赵 静 王 伟 牛英群 王丽平

(邯郸职业技术学院，河北 邯郸 056005)

钢卷在交付客户时，一般都会进行人工的边部检查，人工边部检查一般采用照射检测或拍摄检查，人工检查时，既没有统一的规范标准，更会出现漏检和误检的情况，同时检查结果也不能汇总记录，给后续复检带来不便[3]。

刘坤[4]等提出了基于颜色纹理区域进行缺陷检测的方法，但在边部图像中钢卷边薄，纹理非常密集，受RGB图像的影响，纹理与颜色互相形成干涉；
孙凯[5]提出机器学习分类的方法，但机器学习受数据集规模的影响较大，训练的模型易出现过拟合的问题；
王理顺[6]等提出深度学习的方法，具有特征提取能力强、分类准确高的特点，但模型运行速度慢，难以适应工业生产的需要。

针对当前钢卷边部检查存在的问题，本文提出了采用BLOB图像分析方法进检测，主要思路为：检测拍摄到的钢卷边部图像中的封闭区域，并对其进行筛选和模板匹配，从而在图像中出定位钢卷边部缺陷的类型和数量。

本文采用了基恩士CA-HA048型相机采集图像，相机拍摄范围是784*596，每秒取16帧，全局快门，通过profibus net与外部机械系统触发，数据接口为千兆以太网，数据压缩采用8*8的DCT扩展压缩算法，数据还原采用Huffman熵编码器。边部图像的压缩和传输方法如图1所示。

图1 边部图像的压缩和传输方法

在边部图像的获取过程中，受到光线、灰尘、震动等因素的影响，拍摄的图像会产生杂点和噪声，为将其与待检测的斑痕、缺陷、毛刺准确分离，需将图像进行滤波处理。为能准确的针对噪声产生的类型采用有效的应对措施，通过直方图确定噪声的特征[7]。直方图变换如图2所示。

图2 边部图像噪声处理

通过分析边部图像直方图得知，采用高分辨率微距拍摄的边部图像成像较为准确，有少量且均匀的暗点处于实像的周围，这是由于钢卷的边缘很细，吸收光源折射形成了部分的暗点，轧钢的厚度越薄，暗点的数量越少，反之则越多。边部的图像的噪声的亮度和分布规律较为一致，仅在数量和范围上有显著差异，适用自适应图像滤波。

自适应滤波方法采用了Wiener滤波，根据钢卷侧边的图像特点，散点是沿边部的边缘以非线性的方式出现，出现的概率是高斯型分布，在纵向上光是均匀照射的，暗点出现的概率非常小，只需按钢卷边缘进行滤波即可，将算子矩阵设置为[2，1]。滤波效果如图3所示。通过滤波，图像有效的边缘和斑点信息得到了保留，对折射暗点进行了有效的抑制。

图3 边部滤波处理

所有边部缺陷都是沿着钢卷的边缘出现的，为了突出钢卷的边缘，对滤波后的图像进行边缘锐化。引入拉普拉斯算子提取高频像素[8]，将其放大2倍后，再与原图进行叠加，如图4所示，通过锐化处理，原图的边缘有效信息得到突出，背景与边缘的对比得到了增强。

“芒果产业不光要做大，还要有更多支撑来把它做强。”阳圩农场负责人如是说。未来，阳圩农场将着力建设“阳圩芒果小镇”，采取收购、合作等灵活方式，增加农场国有果园面积，进一步加强品牌培育工作，增强果农对产品品牌重要性和价值效益的认知，形成品牌发展的强势梯队，让阳圩芒香飘万里！

图4 图像增强锐化处理

对边部图像进行分割，以提取图像中可能存在缺陷的区域，而对于图像中绝大部分不存在缺陷的区域，利用灰度值阈值的方法分离。本文采用了类间方差的otsu算法。按阈值k将图像分割为前景区C0和背景区C1，图像的灰度均值为其中i和pi分别为灰度级和灰度级的概率。

类间方差的计算式为：δ2＝w0(u0－u)2＋w1(u1－u)2

经过处理的图像如图5所示，从图中可以看到，Otsu算法较好地保留了每一层钢卷的边界信息，并将前后景进行了较好的分割，分割完毕后，通过二值图像，非常明显地区分出了边界和孔洞信息。

图5 边部otsu分割

从边部的二值图像中得知，正常的钢卷边部为线状、链状，而边齿、断裂、毛刺、卷边等边部缺陷均表现为不同的孔洞。通过边缘检测方法检测出二值图像中孔洞边缘，计算封闭形的面积和重心[9]，完成BOLB分析和定位。

边缘提取方法采用Canny算法，即采用一阶微分方法搜索边缘的梯度，当比较出一个像素在四个方向都有极值后，继续扩大连通区域，并记录极值的最大值。如果像素点未找到极值，使用滞后法保存图像的边缘，并退回连通区域继续遍历。

梯度模版为二阶矩阵：

Canny算法可以在两个方向上同时计算梯度，它对边缘非常灵敏，微小独立的像素区域也会被检测到，因此需用区域增长法对BOLB进行标记和定位。在得到封闭的边缘后，在目标区域内设定种子点[10]，由种子点对连通域进行生长，重复直到没有生长区域，当区域是8连通区域，将此区域标记为一个BLOB，重复此过程，直到图像全部被标记，筛选出全部的BLOB。

对单个BLOB进行定位的方法是计算此连通区域的面积和重心。区域面积计算是像素累加的过程，计算公式为：

其中D为连通区域像素的集合。x，y为像素点的坐标。

重心坐标计算将当前像素点的灰度值作为参考值，计算式为：

编写BLOB分析图像处理代码，结果如图6所示。

图6 边部BLOB分析

从图6中可以看到，通过对BLOB的检测，边部图像中的缺陷能得到精确的检测和定位。

在工业应用环境中，检测到边部缺陷和位置后，需要分析出缺陷的类型和数量，用来评价缺陷的严重程度，采用边缘检测的模板具有矩不变、平移和旋转范式相同且不受光照偏移影响的优点，本文的模版匹配使用了Hausdorff距离方法。Hausdorff的计算公式为：

其中T为模版的边缘，I为区域边缘，h(T，I)＝maxt∈T(mini∈I||t－i||)，h(I，T)＝maxt∈I(mini∈T||t－i||)，||t－i||为模板到目标图像的范式距离。

Hausdorff算法将边缘像素的覆盖重合转换为长度的比较，如果所有集合的Hausdorf距离的均方差很小，那就说明在边缘上目标图像与模板相似很高，也就是该缺陷是当前的模版类型。

在解决了单个缺陷的识别和定位后，需对边部的全图进行边缘特征搜索。全图搜索时要设定ROI区域，搜索模版窗口在ROI区域内采用滑动窗口法进行扫描。扫描完成的时间受模板个数、滑动距离和图像旋转次数影响，一般在四个方向或至多八个方向进行搜索即可完成全图的缺陷扫描。

本文以钢卷边部的BLOB分析为主要手段，提出了一种大型钢卷边部快速检查的方法。本文根据边部缺陷检测的图幅大、信息量大、故障类型多的特点，对边部图像进行了预处理、分割、边缘检测以及BLOB分析，利用Canny边缘检测和区域生长算法，实现了对钢卷边部多种缺陷类型的提取检测。与神经网络、深度学习方法识别边部缺陷[11]相比，图像识别具有速度快、占用计算资源少、部署成本低的优势，本文提出的BLOB分析边部缺陷方法，将在钢卷自动检测中得到应用和推广。

猜你喜欢 钢卷滤波边缘 船岸通信技术下舰船导航信号非线性滤波舰船科学技术(2022年20期)2022-11-28梭车接卷的稳定性研究新型工业化(2022年3期)2022-06-18一种考虑GPS信号中断的导航滤波算法北京航空航天大学学报(2019年9期)2019-10-26高效LCL滤波电路的分析与设计电子制作(2019年9期)2019-05-30基于EKF滤波的UWB无人机室内定位研究电子制作(2018年16期)2018-09-26一张图看懂边缘计算通信产业报(2016年44期)2017-03-13钢卷鞍座在钢卷集装箱运输中的应用集装箱化(2016年10期)2016-11-28邯钢CSP钢卷自动打捆机控制系统中国信息化·学术版(2013年5期)2013-10-09冷连轧带材跟踪一重技术(2011年4期)2011-12-11在边缘寻找自我雕塑(1999年2期)1999-06-28