（机械设计及理论专业论文）带钢表面缺陷的快速检测方法研究.pdf

东北大学硕士学位论文 摘要 带钢表面缺陷的快速检测方法研究 摘要 带钢的质量检查，既包括内部质量检查，也包括表面质量检查。在激烈的市场竞 争条件下，良好的表面质量不仅是企业形象的代表，而且是赢得市场的前提条件。带 钢表面缺陷监测系统作为表面质量的监测设备，在生产中具有非常重要的实用价值。 而能否准确、实时地检测出带钢表面缺陷是带刚表面监测系统实用性和准确性的关键 所在。因此本文通过对大量带钢表面图像的分析，对基于带钢表面缺陷特征的缺陷快 速检测方法进行研究。 在本课题中，首先提出了带钢表面监测系统的总体设计方案，从硬件和软件上保 汪系统的实时性和精确度。其次设计一种获得噪声图像的方法，分析图像的噪声特性。 并在此基础上针对传统中值滤波算法复杂、处理时间长等缺点，提出一种改进的迭代 的中值滤波方法，这种方法在有效滤掉噪声的同时尽可能地保存了图像的细节，并比 传统的中值滤波方法大大地减少了处理时间。 在对图像进行滤波处理后，本文分别提出了b p 神经网络法，区域灰度羞绝对值 闽值法和基于背景差分的小区域闽值法三种方法，对带钢表面缺陷进行检测。本文选 取3 0 0 幅带钢图片进行实验，结果表明这三种方法的漏检率和错判率均在5 以下， 且速度至少能达到1 0 毫秒每帧，满足实时检测系统低漏检率、低错判率和快速检测 的要求。其中b p 网络检测方法适应性好，可以通过样本学习适应相应的环境变化， 并且不但能检测出已知样本的缺陷，而且对未知缺陷样本的检测效果也很好。区域灰 度差绝对值检测方法算法简单，运算速度最快，能实现5 毫秒每帧的检测速度。基于 背景差分的小区域闽值法除了算法简单，速度快以外，它还能有效地检测出微小的、 对比度低的缺陷，并且背景图像的不断更新能使系统适应带钢表面质量的不断变化， 使系统能满足不同生产环境的检测需要。 通过本论文的研究和探索，使带钢表面监测系统的实用化更前迸一步，为进一步 的带钢表面质量在线控制识别奠定了基础。 关键词带钢，图像处理，滤波，缺陷检测 * 论文工作得到了 国家科技部重大基础研究前期研究专项资金资助( n o 2 0 0 3 c c a 0 3 9 0 0 ) 、国家自然科 学基金委员会和上海宝钢集团公司联合资助项目( n o 5 0 5 7 4 0 1 9 ) 资金资助。 一i i 东北大学硕士学位论文a b s t r a c t r e s e a r c ho nt h eh i g h - - v e l o c i t yd i s f i g u r e m e n t - i n s p e c t i o nm e t h o do f z o n a ls t e e ls u r f a c e a b s 仃a c t i n s p e c t i n gq u a l i t yo fz o n a ls t e e li n c l u d ei n n e ri n s p e c t i n gq u a l i t ya n de x t e r n a l i n s p e c t i n gq u a l i t y o nt h ed r a s t i cc o m p e t i t i v ec o n d i t i o n s ，g o o de x t e r n a lq u a l i t yi sn o to n l y t h er e p r e s e n t a t i o no fe n t e r p r i s ev i s u a l i z e ，b u ta l s oi sp r e c o n d i t i o no fw i n n i n gm a r k e t i n s p e c t i n gd i s f i g u r e m e n ts y s t e mo fz o n a ls t e e ls u r f a c eh a sm u c ha p p l i e dv a l u e ，w h i c hi s m o n i t o r i n ge q u i p m e n t h o wt om a k ei n s p e c t i n gd i s g u i s eo fz o n a ls t e e ls u r f a c em o r ea n d m o r ei n t e l l e c t u a l ，h i g hp r e c i s i o n ，h i 曲c r e d i b i l i t y , h i 曲v e l o c i t yh a sb e c o m eah o ts u b j e c t s b o t hi n t e r n a la n di n t e r n a t i o n a lr e s e a r c h e r a n dw h e t h e ri tc a nf i n dt h ed i s f i g u r e m e n t 谢t 1 1 h i g hv e r a c i t yo nt h er e a lt i m eh a v et u r n e di n t oai m p o r t a n tf a c t o rw h i c hi n f l u e n c e st h e p r a c t i c a b i l i t ya n da c c u r a c yo ft h ei n s p e c t i n gd i s f i g u r e m e n ts y s t e mo fz o n a ls t e e ls u r f a c e t h i st e x th a sc o l l e c t e da n da n a l y z e dm a n yz o n a ls t e e lp i c t u r e s ，a n dm a k er e s e a r c h e so nt h e m e t h o do fd i s f i g u r e m e n ti n s p e c t i o n f i r s t l y , a c c o r d i n gt oi n s p e c t i o ns y s t e m st e c h n i c a lr e q u i r e m e n t ，i t so v e r a l ld e s i g np l a ni s p u tf o r w a r d i tg u a r a n t e e st h es y s t e m sv e l o c i t ya n dp r e c i s i o nb yb o t hh a r d w a r ea n d s o f t w a r e t h e nd e s i g n i n gam e t h o dt oa c q u i r e m e n tt h en o i s yi m a g e ，a n da n a l y z i n gt h e c h a r a c t e r so nt h e m ，a ni m p r o v e di t e r a t i v em e d i a nf i l t e ri sp r o p o s e db a s e do nt h ec h a r a c t e r o ft h en o i s e t h i sf i l t e rc a nr e m o v et h en o i s ee f f e c t i v e l ya n dm o s tp o s s i b l y r e m a i nt h e d e t a i l so ft h ep i c t u r e ，a n di ta l s or e d u c e st h eh a n d l et i m ec o m p a r e dt ot h et r a d i t i o n a lm e d i a n f i l t e r w i t ht h er e s e a r c ho ft h ed i s f i g u r e m e n t sc h a r a c t e r ，p u t t i n gf o r w a r dt h r e em e t h o d st o f i n di ft h e r ea r ed i s f i g u r e m e n t so nt h ez o n a ls t e e ls u r f a c e a n dt h e ya r ep r o v e dt ob e e f f e c t i v ea n dp r a c t i c a l t h eo n ea m o n gt h e mu s eb pn e r v en e tt oi n s p e c tt h ed i s f i g u r e m e n t s ， i ti sa d a p t a b i l i t ya n dc a l la d a p tn e wc o n d i t i o nw i t hr e l e a r n i n go ft h ep a t t e r n s b u ti t st r a i n t i m ei ss l o w e ra n dc a nb et r a i n e d o n - l i n e t h es e c o n dm e t h o du s ev a r i a n c eo f t h eg r e yv a l u e o rg r e ya b s o l u t ev a l u ei nac e r t a i na r e at ob eac r i t e r i o nt od i s t i n g u i s hi ft h e r ea r e d i s f i g u r e m e n t so nt h ez o n a ls t e e ls u r f a c e t h i sm e t h o di sw i t hs i m p l ea r i t h m e t i ca n dh i g h v e l o c i t y i t sf a u l ti st h a ti tc a n tr e c o g n i z et h el o w c o n t r a s td i s f i g u r e m e n t s t h et h i r dm e t h o d w h i c ha n a l y z et h em i n u si m a g e sg r a yi na ns m a l la r e ac a nr e c o g n i z et h et i n ya n d ，i i i 东北大学硕士学位论文 a b s t r a c t l o w - c o n t r a s td i s f i g u r e m e n t sa c c u r a t e l ya n di t sa r i t h m e t i ci sv e r ys i m p l et o o a n dt h e r e n e w e db a c k g r o u n dm a k et h es y s t e ma d a p tt h en e wc o n d i t i o n s a l t h o u g h ，t h i sm e t h o d r e q u i r et h ei n s p e c t i o ns y s t e mh a v ea nh i g hi l l u m i n a t i o nq u a l i t yw h i c h c a ni l l u m i n a t eo nt h e z o n a ls t e e le q u a b l y a l lt h e s er e s e a r c h e sa d v a n c e dt h ea p p l i c a t i o no fi n s p e c t i n gd i s f i g u r e m e n ts y s t e mo f z o n a ls t e e ls u r f a c e ，w h i c hb r i n g su sa ni n s p i r a t i o nt op u tf u r t h e re f f o r t st oe x p l o r et h i sf i e l d i nt h ef u t u r e k e y w o r d ：z o n a ls t e e l ，i m a g ep r o c e s s i n g ，f i l t e r i n g ，i n s p e c t i n gd i s f i g u r e m e n t t h es t u d yi sf u n d e db y ： c h i n am a j o rf o r m e rb a s i cr e s e a r c hp r o j e c t o ft h em i n i s t r yo fs c i e n c ea n d t e c h n o l o g yo ft h ep e o p l e sr e p u b l i c ( n o 2 0 0 3 c c a 0 3 9 0 0 ) j o i n tf u n do f i r o na n ds t e e lr e s e a r c hf o u n d e db yt h e n a t u r a ls c i e n c ef u n do fc h i n a a n ds h a n g h a ib a o s t e e lg r o u pc o r p o r a t i o n ( n o 5 0 5 7 4 0 1 9 ) i v 独创性声明 本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得的研究成果 除加以标注和致谢的地方外，不包含其他人己经发表或撰写过的研究成果，也不包括 本人为获得其他学位而使用过的材料。与我一同工作的同志对本研究所做的任何贡献 均己在论文中作了明确的说明并表示谢意。 学位论文作者签名：已励乃够佟 日期： 学位论文版权使用授权书 本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论文的规定： 即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅 和借阅。本人同意东北大学可以将学位论文的全部或部分内容编入有关数据库进行检 索、交流。 ( 如作者和导师不同意网上交流，请在下方签名：否则视为同意。) 学位论文作者签名 签字日期： 7 导师签名： 签字日期： 东北大学硕士学位论文第一章绪论 第一章绪论 作为钢铁工业的主要产品形式之一，带钢已成为汽车、机械制造、化工、航空、 航天和造船等行业不可缺少的原材料。带钢的表面质量是带钢最为重要的质量因素之 一，因而受到了越来越多的关注。其表面质量的优劣将直接影响其最终产品的性能和 质量。我国冷轧带钢生产能力很大，但是出于表面质量不高，致使冷轧带钢产品缺乏 足够的市场竞争力( i l ，无法满足用户行业的需求，特别是家电、汽车行业对表面质量 的要求f 2 】。可以说，冷轧带钢的表面质量问题已成为制约国内钢铁企业产品生产、销 售的一个“瓶颈”，在很大程度上制约了各企业的发展。目前，各生产企业都迫切需要 冷轧带钢的表面缺陷的检测技术和质量控制方法，以满足生产需要、增强企业竞争力。 在带钢制造过程中，由于连铸钢坯、轧制设备、加工工艺【3j 等多方面的原因，导 致带钢表面出现裂纹 4 】、氧化皮、结疤、辊印、刮伤、孔洞、针眼、鳞瘦、表皮分层、 麻点等不同类型的缺陷1 5 ，这些缺陷不仅影响产品的外观，更严重的是降低了产品的 抗腐蚀性、耐磨性和疲劳强度等性能【6 】。如果要提高带钢的表面质量，首先必须解决 板带材表面质量的检测和分类问题，继而分析相应缺陷产生的原因，最终提出消除缺 陷的解决方案。 在国外，这方面的研究相对较多，采用不同的方法检测带钢表面的缺陷。而国内 的研究则较少，国内要实现自动化检测表面缺陷大都购买外国的设备，这不仅要花费 大量的资金，而且其维修费用也特别高昂，也不符合发展的需要，这一切都迫使我们 要开发研究我们自己的产品，来满足我们发展的需要。 1 1 带钢表面检测技术的发展过程、技术难点及发展趋势 1 1 1 带钢表面检测技术的发展过程 带钢表面检测技术主要经过了以下过程【7 】：人工检测，人工+ 机器检测系统，机器 检测系统引。目前，上述方法都还在不同生产线上使用，但机器带钢表面检测系统已 成为这方面的发展方向。 1 1 1 1 人工检测 5 0 年代至6 0 年代，带钢表面检测主要采用人工肉眼检测。在速度低于l o o m r a i n 的情况下，熟练的检测工能够顺利地检测出大多数明显的表面缺陷，例如划伤、折痕、 乳化液锈斑等，但一些细小、不明显的缺陷会出现漏检；在机组速度大于i o o m m i n 时，由于肉眼无法及时聚焦造成视觉模糊，人工检测的失误率大幅度提高，并且人工 东北大学硕士学位论文第一章绪论 检测时，检查人员容易产生视觉疲劳，影响检测结果，从而产生带钢表面缺陷的大量 误检。从图1 1 可看出人工目视的误检率( 2 1 o ) 大大高于自动检测的误检率( 6 3 ) 。 人工目视检测己不适应现代钢铁工业发展的需要，各大型钢铁企业都在致力于研究、 开发和使用表面缺陷自动监测系统【9 】。 检测率 l o 。 线速度：1 2 0 m m i n 口目视检测( 在线) 自动检测 符台误检 过检 图i i目视检测与自动检测能力的比较 f i g 1 1c o m p a r i s o nb e t w e e nt h et w oi n s p e c t i o nm e t h o d s 1 1 1 2 人工+ 机器检测系统 频闪法检测就是此方法的具体应用。为了克服高速运动产生的视觉模糊，看到清 晰的缺陷图像，系统采用1 0us 左右的脉冲闪光光源，由于光源频率高，使带钢在此 期间的移动相对眼睛可看成是静止的，从而使检测者可看到一系列清晰的图像。熟悉 表面缺陷且经过培训的检测人员，在速度高达2 0 0 0 m m i n 时，可以立即识别出缺陷。 该种频闪目视检测法早在7 0 年代诸如英钢联，阿格玛，l 1 v ，美钢联合蒂森等西方国 家的钢铁联合企业就己普遍采用。 随后，该方法又与专用视频摄像机结合，通过监视器观察缺陷，并用视频录像机 记录下整卷带钢的画面。操作员可重放已经看过的任何表面录像并让缺陷保持在屏幕 上，以评价其严重程度以及可能的起因。此方法可以有效地确定带钢轧辊使用周期， 为带钢生产线节约生产成本。 频闪视频检测法成本低，但自动化程度低。英钢联及加拿大、美国等的钢铁企业 都曾使用过频闪视频检测法检测带钢表面质量i l 。 1 1 13 机器检测系统 早期的钢板表面质量检测机器类型不少，它们分别利用过涡流、红外线、电磁、 超声波和激光等手段，对带钢通过机器所留下的信号变化进行处理，判断分析带钢表 面质量情况。但是由于带钢连续生产的特性、生产线速度的不断提高使得上述方法都 存在很大的局限性，下面介绍三种主要的带钢表面缺陷机器检测系统。 ( 1 ) 涡流检测法 2 礓 一 东北大学硕士学位论文第一章绪论 1 9 8 9 年法国洛林连轧公司福斯厂 研制出了一种安装在火焰切割设备前端，在线 无损检测热连铸板坯表面的涡流探测设备- - e d i s o l 。通过配置在板坯上下表面作横 肉往复移动的涡滚探测器检测纵裂纹，通过配置在板坯窄面和棱边处固定的涡流探测 器检测横裂和角裂。 ( 2 ) 红外检测法 挪威e l k e m 公司1 1 2 i 于1 9 9 0 年研制出t h e r m o - - m a t i c 连铸钢坯自动检测系统，其 检测原理时，在钢坯传送棍道上设置一个高频感应线圈，钢坯通过时表面会产生感 应电流，由于高频感应的集肤效应，其穿投深度j - 占 。， 其他 东北大学硕士学位论文 第三章带钢表面图像的预处理 s = k o ，( 3 4 ) l 为总灰度级数，a 为大于零的正数。这种邻域平均的方法也可以用数学公式来表示， 把平均化处理看作一个作用于图像，( m ，”) 的低通滤波器，该滤波器的脉冲应为h ( r ，j ) ， 于是滤波输出或新的数字图像厂，肝) 可以用如下离散卷积表示： 八，”) = f ( m 叱m s ) h ( r ，j ) ( 3 6 ) 用信息如图像的边缘变的模糊，公式中h ( r ，s ) 为加权函数，习惯上称为模板( m a s k ) 。 耻“ ，炉艄 ，弘去 | ， 日。= ； ： 纠，日，= 三薹 模板的取法不同，中心点或邻域的重要程度也不同，因此，应根据问题的需要选 择合适的模板，但不管哪种模板，必须保证全部权系数之和为i 单位值。 因受到噪声污染而退化的图像，可以采用线性滤波方法来复原处理，并且在很多 情况下是很有效的43 1 。但是多数线性滤波具有低通特性，在去除噪声的同时也使图像 的边缘变得模糊了。中值滤波方法在某些条件下可以做到既去除噪声又能够保护图像 中值滤波的原理：数字图像中一点的值，用该点的一个邻域中各点值的中值代替。 一组数x i ，x 2 ，均，x 。，把n 个数按值的大小排列于下： x j i x ，2 工。3 。x m 2 3 东北大学硕士学位论文 第三章带钢表面图像的预处理 y = m e d x i ，x 2 ，黾，- - 为偶数 ( 3 7 ) 为偶数 y 为序列x l ，x 2 ，x3 ，x 。的中值。 把一个点的特定长度或形状的邻域称作窗口，在一维情形下，中值滤波器是一个 含有奇数个像素的滑动窗口。窗口正中间那个像素的值用窗口内各像素值的中值代替。 中值滤波的概念很容易推广到二维，此时可以利用某种形式的二维窗口。设 扛。( f ，) ，2 表示数字图像各点的灰度值，滤波窗口为a 的二维中值滤波可定义为： y 。= m e d x 。 _ m e d x ( 。) “+ n ( ，s ) 爿，o ，) ，2 ( 3 8 ) 二维中值滤波的窗v i 可以取方形，也可以取近似圆形或十字形。中值滤波的实现 过程如下：滤波窗口的选择为n x n ，其中为奇数。如图3 4 所示 图3 4 中值滤波面口的选择 f i 9 3 4s e l e c t i o no f m e d i a nf i l t e r sw i n d o w 具体实现的步骤如下： ( 1 ) 建立一个n n 的窗口，并用该窗口按先行后列的顺序逐次滑动。 ( 2 ) 每次滑动后对窗口内的数字信号序列进行排序。 ( 3 ) 用排序所得中值替代窗口中心位置的原始值。 ( 4 ) 滑动窗口，重复( 2 ) ，( 3 ) 步骤。 由上面的理论分析与下面实验图3 5 可以看出，中值滤波是一种有效的去嗓滤波 器，而且中值滤波器在去除噪声的同时能很好的保持图像的边缘细节。 2 4 1，j 陋u x + 、， ， 曙 掣一一 x ， ，一2 东北大学硕士学位论文第三章带钢表面图像的预处理 b 、中值滤波 3 2 2 迭代中值滤波方法 a 、滤波前 c 、平滑滤波 图3 5 两种滤波效果比较 f i g 3 5c o n t r a s tb e t w e e nt h ef i l t e r s 按照上面的所述的中值滤波的原理，对每个像素都要排序取中值，由于图像数据 量大，所以计算量十分巨大；而且在取中值后，要将所有的值赋给一全新的矩阵，这 样也加大了计算量，增加了时间复杂度，所以消耗的处理时间必然较长。 基于上述考虑，提出了一种迭代算法，不是对所有的像素的邻域值都排序，而是 给一阈值对像素的邻域值有选择性的排序，并且排序后的中值并不赋给新矩阵，而是 直接替代点( i ，j ) 处的原值，在紧接着以下一像素为中心的滤波判断，排序中都充分 利用刚更新的前一像素的灰度值。 由于中值滤波主要是去除孤立离散性的噪声，它们常常与领域像素有较明显的差 异。在中值滤波噪声消除过程中，顺序检测每一像素，如果一像素的灰度值与其领域 像素的平均值的差值达到一定闽值，则判断该像素为噪声，并进行排序取中值；否则， 如果满足一定条件，则该窗e 1 内的所有像素不进行排序，不但减小了计算量，而且还尽 可能地保存了图像的细节。同时在取中值后并不将所取的新值赋给新的矩阵，而是赋 给本矩阵，这样在下一求均值的过程中充分利用了刚计算的新值，均值的改变与将中 ，2 5 东北大学硕士学位论文第三章带铜表面图像的预处理 值赋给新的矩阵时的均值改变幅度不一样，并且在随后的排序过程中也充分利用了该 新值，这样形成迭代过程，不仅大大降低了时间复杂度，而且滤波效果有较明显的改 下面用矩阵说明改进算法的去噪声过程，假设一3 3 窗口模板，对应的像素灰度 z ( f l ，j - 1 ) x ( i 一1 ，- ，) x ( i 一1 ，+ 1 ) z ( f ，j 1 ) x ( i ，_ ，) x ( i ，+ 1 ) l l x ( f + 1 ，_ ，一1 ) x ( i + l ，) x ( i + l ，+ 1 ) j 对此求均值a v e r a g e = b ( j 一1 ，j 一1 ) + + x ( f ，) + + x ( f + l ，_ ，+ 1 ) 】9 ，如果 j x ( ，j ) 一a v e r a g e i t ，则进行滤波。其中t 为阈值，要根据实际情况选取。本文选为 1 0 。设滤波后得此点的灰度值为_ y ( f ，) ，此时模板下图像对应的像素值变为： x ( f l ，j - 1 ) x ( i - 1 ，) x ( f 一1 ，+ 1 ) x ( f ，j 一1 ) y ( i ，) x ( i ，+ 1 ) f l x ( f + l ，一1 ) x ( i + 1 ，u ，) z ( f + 1 ，+ 1 ) j 接着对下一像素f ( i + 1 ) 为中心的窗口区域求均值，窗口为： x ( f 一1 ，) x ( f l ，+ 1 ) x ( i 一1 ，j + 2 ) l f y ( f ，)x ( ，+ 1 )x ( f ，+ 2 ) x ( f + 1 ，_ ，)x ( f + 1 ，+ 1 )x ( f + 1 ，+ 2 ) i 此时，均值为a v e r a g e = b ( ，一1 ，) + + y ( i ) + + x ( i + 1 ，+ 2 ) 】9 ，如果 l z ( f ，+ 1 ) 一a v e r a g e l t ，此时排序也按新矩阵值进行： y ( f ，+ 1 ) = m e d 杪( f ，- ，+ 1 ) ，y ( i ，) ，厂( f + 1 ，+ 2 ) 如果，i x ( f ，- ，+ 1 ) 一a v e r a g e l t ，则排序取中值 y 。= m e d j ( i 一，j j ) ，x ( i ，u ，) ，x ( i + r ，+ j ) ，并赋给嘞；否则不排序。 ( 5 ) 对一f 一像素重复步骤4 ，此时，y 岫圳= m e a x ( 。) ( ) ，y 旷，j 【。u 州j 。 ( 6 ) 重复以上步骤4 、5 ，直至i = = ”，结束。 用迭代中值滤波对图像进行滤波，效果如3 6 所示。 a 、滤波前 b 、中值滤波 c 、迭代中值滤波 图3 6 两种滤波效果比较 f i g 3 6c o n t r a s tb e t w e e nt h ef i l t e r s 从上图可以看出，本文的迭代中值滤波算法对某些噪声图像有很好的效果，不但 大大减少了处理时间，而且尽可能地保存了图像的细节，处理效果也较传统的中值滤 2 7 东北大学硕士学位论文 第三章带钢表面图像的预处理 波好。 3 3 本章小结 噪声使图像质量下降，对图像的后续处理造成影响，为了减少这种影响，本章对 实际带钢表面图像进行了研究，分析了系统噪声特征，并在此基础上提出一种迭代中 值滤波方法，此方法在保持原图质量的基础上有效地滤掉噪声。主要研究内容和成果 如下： ( 1 ) 提出了一种噪声生成方法，并在此基础上研究了系统噪声的特性：噪声一般 成孤立点和孤立行分布，且灰度值分布在一定的范围之内。 ( 2 ) 针对系统噪声特性，提出了一迭代中值滤波方法。此方法在有效滤掉噪声的 同时尽可能地保存了图像的细节，明显地减小由于滤波造成的图像模糊，并比传统的 中值滤波方法大大地减少了处理时间。 2 8 东北大学硕士学位论文 第四章带钢表面缺陷的检测方法研究 第四章带钢表面缺陷的检测方法研究 缺陷检测过程用于检测图像是否存在缺陷，如果存在缺陷，则保存图像，以待进 一步的分类分级；如果没有，则不保存这幅图像。这一过程需要处理摄像机采集的每 幅图像，因此在算法设计时，应特别考虑系统的实时需求。另外这一级检测又是下 面缺陷识别分类的基础，因此结果务必准确。由于带钢表面缺陷种类众多加大了检测 难度，使缺陷检测成为整个监测系统中的难点之一，已成为带刚表面监测系统实用性 和准确性的一个瓶颈。本文通过对大量带钢表面图像的研究，对基于带钢表面缺陷特 征的缺陷快速检测方法进行研究。 本章提出了三种缺陷检测方法，包括：b p 神经网络法，方差( 灰度差绝对值) 阂 值法，基于差分的小区域闽值法，并通过大量的实验对三种检测方法进行比较分析。 下面分别介绍这三种方法。 4 1b p 神经网络检测方法 由于b p 神经网络是目前所有神经网络中算法最为成熟，应用最为广泛的一种神 经网络，且具有简单、易于实现等特点，故本文选择b p 神经网络来检测带钢表面 的缺陷。 4 1 1 神经网络简介 下面我们首先来简要介绍一下神经网络，然后再详细介绍b p 网络。 图4 1 神经元结构图 f i g 4 1t h es t r u c t u r ef i g u r eo f n e r v ec e l l 神经网络简介：人工神经网络( a r t i f i c i a ln e u r a l n e t w o r k ，a n n ) ，也称为神经网 一2 9 东北大学硕士学位论文 第四章带钢表面缺陷的检测方法研究 络( n e u r a l n e t w o r k s ，n n ) 。即从生物学神经系统的信号传递而抽象发展而成的一门学 科。在神经网络中，最基本的单元就是神经元。神经元由三部分组成：树突、细胞体 和轴突。树突是树状的神经纤维接受网络，它将电信号传递给细胞体，细胞体对这些 输入信号进行整合并进行闽值处理。轴突是单根长纤维，它把细胞体的输出信号导向 其他的神经元。神经元的排列拓扑结构和突触的连接强度确立了神经网络的功能。形 象地说，神经网络是由大量处理单元( 神经元n e u r o n s ) 广泛连接而成的网络，是对 人脑的抽象、简化和模拟，反映人脑的基本特性。它能够通过学习过程从外部环境中 获取知识，并且它内部的很多的神经元可以用来存储这些已经学到的知识【4 5 j 。 输入通恩摔睦元 nl 厂 。j l a - - f c w p + 6 ) 图4 2 神经元数学模型 f i g4 2m a t h e m a t i cm o d e lo f n e r v ec e l l 图4 2 是将生物神经元模型抽象成一个信号传递的数学模型。 神经元的输入是信号p ，经过一个累加器累加后的信号送入一个激活函数f ，从而 得到这个神经元的输出a 。这个神经元的输出a 同时又可以作为下一个或多个神经元 的输入，从而将神经信号成网络分散状的传递出去。一个神经元可以接受多个输入， 所以把神经元表示成为矢量、矩阵形式更容易去处理分析实际问题。 袖 参i 入神矗兄 ，一、厂、 口o j l w p + 计 图4 3 多输入神经元数学模型 f i 9 4 3m a t h e m a t i cm o d e lo fm u l t i - i n p u tn e r v ec e l l 如图4 3 ，p 表示一r 维的输入向量，b 为偏置向量，w 为网络的权值矩阵，f 为 激活传输函数，a 为网络的输出向量。 以上是对一个单层神经网络的描述。一般就实际情况而言，多层网络用处要广的 3 0 一 东北大学硕士学位论文第四章带铜表面缺陷的检测方法研究 多。后面用到的b p 网络也是多层的。 在多层网络中，一般至少有3 个层：一个输入层、一个输出层、一个或多个隐层 4 6 1 。多层网络可以解决很多单层网络无法解决的问题，比如多层网络可以用来进行非 线性分类，可以用来做精度极高的函数逼近，只要有足够多的层和足够多的神经元， 这些都可以办到。 一个多层网络的输入和输出层的神经元个数是由外部描述定义的。侧如如果有4 个外部变量作为输入，那网络就要有4 个输入。关于隐层神经元的确定，将在b p 网 络的设计中详细讨论。 现在神经网络的应用已渗透到多个领域，如智能控制、模式识别、信号处理、计 算机视觉、优化计算、知识处理、生物医学工程等。 4 1 2b p 神经网络的算法 基于上面介绍的神经元结构，人们提出了很多种神经网络结构模型，如h o p f i e l d 网络、b o l t z m a n n 机、a r t 网络、b a m 网络、k o h o n e n 网络、m a d l i n e 网络、c p n 网 络、l i n s k e r 网络、h a m m i n g 网络、c a u c h y 机、o m o r i 网络、m a r s h a l l 网络等。在故 障诊断领域中用得最多也最有成效的是前向多层神经网络。由于陔网络在学习( 训练) 过程中采用了b p ( b a c k p r o p a g a t i o n ) 算法，故有时该网络又称为b p 网络。b p 算法 把神经网络各节点的输出误差归结为各个节点的“过错”，通过将网络输出层单元的误 差逐层向输入层逆向传播以“分摊”给各个单元，从而获得各层单元的参考误差以调 整相应的连接权值1 4 ”。 本文的神经网络检测采用的是使用最为广泛的b p 网络。其结构如图4 4 所示。 最下面为输入层，中间层为隐含层，最上面为输出层。网络中相邻层采取全互联 方式连接，同层各神经元之间没有任何连接，输出层与输入层之间也没有任何连接。 在此我们假设输入层、隐含层、输出层神经元的个数分别为l 、m 和n 。 可以证明：在隐含层节点可以根据需要自由设置的情况下，那么用三层前向神经 刚络可以实现以任意精度逼近任意连续函数。 b p 神经网络中的动力学过程有两类：一类是学习过程，在这类过程中，神经元之 间的连接权将得到调整，使之与环境信息相符合。连接权的调整方法称为学习算法。 另一类过程是指神经网络的计算过程，在该过程中将实现神经网络的活跃状态的模式 变换。与学习过程相比，计算过程的速度要快的多，因而，计算过程又称为快过程； 与之对应，学习过程通常称为慢过程1 4 。 3 1 东北大学硕士学位论文 第四章带钢表面缺陷的检测方法研究 输出层 隐含层 输八层 输出模式 此y3 y n 输入模式 输出层神经元 ( 1 = 2 ) 隐含层神经“ ( 1 _ 1 ) 输入层 ( 1 = 0 ) 图4 4 b p 神经网络模型 f i g 4 4t h em o d e lo f b p n e u r a ln e t w o r k b p 学习算法可以归纳如下： 第一步结构及参数的确定：输入输入层、隐含层、输出层的神经元数目，学习 效率口、惯性项校正系数叩以及误差收敛因子卢。 第二步初始化，给各个权值汹，j 和阈值扫，卜一个较小的随机非零向量。 第三步提供随机样本：输入向量x ，( p = l ，2 ，尸) 和目标向l i f t p ( p 2 1 ，2 ，j p ) 。 第四步对输入样本，计算网络隐含层及输出层各神经元的输出。 。桫= 乃砦) = 乃f 珊铷1 0 ! l ( 4 1 ) j 其中，厂( x ) 是神经网络的激励函数。常用的基本激励函数有闽值函数、分段线性 函数、s i g m o i d 函数。其中s i g m o i d 函数也称为s 型函数，它是人工神经网络中用的 最多的激励函数。本文的激励函数采用s i g m o i d 函数，其定义如下： 3 2 东北大学硕士学位论文 第四章带钢表面缺陷的检测方法研究 ( x ) = 丁毫 ( 4 - 2 ) l 十已 第五步由实际输出和期望输出求得各层修正误差。 占? = 。鼬一。：妊。一。：) 输出层 占0 = o ( 1 一。2 j e 占譬。g 隐含层 ( 4 3 ) 第六步根据各层修正得到修正权值和阈值。 卯? = a 占：。l ：_ - 1 + 叩b ? ( n ) 一! n - 1 ) ) 权值修正量 o , i i 0 + 1 ) 2 甜! 0 ) + ! e i e * 2 n ( 4 4 ) 秽州”+ 1 ) = 曰j 。以) + d 占 修正闽值 第七步判断是否学习完所有的样本，是则结束，否则转第三步。 第八步判断全局误差占是否小于预先设定的限定值或是否已经到了最大迭代次 数，若是，则结束，否则返回第三步。 其程序流程图如图4 5 所示。 b p 学习中需要注意及改进的地方4 9 1 ： ( 1 ) 权值的初始化。权值的初始值应该选择均匀分布的小数经验值。初始值过大 或者过小都会影响学习速度。为了避免权值的调整是同向的，应该将初始值设为随机 数。初始权值不要太大，否则可能会处于误差平面较平坦的区域，从而导致算法无法 收敛，训练失败。本文以专家意见阵作为网络输入层的初始权值，经实验证明，它可 以大大加快网络的收敛速度，避免了网络学习陷入局部极小的可能。 ( 2 ) 学习算法中的口表示学习效率，或称步长，口较大时，权值的修改量就较大， 学习速率比较快，但有时会导致振荡；口值较小，学习速率慢，然而学习过程平稳。 这样，在实际的学习过程中，可以将值口取为一个与学习过程有关的变量， 并且在学习刚开始时d 值相对大，然后随着学习的深入，a 值逐步减小。口值的 具体选取方案已有很多种，但迄今为止没有一种是令人信服的。在一些简单的问题中， 口可取为一个常数，满足o 口 t ) 如果满足判断条件，即认为此小区是缺陷区，则图像存在有缺陷的小区，保存图 像到数据库；若不存在有缺陷的小区，则不保存图像，进行下一帧图像的分析。 4 3 4 缺陷检测的流程 由于缺陷灰度值的特征在整幅图中不明显，而在小区域中表现较明显，所以可以 采用，因此采用基于区域的检测方法。缺陷检测的流程图如图4 2 0 所示，采集到的当 前图像和背景图相减，在检测前先对背景差分图采用上一章提出的迭代中值滤波方法 进行处理，减小噪声的影响。进行小区域的检测，如有存在有缺陷的小区域，则保存 图片到数据库里以备进一步地分类分级等。 4 3 东北大学硕士学位论文第四章带钢表面缺陷的检测方法研究 采集待硷图像 与背祭阁像十h 减 进行滤波除嗓 把背蹬差分圈分成l o x l o 的小区 域分别对缚个区域进行分析 否存在了 妙 f 魁 霸丽 剑数掘侔 图4 2 0 缺陷检测流程图 f i g 4 2 0f l o wc h a no fi n s p e c t i n gd e f e c t 4 - 3 5 背景图像获取方案和处理方法 由上面的分析可知，背景图像是检测的关键，背景图像的质量将直接影响系统检 测缺陷的性能。实时采集的图像受周围环境、光线的影响很严重，而且每卷钢板表面 质量的差异较大，即使同一卷钢板相离较远的地方钢板表面质量也有较大的差异，如 果两张均j 下常的钢板表面图像质量相差很大，这两张图像做背影差分图进行分析很容 易被判断为是缺陷图像，从而造成缺陷的误判。情况更严重的是由于生产现场的需要， 带钢在生产线上并不是匀速运动，慢速运动的带钢表面图像的质量远远优于快速运动 的带钢表面图像的质量。所以如果不顾现场的实际情况，在内存中事先存放一张标准 图，以后实时采集的图像均与此标准图比较进行缺陷的判定显然不符合现场的实际情 况，缺陷误判率会大大增加。本论文讨论了一种实时选取并更换标准图的方法，即选 取当前帧之前邻近它的一张图像质量较好的正常图作为标准图。 在一卷带钢的起始位子是没有标准图的，所以在选定合适的标准图之前采取连续 采集的前后两帧图像做差影的方法进行缺陷的判断，同时在采集的图像中选取合适的 标准图。在有了标准图之后，实时采集的图像和此标准图做差影图，判定当前帧是否 存在缺陷。为了适应现场生产的实际情况，标准图选定之后不是一直保持不变，而要 不断更新，所以标准图的选取就分为从没有标准图到选定合适的标准图及有了标准图 后进行标准图更新的两个不同的过程。下面对这两个过程分别进行介绍。 ( 1 ) 背景图像从无到有的选择 4 4 东北大学硕士学位论文第四章带钢表面缺陷的检测方法研究 即1 l 1 即：。：f 为了使背景图像的灰度分布更均匀，需要对背景原图做多次的线性滤波。 图 4 2 1 分别是背景原图和经过三次线性滤波器处理的背景图像。 4 5 东北大学硕士学位论文 第四章带钢表面缺陷的检测方法研究 a 、背景原图b 、经三次线性滤波处理 图4 2 l 对背景图像的处理 f i g 4 21t r e a t m e n tt ot h eb a c k g r o u n di m a