郭嘉宇，张世钢，杨旭杰

（江苏大学 机械工程学院，江苏 镇江 212013）

0 引 言

在国民实际生活和工业生产中，钢带的应用领域不断扩大，钢带使用范围也越来越广，特别是在航天航空、汽车制造、半导体工业、生物医疗、精密加工、新材料制造等行业，对钢带表面的质量检测格外严格，钢带表面缺陷越来越受到关注。只有对钢带表面缺陷的特征、不良影响以及产生原因有了正确的认识，才能合理控制产品质量，采取有效的控制措施，实施质量攻关，以达到改善产品质量的目的，最终满足用户的使用要求。

钢带表面的缺陷会降低产品的质量、影响产品的机械性能，也影响其外观。缺陷类型中的线缺陷往往以线条形式在钢带表面出现，划痕属于纵向线缺陷，是指在工件被加工表面上随机分布的长短不一的线状缺损，是工件在加工过程中由于磨粒压入工件过深产生的表面缺陷。这些缺陷的出现不仅会损害产品的性能，影响产品的商业用途，而且甚至会对产品的表观质量造成后续正常使用的安全隐患。

目前国内的钢材钢带加工制造企业主要通过人工检测和手工接触判断的方法进行钢带表面划痕及缺陷的检测，这种方法速度慢，效率低，并且容易漏检。因为普通相机无法拍摄到表面微观划痕，所以需要通过精密微观缺陷检测技术，实现对钢带表面缺陷的监测，加强轧制工艺管理，剔除废品、减少原材料浪费、提高成材率。故基于机器视觉的钢带表面划痕测量方法是研究的内容。

1 国内外研究现状

当前，图像识别和处理技术已成为机器视觉应用中进行物体表面缺陷识别和检测的研究热点。吕宏峰等针对因为复杂的光照条件给电子元器件的表面缺陷检测问题带来巨大的挑战，提出了一种Canny—区域分裂合并算法。明五一等以透明件表面缺陷为研究对象，探讨机器视觉检测透明件技术发展近状及现存问题，对未来可能发展趋势进行预测。郑彬等，为了解决传统型材表面缺陷检测存在测量精度低、稳定性差和费时等问题，提出了型材表面缺陷图像处理方法。王思琪等检测MEMS微构件表面缺陷，对显微机器视觉检测关键技术进行了探析。彭雨等为提高对细长产品表面缺陷的检测效率，运用机器视觉技术对细长产品外部轮廓尺寸及表面缺陷状况进行检测。运用机器视觉技术，分析图像传输过程中噪声产生原因及降噪方法；采用Canny算法和SimpleBlobDectorte特征点检测方法，提取零件轮廓和色斑轮廓，采用系统法对表面缺陷检测设备进行整体分析。

通过对国内外研究现状分析，发现机器视觉广泛地应用于表面类缺陷识别检测的各个领域。缺陷检测对于提升各类工业产品的表面平整度，提高产品生产效率，降低质量成本，稳定产品质量，降低维护损耗，避免人为目视检测的疏失等方面有重要意义。以钢带表面划痕为研究对象，提出了基于机器视觉的钢带表面划痕的图像处理方法，使用图像处理软件Halcon，对钢带表面的划痕进行识别、检测和提取处理，使其应用于工业实际生产中，提高表面划痕检测能力和生产效率。

2 钢带表面划痕检测原理分析

2.1 表面划痕检测系统

选择硬件系统组成基本的检测系统，搭建由计算机、高分辨率CCD工业相机、光学显微镜头和LED光源等组成的机器视觉测量系统。表面划痕检测系统设计如图1所示。

图1 表面划痕检测系统设计

2.2 钢带图像处理

经过图像的采集部分后，应用Halcon软件对其进行处理。Halcon的底层功能算法比OpenCV多，运算性能快。而Halcon提供的算法要比VisionPro多，更灵活。因此采用Halcon进行图像处理。

2.3 图像算法设计及图像提取

2.3.1 图像预处理

如图2所示，对工业相机获取到的钢带图像进行灰度处理，降低噪声，抑制无用特征。借助灰度图像，画出其原始图像的灰度直方图，如图3所示。从图中可以看出划痕部分和周围正常部分相比要暗，也就是划痕部分的灰度值偏小，相较于钢带表面的其他光滑部分，细小的划痕不易识别，给检测带来了难度。灰度直方图中有两个峰值较为明显，两峰值分别为划痕灰度值和背景灰度值。将灰度直方图均衡化后获得灰度值均匀分布的直方图，如图4所示。

图2 原始图像

图3 灰度直方图

图4 灰度值均衡化后的直方图

采用均值滤波，测量灰度值的平均值，具有很好的平滑降噪效果，且运算速度较高斯滤波、中值滤波快。设待去噪图像（，）大小为×，经均值滤波后用下式（1）表示降噪：

式（1）中：，=0，1，2，…，-1；是像素点（，）邻域内所有像素点的集合；是点集中的总点数。

2.3.2 图像分割与划痕定位

通过图像分割，产生一个个感兴趣区域（Region of Intereset, ROI）。将分立的感兴趣区域精确地分割，使这些感兴趣区域能够在后续的操作中达到所需目标。机器视觉中采用的常规分割方法为阈值分割，即将图像ROI内灰度值处于某一指定范围内的所有点选到一个输出区域内，而动态阈值分割处理能够将图像所在的局部背景和图像形成对比，在使用环形LED的前提下，照明前后划痕和背景的灰度值发生变化。由上图3和4可知，被分割的划痕和背景之间存在非常明显的灰度差。在此基础上，动态阈值分割可以用来检测钢带表面上的缺陷，消除干扰，可以很容易地区分开划痕和背景。

式（2）中图像g代表理想、没有缺陷物体的图像，称为参考图像。为检测出和理想物体间的偏差，只需要找出图像f中太亮或太暗的像素即可。

在钢材的表面缺陷检测中应用均值滤波和动态阈值分割方法检测材料表面的大缺陷特征，如划伤。应用高斯滤波和全局阈值分割检测材料表面的小缺陷特征，再将提取出的缺陷经形态学分析后组合在一起构成完整的缺陷区域。均值滤波处理后的图像如图5所示，动态阈值分割如图6所示。

图5 均值滤波后的图像

图6 动态阈值分割后的图像

2.3.3 提取图像联通区域

为了将所获得的分立的ROI中的目标检测划痕不至于因阈值分割而割裂开，应用图像联通区域提取把一些相互联通的像素集合成为一个区域，计算出分割后得到的区域中包含的全部连通区域。在此使用4邻域，将同一道划痕放置入一个区域内，在一个矩形像素网络里，一个像素的上侧、下侧、左边和右边都分别有一个像素，它用来描述前景，即物体。连通区域提取后的图像如图7所示。

图7 连通区域提取后的图像

2.3.4 划痕特征提取与形态学操作

因为划痕呈狭长带状，形状细长，具有明显的方向性，长度、粗细变化明显。因此在保留ROI，去除上述操作中不需要的部分时需要确定物体的类型、特征量。根据划痕的相关特点，特征提取操作中使用基于面积的区域特征提取，提取感兴趣的区域中的划痕，剔除不感兴趣的区域面积较设定值小的缺陷。

式（3）中，为区域的面积即区域内的点数||。其中第一个公式用来计算二值图像表示的区域面积，第二个公式则适用于用行程编码表示的区域面积。

通过区域形态学合并经过特征提取的划痕，使用原理为式（4）中针对两个区域和的并集，把两区域里的划痕合成。在对钢带表面划痕等类似的大缺陷特征进行形态学处理时，使用闭操作。圆形模板进行闭运算时先进行膨胀，再进行腐蚀。膨胀使区域增大，腐蚀使面积缩小。应用闭操作，合并相互分离的物体，可以填充孔洞、消除缺口，形成平滑区域的边界，闭合所有的划痕区域。闭操作对应公式如式（5），闭操作图像如图8所示。

图8 应用闭操作后的图像

由图8可知，尽管闭操作已经对要识别检测划痕的提取进行了很好的处理，它可以有效地提高所需图像的精准度。但图8中仍存在少部分需要被剔除的较小缺陷，所以需要进行下一步的操作来剔除明显不属于划痕的表面缺陷。完成上述步骤后，再次提取联通区域，进行特征提取，通过合理设置阈值，最终得到钢带表面划痕检测后的图像，检测结果图像如图9所示。

图9 表面划痕检测结果图像

将图9和图2的原始图像进行对比，发现经过图像的一系列处理后所获得的结果和实际肉眼观察得到的钢带表面划痕的大小和位置分布基本符合。划痕检测的结果达到了开始设定的划痕检测提取目标，提高了钢带表面划痕识别检测和提取的准确度和效率。但如果同一幅图像中出现了多条形状不规则、宽度不一、深度变化的划痕，分析情况较为复杂时，对应的检测精度会相应地下降，需要对识别提取的算法进一步针对性地优化。

3 结 论

根据基于机器视觉的钢带表面划痕测量的实际需要，搭建了合适的检测平台，并选择Halcon图像处理软件，合理运用图像预处理、图像阈值分割、提取联通区域、特征提取和形态学等图像处理方法，对钢带表面划痕的识别测量处理进行完善。在研究的基础上，经过更多的试验对比，发现机器视觉可减小外界环境对检测的影响，提升检测识别的效率，消除人为因素造成的误差，可以将钢带表面划痕测量的精度和准确度再次提升，使之满足实际工程的需要，促进提升钢带合格生产的自动化效率。研究自动检测提取技术，将推进信息化与工业化深度融合，加快推动新一代信息技术与制造技术融合发展，推进生产过程智能化，全面提升研发、生产、管理和服务的智能化水平。