摘 要：針對(duì)電解法提純鎳板材表面出現(xiàn)的質(zhì)量缺陷，設(shè)計(jì)改進(jìn)Canny的缺陷檢測(cè)方法。利用雙邊濾波使圖像去噪保邊，研究一種增強(qiáng)梯度的掩模并融入Sobel中形成雙層卷積核，增強(qiáng)缺陷邊緣梯度，弱化缺陷內(nèi)部及背景區(qū)域的梯度。采用分水嶺算法代替非極大抑制與形態(tài)學(xué)邊緣連接算法進(jìn)行邊緣細(xì)化。實(shí)驗(yàn)結(jié)果表明：本算法對(duì)鎳板缺陷的檢測(cè)效果優(yōu)于經(jīng)典算法和其他幾種改進(jìn)算法。

關(guān)鍵詞：機(jī)器視覺(jué)；表面缺陷檢測(cè)；改進(jìn)Canny；最大熵

中圖分類號(hào)：TP391；TB302.5文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1671-5276（2024）03-0066-04

Nickel Plate Surface Defect Detection Base on Machine Vision

Abstract：To handle the quality defects on the surface of nickel sheet， a defect detection method combining adaptive fractional differentiation and improved Canny algorithm is proposed. Bilateral filtering is used to denoise and preserve the edge of the image. A gradient-enhancing mask is designed and integrated into Sobel to form a double-layer convolution kernel， enhancing defect edges gradient and weakening the gradient inside the defect and in the background area. The watershed algorithm is applied to replace the non-maximum suppression and the morphological edge connection algorithm for edge refinement. The experimental results show that the detection effect of the proposed algorithm on nickel plate defects is better than the classical algorithm and some other improved algorithms.

Keywords：machine vision; surface defect detection; improved Canny; maximum entropy

0 引言

鎳是我國(guó)鋼鐵、電池、航天等領(lǐng)域使用的重要有色金屬，常用提純方法為電解法。電解槽作為電化學(xué)反應(yīng)的母槽，鎳板在其電解液中生長(zhǎng)速度不均勻及夾雜氣泡，導(dǎo)致板材表面形成大量圓球狀凸起缺陷。這些缺陷會(huì)對(duì)后續(xù)碼垛包裝工序、下游銷售及板材質(zhì)量造成影響?；诖耍瑢?duì)電解后的板材進(jìn)行缺陷檢測(cè)尤為必要。

目前，鎳板材的缺陷檢測(cè)基本采用人工目視檢測(cè)法，而利用機(jī)器視覺(jué)技術(shù)對(duì)此種板材進(jìn)行缺陷檢測(cè)的研究與應(yīng)用相對(duì)較少。對(duì)于其他相似的表面缺陷檢測(cè)問(wèn)題，黃夢(mèng)濤等［1］通過(guò)改進(jìn)Canny算子，將最大熵和Otsu算法相融合，實(shí)現(xiàn)鋰電池極片的表面缺陷檢測(cè)，該算法對(duì)少量缺陷可獲得較好效果。鄭安義等［2］提出了芯片的氣泡瑕疵缺陷檢測(cè)算法，利用均值切塊和加權(quán)融合進(jìn)行圖像光照補(bǔ)償和增強(qiáng)，最后進(jìn)行最大熵的閾值分割，該算法檢測(cè)芯片氣泡缺陷取得了不錯(cuò)的效果。刁子健等［3］利用改進(jìn)的Canny算法進(jìn)行氣泡檢測(cè)，與Canny算子相比獲得了更好的連接性。

上述算法只對(duì)部分缺陷檢測(cè)效果較好，其他部分檢測(cè)很難達(dá)到理想效果，故具有一定局限性。本文提出了一種改進(jìn)的Otsu-Canny算法進(jìn)行表面缺陷檢測(cè)。為驗(yàn)證算法的效果，與其他算法進(jìn)行了對(duì)比實(shí)驗(yàn)，結(jié)果顯示本文算法具有良好的適用性。

1 表面缺陷檢測(cè)問(wèn)題分析

鎳板缺陷個(gè)體微小、對(duì)比度偏低、缺陷數(shù)量及分布區(qū)域差異較大。圖1為鎳板灰度和梯度分布。由分布圖可知，圖像的灰度分布在平滑和缺陷區(qū)域之間會(huì)產(chǎn)生一個(gè)差值；圖像梯度在缺陷區(qū)域會(huì)產(chǎn)生階躍性突變。為更直觀清晰地觀察圖像灰度及梯度變化情況，選取兩條直線分別通過(guò)平滑和缺陷區(qū)域，直線位置如圖1（a）所示；由圖1（d）、圖1（e）曲線可知，平滑區(qū)域的曲線變化在一個(gè)較小范圍內(nèi)波動(dòng)，缺陷區(qū)域的每一缺陷灰度和梯度大小不一，在邊緣檢測(cè)時(shí)，易造成誤檢和漏檢現(xiàn)象。

2 改進(jìn)Canny的表面缺陷檢測(cè)

Otsu-Canny是在經(jīng)典Canny算子的基礎(chǔ)上加入最大類間方差實(shí)現(xiàn)自適應(yīng)閾值［4］。鎳板缺陷邊緣及內(nèi)部梯度值大小不一，Otsu-Canny算法檢測(cè)時(shí)會(huì)產(chǎn)生誤判。針對(duì)傳統(tǒng)算法的不足，本文提出以下改進(jìn)：將高斯濾波改為雙邊濾波避免造成缺陷邊緣模糊；提出了一種增強(qiáng)邊緣梯度的方法，結(jié)合最大熵閾值，融入Sobel算子中，強(qiáng)調(diào)缺陷邊緣；分水嶺算法代替非極大值抑制等方法去除冗余，細(xì)化邊緣。算法基本流程如圖2所示。

2.1 雙邊濾波降噪

Canny采用的高斯濾波方法對(duì)此類對(duì)比度偏低、前景目標(biāo)小而多的圖像效果不理想，圖像缺陷模糊。本文采用雙邊濾波方法，使圖像在去噪的同時(shí)一定程度上保留了圖像邊緣信息。

雙邊濾波［5］在考慮高斯濾波空間域信息的同時(shí)加入像素值域權(quán)重，形成雙重權(quán)重濾波。平坦區(qū)域內(nèi)，鄰域內(nèi)像素灰度值變化不大，空間域?yàn)橹饕獧?quán)重，在邊緣區(qū)域，鄰域內(nèi)像素有較大梯度，像素灰度值為主導(dǎo)權(quán)重。雙邊濾波前后的圖像效果如圖3所示，達(dá)到了去噪保邊的作用。

2.2 圖像邊緣檢測(cè)與細(xì)化

1）梯度增強(qiáng)與Sobel的雙卷積算子

梯度增強(qiáng)算子是借鑒注意力機(jī)制的思想，拉伸目標(biāo)與背景的灰度差值。圖像經(jīng)梯度增強(qiáng)算子與Sobel算子進(jìn)行雙卷積操作完成梯度邊緣檢測(cè)，如圖4所示。此方法能夠突出前景的目標(biāo)區(qū)域，模糊背景區(qū)域，增強(qiáng)了邊緣的灰度突變，使輸出的梯度圖更能強(qiáng)調(diào)邊緣，弱化背景及前景內(nèi)部等無(wú)用區(qū)域。

本文提出的梯度增強(qiáng)表達(dá)式如下：

式中：*表示卷積操作，其左為預(yù)處理后的圖像f（x，y），中間為梯度增強(qiáng)算子，右為Sobel算子；增強(qiáng)梯度的算子中，sigmoid為權(quán)重歸一化激活函數(shù)；s表示卷積核區(qū)域；σ表示卷積核的標(biāo)準(zhǔn)差；g0為卷積核中心位置灰度值；在激活函數(shù)參數(shù)中，k為高斯核函數(shù)，代表卷積核到中心位置的距離權(quán)重；t為目標(biāo)與背景的邊界閾值，采用最大熵獲取；g為梯度增強(qiáng)算子對(duì)應(yīng)的圖像內(nèi)各像素的灰度值。圖像經(jīng)改進(jìn)后的卷積操作能夠較好地獲得邊緣梯度圖像，減少了其他邊緣的干擾，效果如圖5所示。

2）分水嶺算法的邊緣細(xì)化

改進(jìn)后的Sobel算法獲得的梯度圖經(jīng)閾值后得到的邊緣較寬，為去除邊緣冗余、采用分水嶺算法［6］代替非極大值抑制與邊緣連接方法細(xì)化邊緣。

進(jìn)行分水嶺細(xì)化邊緣前，需找出圖像標(biāo)記點(diǎn)進(jìn)行注水。本文缺陷邊緣為閉合輪廓，以邊緣內(nèi)孔洞作為注水點(diǎn)，以梯度圖的邊緣輪廓作為泛水區(qū)域，找出邊緣極值點(diǎn)進(jìn)行邊緣細(xì)化。細(xì)化效果如圖6所示，與非極大值抑制去除冗余，后進(jìn)行形態(tài)學(xué)邊緣連接相比，避免了出現(xiàn)連接中斷和存在偽邊緣現(xiàn)象。

3 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本算法的有效性，實(shí)驗(yàn)所使用的硬件平臺(tái)配置為AMD R5-4600H 3.00GHz 16GB內(nèi)存 4.00GB RAM，軟件平臺(tái)為C++聯(lián)合OpenCV，Matlab2020b，Windows10操作系統(tǒng)。通過(guò)實(shí)驗(yàn)對(duì)本文方法進(jìn)行驗(yàn)證，并將本文提出的算法與經(jīng)典算法及現(xiàn)有文獻(xiàn)算法進(jìn)行比較分析。

3.1 圖像去噪效果對(duì)比

將本文采用的雙邊濾波去噪算法與其他幾種經(jīng)典濾波方法作比較，如圖7所示。對(duì)比可知，高斯濾波和均值濾波邊緣清晰度較差；中值濾波部分干擾噪聲無(wú)法去除；雙邊濾波在去除平滑區(qū)域干擾噪聲的同時(shí)，較好地保留了缺陷邊緣區(qū)域。

為更客觀評(píng)價(jià)以上幾種濾波對(duì)鎳板圖像的去噪能力，本文利用峰值信噪比（PSNR）作為去噪性能評(píng)價(jià)指標(biāo)。峰值信噪比越大，降噪效果越好。由表1可知，隨機(jī)選取的幾張鎳板圖像經(jīng)濾波后，雙邊濾波的效果要好于其他幾種濾波算法。

3.2 缺陷檢測(cè)效果對(duì)比

為驗(yàn)證本文提出的邊緣檢測(cè)算法的有效性，現(xiàn)選取幾種典型的鎳板缺陷分布，將常用的幾種經(jīng)典缺陷檢測(cè)算法及現(xiàn)有文獻(xiàn)提出的算法與本文方法進(jìn)行比較分析，如圖8所示。由于單個(gè)缺陷相對(duì)于鎳板整體而言非常微小，為便于觀察比較，取局部灰度圖，如圖8（a）所示。圖8（b）為Otsu-Canny邊緣檢測(cè)算法，此算法存在一定偽邊緣和斷連接現(xiàn)象；圖8（c）為文獻(xiàn)［1］算法，在鎳板檢測(cè)中效果稍好于Canny算法，但提升效果不明顯；圖8（d）的文獻(xiàn)［2］算法能夠檢測(cè)出鎳板缺陷的二值圖，并取得不錯(cuò)的效果，但會(huì)出現(xiàn)如第4張的翻轉(zhuǎn)現(xiàn)象；圖8（e）為文獻(xiàn)［3］算法，該算法與本文算法檢測(cè)效果相似，但會(huì)出現(xiàn)邊緣中斷現(xiàn)象，連接性不如本文算法，此外該方法第3張圖像檢測(cè)失??；圖8（f）為本文算法效果，相較于上述算法，本文能夠更好地檢測(cè)出鎳板缺陷，同時(shí)獲得了較好的效果。

為更客觀評(píng)價(jià)本文算法，減少樣本特殊性對(duì)檢測(cè)結(jié)果的影響，抽取100張鎳板缺陷圖像作為實(shí)驗(yàn)對(duì)象進(jìn)行比較。精確率P、召回率R及F值（F-Score）為評(píng)估邊緣檢測(cè)效果的常用指標(biāo)［7］。多數(shù)鎳板缺陷數(shù)量過(guò)多，采用人工標(biāo)注獲取真實(shí)缺陷工作量巨大，為對(duì)比文獻(xiàn)與本文算法的檢測(cè)效果，提出了相對(duì)精確率RP、相對(duì)召回率RR及F值作為評(píng)價(jià)指標(biāo)。不同于全部比較每一缺陷的檢測(cè)狀況，現(xiàn)只統(tǒng)計(jì)文獻(xiàn)與本文算法檢測(cè)結(jié)果相異部分，即文獻(xiàn)與本文算法交并之差，進(jìn)行兩兩對(duì)比，相關(guān)表達(dá)式如下：

式中：NTP代表交并之差后正確識(shí)別缺陷的個(gè)數(shù)；NFP代表錯(cuò)誤識(shí)別缺陷的個(gè)數(shù)；NFN表示正確未被識(shí)別缺陷的個(gè)數(shù)。兩算法相對(duì)精確率和相對(duì)召回率較高者，缺陷誤檢率和漏檢率越低；F值是精確率與召回率的均衡值，越高檢測(cè)效果越好。將文獻(xiàn)［2］、文獻(xiàn)［3］分別與本文算法對(duì)比，統(tǒng)計(jì)隨機(jī)選取100張鎳板圖像中的正確識(shí)別、錯(cuò)誤識(shí)別及正確未識(shí)別缺陷總個(gè)數(shù)，計(jì)算RP、RR、F值如表2所示。對(duì)比可知，本文檢測(cè)算法優(yōu)于其他方法。

4 結(jié)語(yǔ)

本文針對(duì)鎳板材圖像的缺陷問(wèn)題，以O(shè)tsu-Canny邊緣檢測(cè)為基礎(chǔ)，設(shè)計(jì)了增強(qiáng)梯度的算子與Sobel結(jié)合，利用最大熵閾值，實(shí)現(xiàn)邊緣檢測(cè)，提出了分水嶺的邊緣細(xì)化。將該算法應(yīng)用于鎳板材缺陷檢測(cè)。實(shí)驗(yàn)結(jié)果表明：本算法檢測(cè)缺陷效果優(yōu)于其他經(jīng)典算法及幾種現(xiàn)有文獻(xiàn)算法，對(duì)鎳板缺陷檢測(cè)具有一定的參考與應(yīng)用價(jià)值。在后續(xù)工作中，需繼續(xù)改進(jìn)該方法，提高缺陷識(shí)別率，同時(shí)可以考慮將該算法移植到電解銅等其他具有相似缺陷的有色金屬檢測(cè)中。

參考文獻(xiàn)：

［1］ AMAR K B， RICARDO A S， INGARAO G， et al. Single point incremental forming：an assessment of the progress and technology trends from 2005 to 2015［J］. Journal of Manufacturing Processes，2017，27：37-62.

［2］ YOSHIHARA S，MAC DONALD B，HASEGAWA T，et al. Design improvement of spin forming of magnesium alloy tubes using finite element［J］. Journal of Materials Processing Technology，2004，153/154：816-820.

［3］ 郝用興，楊功正，劉亞輝，等. TA1板單點(diǎn)漸進(jìn)成形壁厚變化規(guī)律的數(shù)值模擬研究［J］. 制造技術(shù)與機(jī)床，2022（1）：89-93.

［4］ 蘇春建，趙棟，李廣震，等. 多道次單點(diǎn)漸進(jìn)成形多參數(shù)交互影響［J］. 塑性工程學(xué)報(bào)，2022，29（9）：25-31.

［5］ 劉炫，李鵬程，陳怡霖，等. 板料多道次漸進(jìn)成形軌跡規(guī)劃與生成研究［J］. 黑龍江科學(xué)，2021，12（24）：106-108.

［6］ KWIATKOWSKI L，MELSHEIMER O，WENZEL S，et al. Experimental investigation of tool path strategies for incremental necking-in［J］. International Journal of Material Forming，2010，3（1）：967-970.

［7］ ANCELLOTTI S，F(xiàn)ONTANARI V，SLAGHENAUFI S，et al. Forming rectangular tubes into complicated 3D shapes by combining three-roll push bending，twisting and rotary draw bending：the role of the fabrication loading history on the mechanical response［J］. International Journal of Material Forming，2019，12（6）：907-926.

［8］ 張奧強(qiáng)，楊晨. 一種微管單點(diǎn)成形有限元分析及成形機(jī)關(guān)鍵零部件承載分析［J］. 精密成形工程，2021，13（6）：106-111.

［9］ CUI Y D，LIU Z Y. C-Sets-based sequential heuristic procedure for the one-dimensional cutting stock problem with pattern reduction［J］. Optimization Methods and Software，2011，26（1）：155-167.