压延过程中压延材料表面周期性缺陷的检测方法

摘要

本发明公开了一种压延过程中压延材料表面周期性缺陷的检测方法，包括步骤：S1采集待检测压延材料表面的缺陷源图像；S2提取缺陷源图像中缺陷的图像特征；S3对缺陷源图像进行周期性缺陷预判定；S4？根据疑似周期性缺陷的图像特征，采用图像相关性匹配法对当前纵向区域的相邻疑似周期性缺陷进行逐一匹配，以确定周期性缺陷。本发明可快速准确地检测出压延材料表面的周期性缺陷，可提高各种环境下周期性缺陷检测的漏检率和伪缺陷误检率，适用于任何材料。

说明书

技术领域

本发明属于材料表面光学检测技术领域，尤其涉及一种压延过程中压延材料表面周期性缺陷的检测方法。

背景技术

周期性缺陷是压延生产过程中由于前工序故障引起的严重缺陷，及早识别可减少缺陷生成率。基于机器视觉的表面缺陷检测与识别方法已经被应用到各个领域当中，例如纸制品表面缺陷图像识别、纺织品缺陷识别、带钢表面缺陷识别等。但材料表面周期性缺陷的检测方法很少，目前已有的检测方法也存在如下问题：

(1)专利号为ZL200980112171.0的中国专利《周期性缺陷检测装置及其方法》中公开了一种磁场检测法，即先将磁场转化为图像，再基于图像进行周期性缺陷识别。该磁场检测法检测速率较低，且仅适用于金属表面。

(2)专利号为ZL201010205357.5的中国专利《周期性纹理图像中缺陷的检测方法和装置》公开了一种基于机器视觉的检测方法，该方法易将伪缺陷较多的材料表面图像中非周期性缺陷误判为周期性缺陷；当部分周期性缺陷的颜色和形貌发生变化时，该方法会造成周期性缺陷的漏检；当周期性缺陷非连续出现时，该方法会将一组周期性缺陷被误识别为两组周期性缺陷或者遗检。

随着基于机器视觉的检测方法的广泛应用，将其用于压延过程中产品表面周期性缺陷的识别具有重要的理论意义与现实意义。

背景技术涉及如下参考文献：

[1]SZhao,HHuang,etal.Estimatingperiodiclengthanddefectcoordinatesfromaseriesofintegervalues[J].Measurement,2009,42(4):516-523.

[2]ChanghyunPark,SChoi,etal.Vision-basedinspectionforperiodicdefectsinsteelwirerodproduction[J].OpticalEngineering,2010,49(1):017202-017202-10.

[3]FGBulnes,URuben,etal.Anefficientmethodfordefectdetectionduringthemanufacturingofwebmaterials[J].JournalofIntelligentManufacturing,2014:1-15.

[4]FGBulnes,URuben,etal.Vision-BasedSensorforEarlyDetectionofPeriodicalDefectsinWebMaterials[J].Sensors,2012,12(8):10788-10809.

[5]FGBulnes,RUsamentiaga,etal.Periodicdefectsinsteelstrips:detectionthroughavision-basetechnique.IndustryApplicationsMagazineIEEE,2013,19:39-46.

发明内容

针对现有技术中存在的不足，本发明提供了一种压延过程中压延材料表面周期性缺陷的检测方法，本发明基于机器视觉实现，可快速准确识别压延材料表面的周期性缺陷，且适用于任何材料。

为解决上述技术问题，本发明采用如下的技术方案：

压延过程中压延材料表面周期性缺陷的检测方法，包括步骤：

S1采集待检测压延材料表面的缺陷源图像；

S2提取缺陷源图像中缺陷的图像特征，所述的图像特征包括位置特征、形貌特征、颜色特征、质心特征和段特征；

S3对缺陷源图像进行周期性缺陷预判定，本步骤进一步包括：

3.1根据实际情况预设相邻周期性缺陷的间距范围为[η₁,η₂]；

3.2从宽度方向将缺陷源图像分割为n段宽d、长3η₂的纵向区域，10mm<d<300mm；

3.3判断纵向区域内缺陷数，对缺陷数达到3个的纵向区域执行步骤3.4；若所有纵向区域内缺陷数均未达到3个，则缺陷源图像判定为无周期性缺陷；

3.4当前纵向区域中若宽度方向位置在[h-Δh,h+Δh]范围的缺陷数不小于3，则对当前纵向区域执行步骤3.5；否则，当前纵向区域判定为无周期性缺陷；

3.5构建当前纵向区域缺陷的位置关系矩阵P，并判定疑似周期性缺陷，具体为：

(a)初始化R＝1、j＝1、k＝2；

(b)判断列向量P_R中元素是否满足条件(a)2-5％<P_Rk/P_Rj<2+5％；或(b)3-5％<P_Rk/P_Rj<3+5％，若满足，确定当前纵向区域第j个缺陷为第一个疑似周期性缺陷，第一个疑似周期性缺陷后的缺陷均记为疑似周期性缺陷，对当前纵向区域执行步骤S4；否则，执行步骤(c)；

(c)判断k是否为(m-1)，若是，执行步骤(d)；否则，令k加1，执行步骤(c)；

(d)判断j是否为(m-2)，若是，执行步骤(e)；否则，令j加1，k＝2，然后执行步骤(c)；

(e)判断R是否为(m-1)，若是，当前纵向区域无疑似周期性缺陷；否则，令R加1，j＝1，k＝2，然后执行步骤(b)；

S4根据疑似周期性缺陷的图像特征，采用图像相关性匹配法对当前纵向区域的相邻疑似周期性缺陷进行逐一匹配，以确定周期性缺陷；

上述，位置关系矩阵P_idj表示当前纵向区域第j个缺陷在压延方向的位置，j＝1,2,...m，m为当前纵向区域缺陷数；P_R表示位置关系矩阵P中第R列的列向量；P_Rk、P_Rj、P_Rl分别表示列向量P_R中第k、j、l个元素；h为当前纵向区域第一个缺陷在缺陷源图像宽度方向的位置；Δh为周期性缺陷的宽度方向位置偏差，Δh为经验值。

步骤S1中，采用机器视觉检测装置采集待检测压延材料表面的缺陷源图像，所述的机器视觉检测装置包括CCD相机和光源，光源照射压延材料表面；CCD相机视角覆盖压延材料宽度，用来获取压延材料表面的缺陷源图像。

作为一种具体实施方式，机器视觉检测装置包括四个CCD相机和两个光源，两个光源分别照射压延材料上下表面，四个CCD相机分别拍摄压延材料上下表面的缺陷源图像。

上述形貌特征包括缺陷最上端距缺陷源图像顶部距离、缺陷距最左端缺陷源图像左侧距离、缺陷中心距缺陷源图像左侧距离、缺陷长度、缺陷高度、缺陷长宽比率、缺陷面积、缺陷周长、缺陷密度、缺陷周长比率、缺陷圆整中的多种。

上述颜色特征包括缺陷的亮度、灰度、对比度、亮度库q+r+s面积、暗度库q+r+s面积、平均强度、亮度平均强度、暗度平均强度和强度范围中的多种。

上述质心特征包括缺陷的横向质心位置、纵向质心位置和质心比值。

步骤S4具体为：

根据疑似周期性缺陷的图像特征，顺次计算当前纵向区域的相邻疑似周期性缺陷的相似性，若相似性不小于预设阈值T_Cor，则相邻疑似周期性缺陷确定为周期性缺陷；否则，不为周期性缺陷；阈值T_Cor为经验值，取0.5～1。

为减少周期性缺陷的检测时间，本发明还可以根据已确定的周期性缺陷进行增量缺陷匹配，具体为：

在同一纵向区域内，新增缺陷同时满足条件(1)新增缺陷和前一确定的周期性缺陷在宽度方向位置的位置偏差小于位置偏差Δh；(2)新增缺陷和前一确定的周期性缺陷在轧制方向的距离[δ-Δδ,δ+Δδ]范围内；和(3)新增缺陷和前一确定的周期性缺陷的图像特征向量的相似性不小于阈值T_Cor；则新增缺陷确定为周期性缺陷；

上述，δ为根据已确定的周期性缺陷的周期，Δδ为周期偏差，其值和压延过程中最大辊的辊直径相关。

和现有技术相比，本发明具有如下特点和有益效果：

1、可快速准确地检测出压延材料表面的周期性缺陷，可提高各种环境下周期性缺陷检测的漏检率和伪缺陷误检率，适用于任何材料。

2、操作简单，算法衔接良好，输入数据少，便于应用和维护，适用于工业化应用。

附图说明

图1是本发明的具体流程图；

图2为机器视觉装置采集缺陷源图像的示意图；

图3为形貌特征示意图；

图4为周期性缺陷预判定流程图；

图5为缺陷源图像纵向区域划分示意图；

图6为周期性缺陷的分布示意图；

图7～11为实施例中的缺陷图像。

具体实施例

下面将结合附图对本发明具体实施方式进行详细说明。

见图1，本发明方法的具体步骤如下：

步骤1，通过机器视觉检测装置采集待检测压延材料表面的缺陷源图像。

见图2，所述的机器视觉检测装置包括CCD相机、图像处理单元和光源，CCD相机用来获取压延材料表面的缺陷源图像。CCD相机视角应覆盖压延材料宽度，光源照射于压延材料表面，CCD相机采集的缺陷源图像传输至图像处理单元。本实施例中，一CCD相机对应一光源，压延材料上下表面分别采用CCD相机拍摄。

后续步骤基于缺陷源图像识别周期性缺陷。

步骤2，提取缺陷源图像中缺陷的图像特征，所述的图像特征包括位置特征、形貌特征、颜色特征、质心特征和段特征。

(1)位置特征即缺陷在缺陷源图像中的位置。

(2)形貌特征。

常用的形貌特征主要有：缺陷最上端距缺陷源图像顶部距离、缺陷距最左端缺陷源图像左侧距离、缺陷中心距缺陷源图像左侧距离、缺陷长度、缺陷高度、缺陷长宽比率、缺陷面积、缺陷周长、缺陷密度、缺陷周长比率、缺陷圆整。部分特征见图3所示。

缺陷周长其中，f(x,y)为阈值限定像素，其取值为0或1；B为缺陷边界区域。像素(x,y)为纯白色时，f(x,y)取值0；像素(x,y)为纯黑色时，f(x,y)取值1。

缺陷密度Density为缺陷面积与其边界盒面积的比率，此值可表示缺陷相对于其边界盒的密实性，Density＝(Area/缺陷边界盒面积)×100％，其中，Area为缺陷面积。

缺陷周长比率Perimeterratio表示缺陷周长DefectPerimeter与其边界盒周长间的匹配程度，Perimeterratio＝DefectPerimeter/缺陷边界盒周长。

边界盒是由感兴趣区域提取获得的矩形区域，该区域中包含缺陷部分，感兴趣区域的提取为常规技术，可采用高斯法、局部阈值法等进行提取。

缺陷圆整是采用介于0.0到1.0间的数字表示缺陷与满圆的类似程度，缺陷圆整＝(缺陷外接圆直径-缺陷内接圆直径)/缺陷外接圆直径。

(2)颜色特征

颜色是彩色图像最底层、最直观的物理特征之一，本发明采用的颜色特征主要有：缺陷的亮度、灰度、对比度、亮度库q+r+s面积、暗度库q+r+s面积、平均强度、亮度平均强度、暗度平均强度、强度范围。

亮度库q+r+s面积和暗度库q+r+s面积分别代表缺陷像素属于亮度库和暗度库q、r、s的面积，其中，q、r、s用序号1、2、3标注，q、r、s任意组合，若q、r、s标注的序号一致，则只记一组。如，亮度库1+1+2面积即亮度库1+2面积。q、r、s分别表示亮度范围，通常以灰度值128为基础，标注为1时，表示的亮度范围为[0,20]，标注为2时表示的亮度范围为[20,40]，标注为3时表示的亮度范围为[40,60]。例如，亮度库1+1+2面积即亮度为128的缺陷像素面积减去亮度位于[128+0,128+20]和[128+20,128+40]的缺陷像素面积；亮度库1+1+2面积即亮度为128的缺陷像素面积加上亮度位于[128+0,128+20]和[128+20,128+40]的缺陷像素面积。

平均强度表示缺陷像素的平均灰度级强度值。

亮度平均强度和暗度平均强度分别表示缺陷的亮像素和暗像素的平均灰度级强度值。灰度值低于128的像素即亮像素，否则为暗像素。

强度范围表示缺陷像素的灰度级最亮强度和最暗强度间的强度范围。

(3)质心特征

质心特性描述基于缺陷质心属性，包括缺陷的横向质心位置、纵向质心位置和质心比值共3种特征。

令缺陷边界盒像素函数为g(x,y)，(x,y)表示缺陷边界盒像素位置，缺陷边界盒大小为M×N，I、J分别表示横向质心位置和纵向质心位置。

那么横向质心位置满足条件：

$\underset{x=0}{\overset{M-I}{\Sigma }}\underset{y=0}{\overset{N}{\Sigma }}g(x,y)=\underset{x=M-I+1}{\overset{M}{\Sigma }}\underset{J=0}{\overset{N}{\Sigma }}g(x,y)---\left(1\right)$

纵向质心位置满足条件：

$\underset{x=0}{\overset{M}{\Sigma }}\underset{y=0}{\overset{N-I}{\Sigma }}g(x,y)=\underset{x=0}{\overset{M}{\Sigma }}\underset{J=N-I+1}{\overset{N}{\Sigma }}g(x,y)---\left(2\right)$

位置特征和段特征均为常规的图像特征，在此不做赘述。

步骤3，以相邻周期性缺陷间位置关系作为约束，对缺陷源图像进行周期性缺陷预判定。

图4为本步骤的具体流程示意图。由于压延材料表面周期性缺陷的间距必定有最大值，根据实际情况预设相邻周期性缺陷的间距范围为[η₁,η₂]，η₁为可能的最小周期，周期性缺陷的周期δ≥η₁。从宽度方向将缺陷源图像分割为n段纵向区域，见图5，各段纵向区域宽为d，10mm<d<300mm，各段纵向区域长度为3η₂。

本步骤的具体实现过程如下：

3.1判断各段纵向区域内缺陷数，对缺陷数达到3个的纵向区域执行步骤3.2；若所有纵向区域缺陷数均未达到3个，则判定无周期性缺陷。

第i段纵向区域记为id区域，i＝1,2,...n。

3.2纵向区域内缺陷的宽度方向位置一致性判断。

令h为纵向区域内第一个缺陷在缺陷源图像宽度方向的位置，Δh为人为预设的周期性缺陷在宽度方向的位置偏差，Δh为基于实际情况的经验值；h_idj表示id区域第j个缺陷在宽度方向的位置。

对id区域，假设T＝{h_idj∈[h-Δh,h+Δh]}，j＝1,2,...m，m即id区域内的缺陷数。若集合T中元素数不小于3,，则对该id区域执行步骤3.3；否则，判定id区域无周期性缺陷。

3.3纵向区域的周期性缺陷预判定。

定义P_idj为id区域第j个缺陷在压延方向的位置，j＝1,2,...m，m为id区域中缺陷数。

构建id区域缺陷的位置关系矩阵P：

本步骤中，通过查询位置关系矩阵P列向量中元素的倍数关系判定疑似周期性缺陷，具体为：

将位置关系矩阵P第R列的列向量记为P_R，R＝1,2,...(m-1)，若P_R中存在：

(1)2-5％<P_Rk/P_Rj<2+5％，即P_Rk/P_Rj≈2，P_Rk和P_Rj分别表示列向量P_R中第k和j个元素，k>j，那么确定疑似周期性缺陷为当前纵向区域第j个缺陷，将其在压延方向的位置记为P_idj；

或(2)3-5％<P_Rl/P_Rj<3+5％，即P_Rl/P_Rj≈3，P_Rl表示列向量P_R中第l个元素，l>j，那么确定疑似周期性缺陷为当前纵向区域第j个缺陷，将其在压延方向的位置记为P_idj。

上述判定过程中，一旦有缺陷确定为疑似周期性缺陷，则结束判断，执行步骤4。

通过上述判定获得id区域中第一个疑似周期性缺陷及其位置P_idj，第一个疑似周期性缺陷后的缺陷均记为疑似周期性缺陷。疑似周期性缺陷为后续周期性缺陷的进一步检测提供基础，并通过逐步淘汰非周期性缺陷的方式减少压延方向上的检测范围，从而可有效提高周期性缺陷的预判定效率。

对存在疑似周期性缺陷的纵向区域执行步骤4。

步骤4，采用图像相关性匹配法分别对各纵向区域的相邻疑似周期性缺陷进行逐一匹配，以确定周期性缺陷。

本步骤用来将图像相关性匹配法用于疑似周期性缺陷的确定，可大幅度提高周期性缺陷的检出准确程度和检测速度。

根据步骤2提取缺陷的图像特征获得疑似周期性缺陷的图像特征，并组成疑似周期性缺陷的图像特征向量G＝(g₁,g₂,...g_t)。取疑似周期性缺陷P_irl，记其图像特征向量为G_l＝(g_l1,g_l2,...g_lt)，l为当前纵向区域中疑似周期性缺陷编号。

针对各纵向区域，基于图像特征向量顺次计算相邻疑似周期性缺陷间的相似性Cor：

Cor＝C/σ(4)

其中：

$C=\frac{1}{t}\underset{k=1}{\overset{t}{\Sigma }}\left[(G_{nk}-\frac{1}{t}\underset{a=1}{\overset{t}{\Sigma }}{G}_{na})\right(G_{(n+1)k}-\frac{1}{t}\underset{b=1}{\overset{t}{\Sigma }}{G}_{(n+1)b}],$C表示相邻疑似周期性缺陷图像特征

向量的协方差，G_nk和G_(n+1)k分别为相邻疑似周期性缺陷图像特征向量中第k个元素，G_na为相邻疑似周期性缺陷图像之一的图像特征向量中第a个元素，G_(n+1)b为相邻疑似周期性缺陷图像之二的图像特征向量中第b个元素；

$\sigma =\sqrt{(\underset{k=1}{\overset{t}{\Sigma }}{G}_{nk}^2-\frac{{\left(\underset{k=1}{\overset{t}{\Sigma }}{G}_{nk}\right)}^2}{t})(\underset{k=1}{\overset{t}{\Sigma }}{G}_{(n+1)k}^2-\frac{{\left(\underset{k=1}{\overset{t}{\Sigma }}{G}_{(n+1)k}\right)}^2}{t})},$为方差。

设定阈值T_Cor，当Cor≥T_Cor时，当前相邻疑似周期性缺陷确定为周期性缺陷。具体实施时，阈值T_Cor为人工设定的经验值，一般在0.5～1范围内取值。

所确定的周期性缺陷的周期δ＝P_Rj，周期偏差Δδ与压延过程中最大辊的辊直径相关，小于辊直径的5％，如辊直径大小为500mm则Δδ<25mm。

步骤5，增量缺陷匹配。

对已经出现过周期性缺陷的区域，可通过对周期性缺陷的匹配。本步骤是为了减少步骤1～4的重复，快速判断出已确定周期性缺陷区域在压延过程中周期性缺陷是否停止出现，极大程度减少了周期性缺陷的检测时间。

满足以下所有条件的缺陷即新增周期性缺陷：

(1)新增缺陷在宽度方向位置与前一确定的周期性缺陷宽度方向的位置偏差小于位置偏差Δh。

(2)新增缺陷在轧制方向位置与前一确定的周期性缺陷轧制方向位置距离在[δ-Δδ,δ+Δδ]范围内。

(3)新增缺陷特和前一确定的周期性缺陷的图像特征向量的相似性Cor≥T_Cor。

实施例

钢铁表面周期性缺陷检测

本实施例中，钢铁材质为冷轧硅钢，取5组缺陷图像数据，包括不同类型的周期性缺陷图像和非周期性缺陷图像，见图7～11。表1所示为实施例中缺陷检测结果，漏检数指周期性缺陷误判为非周期性缺陷的数量，误检数指非周期性缺陷误判为周期性缺陷的数量。

图6所示为周期性缺陷分布示意图，其中，图(a)为理想的周期性缺陷分布，由于压延工艺、采集环境、设备振动等外界因素的变化，会导致另外两种常见的周期性缺陷分布：图(b)所示的空位型周期性缺陷分布和图(c)所示的偏移型周期性缺陷分布。空位型周期性缺陷分布即周期性缺陷非连续出现，会出现单个或连续多个空位。偏移型周期性缺陷分布一般由带钢跑偏导致，部分周期性缺陷出现偏移。本实施例中采用的参数见表2，检测结果见表1。结果表明，本实施例中，周期性缺陷检测的漏检率低于8％，误检率低于4％，可实现实时检测，不会影响生产过程。

表1缺陷检测结果

表2参数和阈值

名称>符号>值>周期性缺陷间距>[η₁,η₂]>[200mm,20000mm]>纵向区域宽度>d>100mm>允许缺陷宽度方向位置偏差>Δh>15mm>使用图像特征数>t>75>允许缺陷周期偏差>Δδ>15mm>周期性缺陷相似度阈值>T_Cor>0.8>