師紅宇，管聲啟

(1. 西安工程大學(xué) 計算機(jī)科學(xué)學(xué)院，陜西 西安 710048；2. 西安工程大學(xué) 機(jī)電工程學(xué)院，陜西 西安 710048)

基于小波分解的帶鋼缺陷檢測

師紅宇1，管聲啟2

(1. 西安工程大學(xué) 計算機(jī)科學(xué)學(xué)院，陜西 西安 710048；2. 西安工程大學(xué) 機(jī)電工程學(xué)院，陜西 西安 710048)

帶鋼缺陷是帶鋼質(zhì)量檢驗的重要組成部分，通過相關(guān)的理論分析，本文提出了一種基于小波分解的帶鋼缺陷檢測方法。首先對帶鋼圖像進(jìn)行小波分解；然后，選擇子圖進(jìn)行融合，從而有效地抑制了背景紋理信息；在此基礎(chǔ)上，對帶鋼的融合圖像進(jìn)行圖像分割和形態(tài)學(xué)濾波，實現(xiàn)對帶鋼缺陷的位置和面積的準(zhǔn)確檢測。實驗結(jié)果表明，該檢測方法是有效的。

帶鋼缺陷；小波分解；圖像融合；形態(tài)學(xué)濾波；缺陷檢測

0 引言

目前，帶鋼缺陷檢測算法有很多[1-4]。一些帶鋼缺陷檢測采用零均值法[5]，在零均值圖像形成過程中，子窗口大小取決于人的經(jīng)驗，因此該算法的檢測效果不理想。還有一些帶鋼缺陷檢測是基于人工免疫系統(tǒng)[6]，它通過對灰度圖像的三維恢復(fù)獲取表面缺陷信息。該方法只適合孔缺陷的檢測，不適合其他類型缺陷的檢測。

綜上所述，雖然帶鋼缺陷的檢測算法很多，但是由于帶鋼缺陷和背景紋理之間的灰度值接近，現(xiàn)有的方法很難把它們完全分離[7-9]。如果有一種方法可以抑制背景紋理，而且在背景和目標(biāo)缺陷之間增加灰度值，那么這種方法就為鋼帶缺陷檢測提供了一種可能。通過對小波變換特點分析，本文選擇小波分解和重構(gòu)來增加背景和目標(biāo)缺陷的灰度值，以減少背景紋理對缺陷檢測效率的影響。帶鋼缺陷檢測處理過程如圖1所示。

圖1 帶鋼缺陷檢測處理過程

1 帶鋼圖像的小波變換

設(shè)h為低通濾波，g為高通濾波，那么{h,g}可以表示為分析濾波器組。設(shè)為一維分解信號，那么小波分解過程用公式（1）表示如下：

由公式（1）可知，通過小波分解的一維圖像信號可以分解成低頻和高頻兩部分。低頻部分表示信號近似部分，而高頻部分表示信號細(xì)節(jié)的突變部分。通過對小波分解的細(xì)節(jié)信號進(jìn)行合理的選擇和融合，可以提高奇異信號的檢測。

同樣，對二維圖像信號進(jìn)行小波分解后，可以得到近似細(xì)節(jié)子圖、水平細(xì)節(jié)子圖、垂直細(xì)節(jié)子圖和對角線細(xì)節(jié)子圖；選擇子圖進(jìn)行融合可以增強圖像的缺陷。

1.1 帶鋼圖像的小波分解

帶鋼圖像主要是由正常背景紋理和缺陷組成的，而帶鋼缺陷是正常紋理的突變。因此，背景紋理和缺陷的頻率是不同的。通過小波分解后進(jìn)行選擇性重構(gòu)可以有效地抑制正常紋理，突出缺陷信息[10-11]。

當(dāng)對帶鋼圖像進(jìn)行分解時，應(yīng)該選擇具有緊支性，高消失矩和良好對稱性的小波。因此，本文選擇sym2小波進(jìn)行圖像分解。帶鋼缺陷圖像如圖2所示。

圖2 帶鋼圖像

帶鋼圖像的小波分解如圖3所示。

圖3 帶鋼圖像的小波分解

其中LL、LH、HL、和HH分別表示近似細(xì)節(jié)子圖、水平細(xì)節(jié)子圖、垂直細(xì)節(jié)子圖和對角線細(xì)節(jié)子圖。

1.2 帶鋼子圖的選擇

由于正常紋理信號是規(guī)則的，小波分解的細(xì)節(jié)子圖接近零值。然而帶鋼缺陷是正常紋理信息的突變，屬于奇異信號，通過小波分解，其相應(yīng)的細(xì)節(jié)子圖能量會增大。因此，選擇那些能量大于正常細(xì)節(jié)子圖的細(xì)節(jié)子圖進(jìn)行融合，通過抑制正常紋理，突出帶鋼缺陷信息。

小波分解的子圖能量用公式（2）表示：

其中，f(x,y)是像素(x,y)的灰度級，M×N是子圖的尺寸。

對角線子圖能量較小，并包含大量的噪聲，因此只考慮水平子圖和垂直子圖能量進(jìn)行圖像融合。

1.3 帶鋼子圖的融合

（1）計算標(biāo)準(zhǔn)圖像En的細(xì)節(jié)子圖能量；

（2）計算測試圖像Et的細(xì)節(jié)子圖能量；

（3）通過比較En和Et，選擇能量較大的細(xì)節(jié)子圖進(jìn)行子圖融合；

（4）圖像融合。

根據(jù)上述計算結(jié)果，選擇LH2、HL2、HL3和LH3子圖進(jìn)行圖像融合。融合結(jié)果有效的抑制了正常背景紋理信息，如圖4所示。

1.4 帶鋼缺陷分割

圖4 帶鋼子圖的融合

本文采用最大類間方差法進(jìn)行帶鋼缺陷分割，其基本思想是利用閾值將圖像像素分為兩類，使類間方差最大化，以確定分割的最佳閾值[12-13]。

設(shè)融合圖像有L灰度等級，對于每一個特征值f，Pf表示f的頻率，t代表分割閾值，其中特征值分為：和兩類。其概率分別為和每類的平均特征值為和。其中，

類間方差用公式（3）表示如下：

當(dāng)σ2(t)最大化時，t的取值為最佳分割閾值。利用最佳分割閾值t可以分割出帶鋼缺陷興趣區(qū)域，檢測結(jié)果如圖5所示。

1.5 帶鋼缺陷二值圖的形態(tài)學(xué)濾波

圖5 帶鋼圖像檢測結(jié)果

通過最大類間分割，形成帶鋼缺陷二值圖中的興趣區(qū)中，含大量的噪聲和孤立點。因此，需要進(jìn)行濾波除噪。本文采用形態(tài)學(xué)濾波方式消除噪聲，首先對帶鋼缺陷二值圖進(jìn)行開操作，然后進(jìn)行閉操作。采用形態(tài)學(xué)濾波處理結(jié)果如圖6所示。

圖6 帶鋼缺陷二值圖的形態(tài)濾波

可以看出，通過形態(tài)學(xué)過濾后，融合圖像中的正常紋理和噪聲被完全抑制，只留下帶鋼缺陷信息。

2 實驗與分析

為了驗證帶鋼缺陷檢測效果，本文所用的測試樣本圖像來自同一生產(chǎn)線，每個樣本圖像大小為：256×256。帶鋼缺陷檢測效果如圖7所示。

3 結(jié)論

帶鋼圖像的正常紋理信號是規(guī)律的，而帶鋼缺陷信號是突變的。通過小波分解、選擇子圖和融合圖像可以有效地抑制帶鋼圖像的正常紋理。在此基礎(chǔ)上，對融合圖像進(jìn)行圖像分割和形態(tài)學(xué)濾波，以消除小的紋理和噪聲，從而實現(xiàn)缺陷檢測。該檢測方法可以準(zhǔn)確的檢測出帶鋼缺陷的位置和面積。

圖7 帶鋼缺陷檢測效果

[1] NEOGI N, MOHANTA D K, DUTTA P K. Review of visionbased steel surface inspection systems[J]. EURA-SIP Journal on Image and Video Processing, 2014(1): 1-19．

[2] 韓英莉, 洪英. 帶鋼表面缺陷的一種在線檢測識別算法研究[J]. 光電子·激光, 2015, 26(2): 320-327.

[3] 湯勃, 孔建益, 王興東, 等. 基于遺傳算法的帶鋼表面缺陷特征降維優(yōu)化選擇[J]. 鋼鐵研究學(xué)報, 2011, 23(9): 59-62.

[4] 胡慧君, 李元香, 劉茂福, 等. 基于機(jī)器學(xué)習(xí)的帶鋼表面缺陷分類方法研究[J]. 計算機(jī)工程與設(shè)計, 2014, 35(2): 620-624.

[5] 管聲啟, 師紅宇, 王燕妮. 基于圖像零均值化的帶鋼缺陷檢測[J]. 鋼鐵研究學(xué)報, 2013, 25(4): 59-62.

[6] 許小潤, 吳貴芳. 基于人工免疫系統(tǒng)的帶鋼表面缺陷檢測技術(shù)[J]. 計算機(jī)應(yīng)用, 2010, 08: 2247-2249.

[7] Du-Ming Tsai, Cheng-Huei Chiang. Automatic band selection for wavelet reconstruction in the application[J]. Image and Vision Computing, 2003, 21(5): 413-431.

[8] Radovan S, Panagiotis M. Real-time vision-based system for textile fabric inspection[J]. Real-Time Imaging, 2001, 7(6): 507-518.

[9] Jiahui Cong, Yunhui Yan. Application of human visual attention mechanism in surface defect inspection of steel strip[J]. Chinese Journal of Mechanical Engineering, 2011, 22(10): 1189-1192.

[10] 李艷飛, 秦飛龍, 周仲禮, 等. 改進(jìn)的小波變換算法在地震數(shù)據(jù)降噪處理中的應(yīng)用[J]. 軟件, 2013, 34(6): 40-43.

[11] 管聲啟, 石秀華, 宋玉琴. 基于小波分解的織物疵點檢測[J]. 昆明理工大學(xué)學(xué)報(自然科學(xué)版), 2009, 34(1): 48-50.

[12] 王建紅. 基于零均值及零方差圖構(gòu)建的潤滑油磨粒檢測[J]. 軟件, 2015, 36(6): 120-124.

[13] 王誠誠, 李文森, 雷鳴, 等. 基于目標(biāo)特征的機(jī)械零件表面缺陷檢測方法[J]. 軟件, 2016, 37(4):32-34.

Strip Steel Defect Detection based on Wavelet Decomposition

SHI Hong-yu1, GUAN Sheng-qi2
(1. College of Computer Science, Xi’an Polytechnic University, Xi’an 710048, China;
2. College of Mechanical & Electronic Engineering, Xi’an Polytechnic University, Xi’an 710048, China)

Strip steel defect is an important part of quality inspection of strip steel. Through the relevant theoretical analysis, the strip steel image is decomposed by sym2 wavelet. Then, sub-images of wavelet decomposition are selected to fusion, which effectively inhibit the background texture information. On this basis, the fusion image of strip steel is morphological filtering to determine the location and area of defect. Experimental results show the detection method is effectiveness to strip steel defects.

Trip steel defect; Wavelet decomposition; Image fusion; Morphological filter; Defect detection.

TP 391.41

: A

10.3969/j.issn.1003-6970.2016.12.008

陜西省教育廳科研計劃資助項目（No.16JK1334）；中國紡織工業(yè)聯(lián)合會科技項目（No.2016066）

師紅宇(1981-)，女，工程師，碩士，研究方向為圖像處理技術(shù)和計算機(jī)網(wǎng)絡(luò)及應(yīng)用技術(shù)。

本文著錄格式：師紅宇，管聲啟. 基于小波分解的帶鋼缺陷檢測[J]. 軟件，2016，37（12）：35-37