基于图像处理的热轧圆钢表面刮伤缺陷识别算法设计Word文档格式.docx

基于图像处理的热轧圆钢表面刮伤缺陷识别算法设计Word文档格式.docx

《基于图像处理的热轧圆钢表面刮伤缺陷识别算法设计Word文档格式.docx》由会员分享，可在线阅读，更多相关《基于图像处理的热轧圆钢表面刮伤缺陷识别算法设计Word文档格式.docx（20页珍藏版）》请在冰豆网上搜索。

滤波去噪;

缺陷检测

TheAlgorithmDesignBasedonImageProcessingHot-rolledBarScratchtheSurfaceDefectRecognition

LiXianBin

（TrafficSchoolofMechanicalEngineeringandAutomationProfessional2010machineryofthe1002class20102814036）

Abstract:

Thisarticleismainlytostudythehot-rolledsteelscratchdefectimagesearchmethodandselectthemostsuitablemethodthatcanidentifythescratchdefects.Inordertocompletethispapertargetsandachievetheresultsthatyouwantstudy,weproposethefollowingresearchideas:

firstlyusetheMatlabsoftwareforimageedgedetection,andidentifythemostsuitableoperator;

secondlyimagesegmentationextraction,writetheprogramtoextractthetargetimage,astosomeotherreasons,theimageisbent,whichweextractedimageoftheimagetobestraightenedstraighteningandwritespecificprocedures;

thirdstepisperformedafterstraighteningtheimagedenoisingfilter,toremovetheimagenoiseonandidentifythemostsuitablefilterfunction;

Finallystepistheimagedenoisedexperimentalanalysistodeterminethemostappropriatewaythatfindscratches.

KeyWords:

Edgedetection;

Imagesegmentation;

Filteringnoise;

Defectdetection

1引言

1.1本课题研究的背景

在现在大生产中热轧钢材是其中必不可少的材料，在汽车、轮船、航空航天、机械制造等众多领域不可或缺。

近几年来，我国在热轧钢材上的建设不仅数量多，而且速度很快，热轧钢材的各种装备水平也得到了急速的发展。

但由于生产所需设备、制造的工艺步骤、当今科技水平等等原因的影响，从而导致钢材的制造会出现一些不可避免的缺陷，这样给我国经济带来了极大的损失。

因此，钢材的缺陷检测研究在今年来受到极大地重视，目前已经有很多检测方法运用到国民生产中去。

热轧钢材的缺陷种类繁多，复杂多样，并且在不同的生产线会带来不同的缺陷问题，即使是同一生产线由于工艺参数、生产条件等因素的影响，也会使热轧钢的生产缺陷具有不同的特点。

一般热轧钢的缺陷有以下几种：

气泡、夹杂、纵裂、边裂、凹坑、刮伤等。

热轧钢的表面缺陷如果不即使检测出来，则会一直影响整个生产过程，从而会导致整个生产工艺的失败，这样会给生产部门带来极大的损失。

伴随着数字图像处理技术在工业领域迅速发展，基于图像处理的工件表面缺陷识别得到广泛的应用。

数字图像处理是运用计算机对图像进行去除噪声、分割、提取特征等处理的方法和技术，在此基础上设计出钢的表面缺陷检测方法。

钢的表面缺陷检测系统主要是对钢的刮伤、凹坑、乳化液斑等特点进行检测，对于工业领域有着极为重要的运用。

对于缺陷的检测在我国的研究较少，一般而言我国的缺陷检测设备大部分从外国进口，这样不仅耗费大量的资金，而且需要昂贵的维修费用，这样不适合在国内的发展前景，因此，为了能够独立自主，满足我们自己的需要，我们就要去开发研究自己的缺陷检测方法。

在此，我们对一部分钢的缺陷图片进行处理多次实验分析，寻求出一种最为合适的检测方法。

1.2本课题研究的意义及现状

在整个陈品质量中热轧钢表面的质量是其中重要的一部分，对于整个生产工艺而言，如果在热轧钢生产线上不能及时检查出有缺陷的钢材，那么就会给生产部门带来严重的经济损失。

并且我们国内产品在与国外产品竞争时，也会由于热轧钢的表面缺陷未能及时检查出来，而导致很多用户的退货或者索赔问题，给我们经济也会造成很大的损失，也会影响中国在整个世界竞争中的竞争力，使国外用户不再相信中国产品，这也关系到中国的形象问题。

在实际生产中，钢材受到各种外界原因的影响会出现刮伤、凹坑等不同的缺陷，如果在生产中这些缺陷不能够及时的检测出来，那么不仅会对国民经济造成严重的损失，而且还有可能导致潜在的安全问题，因此对缺陷钢材的检测是必要的工作，提高生产合格率，保证设备的安全要求有着重要的意义。

对于某些产品而言，比如轮船，建筑，桥梁等，由于钢材表面质量的问题会给整个产品质量带来极大的影响，甚至有可能会因为钢材表面质量问题导致整个产品的不安全性，从而发生重大的安全事故问题。

因此，提高对热轧钢表面生产质量的检测不仅会提高企业的生产效率，而且会增强企业的对外竞争力，从而赢得经济效益和社会效益。

一般而言在目前钢材检测研究现状分为三个发展阶段，首先是人工的检测，这种完全是人去观察发现缺陷，这种方法随着科技的发展也在逐渐落后，不仅效率低而去会导致一些人工不容易发现的错误。

其次是激光对图片扫描阶段，最后是智能发展阶段。

目前最要求我们去完成的是智能发展阶段。

对于国内来说研究最多的缺陷检测算法有离散正交小波、傅里叶频谱特征以及对模型的分析算法。

傅里叶频谱特征这种算法适合大块区域缺陷的检测，算法的计算量比较大，因此在小部分区域检测时不适合运用。

而离散正交小波这种算法它的检测速度最快，但是对于边缘检测的效果不是太强。

对于基于模型的的检测算法，需要对各种模型的参数进行估计，一般而言比较困难。

我们需要找到一种能够适应于实际生产中去的方法，降低检测的难度，提高检测效率。

1.3本课题的主要研究工作

本课题主要研究内容是对热轧钢表面缺陷图片进行分析，进行图片的边缘检测、分割提取、滤波去噪等处理最后找出缺陷检测的方法。

主要研究内容如下：

（1）由于各种外界因素的影响，我们拿到的缺陷图片要对它进行一些处理才能进行以下的研究，首先是对图片的边缘检测，我们对各种边缘检测算子进行研究得出不同的检测结果进行分析，找出最合适的一种检测算子。

（2）再是对图片进行分割提取，可以得出的是弯曲的图片，这是由于光线、拍摄的外部原因导致的，这使得缺陷图片的对比度会降低，对此我们度提取后的图片进行拉直增强处理。

（3）缺陷图片会有很多噪声，在缺陷检测时这些噪声会对结果产生影响，为了避免这些影响，我们要对缺陷图片上的噪声进行去除，得到不含有噪声的图片。

一般去除噪声的方法有很多，我们可以逐一进行试验得出去噪图片，然后在对去噪的图片画出它的行的折线图进行对比，而折线图变化较缓慢的则是比较好的滤波去噪方法。

2热轧钢缺陷图片的分割提取

把图片分成具有各个不同特征的区域，并且把我们对其中最感兴趣的方法提取出来的技术被称为图像分割技术。

图像分割能够很清晰的把我们感兴趣的部分一块块的呈现在我们面前，这一特殊功能使得图像分割技术在很多领域有点极其重要的作用，比如农业方面，医疗，工业机器等都有着广泛的应用。

2.1热轧钢缺陷图片的边缘检测

在图像处理中边缘检测是重要一步，它在视觉处理中作为一个重要的步骤，也是实现图片分割提取的基础步骤。

边界是一个特殊区域与另一个特殊区域的交界，不同区域有点各自不同的属性特征，由边界把他们划分开，边缘检测的实质就是检测图片不同特征发生变化的方位，利用边缘检测可以对检测出边缘的图像进行处理。

2.1.1Matlab图像边缘检测的函数选择

在Matlab中对图像进行边缘检测，不同的算子有着不同的特点，在边缘检测中算子一般如下,原始图像及图像像素点的折线图如下:

图1热轧钢缺陷图片原始图像

图2原始图片像素值折线图

（1）Canny算子对图像的边缘检测

该算子一般是最为理想的算子，进行平滑处理时采用了高斯函数，对抑制噪声有着较强的功能，但是同时一些高频边缘也会别canny算子平滑掉，从而导致边缘丢失。

Canny算子运用连接边缘和双阈值算法检测，比起LOG算子采用多尺度检测和方向性搜索。

（2）Sobel算子对图像的边缘检测

特点是先对图片平滑处理，再进行代数方程的运算，对噪声也有一点的抑制能力，但是有时也会在检测结果中出现一些虚假的边缘，同时容易出先多像素宽度的检测边缘。

（3）Roberts算子对图像的边缘检测

寻找边缘时对边缘的定位较为精确，但是也会容易丢失一部分边缘，该算子不具备对噪声的抑制，没有对图片进行平滑处理的功能，一般来说roberts算子应用于噪声低或者具有陡峭边缘的图片。

（4）LOG算子对图像的边缘检测

该算子能较强的抵御噪声的干扰，但是同时也会由于对噪声的抑制导致平滑掉一部分原有的比较尖锐的边缘，从而无法检测出这些边缘

（5）Prewitt算子对图像的边缘检测

和sobel算子大致相同，只是在平滑部分的权值有些差异，其他特点大体相同。

根据不同算子得出实验结果，进行比较，选出最合适的边缘检测算子，结果如下

图3五种不同算子边缘检测的结果

观察五种边缘检测算子的结果我们可以看出这几种算子都不合适，因此我们寻求自己的边缘检测方法。

2.2热轧钢缺陷图片的轮廓提取

在图像处理中，图像轮廓可以根据一些图像提取的轮廓把特定的物体选出来，进而可以确定图像的不同特点，就算图像的面积等数据，以便能够更深入的认识图像。

图像提取的主要目的是为了获取图像的轮廓特征，这是一种对图像边界特征的表达，可以为以后进一步的分析处理提供有利的参考依据。

2.2.1基于区域的图像分割技术

图像分割是为了有效的对图像进行分析，一般来说是将图片根据特点分为几个不同的界面有多种方法，一般分为边界法和区域法，他们是利用相邻像素之间的相似性和不连续性进行划分，边界法是利用像素间的不连续性，区域法是利用像素的相似性。

区域法是利用某种原则直接把图像划分为不同的区域，边缘法则是通过边缘检测得出图像的轮廓，区域法与边缘法相结合从而达到分割的目的。

2.2.2基于边缘的图像分割技术

这种方法是利用边缘检测完成的，判断边缘点时，一般是利用函数一阶导数极大值或者二阶导数过零点的特点进行判断，划分不同区域的联系曲线还可以采用曲线拟合技术，边缘检测方法一般分为：

图像滤波法、曲线拟合法、基于局部图像函数的方法等。

（1）图像滤波法：

该方法是利用滤波函数对图像进行滤波处理，然后分别对原始图像和滤波处理后的图像进行导数计算。

常用的滤波函数一般是高斯函数的一阶和二阶导数，最近几年在研究滤波上又出现了可控滤波器、B样条滤波器等。

（2）基于边界曲线拟合法：

边界曲线拟合是利用不同的曲线来表示不同区域的边界线，根据图像变化的特点来找出最适合代表图像边界的曲线，由此而达到图像分割的目的。

这种方法能够直接找出边界曲线，为以后的图片进一步处理有着重要的帮助。

原始图片是由1024*512像素点组成的，提取热轧钢的轮廓，运用Matlab读取图片，然后设定阈值为30左右，最后实验确定阈值为25。

根据所设定的阈值大小，我们为了提取所需的图片部分，设定if语句，如果像素值小于25，那么该点像素值都变为255，即全白色，如果像素值大于25的则不变，图像所有行所有列都按照这种方法去做，那么我们就可以得出想要提取出来的图像部分，编写程序（见附录）得出结果如下：

图4热轧钢图片轮廓提取图

由实验结果可得，由于光线等其他原因导致图片有些弯曲，为此我们下一步是要把图片进行拉直。

2.3热轧钢轮廓的拉直

热轧钢缺陷图片的弯曲是由于光线、拍摄等外界原因导致的，这会使得图片的对比度降低，对缺陷的检测造成影响，因此我们在以下分析图片前要对弯曲的图片进行拉直处理，利用Matlab软件把提取后的图片进行拉直处理。

我们可以观察弯曲图片特点，以第一行为基准，把以后每行的像素点进行平移，与第一行对齐。

在做拉直的方法中，我们可以先设定一个像素全为255的图片，弯曲部分是从183列到189列，然后我们求出183列到189列每一行的像素值和，如果这一行没有发生错位，那么他们的和应该是1785，所以我们可以设定if语句，当这几列所求出的像素值和小于1785大于1530时，则可以断定这一行错位一列，相同如果求出某一行中这几列所以像素值和小于1530而大于1275时，则可以断定这一行错位了两列，由此以下类推。

当得出错位几列时那么我们就该把这一行平移几列，具体程序可见附录，拉直后的图片如下所示。

图5热轧钢图片轮廓拉直图

3图像的滤波降噪

在图像处理中，由于噪声的存在往往会对图像处理产生一些不利的影响，因此，对图像进行去噪处理是图像领域中非常重要的步骤。

噪声的来源是由于图像的获取与传输过程，降噪是为了在去除噪声的同时尽可能的保持原始图像的特征。

3.1噪声的分类

3.1.1由产生原因的分类

（1）外部噪声：

由于系统外部原因而引起的，比如电磁波干扰、天体放电等引起的噪声。

（2）内部噪声

1）由于光电的基本特征所产生的噪声

如电子、粒子的运动会产生散粒的噪声；

热噪声会因为自由电子无规则运动时产生；

光量子的变化是随时间和空间改变的，因此而产生的光量子噪声。

2）各不同的电器在做机械运动时会因而产生噪声

3）不同材料器材本身产生的噪声

4）在系统的内部电路也会产生噪声

如交流电流引起的噪声。

3.1.2不同种类噪声的分类

（1）高斯噪声

当噪声的概率密度函数符合高斯分布时这类噪声是高斯噪声。

在图像的输入、采集、处理的全过程中，高斯噪声会有很大的影响，当图像出现高斯噪声时，图像会出现很多细小的斑点，使图像变得模糊不清楚。

一般用于去除高斯滤波的算法是均值滤波。

（2）椒盐噪声

这种噪声是黑白相间出现的，并且在图像处理中，椒盐噪声的出现往往是由于图像的切割处理引起的。

椒盐噪声具体是指一种盐噪声和一种胡椒噪声想混合，盐噪声就是白色，胡椒噪声是黑色，两种噪声一般都同时出现，使图片呈现黑白杂点。

一般来说去除这种噪声的算法是中值滤波。

3.2图像滤波降噪的方法

3.2.1中值滤波

这是一种经常使用的非线性平滑滤波器，它把图片邻域中的各像素值按灰度等级进行排列，然后找出其中的中间值，把这个中间值作为输出的像素值。

往往适用于对椒盐噪声的消除。

椒盐噪声:

1）对于椒盐噪声，它在图像中有干净点也有污染点，随机的分布在不同位置上，并且幅值近似相等。

2）中值滤波的特点是选择合适的点来代替污染点的值，所以处理效果比较好。

3）椒盐噪声的均值不为0，所以均值滤波不能很好的去除噪声。

3.2.2均值滤波

它是一个线性的滤波器，对于所以系数都是3*3的模板来说，其中最为简单的是取所以系数为1，其中模块和它的像素邻域的乘积都有除以9，以此保证图像依然在原始图像的灰度值范围内部。

就线性滤波器而言，对一些图像进行线性滤波处理，可以除去图像中的某些噪声。

高斯噪声:

1）高斯噪声基本上市遍布在每一点的像素上，属于幅值近似正太分布。

2）在高斯噪声中，图像上的基本每一点都是污染的点，而对于中值滤波找不到合适的干净点。

3）对于均值滤波，因为高斯噪声的正太分布均值为0，所以它可以消除高斯噪声。

3.2.3高斯滤波

图6高斯平滑滤波器的核呈现的布局

高斯平滑滤波的基本原理：

这种滤波器一般用于处理去除一些服从正太分布的噪声，高斯函数具有的性质如下:

（1）在对图像进行滤波时可以保证各方向的平滑程度可以大致一样。

另外，在距离中心距越远的地方，它的权值则会越小，这样就可以保证边缘的一些细节不被模糊。

（2）高斯函数具有着可分离性。

在高斯滤波时利用高斯函数的卷积可以分以下进行计算，先是将一维的高斯函数与图像进行卷积，再是将与方向垂直的同样的一维高斯函数与上次的结果再进行卷积，所以高斯函数在二维中的计算会是线性增长，具有着这些性质高斯平滑滤波器也因此在早期的图像处理中有着重要的作用，这种低通滤波器无论在频域或空间域都非常有效。

（3）高斯函数是一种单值的函数。

这就表明了它的权值会跟着离中心距的远近而单调减少，由于这一性质，使图像的边缘不被模糊掉。

（4）图像常常有很多噪点，被很多高频信号污染，而所我们所要看到的图像特征如边缘特征，同时有着低频分量和高频分量。

在对图像进行平滑时，它可以避免平滑的图像被高频信号污染，从而得到我们想要的信号分量。

（5）一般而言参数越大则高斯滤波器它的频率宽度与平滑的程度成正比例关系，在图像特征非常模糊与平滑图像中的噪声相互冲突时，可以调节参数进行折中。

3.3三种不同滤波器对图片的处理

高斯滤波、均值滤波、中值滤波三种滤波方式对原始图像滤波处理后结果如图所示：

图7高斯滤波结果图8中值滤波结果图9均值滤波结果

三种滤波结果大致相同，我们不能够从表面看出哪一种滤波方式最合适，因此，为了找出最合适的滤波方式，我们需要画出每一种滤波图的像素折线图，然后再与原始图像折线图进行比较，得出一下哪一种折线图变化最平缓，那么那一种滤波方式最为合适。

原始图像是由228*1024像素组成，因此我取了第200行作为基准，用Matlab画折线图函数plot进行绘制，比较这一行所以列数的折线图，所画折线图如图所示：

图10原始图像折线图

图11高斯滤波后的图片折线图

图12中值滤波后的图片折线图

图13均值滤波后的图片折线图

比较以上四幅图结果，可以看出由中值滤波处理后的图片折线图较其他两幅图平缓，所以我们选择中值滤波对图像进行降噪处理。

4热轧钢缺陷图片的刮伤检测

为了找出检测刮伤缺陷的方法，我们对刮伤缺陷图片的像素点值进行分析，可以看出在含有刮伤缺陷部分，原本变化平缓的图像的像素值变化突然加快，根据这一特点我们展开思路，寻求能够找出变化突变的像素值部分，检测出这一部分进而就能检测出刮伤缺陷的存在部分，由此我们做一下工作。

4.1图像像素值的分析

我们把缺陷图片带有缺陷部分的图像放大观察，图片如下：

图14缺陷部分放大的图像

可以看出中间部分带有缺陷的图像相对两边来说像素值变化交明显，因此我们可以由此出发找出像素值突变的部分从而找出缺陷。

4.1.1图像三维图的分析

画出图像各个点像素值的三维图形，如图：

图15缺陷图像各个点像素值的三维图形

观察图像各个点像素值的三维图，可以看出图像部分地方像素值发生突变，由此我们可以得出在这些像素值突变的部分图像有缺陷，由此我们可以找出像素值突变的部分从而找出图片的缺陷。

4.2找出像素值突变的方法研究

为了找出图片像素值发生突变的部分，我们可以用以下两种方法，一是求出图片的频率，在频率变化很快的地方也可找出像素值突变，根据频率的变化我们可以寻求缺陷的方法。

二是我们可以求图片的对比度，设定一个阈值，我们拟写求图片对比度的程序，然后根据阈值来判断缺陷部分。

4.2.1图片的对比度方法

我们本次的研究工作用求图片的对比度来判断表面缺陷，具体方法是：

我们可以在图片上寻找一个点，然后以这个点为中心，以每8个像素点位置为距离，划出一片正方形的区域，那么在这正方形边上总共有64个点。

我们先求出这64个点的总像素值和，然后求他们的平均值，得出平均值结果减去中心那个点的像素值，最后用减掉的结果除以边长上这64个点的像素值平均值，得出的最终结果即是该点的对比度。

我们设定一个这种算法的程序，把多幅图片输入进程序，多次试验我们可以得出一个阈值，那么就用这个阈值来作为判断缺陷的标准。

经过试验我们设定阈值为0.3，大于这个阈值的则是有缺陷的点部分，为了让缺陷部分能够清楚的表示出来，我们把符合条件的点为中心点，它的周围八个像素点距离的正方形区域内所有的点都表示为黑色，那么含有缺陷部分就能清楚的在图片中显示出来。

输入图片得出结果如下：

图16最终表面缺陷部分检查结果图

图17两幅图像对比图

4.2.2检测出图片的准确率

我们已经找出了检测图片表面缺陷的算法，为了确定该算法的准确性，我们需要找出它的准确率。

我们选择50副图片进行实验，把这些图片分别输入我们所写的算法中去，得出结果，然后我们把结果进行比较，进而统计一下有多少副图片能够被正确的检测出来，这样我们就可以得出一个该算法的准确率。

统计表格如下：

表1缺陷识别算法检测率统计表

识别算法

原始图片数量

检测结果数量

检测率

20

16

80%

50

42

84%

5总结

在对热轧钢的表面刮伤缺陷研究中，本文给出了深入的研究方法，利用Matlab软件对图像进行边缘检测，图像分割提取，滤波去噪处理等多种处理，结合热轧钢表面刮伤缺陷特点，总结了对此类缺陷检测的具体步骤，提出了比较合理的检测方法，总体来说本文可以总结为以下：

（1）对热轧钢的表面刮伤缺陷图片进行处理时，由于光线等外界因素，导致提取出的图片是弯曲的，因此我们对它进行了拉直处理，从而增强了图像的对比度，对我们分析缺陷奠定基础。

（2）热轧钢表面刮伤缺陷图片有很多噪点，这样会对我们寻找缺陷部分造成影响，因此我们用不同的滤波方式对它进行了处理，找出了一种最合适的滤波方式，这样不仅能去除噪点，而且能充分保证图片上各种细节的完整性，以便于我们以后工作的分析。

（3）我们队缺陷图片分析了它的二维三维折线图，发现在含有缺陷的部分图片的像素值会变化很快，因此我们可以根据这一特征寻找出缺陷部分。

本文的研究工作到此结束，基本上完成了我们所要求研究的内容，但是在一些细节方面仍然存在着一些问题，这需要我们在以后的工作中能够进一步的研究。

比如在寻找缺陷检测方法时可以观察图片的对比度，或者我们可以分析图片的频率变化，这可以结合