成7个不变的矩组合：

$({3\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]---\left(20\right)$

$4{\mathrm{\η}}_{11}[({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})+({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})]---\left(21\right)$

$({3\mathrm{\η}}_{12}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]---\left(22\right)$

本发明的有益效果是实现了快速、高效和高精度的检测出铜带的表面缺陷以及铜带表面信息的存储和展示，满足了企业对铜带表面质量的检测和表面信息的存储的需求，并可以广泛的应用于其他材料的表面质量检测，具有广阔的市场价值和应用前景。

附图说明

图1是本发明的现场铜带表面缺陷检测结构图：图中1.图像采集模块；2.触摸屏工控机；3.警报器；4.电源模块；5.路由器；6.服务器；7.展示模块；8.铜带；9.编码器；10.编码器输出线；11、12、13、14、15、16、17.电源连接线；18、19、20、21.CAT网线；22.警报器连接线。

图2是彩色工业相机和可控线阵光源的采集原理图。1.彩色工业相机；2.镜头；3.可控线阵LED光源；4.铜带。

图3是彩色工业相机和线阵光源的组装图。1.工业相机；2.可控线阵光源；3.工业相机可调节支架；4.光源可调节支架；5、6.进风风扇；7.出气口；8.漫反射板；9.金属外壳。

图4是图像处理模块处理流程图。

图5是预判断算法示意图。

图6是基于多特征模糊识别的铜带表面缺陷检测系统。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1～图6，一种基于多特征模糊识别的铜带表面缺陷检测系统，所述系统包括编码器模块，用于获取铜带运行的速度信息，生成频率信号；图像采集模块1主要包括照明单元和图像采集单元，其中照明单元是可控线阵LED光源，图像采集单元是彩色线阵CCD工业相机，该模块主要是完成对铜带表面信息的采集；图像处理模块的内容是第一步对图像采集模块传送来的铜带表面彩色图像进行灰度化处理，处理成灰度图像，第二步利用中值滤波算法进行噪声去除，第三步对图像进行预判断算法判断图像是否含有缺陷，算法的具体描述是将灰度图像f按图像的宽度等分为两幅图像f₁和f₂，将两幅图像对应的像素点的灰度值f₁(x_i，y_j)、f₂(x_i，y_j)相减，与整幅图像的像素值之和的1/2的比值δ作为判断采集得到的铜带表面图像是否含有缺陷的系数，如果含有缺陷则进行第四步利用Canny算法进行缺陷图像的分割，第五步对分割出的缺陷提取对旋转、缩放具有不变性的宽长比、矩形度、圆形度和不变矩等缺陷特征，第六步对提取的特征向量，进过归一化处理到[0，1]范围内，输入模糊识别分类器，首先计算出缺陷的多特征向量的缺陷类型模糊分类系数矩阵，再将归一化的特征向量作为分类器的输入向量，识别出缺陷类型，第七步将识别出缺陷信息存入服务器模块中的数据库，第八步在原先采集的铜带彩色图像上以一种不同于铜带颜色的颜色标记出缺陷，在展示模块中直观的显示，该模块负责对采集得到的铜带表面信息进行处理，分类、识别铜带表面缺陷的类型并标记出缺陷；服务器模块由存储服务器组成，完成铜带表面缺陷的信息、视频以及铜带生产信息的存储；展示模块由大屏幕显示器组成，主要是铜带的实时生产情况的实时展示和历史记录的查询展示。

本发明检测系统硬件设计方案如下：彩色工业线阵相机和可控线阵LED光源组成图像采集模块；图像采集模块连接到以工控机为主体的图像处理模块；图像处理模块连接报警模块和经由路由器连接到服务器模块；报警模块由报警器组成；服务器模块由服务器为主体组成；展示模块由大屏幕显示器组成，连接到服务器；编码器模块连接到工业相机，将速度信息转化为编码信号同步控制工业线阵相机的采集频率。电源模块连接彩色线阵工业相机、可控线阵LED光源、工控机、报警器、路由器、服务器、显示器、编码器；

如图1所示，本发明基于多特征模糊识别的铜带表面缺陷检测方法及系统的结构图。1.图像采集模块，是彩色线阵工业相机和可控线性LED光源的组装而成，负责铜带表面图像的采集。2.工控机模块，以触摸屏工控机为主体，负责对图像采集模块采集到的铜带表面图像进行处理，将处理后的信息存入服务器模块。3.警报器是在发现严重缺陷时发出警告。4.电源模块负责为1、2、3、5、6、7、9供电。5.路由器连接服务器、工控机和展示模块，负责数据的转发。6.服务器负责铜带表面图像和检测信息的存储以及为展示模块提供数据。7.展示模块负责展示铜带表面采集的实时信息和历史记录信息。8.铜带。9.编码器负责将铜带的速度信息编码后传输给线阵工业相机，同步控制彩色线阵工业相机的采集频率。10.编码器输出线。11、12、13、14、15、16、17.电源连接线。18、19、20、21.CAT网线。22.警报器连接线。

如图2所示，本发明的采集模块的原理图。1.彩色线阵工业相机。2.镜头。3.可控线阵LED光源。光源的发射光与工业相机的接收光有夹角α，夹角的变化范围在0°-150°，，同时线阵LED光源可以根据现场的光照情况，调节光照强度。4.铜带。由图中的参数可以计算所需的工业相机、镜头的参数。

如图3所示，本发明的工业相机和线阵LED光源组成的图像采集模块的组装图。由于企业制造车间的复杂环境，需要考虑防尘，防油等。1.工业相机和2.线阵LED光源必须四周和上面由9.金属外壳包装，下面是漫反射板，避免光源发生漫反射现象影响采集得图像的质量。3.工业相机可调节支架和4.线阵LED光源可调节支架，可以调节工业相机和线阵光源的夹角，达到最佳采集效果。5、6.具有过滤功能的进风风扇，一方面防止油污、灰尘进入组装箱；另一方面负责为工业相机和线阵光源降温。7.出气口。

如图4所示，本发明的图像处理模块的处理流程图。由图像采集模块将采集得到铜带表面彩色图像，首先需要对彩色图像进行灰度化处理，再将灰度图像进行去噪，然后经过预判断算法判断表面图像是否含有缺陷，没有含有缺陷则直接存入服务器，如果含有缺陷则需要对表面图像进行缺陷分割，缺陷特征选择和提取，将提取的缺陷的多特征特征向量归一化处理后输入模糊分类器，最终识别出铜带表面缺陷的类型。

如图5所示，本发明的图像处理模块中对采集的铜带图像进行是否含有缺陷的预判断算法的示意图。将一帧采集得到彩色模型为RGB的铜带表面彩色图像经过灰度化处理后的灰度图像按照图像的宽度等分为两幅图像。将两幅灰度图像相对应的像素点的灰度值做差计算判断系数。

如图6所示，本发明的系统具有的模块。系统包括本发明检测方法的系统以及用户登录模块、用户管理模块、用户密码修改模块、实时检测展示模块、历史检测记录查询模块、工业相机配置模块、视频采集控制模块和系统帮助模块。

本发明的检测方法及系统的具体实施技术方案如下：

1、图像采集模块

图像采集模块即工业相机和光源的组合。相机的选购内容包括：相机、相机镜头。工业相机的选购主要考虑的参数是成像面的像元个数和行频，由被测物体的宽度和要求检测表面缺陷的精度决定。镜头的选购主要考虑参数是焦距，由工业相机的成像靶面的参数和工业相机离被测物体的距离决定。

本发明采用具有实时传输光电变换信号和自扫描速度快、频率响应高和分辨率高，能够实现动态测量，并能在低照度下工作线阵CCD(Charge Coupled Device)相机。选择具体要求的线阵CCD相关参数的设置如下：被检测铜带的宽度为W_铜，企业要求的横向检测精度为δ_x(铜带的宽度方向)，纵向检测精度为δ_y(铜带的运行方向)，被检测的铜带的运行速度为V_铜，工业相机离被检测物的距离为H。相应摄像机的选择参数的计算公式如下：

其中N表示相机的像元个数，f_行是相机的行频。相机镜头的选择参数计算公式如下：

其中

为相机的像元尺寸，F为摄像机镜头的焦距。

参数选择的原理图如图2所示。根据企业的需求，要求检测的铜带的宽度为500mm，横向精度和纵向精度都为1mm，相机安放的位置离被检测的铜带的距离为500mm，铜带的最大运行速度为3000mm/s。由公式(1)得出所选线阵CCD相机的像元个数要大于500，由公式(2)得出相机的行频要大于3KHz。本发明选择的是DALSA公司的型号为SG-32-02K80-00-R的线阵CCD相机，具有像元个数2048，行频18KHz，则实际的宽度方向的检测精度为0.24mm，运行方向的检测精度为0.16mm。由公式(3)、(4)和所选相机的参数得出所选相机的镜头的焦距，本发明采用的是Nikon AF 50MM F1.4D的镜头。

在企业车间内部的光照不均匀和铜带自身的高反光性决定了普通光源无法提高满足要求的光照，以致影响采集得到的图像的质量，综合分析多种光源特性，本发明采用型号为LS-D525-W-2V的可控LED线性光源，可根据现场光照条件调节光源的光照强度。影响铜带表面质量的绝大部份类型的表面缺陷在光照的暗域可以更好的采集，因此如图3调整线阵CCD相机和线性光源的相对位置使相机采集光照的暗域，使采集得到的图像中表面缺陷的信息更明显。

2、图像处理模块

本发明的图像处理模块主要包括：铜带表面图像预处理、铜带表面缺陷图像分割、铜带表面缺陷图像边缘检测与提取、铜带表面缺陷图像特征选择与提取、铜带表面缺陷分类与识别和铜带表面缺陷标记。图像处理模块的处理流程如图4所示。

1)预处理

预处理包括图像增强和预判断。图像在采集的过程中会产生一定的噪声(即不属于原有图像的信息)，影响采集得到的图像质量以及后续的处理效果。从处理速度和处理效果两方面考虑，本发明采用3X3的中值滤波对图像进行增强，去除图像所含的噪声。

通过在企业的调研和统计数据分析得知铜带表面出现缺陷的概率低于8％。本发明对采集到的图像首先进行预判断，即检测采集到的铜带表面图像是否含有缺陷，如果图像含有缺陷则进行进一步的处理，否则直接存入服务器。通过预判断将大大减少处理时间，提高系统的实时处理能力，提高处理效率。预判断算法原理示意图如图5所示。

算法描述如下：

第一步：将获取到的一幅大小为m行n列，彩色模型为RGB的彩色图像经过灰度化处理。

$f(i,j)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}({299R}_{(i,j)}+{587G}_{(i,j)}+{114B}_{(i,j)})/1000---\left(5\right)$

其中，f(i，j)为灰度图像对应像素点的灰度值，R_(i，j)，G_(i，j)，B_(i，j)为彩色图像对应像素点的红色分量值，绿色分量值和蓝色分量值。

第二步：将灰度图像f按图像的宽度等分为两幅图像f₁和f₂，将两幅图像对应的像素点的灰度值f₁(x_i，y_j)、f₂(x_i，y_j)相减，与整幅图像的像素值之和的1/2的比值δ作为判断采集得到的铜带表面图像是否含有缺陷的系数。

$\mathrm{\δ}=2(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j}{\overset{n/2}{\mathrm{\Σ}}}(f_1(x_i,y_j)-f_2(x_i,y_j))/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(i,j)---\left(6\right)$

其中，f₁(x_i，y_j)f₂(x_i，y_j)为灰度图像的对应像素点的灰度值。

第三步：将采集得到一定数量的铜带表面图像作为样本，计算出一个具有合适范围的δ₀∈[δ_0min，δ_0max]作为标准值，当获取的图像的δ值不属于δ₀，即δ＜δ_0min或δ＞δ_0max则认为图像中存在缺陷，否则，则不存在。

2)铜带表面缺陷图像分割、缺陷边缘检测与提取

图像分割指将图像分成互不交叠的区域并提取出感兴趣的目标的技术和过程。即将检测的铜带表面缺陷图像与铜带背景、不同区域的表面缺陷等分割开来。本发明采用Canny算法进行铜带表面缺陷的边缘检测和分割。Canny是基于边缘检测的图像分割方法，算法思想是先用高斯滤波器平滑图像，然后用一阶偏导的有限差分来计算梯度的幅值和方向，为了得到合理的边缘，对梯度幅值进行非极大值抑制，用双阈值算法进行检测和连接真正的边缘。

缺陷边缘提取主要是保存Canny算法检测的边缘数据，服务于铜带表面缺陷图像的特征选择和提取。

3)铜带表面缺陷特征选择与提取方法

特征表达是对经过预处理的信息进行选择和变换，得到最能反应分类本质的特征，构成特征向量。其目的是将维数较高的模式空间转化为维数较低的特征空间。对已知铜带表面缺陷的特征的分析，系统选择能有效分类缺陷且具有平移、旋转和缩放具有不变性的形状特征：宽长比、矩形度、圆形度和不变矩。其中宽长比、矩形度和圆形度对不同缺陷的区分度不同，即将缺陷归为特定分类的概率不同，且同一特征的区分度之和为1。

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_i=1---\left(7\right)$

其中W为某一特征对不同缺陷的区分度，i为缺陷的类型数目，取值为1到n。

宽长比对于区分类条形缺陷如划痕和类圆形缺陷如起皮、起泡等具有很高的区分度。如宽长比小于一定的系数k时其属于划痕的可能性为78％左右。其计算方法如下式：

k＝W/L    (8)

其中，W，L是表面缺陷的最小外接矩形的宽和长。

矩形度即缺陷对其外接矩形的充满程度，具有区分纤细缺陷和方形或圆形缺陷的能力，缺陷形状为矩形时为最大值1，为圆形时为π/4，对划痕的区分度大于65％。其计算方法如下：

R＝S₀/S_r    (9)

其中，S₀，S_r是表面缺陷的面积和表面缺陷最小外接矩形的面积。

圆形度表示物体的圆形程度。此特征可以区分纤细缺陷和圆形缺陷，缺陷越细长其值越大，对于区分起泡、孔洞等缺陷具有大于68％的区分度。其计算方法如下式：

$K=P_0^2/S_0---\left(10\right)$

其中，P₀，S₀是表面缺陷的周长和面积。

归一化式为：

O＝1-4π/K    (11)

不变矩(Hu M.K，美国，1962)是区域形状特征，具有很好的特征分类性。其计算方法如下：

区域R的(i，j)阶为：

$M_{\mathrm{ij}}=\underset{x\∈R}{\mathrm{\Σ}}\underset{y\∈R}{\mathrm{\Σ}}{x}^i{y}^j---\left(12\right)$

点(x，y)是区域R的内点或边界点。

${\mathrm{\μ}}_{\mathrm{ij}}=\underset{x\∈R}{\mathrm{\Σ}}\underset{y\∈R}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^i{(y-\stackrel{\‾}{y})}^j---\left(13\right)$

其中，

为区域R的形心，由下式求得：

$\stackrel{\‾}{x}=\frac{M_{10}}{M_{00}},\stackrel{\‾}{y}=\frac{M_{01}}{M_{00}}---\left(14\right)$

中心矩μ_ij虽然对区域平移具有不变性，但对旋转和尺度变化依然敏感，可通过对μ_ij进行归一化得到尺度的不变性。归一化中心矩定义为：

${\mathrm{\η}}_{\mathrm{ij}}=\frac{{\mathrm{\μ}}_{\mathrm{ij}}}{{\mathrm{\μ}}_{00}^r},r=\frac{i+j}{2}+1---\left(15\right)$

由归一化的中心矩组合成7个不变的矩组合。

$({3\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]---\left(20\right)$

$4{\mathrm{\η}}_{11}[({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})+({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})]---\left(21\right)$

$({3\mathrm{\η}}_{12}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]---\left(22\right)$

4)铜带表面缺陷分类、识别与缺陷标记

1965年美国自动控制专家、数学家扎德(L.A.Zadeh)在杂志《Information and Control》上正式提出了多值集合理论。到20世纪90年代，已经形成了具有完整体系和鲜明特点的模糊拓扑学、框架日趋成熟的模糊随机数学、模糊逻辑理论以及模糊代数学等。模糊理论的应用已经遍及自然科学、社会科学和工程技术的各个领域，各种模糊技术成果和模糊产品也逐渐从实验室走向社会并取得了显著的社会效益。

由于缺陷类型对各种特征具有的模糊性，针对铜带表面缺陷选择的特征，缺陷的分类与识别采用多特征模糊分类器，实现系统对表面缺陷的分类与识别的自学习能力，提高系统对表面缺陷的识别精确度。

$C_i=\mathrm{MAX}\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}\left(X_i{W}_{\mathrm{ij}}\right)---\left(23\right)$

其中：C_j是向量中的最大的元素，其下标i对应着缺陷的类型；m是特征向量中的特征个数，X_i是特征向量的第i个数值；j是缺陷类型的数目，W是区分度系数矩阵，W_ij是对应的多特征对缺陷类型的区分度，且单特征对所有缺陷类型的区分度之和为1，如公式(7)所示。

多特征模糊分类算法描述如下：

(1)根据在企业调研获取的铜带表面缺陷数据，根据公式(8)-(22)计算出每种缺陷对应的每种特征的值；对样本进行统计，计算出多特征区分系数矩阵W_ij。

(2)根据公式(23)对待分类数据进行计算，计算出缺陷类型C_i，确定缺陷类型并将数据加入样本，动态的调整多特征区分系数矩阵W_ij。

多特征模糊分类算法对划痕、孔洞等严重级别的缺陷的识别具有更快速、高效的效果，可以更好的服务于对实时性要求高的系统。

缺陷标记是在获取的原铜带表面彩色图像上用不同的颜色标记出缺陷的边界，给出缺陷的直观视觉提示，并记录缺陷的位置、类别等信息。

3、服务器模块

服务器模块实现铜带表面缺陷的信息和视频、铜带生产信息的存储。本发明采用存储服务器(Storage server)对采集到的图像进行编码成视频，进行实时存储，并利用存储服务器特性和流媒体技术对历史视频提供远程的查看，以及利用数据库技术对铜带生产信息记录的实时查询。

4、展示模块

展示模块是以大屏幕为主体，利用网络技术远程连接系统的服务器模块，实现铜带生产时表面信息的实时视频展示和历史生产记录的展示。可以满足企业在迎接各级领导和产品购买方的考察时的产品展示以及在购买方恶意提出退货申请时，作为产品质量的证明材料。本发明可以促进企业信息化管理，提高市场竞争力。

参照图6，系统的操作界面包括用户登录模块、用户管理模块、用户密码修改模块、检测实时显示模块、工业相机配置模块、视频采集控制模块和系统帮助模块。

用户登录模块是用户身份的验证，可以保护系统的运行。用户管理模块包括用户账号的添加、修改、删除、用户权限的分配、修改等。用户权限分为管理员和普通用户，管理员具有添加、删除普通用户账号以及控制系统运行的权限，普通用户只有修改自己账号密码、控制系统运行等权限。检测实时显示模块包括检测采集的铜带表面图像的显示以及表面缺陷类型信息的显示。工业相机配置模块主要完成相机采集图像的宽度、高度、彩色模型等参数的配置。视频采集控制模块主要是视频存放位置、采集完成后是否放弃保存等。系统帮助模块提供系统版本等信息。

Claims (6)

1.一种基于多特征模糊识别的铜带表面缺陷检测系统，其特征在于：所述系统包括：

编码器模块，用于获取铜带运行的速度信息，生成频率信号；

图像采集模块，用于采集铜带表面彩色图像；

图像处理模块，用于对铜带表面彩色图像进行缺陷检测，具体过程如下：

1)对传送来的铜带表面彩色图像进行灰度化处理，处理成灰度图像；

2)利用中值滤波算法进行噪声去除；

3)对图像进行预判断算法判断图像是否含有缺陷，算法的具体描述是将灰度图像f按图像的宽度等分为两幅图像f₁和f₂，将两幅图像对应的像素点的灰度值f₁(x_i，y_j)、f₂(x_i，y_j)相减，与整幅图像的像素值之和的1/2的比值δ作为判断采集得到的铜带表面图像是否含有缺陷的系数，当检测得到的比值δ不属于预设阈值范围区间，则判定含有缺陷；

4)如果含有缺陷则利用Canny算法进行缺陷图像的分割；

5)对分割出的缺陷提取对旋转、缩放具有不变性的宽长比、矩形度、圆形度和不变矩缺陷特征，得到特征向量；

6)对提取的特征向量，进过归一化处理到[0，1]范围内，输入模糊识别分类器，首先计算出缺陷的多特征向量的缺陷类型模糊分类系数矩阵，再将归一化的特征向量作为分类器的输入向量，识别出缺陷类型。

2.如权利要求1所述的基于多特征模糊识别的铜带表面缺陷检测系统，其特征在于：所述图像处理模块中，具体过程还包括以下步骤：

7)将识别出缺陷信息存入服务器模块中的数据库；

8)在原先采集的铜带彩色图像上以一种不同于铜带颜色的颜色标记出缺陷，在展 示模块中直观的显示。

3.如权利要求1或2所述的基于多特征模糊识别的铜带表面缺陷检测系统，其特征在于：所述步骤6)中，分类器的计算公式为：

其中：C_j是向量中的最大的元素，其下标i对应着缺陷的类型；m是特征向量中的特征个数，X_i是特征向量的第i个数值；j是缺陷类型的数目，W是区分度系数矩阵，W_ij是对应的多特征对缺陷类型的区分度，且单特征对所有缺陷类型的区分度之和为1。

4.如权利要求3所述的基于多特征模糊识别的铜带表面缺陷检测系统，其特征在于：根据在企业调研获取的铜带表面缺陷数据，计算出每种缺陷对应的每种特征的值；对样本进行统计，计算出多特征区分系数矩阵W_ij。

5.如权利要求3所述的基于多特征模糊识别的铜带表面缺陷检测系统，其特征在于：根据公式(23)对待分类数据进行计算，计算出缺陷类型C_i，确定缺陷类型并将数据加入样本，动态的调整多特征区分系数矩阵W_ij。

6.如权利要求1或2所述的基于多特征模糊识别的铜带表面缺陷检测系统，其特征在于：所述步骤5)中，宽长比小于一定的系数k时其属于划痕的可能性为78％，计算方法如下式：

k＝W/L    (8)

其中，W，L是表面缺陷的最小外接矩形的宽和长；

缺陷形状为矩形时为最大值1，为圆形时为π/4，对划痕的区分度大于65％，计算方法如下：

R＝S₀/S_r    (9)

其中，S₀，S_r是表面缺陷的面积和表面缺陷最小外接矩形的面积； 

圆形度表示物体的圆形程度，计算方法如下式：

其中，P₀，S₀是表面缺陷的周长和面积；

归一化式为：

O＝1-4π/K    (11)

不变矩是区域形状特征，计算方法如下：

区域R的(i，j)阶为：

点(x，y)是区域R的内点或边界点；

其中， 

为区域R的形心，由下式求得：

中心矩μ_ij虽然对区域平移具有不变性，但对旋转和尺度变化依然敏感，可通过对μ_ij进行归一化得到尺度的不变性。归一化中心矩定义为：

由归一化的中心矩组合成7个不变的矩组合：

。

Images