基于形態(tài)學和區(qū)域生長的硅鋼片微表面缺陷檢測①

何 昊 賀福強 李思佳 張明月 謝 丹

（貴州大學機械工程學院 貴州貴陽 550025）

硅鋼片是一種很重要的磁性材料，主要用于制作變壓器、電動機和發(fā)電機的鐵芯。變壓器、電動機、發(fā)電機都是農業(yè)裝備中重要供電、動力設備。在農業(yè)生產中，設備運行環(huán)境較為惡劣，較好的零部件質量能提升裝備運行壽命。通過對零部件硅鋼片進行缺陷檢測，增加零部件的合格率。硅鋼片的表面質量好壞是決定其磁性能的主要因素［1］。視覺檢測具有實時性、高效率、精度高等的優(yōu)點［2］，故視覺檢測可以實現(xiàn)檢測的自動化，極大降低誤檢率、減少人工檢測主觀性的影響。

圖像分割就是把圖像根據(jù)性質分成多個區(qū)域的過程，主要是指灰度值、像素強度值、紋理等特征。分割的方法主要有基于閾值、聚類法、遺傳算法、變形模型、區(qū)域生長等［3］。Fabricio 等［4］提出了一種基于梯度向量流的自動種子區(qū)域生長方法，對較多目標的分割也有不錯的效果。Cui等［5］提出了一種改進的SRG 算法，利用Harris 角點檢測原理自動選擇起始種子點；區(qū)域生長準則里引入了圖像的不確定性，使分割更具有魯棒性。Mohammed 等［6］提出了一種可以自動提取 ROI 并且用機器學習算法篩選比較適合的種子點的SRG算法，明顯改善圖像分割后的噪聲。Rajkumar等［7］依據(jù)預選擇的像素區(qū)域的中值來自動選擇種子點，提取出種子ROI，利用梯度算子分割出ROI的邊界。Sheng等［8］利用深度學習找到比較有效的分割閾值進行閾值分割后，再進行區(qū)域生長。

1 圖像分析及預處理

拍攝圖像會產生隨機的擾動，圖像有一定的噪聲，為消除掉圖像中的無關信息，對圖像進行預處理。

1.1 灰度化

為降低運算量，需要將拍攝的三通道的RGB圖像轉化為單通道的灰度圖像。采用加權平均法的灰度化方法，其中心理學灰度公式根據(jù)人眼對RGB三色的敏感程度選擇不同的權重：

式（1）中，R、G、B分別為RGB 三通道灰度值，灰度化結果如圖1（a）所示。

1.2 平滑處理

為了盡可能避免將背景當作缺陷，需要對圖像進行平滑處理，這樣雖然會使缺陷的邊界模糊，但是有利于減少背景的干擾。注意所采用的去噪處理為均值濾波，均值濾波公式為：

式（2）中，m、n分別為所選擇的濾波核的長和寬，Sxy是以(x，y)為中心的濾波核對應像素的位置集合，平滑處理結果如圖1（b）所示。均值濾波的缺點是會使一些細節(jié)如邊緣等信息丟失，因此在找到種子點后，對沒有經過平滑處理的圖像進行區(qū)域生長，找到缺陷邊界。

2 算法原理

2.1 閾值分割

圖1 均值濾波處理

閾值分割是圖像分割中最簡單、基礎的方法，性能比較穩(wěn)定，計算量較小，運算速度快；它主要有全局閾值分割、局部閾值分割、自適應閾值分割等方法。閾值算法基于閾值T，將像素灰度值大于閾值T 和小于閾值T 的部分分別叫做前景和背景。變換函數(shù)表達式：

式（3）中，T 為閾值，g(x，y)為原圖像像素點(x，y)的灰度值，f(x，y)為分割后圖像像素點(x，y)的灰度值，閾值分割結果如圖2所示。

圖2 閾值分割結果

2.2 形態(tài)學開運算降噪

數(shù)學形態(tài)學簡稱形態(tài)學，其處理方式為領域運算，即把領域結構元素與圖像對應位置像素進行邏輯運算，這種運算的影響因素主要有結構元素大小、形狀和邏輯運算的規(guī)則。形態(tài)學操作主要有膨脹、腐蝕、梯度運算、禮帽運算、黑帽運算、開運算和閉運算等，但其基礎為腐蝕和膨脹，利用膨脹和腐蝕就能完成不同形式的運算。

腐蝕運算能消除輪廓邊界點，使邊界向內縮小，主要用于細化二值圖像目標輪廓、去除噪聲等。

式（4）中，A為原圖像，B為結構元素。首先給結構元素B定義一個原點，當結構元素B的原點移動到圖像A的(x，y)上時，如果結構元素B上等于1 的像素點對應圖像A也等于1，則將圖像A的(x，y)的灰度值置為1，否則置為0，腐蝕示意圖如圖3所示。

圖3 腐蝕示意圖

膨脹運算則與腐蝕運算相反，使邊界向外擴張，主要用于填補圖像分割后的空白，使相近的不相連的輪廓相連。其公式為：

式（5）中，A為原圖像，B為結構元素。首先給結構元素B定義一個原點，當結構元素B的原點移動到圖像A的(x，y)上時，如果結構元素B上等于1 的像素點對應圖像A中至少有一個等于1，則將圖像A的(x，y)的灰度值置為1，否則置為0。

先進行腐蝕操作，然后在腐蝕的基礎上進行膨脹操作，主要用于去噪和計數(shù)等。其公式為：

式（6）中，A為原圖像，B、C為結構元素。開運算效果如圖4 所示，圖5 為開運算處理的結果。

圖4 開運算效果

2.3 區(qū)域生長法

圖5 形態(tài)學開運算結果

區(qū)域生長的思想就是把領域（四領域、八領域等）相同的化為一個區(qū)域。首先需要一個種子點作為生長的開始，然后將種子點領域內滿足相似準則要求的像素點合并到種子的區(qū)域，將這個區(qū)域的像素做為種子點，繼續(xù)進行生長，直到沒有符合要求的點，生長結束，所有種子點像素作為生長的區(qū)域。分割的好壞由初始種子點和相似準則決定。

2.3.1 種子點選擇與檢測

經過閾值分割和形態(tài)學處理后，將二值圖像各輪廓中心作為待定種子點。如果選擇的種子點位于缺陷的絕對區(qū)域，那么種子點總有一個方向各像素的深度值呈現(xiàn)高-低-高的形態(tài)。設計檢測模板如圖 6 所示，計算出種子點在 0°、45°、90°、135°方向上的深度變化，判斷其變化是否呈高低高形態(tài)。

圖6 檢測模板

種子點左右兩側r個像素的灰度平均值分別為：

各方向的灰度變化為：

深度形Si態(tài)變化判定：

式（10）中，I(u)為檢測模板中第u個像素的灰度值，w= 1，2，3，4，分別代表 0°，45°，90°，135°方向，mwm為w方向兩側的最小灰度值，T1為形態(tài)變化閾值。如果種子點不滿足深度形態(tài)變化判定，則去除該待定種子點。

2.3.2 生長過程

區(qū)域生長的具體流程如下：

（1）將種子點坐標放入種子點集seeds。

（2）頂出種子點集中的一個種子點，對種子點八鄰域的像素點進行相似準則判斷；滿足相似準則條件的點，視為種子點放入種子點集seeds。

（3）將頂出的種子點存入種子集S。

（4）如果種子點集內沒有元素，則跳到步驟（4）； 如 果 種 子 點 集 中 還 有 元 素 ， 則 跳 到步驟（2）。

（5）生成一張和輸入圖像長寬一致，像素值全為0的圖像I。

（6）將圖像I中對應種子集S坐標的像素值置為255，得到分割圖像I'。

其中生長的相似準則為：

式（11）中，gray(seed)為當輪種子點的灰度值，gray(8_n)為其八鄰域各點的像素值，Thresh為設置的閾值。區(qū)域生長結果如圖7所示。

圖7 區(qū)域生長結果

3 實驗過程

圖像分割就是按照預先設定的規(guī)則，將圖像分割為有意義的前景和背景的過程。區(qū)域生長是一個分割效果比較好的算法，但前提是需要找到適合的種子點。單一的分割算法就容易遇到這種不足的情況，結合使用形態(tài)學和閾值分割的方法來找到合適的種子點，幫助區(qū)域生長算法完成分割任務，達到滿足要求的分割效果，分割方法流程如圖8所示。

圖8 分割流程圖

首先對輸入的圖片進行灰度化處理，變成單通道的灰度圖片，然后濾波去除噪聲，使圖像更平滑，選擇合適的閾值進行閾值分割，在利用開運算去除掉分割后較小的前景，以各前景區(qū)域的中心點為起始種子點，進行區(qū)域生長，得到最終所滿足要求的前景。

4 實驗結果與分析

本文采用的圖像來自開源數(shù)據(jù)，實驗是在Windows10，OpenCV 上實現(xiàn)的。電腦配置為i5-8300H，NVIDIA GeForce GTX1060；軟件 Py‐thon3.7，OpenCV_Python4.1.2；圖像的灰度值范圍為［0，255］區(qū)間。

本文提出的自動種子區(qū)域生長算法部分實驗效果如圖9所示，分割比較飽滿，誤判較少（噪聲較少）。其中a（1）～a（6）為硅鋼片微表面原圖，b（1）～b（6）為對應圖像的人工標注圖像，c（1）～c（6）為對應圖像算法分割結果。

本文對比實驗了閾值分割算法、人工選擇種子點的區(qū)域生長法以及本文提出的自動種子區(qū)域生長算法。

對比人工標注圖像，計算各算法分割圖像的精確率P、F1值，進行分割效果客觀比較。

精確率：

圖9 自動種子區(qū)域生長算法效果

式（12）（13）中，TP、TN、FP、FN分別為正類判定為正類、負類判定為負類、負類判定為正類，正類判定為負類的數(shù)目。

根據(jù)各算法各分割圖像的精確率、F1 值繪制折線圖。各算法分割性能如圖10 所示，圖10（a）為各算法F1值，圖10（b）為各算法精確值。

從圖10 可以看出，自動種子區(qū)域生長算法基本達到人工種子點區(qū)域生長算法的性能，甚至有所增強，這是由于該算法選擇缺陷中心點作為種子點，而人工工選擇種子點的算法由于偶爾種子點選擇靠近缺陷邊緣，缺陷中心的種子點生長更有優(yōu)勢。

圖10 各算法性能比較

5 結論

對于在復雜背景下分割缺陷，單一的算法很難奏效。例如閾值分割算法，很難找到一個固定的閾值可以有效分割所有的圖像；由于缺陷所占比例不清楚且所占比例很小，多種自動閾值方法都會失效；單一的自動種子區(qū)域生長算法也因為類似的原因而不能有很好的分割效果?；诖耍疚奶岢隽艘环N基于形態(tài)學的自動種子區(qū)域生長算法，該算法結合了形態(tài)學、閾值分割、區(qū)域生長方法，其分割效果比單一的算法都要好。對硅鋼片微表面缺陷圖像的測試結果表明，該方法缺陷分割的準確性表現(xiàn)不錯。

表1 各算法性能比較