薛文科
西安建筑科技大学机电工程学院 陕西 西安 710055
摘要：机器视觉一种新的无创、实时、在线检测方法，在产品自动化检测过程中，机器视觉检测先进、高效，成为不可或缺的核心技术。鉴于此，本课题以某钛带生产企业为依托，结合国内外研究现状，通过分析针孔、擦伤、划痕、凹坑四种常见的钛带表面缺陷，对基于机器视觉的钛带表面缺陷检测和分类技术展开研究。
1.前言
钛及钛合金因具有强度高、耐蚀性好、耐热性高、亲生物等特点而被广泛用于各个领域。近年来，航空航天、一般工业、能源和石化等领域对钛的需求持续继续稳步回升，促使全球钛工业的产量稳步增长[1]。由于钛材产品用途的特殊性，对其表面质量的要求很高，不允许出现压坑、划伤、裂纹、针眼等缺陷。因此，亟待运用新技术提高钛材表面缺陷检测水平，助推钛产业向高端领域发展。
机器视觉一种新的无创、实时、在线检测方法，相对于其他表面缺陷无损检测的方法来讲，视觉技术不受材料限制，通用性好，速度较快，检测程序、设备、操作简单，实时性好，显示缺陷直观，在精确性、特异性、可靠性这三个评价表面缺陷检测方法的核心要素上具有明显的优点。因此，研究基于机器视觉的钛材表面缺陷识别方法，对于提高产品表面质量具有重要的现实意义和经济价值。
2.系统总体结构及工作原理
基于机器视觉检测表面缺陷的关键技术主要包括表面缺陷目标提取方法、缺陷特征表征方法以及缺陷类型辨识模型的构建方法。基于机器视觉的钛带表面缺陷检测和分类系统首先要在稳定的光源下，使CCD工业相继获取钛带表面图像；其次图像采集卡将相继采集到的表面图像信息以数据文件的形式存储在计算机中；然后软件系统通过预先编程的图像处理算法完成图像预处理、缺陷分析、特征提取与分类器分类工作；最后由控制系统钛带缺陷进行标记。
钛带表面缺陷检测系统主要分为硬件和软件两部分。根据实际需要，系统硬件主要包括钛带传送装置、钛带标记装置、测速传感器、报警装置、光源、光学镜头、CCD相机、图像采集卡和计算机；软件主要包括图像采集、图像预处理、图像缺陷分割、图像缺陷特征提取和图像分类。整个检测系统通过软件和硬件的相互配合来实现对钛带表面缺陷的在线检测与分类。
图1为钛带表面缺陷检测和分类装置结构示意图，系统具体工作原理如下:已加工完成的钛带由传送装置送至表面缺陷检测区，在检测区的框架两个位置分别放置了线阵CCD工业相机和照明光源，两者的成像角度固定。当光线照射到送检钛带表面后，反射光线被线阵CCD相机采集，从而获得钛带表面图像并存储至计算机中。计算机获得图像信息后，通过软件中预先编写的图像处理算法对相机获取的图像完成图像预处理和缺陷检测，当采集的图像被检测出有缺陷存在时，系统软件会进一步对缺陷进行特征提取和分类操作，警报装置进行报警提示，同时标记装置对缺陷位置进行标定，缺陷类型和缺陷位置均会在软件界面上显示并保存在计算机中，以方便工人查看。所检测的每一组钛带，系统都会给出质量评价报告，有助于进一步提高产品质量。
.png)
图1 钛带表面缺陷检测和分类装置结构示意图
3.表面缺陷图像边缘分割算法
检测系统在对钛带表面图像采集、传输和存储的过程中，常会因成像设备、外界环境、信号转换等因素影响，使得被检图像包含噪声，这将给后续的图像处理和缺陷识别操作造成困难。图像预处理可有效减少噪声干扰，提高缺陷对比度，突出缺陷边缘特征。为更准确地提取缺陷特征，进行缺陷识别分类，需对预处理的钛带图像进行图像分割，将缺陷与背景分离开来。
根据边缘和区域的特点，可将图像分割分为边缘检测和区域生长两种类型，即边缘分割和区域分割两类方法[2]，前者利用的是相邻像素点灰度值的不连续性，后者利用的是相邻像素点处灰度值的相似性。区域分割法的基本思想是根据目标与背景在灰度值上不同，设定一个合理的阂值，将图像中各像素点灰度值与阂值进行比较，从而确定各像素点的归属。边缘分割主要利用检测物体的边界进行分割，该方法的关键是边缘检测。由于钛带表面缺陷的边缘细节明显，在像素灰度级上存在明显的突变，相比于区域分割，采用边缘分割方法更能快速准确将缺陷提取出来，因此本文重点对边缘分割方法进行研究。
图像中物体的边缘位置包含大量信息，对于理解和分析图像具有十分重要作用。物体的边缘通常是像素点灰度级的变化所在，准确进行边缘检测是实现边缘分割的关键，根据图像像素点灰度值的阶跃性，将边缘检测算子归纳为一阶微分边缘算子和二阶微分边缘算子[3-4]
对于钛带表面常见的针孔、擦伤、划痕、凹坑这四种钛带表面缺陷的边缘检测，Roberts,Sobel和Prewitt三种传统一阶微分边缘算子虽能大致定位缺陷位置，但所检缺陷边缘较为模糊，且检测结果中均出现了不同程度的错检像素点。相比于一阶微分算子，Laplacian, LOG和Canny算子具有更高的缺陷定位精度，检测边缘也较为清晰，但Laplacian和LOG算子对于擦痕和凹坑的边缘检测效果较差，有些缺陷细节未能完全检出。Canny算子对四种缺陷的边缘检测结果均为最佳，不仅缺陷定位精确，错检率低，且边缘细节突出并具有连续性，为后续缺陷特征提取提供了保证，因此，系统选用Canny算子进行边缘分割。
4 结果分析
利用机器视觉技术实现对钛带表面缺陷的检测与分类是未来提升钛带质量的重要发展方向，该课题涉及光源照明、图像处理、模式识别等多种学科知识，.对于针孔、擦伤、划痕、凹坑四种钛带表面缺陷而言，本文所设计的方法解决了图像分割有关问题，能够满足钛带表面缺陷的实际检测要求。但在实际分类过程中，也存在着误检及漏检现象，且对面积小、特征少的针孔缺陷分类准确率较低，在后续的研究中，需进一步选取较为典型的缺陷样本，提取具有代表性的缺陷特征值，并可采用合理的降维方法降低输入的特征维数，从而进一步提高检测速度和识别率。
参考文献
[1]贾翃,逯福生,郝斌.2018年中国钛工业发展报告[J].钛工业进展,2019,36(03):42-48.
[2] Arbelaez P，Maire M，Fowlkes C，et al. Contour Detection and Hierarchical Image Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33 (5):898-916.
[3]沈丽丽，杭宁.联合多种边缘检测算子的无参考质量评价算法[J].工程科学学报，2018, 40(08):996-1004.
[4]张红霞，王灿，刘鑫，等.图像边缘检测算法研究新进展[J].计算机工程与应用，2018, 54(14):11-18.