赵 霆，管声启，王 鹏

（西安工程大学 机电工程学院，陕西 西安710048）

0 引 言

随着制造业的不断发展，带钢产品的质量成了制约最终产品质量的一大关键因素，为满足市场对带钢质量高标准的要求，生产企业需要采用先进的带钢表面缺陷检测技术，为改善带钢质量和提高生产效率提供可能［1］.

自20世纪70年代以来，国外学者和研究机构对带钢表面自动检测系统开展了卓有成效的工作，典型的检测方法包括：基于激光扫描的检测方法，基于涡流的检测方法，基于红外辐射探伤的检测方法，基于激光超声探伤的检测方法和基于CCD（光电耦合器件）成像的机器视觉检测方法［2－3］.与其它技术相对比，基于CCD成像的机器视觉检测方法更加适合在线实时检测的需要，同时能保存缺陷图像，确定缺陷出现的位置，并能识别缺陷的类别.这些优势无疑使基于线阵CCD或面阵CCD成像的机器视觉检测技术成为目前研究和应用的主流技术［4］.

图像处理过程中，系统将采集到的图像分割成若干个不相交区域的方法叫做图像分割，图像分割的本质就是将图像按照像素单位进行分类的过程.目前，图像分割方法主要可以归为三大类：基于灰度值的分割方法，基于边缘的分割方法和基于区域生成的分割方法［5－6］.目前常用的最大类间差、固定阈值和迭代阈值等分割方法无法避免由于环境等因素的不同导致图像灰度值变化而给图像分割结果带来的影响，分割后图像中存在一定量的背景信息，不能满足所有缺陷分割的需要，此外，这些方法对噪声的干扰很敏感，因此不能实现对带钢缺陷的有效分割［7］.

在视觉产生的过程中，人类视觉系统总是对某些与周围区域相比拥有某种特征差异的区域表现出更强的兴趣，对此区域提高注意力并优先处理，这就是人类视觉注意机制的原理［8］.因此，在机器视觉检测中，如果能模仿人类视觉的这种特性，提前分析学习带钢缺陷图像的缺陷特征，就有可能利用分析特征的结果作为标准，把这些目标从背景图像中快速准确地分割出来.

1 带钢缺陷图像分割方法原理

本文分割方法为选择有用的特征项，深入挖掘该特征所包含的信息，利用所挖掘出来的信息确定分割阈值，从而实现对带钢缺陷图像的分割.

1.1 带钢缺陷图像特征分析

带钢缺陷图像的特征指的是带钢缺陷部分的图像表现出来的与背景存在着一定差异的可以被识别的某种性质.在分析和选取特征时，为了保证所选的特征为有效特征，要确保被选择的图像特征应该满足以下几点要求：（1）可识别性：该特征必须要能被识别到；（2）相似性：同类目标具有相似的特征；（3）独立性：不同的特征应互不影响.

分析带钢图像可知，带钢的缺陷区域反映到图像上就是一定数量的灰度值相近且与背景平均灰度值存在一定差异的像素点的密集聚集［9－11］.一定量的像素点聚集在一起就形成了一定面积的缺陷区域.如果利用缺陷面积特征确定分割的阈值，通过阈值就有可能把缺陷从带钢图像中分割出来.为此，我们认为在具体的每一幅带钢图像中带钢缺陷面积是一定的，且缺陷区域中各个像素点灰度大致在一定小范围内，缺陷区域像素灰度通常高于或者低于背景像素灰度；另外，带钢缺陷与带钢背景区域相比较，缺陷区域面积相对较小；因此，当采用不同阈值分割带钢图像时，如果分割阈值在缺陷区域像素灰度值变化范围之内，分割出来的区域仅含有一部分缺陷信息或者全部缺陷信息，分割出来的面积大小变化不大；当分割阈值从缺陷区域像素灰度值跨越到背景区域像素灰度值范围时，分割出来的区域因含有大量背景区域的像素，分割区域面积迅速变化.因此，通过分割出区域的面积变化的规律，确定带钢缺陷分割的阈值.

1.2 确定带钢图像最佳分割阈值范围

设带钢图像f（x，y）灰度值范围为min［f（x，y）］～ max［f（x，y）］，在带钢图像灰度值范围内进行N等分，T1＝ min［f（x，y）］，TN＝ max［f（x，y）］.采用公式（1）确定最佳分割阈值范围如下：

其中，Tn和Tn＋1为带钢图像灰度f（x，y）范围min［f（x，y）］～max［f（x，y）］进行N 等分中的第n和（n＋1）次分割阈值；STn和STn＋1分别表示采用Tn的Tn＋1分割出的缺陷区域面积；δn为前后两次分割出的缺陷区域面积的绝对差值；［Tn，Tn＋1］表示从Tn到Tn＋1变化范围；［T0］表示最佳分割阈值存在范围.

1.3 确定带钢图像最佳分割阈值

由于最佳分割阈值存在于［T0］范围内，必须进一步细分以缩小最佳分割阈值的范围，从而精确确定最佳阈值.具体方法为：在带钢图像最佳分割阈值［T0］范围内进行M 等分，T′m＝Tn，T′m＋1＝Tn＋1.采用公式（2）确定最佳分割阈值如下

其中，T′m，T′m＋1为带钢图像最佳分割阈值［T0］范围进行 M 等分中的第m 和（m＋1）次的分割阈值；S′m，S′m＋1分别表示采用阈值T′m和T′m＋1分割出的缺陷区域面积；δ′n为前后两次分割出的缺陷区域面积的绝对差值，［T′m，T′m＋1］表示从T′m到T′m＋1变化范围，［T′0］表示细分后确定的最佳分割阈值存在范围.由于［T′0］是细分后确定的带钢最佳阈值存在的范围，其范围变化很小，因此，可以用［T′0］中的T′m作为最佳分割阈值，如式（3）所示

2 带钢缺陷图像分割过程

CCD采集来的带钢图像可能包含三类区域：（1）均匀光照下变化缓慢的背景区域；（2）缺陷处形成的具有一定面积的、不规则的、灰度值与背景存在一定差异的缺陷区域；（3）噪声信息.为了减少噪声对后期图像处理的影响，首先对采集到的图像转化为灰度图像，然后进行3×3的均值滤波以平滑图像［12］.

2.1 带钢缺陷图像分割阈值确定

由于带钢缺陷部分的灰度值既可能小于背景灰度值，也可能大于背景灰度值，所以分两种情况讨论.

2.1.1 缺陷区域灰度值小于背景区域 在带钢缺陷灰度值小于带钢背景灰度的图像中，对其灰度范围进行10等分，统计每次目标区域（黑色区域）面积作为纵坐标，以阈值序列Tn作为横坐标，绘制目标区域面积变化曲线，如图1所示.根据式（1）和图1确定最佳阈值分割范围在第4，5次分割之间.在最佳阈值范围内10等分，进行细分；统计每次目标区域（黑色区域）面积作为纵坐标，以阈值序列T′m作为横坐标，绘制目标区域面积变化曲线，如图2所示.最后根据式（2），（3）和图2确定最佳阈值T′4.

图1 预分割目标区域面积变化曲线Fig.1 Curve of target area′s change

图2 细分目标区域面积变化曲线Fig.2 Curve of target area′s change

2.1.2 缺陷区域灰度值大于背景区域 在带钢缺陷灰度值大于带钢背景灰度值的图像中，对其灰度值范围进行10等分，统计每次目标区域（白色区域）面积作为纵坐标，以阈值序列Tn作为横坐标，绘制目标区域面积变化曲线，如图3所示.根据式（1）和图3确定最佳阈值分割范围在第4，5次分割之间.在最佳阈值范围内进行10等分，进行细分；统计每次目标区域（白色区域）面积作为纵坐标，以阈值序列T′m作为横坐标，绘制目标区域面积变化曲线，如图4所示.最后根据式（2），（3）和图4确定最佳阈值T′6.

2.2 带钢缺陷图像分割

根据2.1节确定的最佳阈值T′6或T′4，对带钢缺陷图分割效果如图5所示.图5中图（a）～（b）中两幅图分别为带钢擦裂缺陷和分层缺陷的原图像与其分割结果图，其中虚线圈出区域即为带钢缺陷区域.可以看出，采用本文方法能够完整有效地使带钢缺陷区域与背景区域分离，达到分割缺陷的目的.

图3 预分割目标区域面积变化曲线Fig.3 Curve of target area′s changing

图4 细分目标区域面积变化曲线Fig.4 Curve of target area′s changing

图5 分割效果Fig.5 Segmentation effects

3 实验与分析

为验证此方法的有效性，选择文中分割算法与经典分割算法进行对比实验.经典分割算法首先对带钢图像进行滤波处理，达到消除光照不均和噪声的目的，然后采用最大类间方差分割法分割图像.规定最终分割结果区域轮廓与带钢实际缺陷区域轮廓位置吻合且面积大小误差在±10%以内为有效分割.实验过程为：

（1）选取大小一致的带有常见缺陷的带钢图像50幅；

（2）在PC平台WIN7环境下，利用MATLAB语言和可视化的界面进行编程；

（3）由两名实验员完成实验：一人在PC平台上操作鼠标导入图像，运行程序然后导出分割结果图像，另外一名实验员记录实验时间.将该实验分别连续重复进行3次，统计结果求平均数，进行对比分析.

（1）实验统计得出文中分割方法能完成90%（3次实验平均结果为45幅）以上的带钢缺陷图像的分割，准确率高于经典算法的82%（3次实验平均结果为41幅）；文中3次连续实验共用时30s，少于经典算法的35s.文中算法能够有效实现目标与背景的分离，而且准确率与检测速度都要优于经典算法.

（2）选取带状表面夹层缺陷分割结果如图6所示（图6（b）为图6（a）的分割结果），分割结果中带有少量孤立点，原因在于这些小尺寸点与带钢缺陷区域像素灰度值非常接近.对于这样的区域，一般方法不能辨别出是噪声点还是小尺寸缺陷区域，所以不能对其进行完整分离，因此后续工作中需要继续对分割结果的后处理进行研究.

图6 常见带钢缺陷分割结果Fig.6 Segmentation effect of common steep defects

4 结束语

针对工业现场带钢缺陷检测的需要，通过研究带钢缺陷图像特征，提出一种基于目标面积特征分析的带钢缺陷图像分割方法.该方法以带钢缺陷的灰度和面积不同于带钢背景作为条件，确定分割阈值，然后通过阈值分割出带钢缺陷信息.由于此方法充分挖掘带钢缺陷特征，所确定的阈值为最佳分割阈值，因此能够完整地分割出缺陷信息.对于少量噪声或伪目标灰度与带钢缺陷灰度相近时的特殊情况，将在今后的工作中进一步研究.

［1］JAYASHREE V，SHAILA Subbaraman.Identification of twill grey fabric defects using DC suppress Fourier power spectrum sum features［J］.Textile Research Journal，2012，82（14）：1485－1497.

［2］ABDEL Sanlam malek，JEAN Yves drean，LAUREN Bigue，et al.Optimization of automated online fabric inspection by fast fourier transform and cross－correlation［J］.Textile Research Journal，2013，83（3）：256－268.

［3］BRUCE N，TSOTSOS J.Saliency based on information maximization［J］.Advances in Neural Information Processing Systems，2006：155－162.

［4］仲兆准，谢光伟，钟胜奎，等.带钢表面缺陷在线检测系统的设计［J］.北京工业大学学报，2014，7（40）：911－916.ZHONG Zhaozhun，XIE Guangwei，ZHONG Shengkui，et al.Design of online surface defect inspection system for steel strips.［J］.Journal of Beijing University of Technology，2014，7（40）：911－916.

［5］徐帅华，陈龙龙，管声启，等.视觉显著性模型在带钢缺陷动态检测中的应用［J］.西安工程大学学报，2014，28（6）：755－759.XU Shuaihua，CHEN Longlong，GUAN Shengqi，et al.Application of visual saliency mechanism model on the dynamic steel strip defect detection［J］.Journal of Xi’an Polytechnic University，2014，28（6）：755－759.

［6］杨帆.数字图像处理与分析［M］.北京：北京航空航天大学出版社，2007：85－89.YANG Fan.Digital image processing and analysis［M］.Beijing：Beihang University Press，2007：85－89.

［7］阮秋琦.实用数字图像处理［M］.北京：电子工业出版社，2001：123－125.RUAN Qiuqi.Digital image processing using MATLAB［M］.Beijing：Publishing House of Electronics Industry，2001：123－125.

［8］杨丹，赵海滨，龙哲.MATLAB图像处理实例详解［M］.北京：清华大学出版社，2013，7（1）：127－131.YANG Dan，ZHAO Haibin，LONG Zhe.MATLAB image processing example explanation［M］.Beijing：Tsinghua University Press，2013，7（1）：127－131.

［9］JING Junfeng，LI Hang，LI Pengfei.Combined fabric defects detection approach and quad tree decomposition［J］.Textile Research Journal，2012，41（4）：331－344.

［10］徐科，宋敏，杨朝霖，等.隐马尔可夫树模型在带钢表面缺陷在线检测中的应用［J］.机械工程学报，2013，11（49）：34－40.XU Ke，SONG Min，YANG Chaolin，et al.Application of hidden markov tree model to online detection of surface defects for steel strips［J］.Journal of Mechanical Engineering，2013，11（49）：34－40.

［11］王耀南.计算机图像处理与知识技术［M］.北京：高等教育出版社，2001：234－254.WANG Yaonan.Computer image processing technology and knowledge［M］.Beijing：Higher Education Press，2001：234－254.

［12］徐科，周茂贵，徐金梧，等.基于线型激光的热轧带钢表面在线检测系统［J］.北京科技大学学报，2008，30（1）：77－79.XU Ke，ZHOU Maogui，XU Jinwu，et al.Development and application of the online surface inspection system for hotroll eds trips based on LED light source［J］.Journal of University of Science and Technology Beijing，2008，30（1）：77－79.