陈紫鹏

摘要：针对带钢的表面质量检测进行专门化研究，设计了基于机器视觉的带钢表面缺陷检测系统，从系统硬件结构、软件设计两方面进行深入分析与研究。其硬件结构包括图像传感器、高速 CCD 相机、光源设计;软件设计包括图像滤波去噪、缺陷特征的提取和选择、表面缺陷检测与辨识。根据实验结果的比对可知，本文设计的基于机器视觉的带钢表面缺陷检测系统在对带钢表面缺陷进行检测时，随着试验次数的累加，其精测精度均比传统系统要高，证明本文设计具有较高的实用性和有效性。

关键词：机器视觉;带钢;表面缺陷;检测

0  引言

质量检控在钢铁行业中所起作用日渐明显和重要，带钢表面缺陷作为影响其质检环节是否过关的关键因素，其检测对于提升最终质量具备极其重要的作用。传统的人工检测法早已无法满足现实生产需求，所以对带钢表面缺陷检测系统进行深度研究已成为如今钢铁单位的共识[1]。机器视觉作为现今一门新兴的实用型技术，具备速度快、精度较高、抗干扰能力强等一系列优势，市场前景极为优秀。

1  基于机器视觉的带钢表面缺陷检测系统的硬件设计

1.1 图像传感器

图像传感器作为相机的关键组件，其主要功能就是将相机采集到的图像转变成由特定格式组成的有效数据，并上传至计算机[2]。图像传感器的好坏会直接影响到后续环节中图像处理与解析的难易程度。普通的图像传感器主要包括电荷耦合组件和互补金属氧化物场效应管两种。CCD图像传感器上具备一定的光电转变、电荷储存和获取功能，最终将光信号转换为计算机可读的数字信号，CCD图像传感器在实践操作中大规模应用[3]。

1.2 高速CCD相机

带钢表面缺陷检测的实现必须率先从带钢图像的采集开始，选取合适的相机完成图像采集[4]。备选传感器包括CMOS图像传感器、线阵或面阵CCD图像传感器。CMOS图像传感器具有生产成本较低、合成度较高的优点，工艺程序相对来说比较简单，可在信号采集与噪音处理方面远不及CCD传感器，并不适合广泛应用在生产环境极端恶劣的工业生产中。基于机器视觉的带钢表面缺陷检测系统，系统可选取线阵CCD相机或者面阵CCD相机，表1是线阵CCD与面阵CCD相机各方面性能比较。

根据表1中各项数据的对比，同时综合考虑到系统应用于带钢表面缺陷的相关检测，因而本系统选择高速线阵CCD相机。本系统按照带钢宽度选取相机的数量，相机选择DPLKA线阵CCD相机，同时依据控制理论和时序概论对多台相机采集时间实现同步把控。

1.3 光源设计

工业视频相机的最短曝光时间大概是1/10000秒大概约位100us，针对现场的高速运动目标，在100us时间里，对于运动速度为10m/s的带钢钢卷，其发生了10mm的位移，就会造成0.05mm的缺陷甚至更小的缺陷模糊不清，无法实现精准检测，因而我们必须利用其它设备来保证更短的曝光时间。为有效解决这个问题，本文系统使用频闪灯作为主导光源，同时对于热轧带钢生产实践过程中，利用蓝光透镜滤片与红外线光阻离滤片帮助完成带钢表面图像信息的采集。另外，为了保证频闪光的开启一直同步于快门开启时间，借助相机与光源的外部接收头上传同步信号，其中相机的触动不单同步于频闪灯，还必须和板卷速度相同步。

2  基于机器视觉的带钢表面缺陷检测系统的軟件设计

2.1 图像滤波去噪

现场拍摄场景下获得的带钢表面图像信息容易受到周围环境、照明情况以及相机本身等各种因素的影响出现图像噪声。噪声对于后期识别过程的纹理、尺寸、灰度特征的提取有着非常重要的影响，直接影响到最终识别结果的精度。所以在对图像进行后续操作以前，需要过滤掉噪声。图像的噪声类别很多，对图像信号频率和相位的影响十分复杂，有些噪声和图像信号之间毫无关联，有些则密切相关。因而必须降低图像中的噪声，针对实际状况采取不同措施，否则很难获得令人满意的效果。理想状态下，噪声属于高频信号，在处理过程中有必要选择低通滤波器[5]。可图像的边缘信息也属于高频信号，其中含有被测物体的大部分特征信息，是后续图像处理过程中必须提取的关键信息。在此基础上，对于图像滤波方法的选择上，以中值滤波为最优。中值滤波就是利用一个内含奇数点的滑动窗口，将窗口中间的点值用窗口内各点的均值取代。假定窗口内有5点，其值为10、60、200、110、220，那么这个窗口内各个点的均值就是110。假设有一个二维序列f1f2…fn，取窗口长度为m（m是奇数），对这个序列采取中值滤波法，即从输入序列中依次选出m个数，其中fi代表窗口各数的均值，用表示，再将这m个点的具体值根据数值大小依次排列，取其正中间的序号作为滤波进行外部输出。用公式表示为：

公式中，Z代表窗口内各个像素构成的点集，Y则代表此窗口的中值滤波值。

2.2 缺陷特征的提取和选择

特征提取作为系统内图像处理过程的一个关键环节，是确保系统实用性和缺陷识别准确性的重要流程，在实际应用过程中，特征提取也是带钢表面缺陷识别中较为困难的任务。在系统检测和识别缺陷的过程中，特征提取作为其中的重要一步，它也是神经网络判断带钢图像是否存在缺陷或分类的前提条件。系统对钢板图像进行检测的首要一步就是检测图像有无缺陷，因此缺陷提取的第一步就是汇总分析出所有缺陷的共有特征，以此作为神经网络判断图像有无缺陷的重要依据。系统检测钢板图像的第二步就是对存在缺陷的钢板图像进行精准分类。因为钢板图像的缺陷有很多，因而仅仅利用单一的某种特征是无法准确全面地描述出所有缺陷的种类，既而也就无法对所有的缺陷完成精准分类，只有汇总多种特征才可以精准的描述出所有缺陷特征，从而实现准确分类。

2.3 表面缺陷检测与辨识

带钢表面缺陷检测系统在作业过程中需要逐个检查每一个存在疑似缺陷的图像。首先根据顺序逐个扫描疑似缺陷图像，再选择合适的高斯模板，之后以扫描点为中心，计算出高斯加权值，确定动态阈值范围，利用动态阈值范围对疑似缺陷图像进行检测和评判，最后将可以确认的缺陷图像输入缺陷单元标记库内，否则不做任何处理。待将整块疑似缺陷图像全部完成扫描后，再逐个进行缺陷排除。该功能主要是在现场软件设计安排以后执行命令，因为其需要和一线工作人员进行预先交流，构建常见缺陷库。缺陷库的构建方法是将已确认的缺陷进行采样，对图像的分辨率、尺寸、参照线进行具体采样，将常见缺陷特征具象化，通过一系列的离线整合、在线验证确任缺陷类别。因而缺陷库的构建主要是为了将这些缺陷图像输入数据库，构建图像和缺陷类别之间的匹配对应关系，而缺陷特征被具象化是为了和实时采集的带钢图像进行比较，当比较结果的相似度超过阙值时，就能够初步判断出目前采集的带钢图像具备该缺陷，然后将该图像储存在该缺陷类别目录之下，后续在此目录部署下做进一步的缺陷识别，最终实现该缺陷类型的识别检测。

3  工程实验与效果分析

为了更加具体直观的看出本文设计的基于机器视觉的带钢表面缺陷检测系统的实际应用效果，特与传统的带钢表面缺陷检测系统进行比对，对其缺陷的检测精度大小进行比较。

3.1 实验准备

为确保实验的准确无误，在排除干扰条件，保证其他实验条件一致的情况下，将两种带钢表面缺陷检测系统置于相同的试验环境之中，进行检测精度的试验。

3.2 实验结果分析

实验过程中，通过两种不同的带钢表面缺陷检测系统设计同时在相同环境中进行工作，分析其检测精度的变化。实验效果对比图如图1所示。

根据实验结果的比对可知，本文设计的基于机器视觉的带钢表面缺陷检测系统在对带钢表面缺陷进行检测时，随着试验次数的累加，其精测精度均比传统系统要高，证明本文设计具有较高的实用性和有效性。

4  结束语

本文对基于机器视觉的带钢表面缺陷检测系统的设计进行分析，根据机器视觉技术的应用要求，依托带钢表面质量的好坏，对其表面缺陷检测进行调整优化，实现本文设计。实验论证表明，本文设计的方法具备极高的有效性。希望本文的研究能够为基于机器视觉的带钢表面缺陷检测系统的设计方法提供理论依据。

参考文献：

[1]王宇，吴智恒，邓志文，等.基于机器视觉的金属零件表面缺陷检测系统[J].机械工程与自动化，2018，34（4）：210-211，214.

[2]延西，赵梦.基于CNN的带钢表面缺陷检测[J].重型机械，2019，15（2）：25-29.

[3]闫俊红，何家明，李忠虎.基于图像处理的钢板缺陷检测方法[J].光电技术应用，2019，34（3）：12-15，39.

[4]王少，陈斌，司小明，等.热轧板带表面质量智能化自动判定系统的开发应用[J].中国冶金，2019，29（7）：70-73，78.

[5]张翔宇，王燕霜，张仕海.钢板表面缺陷在线视觉检测系统[J].机床与液压，2019，47（4）：120-123.