蔡聪艺

基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法

蔡聪艺

（漳州职业技术学院 机械工程学院，福建 漳州 363000）

传统方法缺陷区域的轮廓边缘存在断续，缺陷定位区域封闭性较差，导致检测识别准确率较低。针对这一问题，提出基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法。扫描采集材料次表面二维图像，采用均值滤波和高斯滤波，对图像进行去噪处理，分割次表面缺陷的预处理图像，利用机器视觉，定位并合并缺陷区域，提取灰度、形状、纹理缺陷特征，利用稀疏成像，修正特征参数，对参数进行BP神经网络训练，进而识别金属次表面缺陷类型。选取钢管的凹坑、划痕和擦伤次表面缺陷，进行对比实验，结果表明，此次方法提高了缺陷检测识别准确率，更加符合检测方面的要求。

稀疏成像；机器视觉；金属材料；次表面缺陷；缺陷检测

由于金属材料生产过程中的设备和工艺等因素，材料次表面存在孔洞、夹层、划伤等缺陷，严重影响了金属性能，因此对金属材料表面缺陷进行检测，具有重要的现实意义[1]。国外金属缺陷检测技术研究较早，应用激光扫描的机器视觉检测技术，对金属材料次表面进行扫描，通过接收装置接收散射光和反射光，光电转换后，获得金属表面的二维信号，再采用自相关和分形分析的方法，对缺陷信号进行精确分辨，实现次表面缺陷检测[2]。而国内金属缺陷检测技术也达到了较高要求，文献[3]利用CCD和图像采集卡，采集金属表面的图像信号，利用光电编码装置发出计数脉冲信号，区分金属材料的背景和缺陷灰度，将金属图像转化为数字图像，通过工业级计算机实现数据综合，再通过千兆以太网，将缺陷信息传输给服务器数据库，并对其进行合并整理[3]。文献[4]提出一种涡流检测技术，运用电磁感应原理，在金属材料表面产生涡流，利用涡流检测仪器，检测涡流磁场对线圈的反作用变化，从而判断金属表面有无缺陷，得到表面和表皮下层阻流缺陷，再通过计算机系统提取表面缺陷[4]。但传统缺陷检测方法的识别准确度较差，针对这一问题，在以上理论的基础上，提出基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法。机器视觉是利用机器代替人眼，对金属次表面缺陷进行测量和判断，可以将摄取目标转换为图像信号，而稀疏成像能够利用较少的原子，表示金属图像采集信号，使缺陷的表示方法更加简洁。

1 基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法设计

1.1 预处理金属材料次表面图像

利用图像处理技术，对金属材料次表面图像进行预处理，丰富次表面图像信息量。选取激光器作为扫描光源的检测设备，采用面阵CCD和线阵CCD两种成像方式，对金属材料次表面进行扫描，使用CCD传感器和图像采集卡，结合明域的照明方式，采集材料次表面的二维图像[5]。采用均值滤波的方法，对二维图像进行去噪处理，选取3×3的模板，将模板中心对应待处理的图像像素，计算每个像素和周围像素的均值，将其作为新的像素值代替原像素[6]。计算公式为

1.2 基于机器视觉定位金属材料次表面缺陷区域

连接分割图像的边缘，对缺陷区域进行定位，采用二值图像的形态学，膨胀分割后的图像，使缺陷图像区域形成一个封闭轮廓[14]。检测到缺陷区域后，根据图像像素的空间接近度和灰度相近度，合并同一个缺陷的区域[15]。利用机器视觉技术，将缺陷区域转换成图像信号，得到缺陷区域的形态信息，测量缺陷区域空间坐标的最大值和最小值，进而精准地判定区域空间最小矩形，具体如图1所示。

图1 基于机器视觉判定区域空间最小矩形

选取两个阈值，当空间接近度和灰度相似距离小于该阈值时，判定两个缺陷区域为同一缺陷，对其进行合并。至此完成基于机器视觉，金属材料次表面缺陷区域的定位。

1.3 基于稀疏成像检测缺陷特征

灰度特征提取完毕后，提取缺陷区域的形状特征，直接统计轮廓区域内目标像素点的个数，得到缺陷区域面积，采用Freeman链码表跟踪轮廓边界，得到缺陷轮廓的周长，利用Compactness算法和Rectangularity算法，分别得到缺陷轮廓的圆形度和矩形度[18]。在90°范围内旋转轮廓边界，保持角度增量小于3°，旋转一次后，对坐标系方向的外接矩形参数信息进行记录，选取面积最小的外接矩形，将矩形长宽作为缺陷轮廓长宽，计算长与宽的比值，得到缺陷形状的细长度。

2 实验论证分析

进行对比实验，记此次缺陷检测方法为实验A组，两种传统方法为实验B组和实验C组，比较3组实验的金属材料次表面缺陷识别率。

2.1 实验准备

选取一含缺陷的钢管作为实验对象，3组实验分别对钢管次表面缺陷进行检测。实验A组对钢管表面进行激光扫描，获得752*402的钢管次表面图像，将图像导入缺陷检测软件，软件开发由Windows XP系统和OpenCV2.1线阵相机的SDK构成，对钢管次表面缺陷进行定位，如图2所示。

图2 钢管次表面缺陷采集样本

缺陷区域包括凹坑、划痕和擦伤，提取缺陷区域的特征值，具体数值如表1~3所示。

表1 缺陷区域灰度特征提取结果

表2 缺陷区域形状特征提取结果

表3 缺陷区域纹理特征提取结果

根据上表数据建立特征集合，设计BP网络，对特征集合进行训练分类与识别。网络最大迭代次数取15000~20000次，网络训练参数的学习率取0.02，最小误差阈值为0.002，初始化权值取[-1,1]。

2.2 实验结果

采集200个钢管次表面缺陷的样本集，由凹坑、划痕、擦伤3类缺陷构成，3组实验分别对样本集进行分类识别。实验A组采用训练好的BP网络分类器进行识别，其中凹坑缺陷的样本数量为70个，3组实验的对比结果如表4所示。

由表4可知，实验A组平均识别率为93.9%，实验B组和C组平均识别率分别为88.0%、84.2%，A组识别率分别提高了5.9%、9.7%。对样本集中的划痕缺陷进行识别，划痕样本数量为60个，实验对比结果如表5所示。

表4 凹坑缺陷识别结果

表5 划痕缺陷识别结果

表6 擦伤缺陷识别结果

由表5可知，实验A组平均识别率为96.0%，实验B组和C组平均识别率分别为89.2%、86.3%，A组识别率分别提高了6.8%、9.7%。最后识别擦伤缺陷，样本数量为70个，实验对比结果如表6所示。

由表6可知，实验A组平均识别率为91.9%，实验B组和C组平均识别率分别为83.1%、79.3%，A组识别率分别提高了8.8%、12.6%，当缺陷类别不同时，A组识别准确率始终高于B组和C组。综上所述，此次设计方法利用稀疏成像和机器视觉技术，提取的特征参数更加精确，提高了金属次表面缺陷的识别准确率，更加符合检测方面的要求。

3 结束语

此次设计方法充分发挥了稀疏成像和机器视觉的优势，提高了缺陷检测的识别准确率。但此次研究仍存在一定不足，去噪算法时效性较低，在今后的研究中，会在预筛选相似像素方面，进一步改进非局部均值算法，缩短检测方法的时耗。

[1] 马书泽，蒋玮. 激光修复金属表面缺陷检测系统研究与开发[J]. 机电工程技术，2020, 49(08): 7-10

[2] 徐伟锋，刘山. 基于机器视觉的接头组件表面缺陷检测系统研究[J]. 机床与液压，2020, 48(16): 72-77

[3] 方叶祥，甘平，陈俐. 金属表面缺陷检测的改进YOLOv3算法研究[J]. 机械科学与技术，2020, 39(09): 1390-1394

[4] 蔡汉明，刘明. 基于Inception-V3模型的金属板材表面缺陷检测系统[J]. 轻工机械，2020, 38(01): 71-74

[5] 苑丹丹，阎相伊，路丹丹，等. 基于R-FCN深层卷积神经网络的金属冲压件表面缺陷检测[J]. 工程机械，2020, 51(01): 23-30, 8

[6] 徐志祥，王铮恭，黄义敏，等. 激光超声检测带过渡圆角平板表面缺陷的数值研究[J]. 应用光学，2020, 41(01): 214-219

[7] 李辉，吉同元，李鹏飞. 船闸工程金属结构探伤装备配置研究[J]. 港工技术，2020, 57(01): 71-74

[8] 汪方斌，孙凡，朱达荣，等. 一种基于偏振热像的金属疲劳损伤评估方法[J]. 光学学报，2020, 40(14): 124-134

[9] 徐秀，宣静怡，曹桐滔，等. 基于Faster R-CNN的圆柱形金属工件表面缺陷检测[J]. 软件导刊，2019, 18(05): 130-133

[10] 韩宁，张志杰，尹武良，等. 基于涡流传感的金属表面缺陷检测方法研究[J]. 传感技术学报，2019, 32(05): 704-710

[11] 冯维，刘红帝，汤少靖，等. 基于HDRI的高反光金属表面缺陷检测方法研究[J]. 仪表技术与传感器，2019(08): 112-116

[12] 王思琪，魏绍鹏，丁涛，等. 基于显微机器视觉的MEMS微构件表面缺陷检测系统研究[J]. 湖北工程学院学报，2019, 39(03): 49-52

[13] 张立新. 基于表面缺陷检测的金属图像识别[J]. 粘接，2019, 40(08): 121-123

[14] 符林芳. 金属零件表面缺陷检测系统中的机器视觉应用分析[J]. 工业加热，2019, 48(04): 73-74, 78

[15] 姜阔胜，柯虎城. 鬼像原理在高亮金属表面缺陷检测中的应用[J]. 陕西理工大学学报：自然科学版，2019, 35(06): 1-5, 12

[16] 庄涛，张军，李志鹏，等. 人工神经网络在金属餐具缺陷检测中的应用[J]. 天津职业技术师范大学学报，2018, 28(04): 28-31

[17] 周友行，马逐曦，石弦韦，等. HSI颜色空间下的直线导轨表面缺陷检测方法[J]. 中国机械工程，2019, 30(18): 2179-2184

[18] 梁颖，詹光曹，徐科. 基于二值化赋范梯度的中厚板表面缺陷检测[J]. 表面技术，2019, 48(10): 336-341

[19] 顾佳晨，高雷，刘路璐. 基于深度学习的目标检测算法在冷轧表面缺陷检测中的应用[J]. 冶金自动化，2019, 43(06): 19-22, 27

[20] 孙晖，孙锡柯，孙燕，等. 基于改进SSD模型的热镀锌板表面缺陷在线检测系统[J]. 电子技术，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

福建省教育厅中青年教育科研项目（JZ180803）

蔡聪艺（1985-），男，福建漳州人，讲师，硕士，主要从事机器智能检测相关技术研究，ggjhg808@126.com。

TG115

A

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