基于Matlab的鋼材表面圖像分割和分類

安宏　劉雨

摘? 要：鋼板表面的缺陷特征多種多樣，嚴重影響鋼板的質(zhì)量，雖然可以通過改進加工工藝減少鋼板表面的缺陷，但是在復雜的環(huán)境下，避免不了缺陷的出現(xiàn)，在此時及時發(fā)現(xiàn)鋼板表面的缺陷是很重要的一項工作。通過人眼直接辨別鋼板表面的缺陷效率低下勞動力耗費過多，但是把鋼板的表面特征制作成圖像，通過機器視覺對圖像進行分割，提取鋼板缺陷，是一種簡單方便的方法。

關(guān)鍵詞：鋼板表面缺陷，圖像，機器視覺

引言

鋼材在我國工業(yè)發(fā)展中有很高的地位，它是很多機器器材不可或缺的材料，大到航母，小到汽車都離不開鋼鐵的影響。鋼材表面的質(zhì)量影響著鋼材的使用情況。在生產(chǎn)鋼材的過程中，有很多因素影響到鋼材表面的質(zhì)量，使鋼材表面出現(xiàn)各種缺陷。比如：劃痕、孔洞、鱗片、裂紋和異物等等。這些缺陷不僅影響了鋼材的外觀，同樣使鋼材的使用變得麻煩，如果不能將鋼材缺陷及時發(fā)現(xiàn)，有缺陷的鋼材被使用，可能引發(fā)不必要的經(jīng)濟損失。如何對鋼材表面進行快速準確的檢查成了重中之重。

鋼板表面質(zhì)量檢測經(jīng)歷了人工目測、傳統(tǒng)無損檢測和基于機器視覺的檢測3個發(fā)展階段。人工目視檢測表面缺陷的方法效率低、容易漏檢、勞動強度大和實時性差。傳統(tǒng)無損檢測方法包括渦流檢測、紅 外檢測、漏磁檢測和激光檢測等，這些方法檢出 的缺陷種類少，檢測實時性不強，檢測的表面缺陷分 辨率也不高，無法有效評估產(chǎn)品的表面質(zhì)量狀況。目前，基于機器視覺的表面質(zhì)量檢測方法是研究的熱點，該方法采用攝像機采集鋼板表面圖像，然后通過圖像處理和分析提取缺陷圖像特征，進行缺陷的自動分類。

1.圖像預處理和圖像分割

在鋼板表面缺陷檢測與識別中，對圖像信息的獲取是前提與關(guān)鍵。在圖像獲取的過程中，由于存在許多外在因素的影響，比如光照、灰塵和攝像器材自身等，會對獲取的圖像產(chǎn)生不同程度的干擾。圖像在傳送和轉(zhuǎn)換過程中，對圖像引入一些噪聲。噪聲的出現(xiàn)會對后期特征提取與圖像分割造成不必要的困難，甚至導致圖像分割的結(jié)果很不理想。引入噪聲的原因可能是多種多樣的，比如環(huán)境因素、攝像儀器本身和相對運動等都可能使圖像降質(zhì)[1]。為了獲得理想的圖像處理效果步驟為：1、將圖像進行歸一化處理;2、預創(chuàng)建存放灰度出現(xiàn)概率的向量;3、計算每級灰度出現(xiàn)的概率。

在圖像分割領(lǐng)域，紋理圖像的分割是最有難度的一個問題。人的眼睛可以輕松地辨別不同的紋理，但很難用數(shù)學的術(shù)語去定義。由于紋理圖像的內(nèi)涵豐富，因此它的定義很模糊，紋理的定義在一定程度 上會影響紋理分割的結(jié)果。然而，紋理具有一定的周期性和震蕩性，且呈現(xiàn)出半局部性質(zhì)。（1）要對缺陷圖像進行分析，先對缺陷進行特征提取和分類，然后對獲取的缺陷圖像加以去噪和分割等操作。對于鋼板表面圖像的缺陷檢測，首先需要檢測出該圖像有無缺陷，若存在缺陷還需將其進行分類處理，即需要完成識別和分類兩個工作，所以圖 像的分割是圖像識別和分類的前提。（2）對于紋理圖像的分割，必須先對紋理特征進行獲取和表達，以往的對于紋理特征的提取方法有分形維數(shù)、小波變換、灰度共生矩陣和馬爾科夫模型等。然而這些方法只適用于那些紋理分布均勻一致的圖像，對于稍顯復雜的紋理圖像，往往得不到很好的特征提取結(jié)果。

2.圖像均衡化和圖像邊緣檢測

直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對對比度進行調(diào)整的方法。利用圖像均衡衡化使缺陷特征更加明顯。先把直方圖均衡化后，把預處理圖像像素為1的值進行處理

邊緣檢測是圖像處理和計算機視覺中的基本問題，邊緣檢測的目的是標識數(shù)字圖像中亮度變化明顯的點。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。這些包括（1）深度上的不連續(xù)、（2）表面方向不連續(xù)、（3）物質(zhì)屬性變化和（4）場景照明變化。邊緣檢測是圖像處理和計算機視覺中，尤其是特征提取中的一個研究領(lǐng)域。利用Matlab軟件中的edge函數(shù)直接對圖像進行邊緣檢測。

3.特征提取與分類

特征提取是計算機視覺和圖像處理中的一個概念。它指的是使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征。特征提取的結(jié)果是把圖像上的點分為不同的子集，這些子集往往屬于孤立的點、連續(xù)的曲線或者連續(xù)的區(qū)域。特征的好壞對泛化性能有至關(guān)重要的影響[3]。可以利用特征值進行分類

特征值分為形態(tài)特征和不變矩特征。形態(tài)特征主要為目標面積、矩形度和伸長度。不變矩方法是一種經(jīng)典的特征提取方法。單純的中心矩或是原點矩盡管可以表征平面物體的幾何形狀，卻都不具有不變性，但可從這些矩構(gòu)造不變量。圖像的 7個不變矩具有平移、旋轉(zhuǎn)、比例不變性，在目標識別、圖像匹配、形狀分析等領(lǐng)域得到了廣泛的應用[2]。

已知鋼材5為無缺陷鋼板，根據(jù)鋼材5的不變矩特征值進行分類，分類標準為：

當同時符合七個分類標準則鋼材為無缺陷鋼材，否則為缺陷鋼材。

結(jié)論

本文雖然利用機器視覺中的一些方法解決一些基本方面的問題，但是鋼材表面缺陷檢測系統(tǒng)是一個很復雜的系統(tǒng)，距離實時準確檢測還有很長的一段路要走。需要足夠的樣本，來確定分類標準。如何得出更多的特征值，使分類更加準確細致。

參考文獻

[1]? 王健. 基于圖像分割的鋼板表面缺陷識別 [J]. 北京交通大學學報，2016.

[2]? 杜慶海. 基于不變矩特征的圖像識別 [J]. 信息技術(shù)與信息化，2008.

[3]? 閆俊紅. 基于圖像處理的鋼板缺陷檢測方法 [J]. 光電技術(shù)應用，2019.

[4]? 周超. 基于圖像處理的鋼板表面缺陷檢測系統(tǒng)的研究 [D]. 遼寧工業(yè)大學，2013.

[5]? 李喜. 基于DSP的鋼板在線識別與跟蹤技術(shù)研究 [D]. 南京理工大學，2016.