基于改進型PCNN圖像分割技術的金屬表面檢測

陳晗彬，劉祚時

（1.江西理工大學 電氣工程與自動化學院，贛州 341000；2.江西理工大學 機電工程學院，贛州 341000）

0 引言

近些年來，金屬板已經(jīng)廣泛應用于工業(yè)生產(chǎn)中，但在現(xiàn)代化工業(yè)生產(chǎn)過程中，仍然存在著因為技術工業(yè)水平的不足、工人操作機器的不正確等諸多不良因素所造成的金屬表面面狀出現(xiàn)缺陷,這些種類繁多的缺陷會對金屬板的耐磨性、電磁特性和抗腐蝕性造成一定的影響，因此表面缺陷檢測技術對于現(xiàn)代工業(yè)而言是一個必不可少的工序。為方便而傳統(tǒng)的人工檢測速度慢且具有主觀性，因此未來的必然趨勢會是基于機器視覺的檢測技術代替人工檢測[1]。

一般來說，金屬表面缺陷可以分為：細裂紋、表面雜質(zhì)、斑點、麻點、軋入氧化皮與劃痕6種，針對這些缺陷，國內(nèi)外的研究人員提出了林林總總的檢測方法。Nirbhar等人[2]提出了利用全局自適應百分位數(shù)閾值對鋼帶表面缺陷進行檢測。但是在對閾值的調(diào)整時將圖像的局部特性忽視了，缺陷邊緣因此未能很好的識別到，這將導致此方法的檢測結(jié)果存在錯誤檢測。劉瑋等人[3]通過采集金屬材料外表面的紅外熱輻射，經(jīng)過專門的儀器分析此輻射量，從而檢測出熱量在金屬內(nèi)部的傳遞情況，并由此得到缺陷情況。Sun等人[4]采用基于奇異值分解的鋼帶表面缺陷檢測，不通過圖像分割而是通過投影圖像的灰度矩陣中的元素所產(chǎn)生的大波峰來確定和定位缺陷。但是在對背景區(qū)域抑制的同時也降低了缺陷區(qū)域的強度，這也導致了檢測出的缺陷區(qū)域會有所縮減。

本文設計了一種改進的脈沖耦合神經(jīng)網(wǎng)絡（PCNN）金屬表面檢測方法，主要是針對斑點、軋入氧化皮和劃痕三種表面缺陷檢測。傳統(tǒng)的PCNN具有自適應圖像分割的特點，但是在對圖像二值分割的同時會對圖像的層次性會產(chǎn)生極大的削弱，對于后續(xù)的圖像處理造成不利影響，且有著在圖像區(qū)域粗糙時難以捕獲像素等缺點[5]。而改進型PCNN在保證對圖像分割依然具有優(yōu)良特性的情況下，又同時使圖像本身的層次性得到保留。金屬表面缺陷大都具有圖像像素相似且強度鄰近相似的特點，這與PCNN點火捕獲的相似性集群特性有很高的契合度。利用PCNN將圖像二值分割后，再通過比對閾值和灰度均值，即可將三者檢測出來。

1 脈沖耦合神經(jīng)網(wǎng)絡介紹

脈沖耦合神經(jīng)網(wǎng)絡模型是來自于Eckhorn的貓視覺皮層模型，目前在國際上被稱為第三代人工神經(jīng)網(wǎng)絡[6]。這種模型已經(jīng)被廣泛應用于圖像平滑、分割以及邊緣檢測等圖像處理研究中，并且有著相比于傳統(tǒng)方法的無法比擬的優(yōu)越性[7]。

1.1 PCNN模型與運行機理

脈沖耦合神經(jīng)網(wǎng)絡模型是由多個神經(jīng)元互相連接而成，需要對很多參數(shù)進行預設，單個神經(jīng)元結(jié)構(gòu)模型如圖1所示[8]。

圖1 單個神經(jīng)元結(jié)構(gòu)模型

PCNN的數(shù)學方程描述如下所示：

在上文所示的式子中，神經(jīng)元的標號使用下標ij表示，θij、Fij、Uij、Lij、Sij分別代表著神經(jīng)元ij的動態(tài)閾值、饋送輸入、內(nèi)部激活、鏈接輸入、外部刺激，VF、VL、Vθ為幅度常數(shù)，t是時間常數(shù)，β為鏈接系數(shù)，αF、αL、αθ對應著相應的衰減系數(shù)，M為連接權矩陣，Yij是輸出，n是迭代次數(shù)[9]。

PCNN的運行機理就是通過將像素ij的灰度值也就是外部刺激Sij作為第一次迭代時的神經(jīng)元Uij（1），若Uij≥θij（1）就將該神經(jīng)元輸出視作1，并發(fā)生自然點火，之后每次迭代時，已經(jīng)點火的神經(jīng)元會對其相鄰的神經(jīng)元進行激勵，如果此時也出現(xiàn)Uij≥θij的情況，就會被捕獲點火。金屬表面缺陷的圖像分割便是利用PCNN點火捕獲的相似性集體特性。

1.2 改進的PCNN圖像分割算法

1.2.1 傳統(tǒng)PCNN存在的問題

傳統(tǒng)PCNN雖然對于輸入數(shù)據(jù)的空間不連貫有所彌補，能夠較為完整的將圖像區(qū)域的信息保留，但是因為使用的是躍遷函數(shù)作為神經(jīng)元的激活函數(shù)，圖像分割后得到的是一副二值圖像，這對圖像的層次性產(chǎn)生了極大地削弱，使后續(xù)的圖像處理出現(xiàn)不良影響。

1.2.2 改進型PCNN圖像分割算法

針對以上所出現(xiàn)的問題，本文在參考HVS空間的情況下提出了一種改進型PCNN圖像分割算法。傳統(tǒng)的PCNN算法針對的是像素圖像中亮度鄰近相似度，而本文所用方法則將重點轉(zhuǎn)向像素在圖像中所包含的信息鄰近相似性。將神經(jīng)元的激活函數(shù)改為下式：

式(6)中，[┤]為向上取整算符，C為信息量等級參數(shù)；第n次迭代時神經(jīng)元內(nèi)部激活矩陣用U（n）表示，θ（n）為相應的閾值矩陣，A（n）表示第n次迭代時神經(jīng)元內(nèi)部激活矩陣用U（n）與閾值矩陣θ（n）的差。Bij表示為神經(jīng)元內(nèi)部激勵和閾值之差的變化激烈程度；B（n）的最大元和最小元相減則是起到了歸一化的作用。

因為神經(jīng)元的輸出此時由Bij決定，所以此時輸出的脈沖大小和其對應的像素點周圍灰度變化的激勵程度成一定的比例，將神經(jīng)元輸出脈沖值的大小看作是此像素點群的灰度變化率，這樣該像素點包含的信息量就體現(xiàn)了出來。又神經(jīng)元的輸出是多值的，所以網(wǎng)絡的輸出就為多個等級含量的信息的多值分割圖像，圖像因此被分割為L+1種可能的不同灰度值的圖像塊，方便后續(xù)的圖像處理。

2 缺陷特征提取方法

斑點、軋入氧化皮和劃痕三者可以很直觀的發(fā)現(xiàn)它們之間的差異：軋入氧化皮所占面積大小是遠小于斑點和劃痕的，所以只需要提取分割后的缺陷邊界，再將每個邊界集合的大小計算得出其中邊界最長的，如果大于閾值就認為是斑點和劃痕，反之則認為它是軋入氧化皮。斑點的平均灰度值小于圖像背景灰度均值，而劃痕的平均灰度值則會比圖像背景灰度均值大，所以將分割后的圖與原灰度圖進行掩模，將其中非零像素的灰度均值提取即可得到缺陷的均值，再將圖像分割圖取反并再一次進行掩模就得到了背景的灰度均值，將兩者大小進行比較就可確定是劃痕缺陷還是斑點缺陷。流程圖如圖2所示。

3 MATLAB結(jié)果與分析

3.1 圖像分割結(jié)果與分析

圖2 缺陷特征提取流程圖

使用Inter（R）Core（TM）i5 CPU、8GB的PC機作為硬件平臺，Matlab2016a作為軟件平臺，對200×200尺寸的大量金屬表面缺陷圖進行分割實驗驗證及分析。

本文分別從3種缺陷中挑出一組樣本進行比對與說明。首先是對原圖進行灰度歸一化處理以做到圖像增強的效果。

圖3 3種金屬表面缺陷原圖與灰度歸一化對比

為了更好的說明本文所用方法的有效性和優(yōu)越性，將結(jié)果與文獻[10]所用方法進行比對，文獻[10]主要是采用的是Gabor變換與區(qū)域生長方法進行分割。如下圖可以發(fā)現(xiàn)雖然軋入氧化皮占據(jù)面積小，但是兩者都有良好的表現(xiàn)，并且本文方法對于軋入氧化皮表面缺陷中細小的缺陷也能夠?qū)⑵錂z測出來，文獻[10]的方法則是造成了細小缺陷未能分割出來；在對于劃痕的分割，雖然本文方法對于缺陷有著更為完整的表現(xiàn)，但是在細節(jié)上該方法則是沒有出現(xiàn)很好的體現(xiàn)；在對斑點的檢測上，本文方法的優(yōu)越性能得到極大的體現(xiàn)，對于缺陷的細節(jié)和所占面積都能夠更加真實的體現(xiàn)出來，而文獻[10]的方法則是將中間沒有出現(xiàn)缺陷的細小面積也直接覆蓋。

圖4 缺陷分割結(jié)果

3.2 缺陷檢測結(jié)果

依照之前上文所說的特征提取方法對三種缺陷進行特征提取，然后將缺陷標注而出并告知是何種缺陷。

3.2.1 軋入氧化皮檢測結(jié)果

對于軋入氧化皮采用標注其質(zhì)心的方法來計算出有多少個軋入氧化皮缺陷。為方便質(zhì)心的檢測，首先將分割后的結(jié)果取反之后再對缺陷進行標注。

圖5 軋入氧化皮缺陷檢測結(jié)果

3.2.2 劃痕檢測結(jié)果

對于劃痕缺陷因為大部分是直線，所以采用Hough變換提取直線的方法對缺陷進行標注。

圖6 劃痕缺陷檢測結(jié)果

3.2.3 斑點缺陷檢測

針對斑點缺陷做的檢測則是通過提取邊緣坐標然后用紅線將邊線標出，斑點所占面積使用MATLAB自帶的bware函數(shù)算出而得。

圖7 斑點缺陷檢測結(jié)果

3.3 實驗結(jié)果分析

基于收集到的數(shù)據(jù)集，使用本文所提出的方法進行測試并統(tǒng)計，實驗結(jié)果如表1所示。

表1 缺陷分類結(jié)果

從以上結(jié)果可以看出PCNN在對圖像分割上與其他分割算法是具有很強的優(yōu)越性和有效性的。在三種缺陷分割和檢測中，因為斑點中像素相似且強度鄰近相似度是最高的，所以斑點缺陷在圖像分割和標注中是效果最為明顯的，也能從側(cè)面反映出PCNN算法的點火捕獲特性是十分適用于金屬表面缺陷檢測的。

4 結(jié)語

使用圖像檢測技術對金屬產(chǎn)品表面缺陷進行檢測已經(jīng)成為現(xiàn)代工業(yè)生產(chǎn)一項非常重要的手段，本文設計了一種改進型PCNN圖像分割技術，且與Gabor變換分割方法進行了比較，對比得出本文方法的優(yōu)越性。然后再對分割后圖像的不同缺陷采取不同的特征提取方法從而檢測出缺陷的情況。從最后的缺陷分類結(jié)果來看，該方法是具有可行性和優(yōu)越性的。