CN104240252A - 一种机器视觉棒材高温钢坯表面裂纹检测算法 - Google Patents

Abstract

本发明公开了一种机器视觉棒材高温钢坯表面裂纹检测算法，具体包括如下步骤：钢坯图像区域的提取、通过区域直方图统计、分割阈值选取和铁屑图像的膨胀完成钢坯锁定区域内铁屑层的提取和锁定、区域Sobel因子计算、对铁屑图像判断统计疑似裂纹区域；本发明的检测算法，快速有效地对高温、高速生产过程中的钢坯表面裂纹进行实时监测，能够及时将不合格产品剔除。

Description

一种机器视觉棒材高温钢坯表面裂纹检测算法

技术领域

本发明属于检测设备技术领域，具体涉及一种机器视觉棒材高温钢坯表面裂纹检测算法。

背景技术

当钢坯表面有裂纹等缺陷时，部分不合格产品就会混进市场，造成批量不合格，造成很大损失，目前急需一种有效的检测措施，在钢坯生产线出口处实行实时监控，以便及时将不合格产品剔除。

对于钢坯表面缺陷检测，目前有很多无损检测手段，包括超声波探伤、祸流、探伤、漏磁探伤和磁粉探伤等各种检测技术。但对于生产过程中的钢坯，由于高温磁场等的影响，这些方法的检测精度会受到很大的影响。与以上检测技术相比，基于数字图像处理的机器视觉方法检测速度快，可实现实时在线检测。

目前利用机器视觉检测钢坯表面裂纹的技术大都掌握在国外，已经有了成熟的产品。2010年，韩国浦项工科大学的研究人员结合光照系统设计发布了一项圆钢表面缺陷检测系统专利，该专利包含两方面内容：检测设备和检测软件。检测设备主要包括光照系统、光学传感器和信号处理单元等；检测软件即为在线检测算法。该系统检测速度快，应用范围较广，能工作于低于18m/s加工速度的圆钢生产线，对于直径大于14mm的圆钢均能实现在线检测，圆形平面光源的设计使得系统鲁棒性良好，光源和图像传感器对于震动不敏感，而且平面光源比线性光源更易安装，不足之处是需要的光源强度较大，而像机又是线阵的，因此造成了很多能量的浪费。

在国内对于机器视觉检测热钢坯起步较晚，最近关于这方面的专利有：2010年,香港大学的一项圆钢表面缺陷检测系统专利，该专利中包含缺陷在线检测算法，该算法利用高斯滤波对所采集的图像进行降噪处理，然后针对每行图像利用二阶微分算子计算异常度，如果行图像之间或行图像内二阶微分值超过设定的阈值，则判为该图像包含表面缺陷。该算法计算简单，速度快，但是对于质量较低的图像，即噪声较多的图像检测率较低，另外该算法中采用的图像形态学处理也存在着模板大小和形状的设定问题；2010年台湾国立成功大学的Liu Yung-Chun等人提出一种新的机器视觉系统来检测圆钢表面缺陷，采用了神经网络分类器(BPN)和相关向量机(RVM)两种分类器，能够有效识别裂纹、刮伤、疤痕和压痕四种缺陷，对像素为2048×512的图像，检测一幅图像平均需要0.2839s，正确率达85％。该算法首先对图像进行了预处理，包括脉冲增强滤波和7×7高斯滤波来降低图像噪声，然后对提取出的圆钢图像进行拉直处理，以改善圆钢跳动对图像扭曲的影响，再使用竖直方向Sobel算子，将所得的图像分布于四个预先设计的模板进行卷积，进行二值化和区域生长，最后得到完整的缺陷形状；对得到的缺陷形状进行特征提取，共包括12种灰度特征：缺陷的面积、宽度、长度和像素灰度值等；最后利用BPN和RVM两种分类器对缺陷进行识别，但该系统检测速度和准确性较低。

发明内容

本发明的目的是解决上述问题，提供一种检测速度快，准确率高且能对质量较低的图像进行表面裂纹检测的算法。

为解决上述技术问题，本发明的技术方案是：一种机器视觉棒材高温钢坯表面裂纹检测算法，具体包括如下步骤：

S1、钢坯图像区域的提取，利用离散差分公式，从图像的左上角开始向中间靠拢：

D＝f(i,j)-f(i,(j-step))

其中，f(i,j)为图像第j行i列的灰度，f(i,(j-step))为图像第j-step行i列的灰度，step为所取两个像素点之间相差的行距，当D大于预设值时判定为钢坯图像区域的左上点；分别从图像的左下角、右上角和右下角开始依次向中间靠拢，通过上述公式确定钢坯图像区域的左下点、右上点和右下点，所得到的左上点、左下点、右上点和右下点围成区域为钢坯图像区域；

S2、通过区域直方图统计、分割阈值选取和铁屑图像的膨胀完成钢坯锁定区域内铁屑层的提取和锁定，具体包括如下步骤：

S21、对S1锁定的图像区域进行直方图统计，设经离散数字离散后，图像的大小为M行N列，图像中选取不同的灰度点，灰度级r_i的概率密度函数表示为：

$p\left(r_i\right)=\frac{\mathrm{Num}\left(r_i\right)}{M\×N}$

该表达式为灰度直方图统计，同时又有：

$\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(r_i\right)=1$

得到灰度直方图上的唯一峰值点P；

S22、选取分割阈值T＝P-10，小于T灰度的表示较暗铁屑中心所在的灰度层，大于T的灰度表示裂纹可能存在的灰度层，得到铁屑层的分布图像；

S23、对铁屑层的分布图像进行膨胀，图像膨胀的公式为：

$D\left(A\right)=\left\{z\right|B_z\∩A\⊆A\}=A\⊕B\}$

其中，B_z表示结构元素B平移Z后获得新的集合，D(A)为集合A被B膨胀的结果；

S3、采取表面铁屑层作为先决条件，当目标不在铁屑区域作Sobel卷积运算，然后对计算出的Sobel梯度作判断：当大于设定的梯度阈值时把该像素点作为疑似裂纹点；最后计算裂纹周长L，当达到一定数量级L_T时判定其为裂纹区域。

优选地，步骤S23中采用3×3的结构元素B：

$B=\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right].$

本发明的有益效果是：通过该检测算法快速有效地对高温、高速生产过程中的钢坯表面裂纹进行实时监测，能够及时将不合格产品剔除。

附图说明

图1是本发明的算法流程图；

图2是本发明带铁屑钢坯锁定区域算法效果图；

图3是本发明带铁屑钢坯区域直方图统计示意图；

图4是本发明锁定带铁屑钢坯区铁屑层分割示意图；

图5是本发明带铁屑钢坯锁定区域铁屑层膨胀效果图；

图6是本发明带铁屑钢坯锁定区域缺陷识别示意图；

图7是本发明有裂纹钢坯锁定区域算法效果图；

图8是本发明有裂纹钢坯区域直方图统计示意图；

图9是本发明锁定有裂纹钢坯区铁屑层分割示意图；

图10是本发明有裂纹钢坯锁定区域铁屑层膨胀效果图；

图11是本发明有裂纹钢坯锁定区域缺陷识别示意图；

图12是本发明集合A的示意图；

图13是本发明结构元素B的示意图；

图14是本发明集合A膨胀后的示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明：

如图1～图14所示，本发明的一种机器视觉棒材高温钢坯表面裂纹检测算法，具体包括如下步骤：

S1、钢坯图像区域的提取，利用离散差分公式，从图像的左上角开始向中间靠拢：

D＝f(i,j)-f(i,(j-step))

其中，f(i,j)为图像第j行i列的灰度，f(i,(j-step))为图像第j-step行i列的灰度，step为所取两个像素点之间相差的行距，当D大于预设值时判定为钢坯图像区域的左上点；分别从图像的左下角、右上角和右下角开始依次向中间靠拢，通过上述公式确定钢坯图像区域的左下点、右上点和右下点，所得到的左上点、左下点、右上点和右下点围成区域为钢坯图像区域；

S2、通过区域直方图统计、分割阈值选取和铁屑图像的膨胀完成钢坯锁定区域内铁屑层的提取和锁定，具体包括如下步骤：

S21、对S1锁定的图像区域进行直方图统计，设经离散数字离散后，图像的大小为M行N列，图像中选取不同的灰度点，灰度级r_i的概率密度函数表示为：

$p\left(r_i\right)=\frac{\mathrm{Num}\left(r_i\right)}{M\×N}$

该表达式为灰度直方图统计，同时又有：

$\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(r_i\right)=1$

得到灰度直方图上的唯一峰值点P；

S22、分割阈值选取尤为关键，如果阈值选取过大，有可能对裂纹判断产生漏判，若偏小，则有可能把不是裂纹的铁屑当成裂纹产生误判；由于铁屑相对于钢坯的面积较小，而且也是附着在钢坯表面，铁屑边缘散发的光强跟裂纹表面相近，铁屑中心与钢坯散发光强差异较大；而钢坯内部温度要比表面高很多，因此裂纹在散发光强上要远远大于钢坯本身的光强；根据铁屑、钢坯和裂纹散发的光强特征，再加上实际检测的经验，选取分割阈值T＝P-10，小于T灰度的表示较暗铁屑中心所在的灰度层，大于T的灰度表示裂纹可能存在的灰度层，得到铁屑层的分布图像；

S23、经过上述处理后，获得铁屑层的分布图像，由于铁屑层本身散发光强，并没有涵盖铁屑的边缘，在裂纹决策时，这些边缘和边界的灰度差仍会产生误判，因此还要采用膨胀把整个铁屑边缘涵盖进来；对铁屑层的分布图像进行膨胀，图像膨胀的公式为：

$D\left(A\right)=\left\{z\right|B_z\∩A\⊆A\}=A\⊕B\}$

其中，B_z表示结构元素B平移Z后获得新的集合，D(A)为集合A被B膨胀的结果；本发明采用3×3的结构元素B：

$B=\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right].$

S3、采取表面铁屑层作为先决条件，当目标不在铁屑区域作Sobel卷积运算，然后对计算出的Sobel梯度作判断：当大于设定的梯度阈值时把该像素点作为疑似裂纹点；最后计算裂纹周长L，当达到一定数量级L_T时判定其为裂纹区域。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种机器视觉棒材高温钢坯表面裂纹检测算法，具体包括如下步骤：

S1、钢坯图像区域的提取，利用离散差分公式，从图像的左上角开始向中间靠拢：

D＝f(i,j)-f(i,(j-step))

其中，f(i,j)为图像第j行i列的灰度，f(i,(j-step))为图像第j-step行i列的灰度，step为所取两个像素点之间相差的行距，当D大于预设值时判定为钢坯图像区域的左上点；分别从图像的左下角、右上角和右下角开始依次向中间靠拢，通过上述公式确定钢坯图像区域的左下点、右上点和右下点，所得到的左上点、左下点、右上点和右下点围成区域为钢坯图像区域；

S2、通过区域直方图统计、分割阈值选取和铁屑图像的膨胀完成钢坯锁定区域内铁屑层的提取和锁定，具体包括如下步骤：

S21、对S1锁定的图像区域进行直方图统计，设经离散数字离散后，图像的大小为M行N列，图像中选取不同的灰度点，灰度级r_i的概率密度函数表示为：

$p\left(r_i\right)=\frac{\mathrm{Num}\left(r_i\right)}{M\×N}$

该表达式为灰度直方图统计，同时又有：

$\underset{i=0}{\overset{255}{\mathrm{\Σ}}}p\left(r_i\right)=1$

得到灰度直方图上的唯一峰值点P；

S22、选取分割阈值T＝P-10，小于T灰度的表示较暗铁屑中心所在的灰度层，大于T的灰度表示裂纹可能存在的灰度层，得到铁屑层的分布图像；

S23、对铁屑层的分布图像进行膨胀，图像膨胀的公式为：

$D\left(A\right)=\left\{z\right|B_z\∩A\⊆A\}=A\⊕B\}$

其中，B_z表示结构元素B平移Z后获得新的集合，D(A)为集合A被B膨胀的结果；

S3、采取表面铁屑层作为先决条件，当目标不在铁屑区域作Sobel卷积运算，然后对计算出的Sobel梯度作判断：当大于设定的梯度阈值时把该像素点作为疑似裂纹点；最后计算裂纹周长L，当达到一定数量级L_T时判定其为裂纹区域。

2.根据权利要求1所述的检测算法，其特征在于：步骤S23中采用3×3的结构元素B：

$B=\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right].$