基于目標面積特征分析的帶鋼缺陷圖像分割方法

趙 霆，管聲啟，王 鵬

（西安工程大學 機電工程學院，陜西 西安710048）

0 引 言

隨著制造業的不斷發展，帶鋼產品的質量成了制約最終產品質量的一大關鍵因素，為滿足市場對帶鋼質量高標準的要求，生產企業需要采用先進的帶鋼表面缺陷檢測技術，為改善帶鋼質量和提高生產效率提供可能［1］.

自20世紀70年代以來，國外學者和研究機構對帶鋼表面自動檢測系統開展了卓有成效的工作，典型的檢測方法包括：基于激光掃描的檢測方法，基于渦流的檢測方法，基于紅外輻射探傷的檢測方法，基于激光超聲探傷的檢測方法和基于CCD（光電耦合器件）成像的機器視覺檢測方法［2－3］.與其它技術相對比，基于CCD成像的機器視覺檢測方法更加適合在線實時檢測的需要，同時能保存缺陷圖像，確定缺陷出現的位置，并能識別缺陷的類別.這些優勢無疑使基于線陣CCD或面陣CCD成像的機器視覺檢測技術成為目前研究和應用的主流技術［4］.

圖像處理過程中，系統將采集到的圖像分割成若干個不相交區域的方法叫做圖像分割，圖像分割的本質就是將圖像按照像素單位進行分類的過程.目前，圖像分割方法主要可以歸為三大類：基于灰度值的分割方法，基于邊緣的分割方法和基于區域生成的分割方法［5－6］.目前常用的最大類間差、固定閾值和迭代閾值等分割方法無法避免由于環境等因素的不同導致圖像灰度值變化而給圖像分割結果帶來的影響，分割后圖像中存在一定量的背景信息，不能滿足所有缺陷分割的需要，此外，這些方法對噪聲的干擾很敏感，因此不能實現對帶鋼缺陷的有效分割［7］.

在視覺產生的過程中，人類視覺系統總是對某些與周圍區域相比擁有某種特征差異的區域表現出更強的興趣，對此區域提高注意力并優先處理，這就是人類視覺注意機制的原理［8］.因此，在機器視覺檢測中，如果能模仿人類視覺的這種特性，提前分析學習帶鋼缺陷圖像的缺陷特征，就有可能利用分析特征的結果作為標準，把這些目標從背景圖像中快速準確地分割出來.

1 帶鋼缺陷圖像分割方法原理

本文分割方法為選擇有用的特征項，深入挖掘該特征所包含的信息，利用所挖掘出來的信息確定分割閾值，從而實現對帶鋼缺陷圖像的分割.

1.1 帶鋼缺陷圖像特征分析

帶鋼缺陷圖像的特征指的是帶鋼缺陷部分的圖像表現出來的與背景存在著一定差異的可以被識別的某種性質.在分析和選取特征時，為了保證所選的特征為有效特征，要確保被選擇的圖像特征應該滿足以下幾點要求：（1）可識別性：該特征必須要能被識別到；（2）相似性：同類目標具有相似的特征；（3）獨立性：不同的特征應互不影響.

分析帶鋼圖像可知，帶鋼的缺陷區域反映到圖像上就是一定數量的灰度值相近且與背景平均灰度值存在一定差異的像素點的密集聚集［9－11］.一定量的像素點聚集在一起就形成了一定面積的缺陷區域.如果利用缺陷面積特征確定分割的閾值，通過閾值就有可能把缺陷從帶鋼圖像中分割出來.為此，我們認為在具體的每一幅帶鋼圖像中帶鋼缺陷面積是一定的，且缺陷區域中各個像素點灰度大致在一定小范圍內，缺陷區域像素灰度通常高于或者低于背景像素灰度；另外，帶鋼缺陷與帶鋼背景區域相比較，缺陷區域面積相對較??；因此，當采用不同閾值分割帶鋼圖像時，如果分割閾值在缺陷區域像素灰度值變化范圍之內，分割出來的區域僅含有一部分缺陷信息或者全部缺陷信息，分割出來的面積大小變化不大；當分割閾值從缺陷區域像素灰度值跨越到背景區域像素灰度值范圍時，分割出來的區域因含有大量背景區域的像素，分割區域面積迅速變化.因此，通過分割出區域的面積變化的規律，確定帶鋼缺陷分割的閾值.

1.2 確定帶鋼圖像最佳分割閾值范圍

設帶鋼圖像f（x，y）灰度值范圍為min［f（x，y）］～ max［f（x，y）］，在帶鋼圖像灰度值范圍內進行N等分，T1＝ min［f（x，y）］，TN＝ max［f（x，y）］.采用公式（1）確定最佳分割閾值范圍如下：

其中，Tn和Tn＋1為帶鋼圖像灰度f（x，y）范圍min［f（x，y）］～max［f（x，y）］進行N 等分中的第n和（n＋1）次分割閾值；STn和STn＋1分別表示采用Tn的Tn＋1分割出的缺陷區域面積；δn為前后兩次分割出的缺陷區域面積的絕對差值；［Tn，Tn＋1］表示從Tn到Tn＋1變化范圍；［T0］表示最佳分割閾值存在范圍.

1.3 確定帶鋼圖像最佳分割閾值

由于最佳分割閾值存在于［T0］范圍內，必須進一步細分以縮小最佳分割閾值的范圍，從而精確確定最佳閾值.具體方法為：在帶鋼圖像最佳分割閾值［T0］范圍內進行M 等分，T′m＝Tn，T′m＋1＝Tn＋1.采用公式（2）確定最佳分割閾值如下

其中，T′m，T′m＋1為帶鋼圖像最佳分割閾值［T0］范圍進行 M 等分中的第m 和（m＋1）次的分割閾值；S′m，S′m＋1分別表示采用閾值T′m和T′m＋1分割出的缺陷區域面積；δ′n為前后兩次分割出的缺陷區域面積的絕對差值，［T′m，T′m＋1］表示從T′m到T′m＋1變化范圍，［T′0］表示細分后確定的最佳分割閾值存在范圍.由于［T′0］是細分后確定的帶鋼最佳閾值存在的范圍，其范圍變化很小，因此，可以用［T′0］中的T′m作為最佳分割閾值，如式（3）所示

2 帶鋼缺陷圖像分割過程

CCD采集來的帶鋼圖像可能包含三類區域：（1）均勻光照下變化緩慢的背景區域；（2）缺陷處形成的具有一定面積的、不規則的、灰度值與背景存在一定差異的缺陷區域；（3）噪聲信息.為了減少噪聲對后期圖像處理的影響，首先對采集到的圖像轉化為灰度圖像，然后進行3×3的均值濾波以平滑圖像［12］.

2.1 帶鋼缺陷圖像分割閾值確定

由于帶鋼缺陷部分的灰度值既可能小于背景灰度值，也可能大于背景灰度值，所以分兩種情況討論.

2.1.1 缺陷區域灰度值小于背景區域 在帶鋼缺陷灰度值小于帶鋼背景灰度的圖像中，對其灰度范圍進行10等分，統計每次目標區域（黑色區域）面積作為縱坐標，以閾值序列Tn作為橫坐標，繪制目標區域面積變化曲線，如圖1所示.根據式（1）和圖1確定最佳閾值分割范圍在第4，5次分割之間.在最佳閾值范圍內10等分，進行細分；統計每次目標區域（黑色區域）面積作為縱坐標，以閾值序列T′m作為橫坐標，繪制目標區域面積變化曲線，如圖2所示.最后根據式（2），（3）和圖2確定最佳閾值T′4.

圖1 預分割目標區域面積變化曲線Fig.1 Curve of target area′s change

圖2 細分目標區域面積變化曲線Fig.2 Curve of target area′s change

2.1.2 缺陷區域灰度值大于背景區域 在帶鋼缺陷灰度值大于帶鋼背景灰度值的圖像中，對其灰度值范圍進行10等分，統計每次目標區域（白色區域）面積作為縱坐標，以閾值序列Tn作為橫坐標，繪制目標區域面積變化曲線，如圖3所示.根據式（1）和圖3確定最佳閾值分割范圍在第4，5次分割之間.在最佳閾值范圍內進行10等分，進行細分；統計每次目標區域（白色區域）面積作為縱坐標，以閾值序列T′m作為橫坐標，繪制目標區域面積變化曲線，如圖4所示.最后根據式（2），（3）和圖4確定最佳閾值T′6.

2.2 帶鋼缺陷圖像分割

根據2.1節確定的最佳閾值T′6或T′4，對帶鋼缺陷圖分割效果如圖5所示.圖5中圖（a）～（b）中兩幅圖分別為帶鋼擦裂缺陷和分層缺陷的原圖像與其分割結果圖，其中虛線圈出區域即為帶鋼缺陷區域.可以看出，采用本文方法能夠完整有效地使帶鋼缺陷區域與背景區域分離，達到分割缺陷的目的.

圖3 預分割目標區域面積變化曲線Fig.3 Curve of target area′s changing

圖4 細分目標區域面積變化曲線Fig.4 Curve of target area′s changing

圖5 分割效果Fig.5 Segmentation effects

3 實驗與分析

為驗證此方法的有效性，選擇文中分割算法與經典分割算法進行對比實驗.經典分割算法首先對帶鋼圖像進行濾波處理，達到消除光照不均和噪聲的目的，然后采用最大類間方差分割法分割圖像.規定最終分割結果區域輪廓與帶鋼實際缺陷區域輪廓位置吻合且面積大小誤差在±10%以內為有效分割.實驗過程為：

（1）選取大小一致的帶有常見缺陷的帶鋼圖像50幅；

（2）在PC平臺WIN7環境下，利用MATLAB語言和可視化的界面進行編程；

（3）由兩名實驗員完成實驗：一人在PC平臺上操作鼠標導入圖像，運行程序然后導出分割結果圖像，另外一名實驗員記錄實驗時間.將該實驗分別連續重復進行3次，統計結果求平均數，進行對比分析.

（1）實驗統計得出文中分割方法能完成90%（3次實驗平均結果為45幅）以上的帶鋼缺陷圖像的分割，準確率高于經典算法的82%（3次實驗平均結果為41幅）；文中3次連續實驗共用時30s，少于經典算法的35s.文中算法能夠有效實現目標與背景的分離，而且準確率與檢測速度都要優于經典算法.

（2）選取帶狀表面夾層缺陷分割結果如圖6所示（圖6（b）為圖6（a）的分割結果），分割結果中帶有少量孤立點，原因在于這些小尺寸點與帶鋼缺陷區域像素灰度值非常接近.對于這樣的區域，一般方法不能辨別出是噪聲點還是小尺寸缺陷區域，所以不能對其進行完整分離，因此后續工作中需要繼續對分割結果的后處理進行研究.

圖6 常見帶鋼缺陷分割結果Fig.6 Segmentation effect of common steep defects

4 結束語

針對工業現場帶鋼缺陷檢測的需要，通過研究帶鋼缺陷圖像特征，提出一種基于目標面積特征分析的帶鋼缺陷圖像分割方法.該方法以帶鋼缺陷的灰度和面積不同于帶鋼背景作為條件，確定分割閾值，然后通過閾值分割出帶鋼缺陷信息.由于此方法充分挖掘帶鋼缺陷特征，所確定的閾值為最佳分割閾值，因此能夠完整地分割出缺陷信息.對于少量噪聲或偽目標灰度與帶鋼缺陷灰度相近時的特殊情況，將在今后的工作中進一步研究.

［1］JAYASHREE V，SHAILA Subbaraman.Identification of twill grey fabric defects using DC suppress Fourier power spectrum sum features［J］.Textile Research Journal，2012，82（14）：1485－1497.

［2］ABDEL Sanlam malek，JEAN Yves drean，LAUREN Bigue，et al.Optimization of automated online fabric inspection by fast fourier transform and cross－correlation［J］.Textile Research Journal，2013，83（3）：256－268.

［3］BRUCE N，TSOTSOS J.Saliency based on information maximization［J］.Advances in Neural Information Processing Systems，2006：155－162.

［4］仲兆準，謝光偉，鐘勝奎，等.帶鋼表面缺陷在線檢測系統的設計［J］.北京工業大學學報，2014，7（40）：911－916.ZHONG Zhaozhun，XIE Guangwei，ZHONG Shengkui，et al.Design of online surface defect inspection system for steel strips.［J］.Journal of Beijing University of Technology，2014，7（40）：911－916.

［5］徐帥華，陳龍龍，管聲啟，等.視覺顯著性模型在帶鋼缺陷動態檢測中的應用［J］.西安工程大學學報，2014，28（6）：755－759.XU Shuaihua，CHEN Longlong，GUAN Shengqi，et al.Application of visual saliency mechanism model on the dynamic steel strip defect detection［J］.Journal of Xi’an Polytechnic University，2014，28（6）：755－759.

［6］楊帆.數字圖像處理與分析［M］.北京：北京航空航天大學出版社，2007：85－89.YANG Fan.Digital image processing and analysis［M］.Beijing：Beihang University Press，2007：85－89.

［7］阮秋琦.實用數字圖像處理［M］.北京：電子工業出版社，2001：123－125.RUAN Qiuqi.Digital image processing using MATLAB［M］.Beijing：Publishing House of Electronics Industry，2001：123－125.

［8］楊丹，趙海濱，龍哲.MATLAB圖像處理實例詳解［M］.北京：清華大學出版社，2013，7（1）：127－131.YANG Dan，ZHAO Haibin，LONG Zhe.MATLAB image processing example explanation［M］.Beijing：Tsinghua University Press，2013，7（1）：127－131.

［9］JING Junfeng，LI Hang，LI Pengfei.Combined fabric defects detection approach and quad tree decomposition［J］.Textile Research Journal，2012，41（4）：331－344.

［10］徐科，宋敏，楊朝霖，等.隱馬爾可夫樹模型在帶鋼表面缺陷在線檢測中的應用［J］.機械工程學報，2013，11（49）：34－40.XU Ke，SONG Min，YANG Chaolin，et al.Application of hidden markov tree model to online detection of surface defects for steel strips［J］.Journal of Mechanical Engineering，2013，11（49）：34－40.

［11］王耀南.計算機圖像處理與知識技術［M］.北京：高等教育出版社，2001：234－254.WANG Yaonan.Computer image processing technology and knowledge［M］.Beijing：Higher Education Press，2001：234－254.

［12］徐科，周茂貴，徐金梧，等.基于線型激光的熱軋帶鋼表面在線檢測系統［J］.北京科技大學學報，2008，30（1）：77－79.XU Ke，ZHOU Maogui，XU Jinwu，et al.Development and application of the online surface inspection system for hotroll eds trips based on LED light source［J］.Journal of University of Science and Technology Beijing，2008，30（1）：77－79.