基于图像处理钢坯缺陷检测探究.docVIP

基于图像处理钢坯缺陷检测探究 　　摘 要：为了解决传统钢坯长度测量方法不能有效检测到钢坯边界缺陷点的问题，提出了一种基于图像处理技术的非接触式轧钢边界缺陷检测方法。通过Canny算子对预处理后的图像进行边缘检测，并提取边缘点坐标。对端头坐标点进行高阶贝塞尔曲线拟合，通过求其曲线的曲率，确定端头点位置。对左右边缘进行八邻域跟踪，确定边缘缺陷点位置。实验表明，该方法能准确地对缺陷点进行定位 关键词关键词：图像处理；贝塞尔曲线；边界跟踪 DOIDOI：10.11907/rjdk.161434 中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2016）008-0177-03 0 引言 钢厂型钢在生产和加工过程中不可以避免地会产生变形，同时由于其纵向较长，需要对型钢的长度进行精确测量从而根据实际需求进行精密切割。传统在线钢坯长度检测系统主要使用以下方法：主被动式光电管检测、辊轴转动量计算、结构光测量等，但是以上测量方法都不能很好地检测出钢坯端头缺陷的确切位置，因此切割时只有采用定长切割的方法，导致产生大量钢材浪费，严重影响成材率。为了提高钢材利用率，提出了基于CCD和图像处理技术的钢坯边缘缺陷检测技术[1-2]，通过Canny算子对图像进行边缘检测，配合高阶贝塞尔曲线拟合以及八邻域边界跟踪的方法，确定钢坯端头顶点以及两侧边缘缺陷点的坐标，并根据坐标计算出合适的剪切长度 1 图像预处理 1.1 灰度提取 图像预处理主要是通过对图像进行灰度化、二值化、滤波等一系列操作，使得图像中目标物体与背景图像以及噪声能够比较好地分离开来，便于后续处理 在某钢厂拍摄的轧钢首端图像为彩色图像，通常图像在三维色彩空间中用RGB的叠加共同表示一个像素点的颜色，则一个坐标下的像素点需要使用三维向量来存储RGB值。而灰度值则表示了黑白图像中颜色深与浅的关系，用0～255这256个值来表示。因此，如果对彩色图像进行灰度值提取，则每个像素点只需要用一维向量即可保存灰度值，且更有利于区分目标物体与背景噪声。提取彩色图像灰度[3]有3种常见方法，分别是均值法、加权平均法、分量法，这里使用加权平均法提取图像灰度。加权平均法通过给R、G、B 3个分量分别设置一个权值，然后将权值与对应分量的值相乘求和得到灰度值： 图1是使用上述灰度提取算法对钢坯彩色图像进行处理的结果，图2是灰度分布直方图，横坐标?榛叶戎荡笮。?纵坐标为像素点个数 由图1可以得知，对于CCD拍摄到的轧钢首端图像，目标图像的灰度值比较高，而背景图像基本处于低灰度值。从图2的灰度提取结果可以看出，低灰度值区间有波峰出现，说明背景区域主要集中在此区间内，高灰度值同样有比较集中的像素点分布，即目标图像的像素点集中在该区间。且高低灰度区间中间有明显的分割界限，更利于后续图像分割阈值的选取 1.2 图像二值化及滤波、形态学处理 通过对上述处理后的灰度图像进行二值化处理，有利于将背景与目标更好地分离。通常采用选取阈值的方法对灰度图像进行二值化，即通过将灰度图像中每个像素点的灰度值与选取的阈值进行比较，小于阈值的赋值为0，大于阈值的赋值为1，从而将灰度图变为只用0和1表示的二值图像，公式如下： 其中，G（i，j）为图像的二值化矩阵，g（i，j）为图像的灰度矩阵，T为根据灰度直方图选取的阈值。经过转换的二值化图像中仍有一些噪点，对图像的处理造成干扰，考虑通过中值滤波对噪声进行抑制同时保护边缘信号，并用数学形态学处理的方法，将滤波后的二值图像进行边界提取、骨架提取、孔洞填充、角点提取、图像重建，从而增强目标图像特征，去除不相关的信息。处理后的图像如图3所示 1.3 边缘提取 在二值化图像中，钢坯边缘信息并不非常清晰，通过图像边缘检测[4-5]可以准确提取出目标边缘信息，这样有利于获得钢坯边缘缺陷点坐标、端头坐标，为计算剪裁长度提供方便，其具体实现可利用图像和模板进行卷积来完成。经常使用的边缘检测微分算子有很多，如 Canny算子[6]。Canny算子边缘检测具有滤波、增强、检测等多个过程。在对图像进行处理前，首先利用高斯平滑滤波器对图像进行平滑处理来消除噪声，接着采用一阶偏导的有限差分来计算灰度梯度幅值和方向；在图像处理的过程中，采取了对像素点灰度梯度幅值非极大值抑制处理过程，最后Canny算子还利用两个阈值来连接边缘。Canny算子对二值图像的边缘检测结果如图4所示。从图4可以看出，Canny算子对形态学处理后的二值图像检测后的边缘信息比较完整，型钢左右侧边的规整与不规整的转折点特征比较明显，便于后续处理以定位特征点所在的坐标 2 轮廓点提取 经过预处理的图像，仅保留了目标边缘信息，但其中包含了辊道的边缘