熱軋重軌表面缺陷在線檢測識別的關(guān)鍵技術(shù)研究

謝志江， 謝長貴

（重慶大學(xué)機(jī)械傳動(dòng)國家重點(diǎn)實(shí)驗(yàn)室，重慶 400044）

熱軋重軌表面缺陷在線檢測識別的關(guān)鍵技術(shù)研究

謝志江， 謝長貴

（重慶大學(xué)機(jī)械傳動(dòng)國家重點(diǎn)實(shí)驗(yàn)室，重慶 400044）

目前熱軋重軌表面缺陷檢測速度慢、精度低。為此，提出了一種基于機(jī)器視覺的熱軋重軌表面缺陷在線檢測系統(tǒng)。分析了過暗過曝區(qū)域交疊融合法與圖像像素線互相關(guān)校驗(yàn)法兩種方法提取特征缺陷等關(guān)鍵技術(shù)，并對模糊脈沖神經(jīng)網(wǎng)絡(luò)的表面缺陷分類效果進(jìn)行了研究。實(shí)際應(yīng)用證明，采用上述機(jī)器視覺的檢測關(guān)鍵技術(shù)對熱軋重軌表面進(jìn)行缺陷檢測識別，較大提高了檢測速度和精度，且檢測正確率在90%以上。

計(jì)量學(xué)；機(jī)器視覺；缺陷識別；熱軋重軌；檢測精度

1 引 言

重軌表面情況是評價(jià)重軌質(zhì)量的一個(gè)重要技術(shù)指標(biāo)，其質(zhì)量情況直接關(guān)系到鐵路運(yùn)輸?shù)陌踩?，2］。目前熱軋重軌表面缺陷檢測主觀性較強(qiáng)，熱軋重軌僅在軋機(jī)出口后的冷床上進(jìn)行檢測，且僅靠檢測技術(shù)人員的肉眼完成；檢測環(huán)境差，冷床上的重軌存在高溫、熱輻射、重粉塵等特性；只進(jìn)行抽檢，且抽檢率低。國內(nèi)對于熱軋重軌表面缺陷的在線檢測，還沒有較成熟的檢測方法，尤其在缺陷特征提取，缺陷分類等關(guān)鍵技術(shù)方面大多使用效率較低的算法，如利用傳統(tǒng)的邊緣檢測算法提取缺陷特征及SVM（支持向量機(jī)）方法進(jìn)行缺陷分類［3～5］。本文針對當(dāng)前熱軋重軌表面缺陷檢測速度慢，檢測精度低的問題，應(yīng)用機(jī)器視覺理論和技術(shù)，實(shí)時(shí)采集重軌表面圖像，并進(jìn)行圖像處理和缺陷識別，達(dá)到在線檢測重軌表面缺陷的目的。

2 重軌表面幾何特征及缺陷高發(fā)區(qū)域

重軌表面形狀、截面輪廓由多段平面及曲面圓弧連接而成，主要有軌頭、軌腰、軌底3部分及各部分間的連接弧面。其形狀及主要尺寸見圖1。

根據(jù)重軌生產(chǎn)表面缺陷統(tǒng)計(jì)數(shù)據(jù)，重軌表面缺陷主要集中在重軌表面的轉(zhuǎn)折連接弧面上，尤其以軌腰的上下腰面處最為突出，其次為表面精度和質(zhì)量要求較高的重軌底面和踏面，這兩類位置的缺陷占總?cè)毕萁y(tǒng)計(jì)數(shù)據(jù)的85%以上［6］。

圖1 重軌幾何特征

3 熱軋重軌輻射特性與濾鏡

熱軋重軌表面實(shí)測溫度約為800℃，根據(jù)對熱軋重軌萬能軋制過程的有限元分析及結(jié)果，重軌經(jīng)過最后一次精軋后，截面溫度分布有限元分析結(jié)果如圖2所示。根據(jù)有限元分析結(jié)果，重軌精軋后溫度由外到內(nèi)不斷上升，中心最高溫度約為900℃，表面溫度約為800℃。該有限元分析結(jié)果中重軌表面溫度與現(xiàn)場實(shí)測溫度一致。

圖2 精軋后熱軋重軌表面溫度有限元分析結(jié)果

熱軋重軌各方向上輻射亮度接近相同，可近似認(rèn)為是一個(gè)朗伯輻射體，根據(jù)高溫物體輻射亮度計(jì)算公式：

式中，B＝1.2867×10－11（W·m－2·μm－1·K－5）；Bλ為高溫物體在溫度T時(shí)輻射光譜在波長λ處的輻射強(qiáng)度；ξ為熱軋重軌與同溫度的黑體輻射輻射率的比值。若直接使用線陣CCD攝像機(jī)對重軌進(jìn)行拍攝，由于CCD攝像機(jī)采集到的最終圖片將出現(xiàn)強(qiáng)烈的來自重軌內(nèi)部的紅外信息，這些信息會(huì)掩蓋、干擾重軌表面圖像。為獲取清晰重軌表面圖像，本系統(tǒng)最終選取截止頻率為800 nm的紅外截止濾鏡對鏡頭入射光進(jìn)行過濾。

4 缺陷特征提取

重軌表面缺陷種類繁多、形態(tài)各異，在圖像分析時(shí)對重軌每張圖像進(jìn)行每一種缺陷的循環(huán)查找和對比，在耗時(shí)和計(jì)算上都是系統(tǒng)完全無法接受的［7，8］。針對重軌圖像缺陷提取的問題，本文提出過暗過曝區(qū)域交疊融合法和圖像列像素線相關(guān)度互校驗(yàn)法2種方法，2種方法互相綜合對重軌圖像缺陷進(jìn)行檢測和提取。

過暗過曝區(qū)域交疊融合法算法的具體過程為：計(jì)算去光照不均后的重軌圖像直方圖，分別以直方圖前后占總像素?cái)?shù)的a，b的像素點(diǎn)位置的像素值為分割點(diǎn)對圖像進(jìn)行二值化處理，得到圖像過曝區(qū)域A及圖像過暗區(qū)域B；對A、B同時(shí)進(jìn)行大尺度膨脹運(yùn)算，得到Ai、Bi；對Ai、Bi進(jìn)行疊加區(qū)域檢驗(yàn)，保留Ai、Bi存在疊加的區(qū)域所對應(yīng)原A、B圖像的聯(lián)通區(qū)域，其余聯(lián)通區(qū)域刪除，得到去噪后的Ar、Br；對Ar和Br進(jìn)行合并得到最終缺陷檢驗(yàn)結(jié)果。計(jì)算過程及各部結(jié)果如圖3及圖4所示。

圖3 去光照處理重軌待檢測圖像直方圖

圖像列像素線相關(guān)度互校驗(yàn)法的基本原理為：對圖像像素矩陣中的列像素線向量進(jìn)行相關(guān)度計(jì)算，若在相關(guān)度μ中存在連續(xù)的?個(gè)列像素線向量對之間的相關(guān)系數(shù)值小于設(shè)定閾值ε，則該?個(gè)列像素線區(qū)域即為缺陷疑似區(qū)域的縱向范圍。

過暗過曝區(qū)域交疊融合法與圖像列像素線相關(guān)度互校驗(yàn)法檢測缺陷的算法如下：

（1）設(shè)定較低閾值a、b，用直方圖對原始圖像分別進(jìn)行過曝區(qū)域和過暗區(qū)域的分割，得到圖像過曝區(qū)域A及圖像過暗區(qū)域B；

圖4 重軌圖像缺陷檢測

（2）對A、B同時(shí)進(jìn)行大尺度膨脹運(yùn)算，得到Ai、Bi，然后再對Ai、Bi區(qū)域進(jìn)行疊加區(qū)域檢驗(yàn)；得到含有缺陷區(qū)域重軌圖像C；

（3）對重軌圖像C像素矩陣Am×n（m行，n列），取列像素線線間相關(guān)度計(jì)算間隔λ，分別得n－λ對列像素線向量對［Pi，Pi＋λ］，其中i＝1，2，…，n－λ。

（4）分別計(jì)算每對列像素線向量對間的相關(guān)向度μi

式中，i＝1，2，…，n－λ。

（5）對相關(guān)度計(jì)算結(jié)果向量μi進(jìn)行檢驗(yàn)，設(shè)檢驗(yàn)連續(xù)像素?cái)?shù)θ和檢測閾值ε（0〈ε〈1）。若在μ中存在連續(xù)的?個(gè)列像素線向量對之間的相關(guān)系數(shù)值小于ε，且?＞θ，則該?個(gè)列像素線區(qū)域即為缺陷疑似區(qū)域的縱向范圍。

（6）提取圖C的Am×n中滿足步驟（3）檢測結(jié)果的縱向區(qū)域Fm×?（m行，?列），利用矩形結(jié)構(gòu)元素SE對Fm×?進(jìn)行膨脹處理，得到F′m×?。

（7）計(jì)算區(qū)域F′m×?每一行像素的方差值：

對方差Si進(jìn)行校驗(yàn)，截取滿足經(jīng)驗(yàn)閾值的大范圍差異區(qū)域，該區(qū)域即為缺陷區(qū)域。

用該算法進(jìn)行缺陷提取與只用過暗過曝區(qū)域交疊融合法算法相比，能較大提高重軌表面缺陷提取的準(zhǔn)確率。選取20幅缺陷圖片，用上述兩種方法對缺陷圖片進(jìn)行提取，僅用過暗過曝區(qū)域交疊融合法算法提取出準(zhǔn)確的缺陷圖片為11幅，而將該算法與圖像列像素線相關(guān)度互校驗(yàn)法能準(zhǔn)確提取的缺陷圖片為19幅。

以待處理圖4（a）為實(shí)驗(yàn)對象，算法在以下軟硬件環(huán)境進(jìn)行，軟件環(huán)境為Matlab 6.5版本，操作系統(tǒng)為中文WindowsXP3。硬件環(huán)境：CPU為IntelI coreI2，主頻為2GHz，內(nèi)存為1G。圖5為最終處理結(jié)果，其中連續(xù)像素θ為52，閾值ε為0.2。

圖5 缺陷提取的最終結(jié)果

5 缺陷分類

本文選擇基于模糊脈沖神經(jīng)網(wǎng)絡(luò)的方法對重軌表面缺陷進(jìn)行分類。與傳統(tǒng)SVM方法相比，模糊脈沖神經(jīng)網(wǎng)絡(luò)利用很強(qiáng)的聚類能力，學(xué)習(xí)訓(xùn)練耗時(shí)更少，運(yùn)算速度更快的優(yōu)點(diǎn)［9］。圖6所示為模糊脈沖神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖。

圖6 模糊脈沖神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

模糊脈沖神經(jīng)網(wǎng)絡(luò)的算法和分類特征如下：

（1）初始化權(quán)值矩陣w＝［wij］m×ζ，i＝1，2，…，m，j＝1，2，…，ζ，ζ為模糊權(quán)系數(shù)，m為輸入矢量的維數(shù)。設(shè)定迭代停止閾值ε。

（2）在m個(gè)學(xué)習(xí)模式中任選一個(gè)模式x（k）供給網(wǎng)絡(luò)輸入層，并計(jì)算矩陣范數(shù)

計(jì)算出一個(gè)具有最小距離的脈沖神經(jīng)元Nj。

（3）定義一個(gè)周圍的鄰域Ng（t），使Ng（t）內(nèi)的單元輸出為1，Ng（t）外的單元輸出為0。

（4）用Heeb規(guī)則修正脈沖神經(jīng)元Nj及其鄰域內(nèi)的權(quán)值。權(quán)值調(diào)整公式：

式中，0〈ηw（k）〈1，ηw（k）為一學(xué)習(xí)因子，并隨時(shí)間下降到0。

（5）將全部樣本學(xué)習(xí)一遍作為一次循環(huán)，計(jì)算循環(huán)前后wjli的變化，當(dāng)該變化小于閾值ε時(shí)，學(xué)習(xí)過程結(jié)束，否則轉(zhuǎn)向步驟（2）。

若把需識別的缺陷樣本與網(wǎng)絡(luò)輸入層連接，按照上述學(xué)習(xí)算法進(jìn)行迭代計(jì)算，模糊聚類層的獲勝神經(jīng)元就會(huì)興奮起來，在輸入模式到每個(gè)脈沖神經(jīng)元之間接收信息，并依據(jù)隸屬度公式識別輸入信號的所屬類別，實(shí)現(xiàn)對重軌表面缺陷的分類。

選擇120個(gè)樣本對模糊脈沖神經(jīng)網(wǎng)絡(luò)及SVM分別進(jìn)行訓(xùn)練學(xué)習(xí)。在Matlab 6.5環(huán)境下對2種算法進(jìn)行仿真訓(xùn)練，種算法的訓(xùn)練耗時(shí)、診斷正確率及迭代次數(shù)的比較見表1。

表1 2種算法的實(shí)驗(yàn)結(jié)果

由表1可知，模糊脈沖神經(jīng)網(wǎng)絡(luò)比SVM學(xué)習(xí)耗時(shí)更少，運(yùn)算速度更快，診斷正確率更高。將50個(gè)實(shí)際缺陷樣本送入學(xué)習(xí)訓(xùn)練好的模糊脈沖神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測分類。其缺陷分類結(jié)果見表2所示。

表2 重軌表面缺陷識別結(jié)果

6 結(jié) 論

本文針對目前熱軋重軌表面缺陷檢測速度慢、精度低的問題，設(shè)計(jì)了以高速線陣CCD攝像機(jī)采集重軌表面圖像，圖像處理工作站在線處理圖像的機(jī)器視覺檢測系統(tǒng)，并對熱軋重軌表面缺陷機(jī)器視覺檢測的關(guān)鍵技術(shù)進(jìn)行了詳細(xì)討論。經(jīng)3個(gè)月實(shí)際應(yīng)用證明，在線檢測系統(tǒng)能在缺陷出現(xiàn)后8秒內(nèi)準(zhǔn)確監(jiān)測到缺陷位置，使重軌報(bào)廢數(shù)目控制在3根左右，并對大于5 mm的缺陷圖像能清晰采集顯示。系統(tǒng)的運(yùn)行在某鋼鐵廠的實(shí)際檢測應(yīng)用中取得了良好的效果，較大提高了熱軋重軌表面缺陷在線檢測速度及精度。

［1］ 王凌云，黃紅輝，王雪.重軌表面缺陷機(jī)器視覺檢測的關(guān)鍵技術(shù)［J］.重慶大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，30（9）：27－31.

［2］ 張洪濤，段發(fā)階，丁克勤，等.帶鋼表面缺陷視覺檢測系統(tǒng)關(guān)鍵技術(shù)研究［J］.計(jì)量學(xué)報(bào)，2007，28（3）：216－219.

［3］ 胡亮，段發(fā)階，丁克勤，等.基于線陣CCD鋼板表面缺陷在線檢測系統(tǒng)的研究［J］.計(jì)量學(xué)報(bào)，2005，26（3）：200－203.

［4］ Bassiou N，Kotropoulos C.Color image histogram equalization by ab-solute discounting back-off［J］.ComputerVisionandImageUnder-standing，2007，107（1－2）：108－122.

［5］ 韓思奇，王蕾.圖像分割的閾值法綜述［J］.系統(tǒng)工程與電子技術(shù)，2002，24（6）：91－94.

［6］ 謝志江，陳濤，楚紅雨，等.熱態(tài)重軌表面缺陷在線檢測方法及關(guān)鍵技術(shù)［J］.重慶大學(xué)學(xué)報(bào)，2012，35（3）：15－18.

［7］ 王鳳朝，劉興堂，黃樹采.基于模糊證據(jù)理論的多特征目標(biāo)融合檢測算法［J］.光學(xué)學(xué)報(bào)，2010，30（3）：713－717.

［8］ 張學(xué)武，燕瓊，閆萍.一種基于紅外成像的強(qiáng)反射金屬表面缺陷視覺檢測方法［J］.光學(xué)學(xué)報(bào)，2011，31（3）：1－8.

［9］ Kubota N，Sasaki H.Genetic algorithm for a fuzzy spiking neural network of a mobile robot［C］／／CIRA 2005，International Symposium on Computational Intelligence in Robotics and Automation，Espoo，F(xiàn)inland，2005：2410－2415.

Study on the Key Technology of Hot Rolling Heavy Rail
Surface Faults of Online Detecting and Recognition

XIE Zhi-jiang， XIE Chang-gui
（State Key Lab of Mechanical Transmissions，Chongqing University，Chongqing 400044，China）

In currently hot rolling heavy rail surface faults detecting，speed is slow and its precision is low.So a suit of surface defectdetection system for hot rolling heavy rail based on themachine vision is produced.Too dark and sun regional overlapping fusion method and image correlation between pixel lines algorithm is analysised，and a fuzzy spiking neural network used tomake a classification for the characteristics of low SVM training algorithm is researched.Using above key machine vision technology for detection of hot heavy rail surface defects identification，the speed and accuracy of online testing can be greatly improved，and the detection correction rate is over than 90%.

Metrology；Machine vision；Fault recognition；Hot rolling heavy rail；Detecting accuracy

TB96

A

1000-1158（2014）02-0139-04

10．3969／j．issn．1000-1158．2014．02．09

2012-05-31；

2012-08-10

國家自然科學(xué)基金委員會(huì)與中國工程物理研究院聯(lián)合基金資助（10976034）

謝志江（1962－），男，湖南雙峰人，重慶大學(xué)教授，博士，主要研究方向?yàn)樵O(shè)備監(jiān)測診斷與圖像處理。xzj99＠vip.sina.com