基于机器视觉的带钢表面缺陷检测与识别方法研究

摘要

带钢是现代工业的重要原材料,其表面存在缺陷与否是评价其质量的重要因素,如何检测并及时发现表面缺陷一直受到钢铁制造企业的关注。采用人工目视检测和基于单一传感器的检测手段日益不能满足现代钢铁工业的需要,基于机器视觉的方法实现钢板表面质量连续检测和自动识别越来越受到国内外钢铁企业的重视。目前,基于机器视觉的检测方法还有一些关键技术尚待进一步研究解决,主要是数据实时处理能力不够,低对比度、噪声较大背景下弱小缺陷目标检测识别正确率不高、检测的缺陷目标种类有限等。
　　 本文以高等学校博士学科点专项科研基金“基于计算机视觉的钢板成像建模与表面缺陷实时重构的应用基础研究(20104219110001)”和武汉市科技攻关项目“基于机器视觉的带钢表面质量在线检测系统研究开发(200910321100)”为依托,开展了带钢表面缺陷自动检测的相关理论和关键技术研究,主要研究内容与成果如下:
　　 1.为快速而可靠地采集带钢表面图像,基于视觉理论的图像处理模型设计了检测系统构架和软件处理流程。针对图像质量的差异,提出了图像的开关阈值分级去噪算法,即初级去噪针对所有图像采用实时性强的经典滤波算法；对存在目标可疑区(ROI)且大于开关阈值的图像进行次级去噪,并采用了小波阈值降噪算法。此算法兼顾了实时性和有效性,改善了图像的质量。
　　 2.为获取带钢表面缺陷目标,研究了不同噪声强度背景下的图像分割算法。针对带钢表面缺陷图像,对比研究了基于经典梯度算子的边缘检测、基于数学形态学方法的边缘检测和基于模角分离小波(MAS)的边缘检测,提出了这些算法的适应对象,即对于大量普通级噪声图像,采用实时性强的经典梯度算子,而多结构元素数学形态学算法和模角分离小波(MAS)算法,则特别适用于低对比度、光照不均、噪声较大背景下的弱小目标的边缘检测。
　　 3.研究了从目标区域提取灰度特征、几何特征、形状特征、纹理特征等多信息融合的多维特征量。基于遗传算法(GA)对提取的带钢表面缺陷图像的多维特征向量进行降维优化选择,并同主成分分析(PCA)降维方法进行了对比,降低了大量无关的冗余信息,同时又提高了算法的效率。
　　 4.针对带钢表面的划痕、黑斑、翘皮、辊印、褶皱、压印和磷斑七种典型缺陷,对比研究了人工神经网络(ANN)、粗糙集理论(RS)和支持向量机(SVM)在带钢表面缺陷图像中的识别和分类；提出了GA-PCA-SVM模型,并验证了其在带钢表面缺陷图像中的识别分类的有效性、快速性和稳健性,同时也验证了所提取的带钢表面缺陷图像特征向量及其遗传算法降维的有效性。
　　 5.建立了带钢表面缺陷检测实验系统。