圆钢表面缺陷视觉检测技术研究现状与展望

，，

（1.山东大学 机械工程学院，济南 250061；2.山东莱钢建设有限公司上海分公司，上海 200061）

圆钢作为现代工业生产中重要的原材料，它的表面质量好坏很大程度上影响了最终产品的性能优劣。在生产过程中，由于钢坯原料、轧制设备和加工工艺等多方面因素，圆钢表面会不可避免地出现裂纹、刮伤、结疤、折叠等多种缺陷。这些缺陷不仅影响产品外形美观，更重要的是影响产品的强度、耐腐蚀性等机械性能。在有关圆钢的质量问题中，由于表面缺陷而导致的失效情况约占总数的50%［1]，因此圆钢表面缺陷检测环节必不可少。

针对圆钢表面缺陷，一般检测技术需要解决以下几个问题：圆钢产品是否存在表面缺陷、存在缺陷位置以及存在缺陷的类型。目前世界上有多种检测方法，总体有两类，即离线检测和在线检测。离线检测一般为人工目视或利用手持设备进行检测，优点是灵活度较高、成本低，但检测结果与工人的经验有很大关系，极易发生漏检，而且工作强度高，效率低。在线实时检测具有检测覆盖率高，无需离线检测环节，节省时间，检测效率高，工人工作强度低等诸多优点。因此对于批量圆钢生产，在线实时检测是较为合适的检测方法。另外在圆钢生产线的最终轧制环节，圆钢直线运行速度可达100 m/s［2]，这给实时缺陷检测带来了很大的挑战。目前世界上圆钢生产企业正在广泛使用的缺陷检测技术有涡流、超声波、漏磁和磁粉等传统检测方法，基于机器视觉的圆钢表面缺陷检测系统也已投入使用。

与传统无损检测技术相比，基于数字图像处理的机器视觉方法检测速度快，可完全在线实时检测，并且能够保存检出的缺陷原始图像，对缺陷类型进行有效识别，这些优势使得机器视觉技术逐渐成为圆钢表面缺陷检测的主流研究技术。文章通过分析国内外最新研究进展，提出我国开展本课题研究的方向和对策。

1 机器视觉检测方法

基于机器视觉的圆钢表面缺陷检测系统在应用中一般需经历以下几个步骤：图像获取、图像处理、特征提取和决策制定［3]，因此整个系统包括硬件设备和软件算法两大模块。由于圆钢生产线无间断高速运行，要满足在线实时检测要求，检测系统需在很短时间内处理大量图像数据，这在一定程度上限制了图像处理算法的复杂程度，因此一般将缺陷检测环节在线实时进行，即图像获取和图像处理部分，而将缺陷类型识别环节离线进行，即特征提取和决策制定。

对于图像获取部分的光学采集系统，一般有主动光学和被动光学两种图像采集方式。在检测过程中，采用外加辅助光源的图像采集方法称为主动光视觉检测法；利用被检测物体本身所发出的光线进行图像采集的方法称为被动光视觉检测法。在实际应用中，无论采用哪种检测方法，一般均使用电磁波谱中的可见光和红外光波段。

1.1 被动光视觉检测方法

被动光视觉检测工作原理：物体表面特性或温度不同，它所发出的红外光线强度也会产生变化。根据此原理，利用红外传感器采集被检物体本身发出的红外光线，然后将反映物体表面温度的红外线转换为人眼可见的图像。如果被检物体表面存在缺陷，则有缺陷处的温度会发生变化，反映在可见图像上即是图像像素中存在异常区域，这样就可判断出被检物体表面是否存在缺陷［4]。

美国Teledyne公司研究人员利用红外热成像原理，设计了一套包括圆钢在内的钢材实时缺陷检测系统［5]，该系统主要包括红外相机、实时处理器和系统处理器等几大模块。在生产过程中，圆钢连续纵向运动，红外相机横向扫描圆钢表面，然后形成可见图像，实时处理器通过图像降噪、像素平均等图像处理方法判断圆钢表面是否存在缺陷，系统处理器主要来判断缺陷的类型及深度。

对于热轧圆钢表面缺陷检测，此方法优点是无需设计外加光源系统，只需将外界光线与被检物体隔离即可；缺点是红外相机采集图像速度较慢［6]，采集的图像对比度较差、信噪比低［7]，图像处理比较复杂，而且若圆钢中的表面缺陷尺寸太小则难以将其检出，另外对检出的缺陷分类识别率较低。

1.2 主动光视觉检测方法

由于圆钢表面颜色比较单一，若利用彩色图像分析表面缺陷，则会造成很多色彩的浪费，而且图像处理算法会比较复杂，数据的传输、处理和保存都需要较多的时间，不利于在线实时检测的实现；而利用灰度图像检测表面缺陷，则可以使用较为简单的图像处理算法，检测缺陷所用时间少，数据传输速度也较彩色图像快，便于圆钢表面缺陷的在线检测，因此采用机器视觉方法检测圆钢表面缺陷时，一般将灰度图像作为采集、传输和处理的对象，即用采集到的图像像素灰度值作为图像分析的基础。检测原理为：在系统采集的灰度图像中，缺陷通常表现为灰度的异常，只要利用合理的图像处理算法检测出异常点，再根据先验知识即可判断圆钢表面缺陷的有无。

尽管圆钢表面颜色比较单一，但是由于其具有圆形弧度，因此无论从哪个方向进行拍摄，得到的图像都是中间较亮，两侧较暗。灰度不一致，意味着圆钢表面缺陷视觉检测系统对于光照要求更为苛刻，并且在图像处理算法上比钢板等平面物体更为复杂。因此，对于圆钢表面缺陷视觉检测系统，关键在于设计优良的图像采集系统和缺陷实时检测软件，目前国外在主动光视觉检测技术方面研究较为成熟。

2004年，美国密歇根大学的Hongbin等人提出一种基于支持向量机（SV M）的圆钢表面缺陷实时检测系统［2]。该系统算法流程为：利用水平梯度算子进行裂缝缺陷的大致检测，然后利用区域生长算法得到缺陷的区域，进行特征提取，最后利用SVM判断图像有无裂缝缺陷。该系统实时性非常好，对于圆钢表面的裂缝细长缺陷检出率接近100%，正确识别率超过90%，但是其缺点也非常明显，即仅能检测纵向裂缝等细长缺陷，而对圆钢表面其他类型缺陷难以检测。

2006年，韩国浦项工科大学的研究人员提出一种线材型钢缺陷的机器视觉检测系统［8]。该系统包括线阵相机、图像处理板和PC机模块。在速度高达18.5 m/s的线材生产线上，对于裂缝、结疤、刮伤、辊痕等典型缺陷，检出率约为96.7%。其软件算法利用了传统图像处理技术，包括图像分割、降噪滤波、拉普拉斯边缘检测和图像形态学等方法，保证了缺陷的实时检测，在缺陷识别环节利用SV M方法，具有较高的识别率。2010年，这些研究人员结合光照系统发明了一项圆钢表面缺陷检测系统专利［9]，该专利特点是采用了圆形平面光源，其安装容易，对于震动不敏感，增强了系统的抗干扰能力，但是同时对于光照均匀性要求较高。

美国OG公司在影像式线棒材在线表面检测技术方面研究较为领先［10]。其研制的棒材表面缺陷检测系统利用了线阵相机和线阵光源等图像采集设备［6]，检测精度高，能够检测0.025 mm 的细小裂纹、实时性好，能够在100 m/s或速度更高的圆钢生产线上达到在线检测；使用范围广，可在1 650℃高温下正常工作；能适应不同直径（φ5～250 mm）圆钢的表面缺陷检测。该系统缺点是对于线光源安装精度要求较高。

由于圆钢表面缺陷检测对实时性要求较高，因此以上几个系统均将研究重点放在图像成像质量和实时检测算法上。从两个专利中可以看出，光照系统中的光源主要有两种，线光源和面光源。线光源对于成像质量具有一定的优势，有利于减弱图像中间亮两侧暗的渐变特性，而且只能和线阵相机配合使用；面光源优势在于对安装精度要求较低，但是对于光照均匀性要求也较高。在算法方面，由于圆钢图像中有缺陷处灰度值会发生变化，因此在实时检测算法中多应用了二阶微分算子，计算速度快，对图像细节如细线和孤立点等具有较强的响应；缺点是对噪声敏感，因此一般后续处理中采用图像形态学方法，有利于噪点的消除，防止误检。

国内在圆钢表面缺陷机器视觉检测方面研究较少。2010年台湾国立成功大学的Liu Yung－Chun等人提出了一种新的机器视觉系统来检测圆钢表面缺陷［11]，采用了神经网络分类器（BPN）和相关向量机（RVM）两种分类器，能够有效识别四种缺陷特征，即裂缝、刮伤、疤痕和压痕，对像素为2048×512的图像，检测一幅图像平均需要0.283 9 s，正确率可达85%。但与国外研究相比，该系统在检测速度和准确性方面明显较低。

2 检测技术关键问题

在基于机器视觉的圆钢表面缺陷检测技术的研究中有很多关键问题需要解决，包括了表面图像成像质量、算法检测能力以及缺陷分类识别。表面图像成像质量和算法检测能力很大程度上影响了表面缺陷的在线实时处理。

2.1 图像成像质量

要快速准确地从图像中检测出圆钢表面缺陷，采集的图像质量十分关键。由于圆钢表面为弧面，均匀照射的光线会使得相机采集的图像中间亮、两边暗，形成灰度梯度，增加了处理算法的复杂度，不利于缺陷的检测。对于光照条件，前面讨论了采用主动光检测技术对于圆钢表面缺陷检测更为有效，也就是采用外加光源方式，因此光照系统的设计至关重要，包括光源的类型选择和成像系统的光路设计。良好的光照系统可以提高对微小缺陷和低对比度缺陷的显现能力；另外由于热轧圆钢表面温度非常高，本身会发出可见光，影响了图像的采集质量，因此一般采用滤光装置进行滤光处理，只允许通过特定波长的光线，提高成像质量。除了光照条件外，成像质量还与圆钢生产环境、相机采集速度等很多因素有关。圆钢生产现场一般比较恶劣，存在噪声、油污等很多干扰，而且在生产过程中圆钢容易发生径向跳动和旋转现象，这些都使得圆钢表面成像质量不稳定，给缺陷检测带来一定的困难。

2.2 算法检测能力

圆钢表面缺陷检测一般包括三方面要求，即快速性、准确性和灵敏性。除了硬件平台的支持外，核心算法的开发是关键问题。

圆钢在轧制过程中运行速度非常快，要完全检出其表面缺陷、无漏检，需要系统能够在很短时间内处理大量的图像数据，因此检测算法不能太复杂，否则会消耗很多计算时间，达不到快速性要求；对于圆钢表面由于某些原因产生的微细或低对比度缺陷，则需要开发灵敏度较高的算法，即要使这些微细缺陷被完全检出，检测系统需具有很高的分辨力；圆钢表面缺陷的检测准确性靠高检出率和低误检率来实现，通用性较好的检测算法可以满足较高的检出率，即算法既能够检测裂纹、刮伤等纵向缺陷，也能够检测结疤、凹坑等面积型缺陷，尽量保证不漏检。低误检率要求检测算法具有良好的鲁棒性和抗干扰能力，减少将无缺陷图像误判为有缺陷情况的发生。

2.3 缺陷分类识别

此环节一般为离线进行，这样可使在线检测部分完全用来判断表面缺陷的有无而无需处理缺陷分类问题。工人根据识别的缺陷种类可以改善圆钢生产工艺或判断生产设备运行情况，因此对缺陷分类的精确性要求较高。缺陷分类环节一般包含三方面问题：缺陷类型的判定准则、缺陷样本的采集和分类器结构设计。首先需要缺陷的分类标准，能够对不同种类缺陷进行定量描述；其次由于实际工厂中得到的圆钢表面缺陷样本有限，难以通过大量样本来训练分类器，因此所设计的分类器应该容易训练，对样本数量要求较低；最后分类器要能够快速准确识别缺陷类型，并且具有自学习能力，能够识别新的缺陷种类，自动更新缺陷样本数据集，保证缺陷分类的合理性。

3 展望

基于机器视觉的圆钢表面缺陷检测系统已逐渐发展成为圆钢生产制造过程中质量监控和信息反馈的有效组成环节。随着高速CCD技术、计算机技术和图像处理技术的发展，视觉检测系统将会发挥越来越大的作用。将来的机器视觉检测系统应能适应任意直径、任意速度运行的圆钢，能够快速准确检出各种表面缺陷并进行分类识别，具有自主学习能力，可以识别未知新缺陷，鲁棒性好，抗噪能力强，另外设备体积适中，安装维护方便，具有较长的使用寿命。

3.1 图像采集技术

机器视觉检测系统应具有良好的图像采集能力，即采集和传输图像速度快，成像质量高，覆盖面全，这是保证缺陷实时检测的基础，它取决于图像采集传感器和光照系统。高速、高分辨率的线阵或面阵CCD相机使高速图像采集成为可能，千兆网工业相机克服了图像传输距离和速度的限制；光照系统需要结合圆钢表面缺陷的形成机理、缺陷形状和工作条件进行优化设计，合理的光源照明和光路设计能够使得采集的图像灰度均匀，可以有效避免中间亮、两侧暗的灰度渐变特性。

3.2 缺陷检测技术

缺陷检测技术是机器视觉检测系统能否实时正常运行的关键，可将缺陷检测算法结合硬件电路实现，如DSP（数字信号处理）系统、FPGA（现场可编程门阵列）系统等，相比较软件具有快速准确等优点，并行实时计算机系统需要进一步研究以满足圆钢表面缺陷多处检测需求，除此之外，快速高效检测算法也待研究。

3.3 模式识别技术

缺陷识别也是机器视觉检测系统的重要组成部分。设计有效的缺陷分类器，可以准确判断缺陷类型，并预报缺陷产生的趋势。决策树、SV M、遗传算法等是现在常用缺陷分类技术，开发新的模式识别算法或者融合现有的分类方法是模式识别发展的趋势。分类器应该具有训练时间短、分类快速准确、有自主学习能力等特点，可以克服样本采集困难、难以识别新缺陷等缺点。

3.4 其它辅助技术

根据控制理论，采用闭环系统可以有效减少缺陷的产生，即在机器视觉检测系统中加入反馈环节，根据缺陷产生的类型及趋势，分析缺陷成因，自动或者人工调整圆钢生产线相关设备或工艺参数，防止同类缺陷再次产生。检测系统应具有自我诊断功能，根据采集的图像判断系统是否正常工作，如果采集的图像质量过差，则发出警报，避免因系统本身出现故障而没有及时检测出缺陷，形成大量废品。在实时检测环节，系统应能精确打标，节省人力检测。具备历史保存功能，可将全程检测过程保存成视频文件，以备查看，保存的缺陷图像可供人工复检，无需对圆钢实物进行检查，直观方便。具有缺陷严重程度判断的能力，开发缺陷严重度计算的算法，对于缺陷严重程度较小的圆钢产品，可将其卖给对产品质量要求较低的客户，节省重新加工成本。

4 结论

质量检测不是最终目的，关键是将检测得到的数据和信息及时反馈到设备或工艺操作处，对圆钢轧制的相关问题进行处理，调整设备或者改善工艺，以杜绝生产过程中再次出现类似缺陷产品，提升合格率。图像采集技术主要靠硬件支持，系统硬件的迅速发展为提高图像处理效率打下基础；图像处理技术和模式识别技术仍是机器视觉研究的重点，包括缺陷实时检测算法和离线分类识别算法。在研究过程中，应结合实际情况，制定合适研究目标，及时跟踪国外圆钢表面缺陷机器视觉检测技术最新研究动态，取长补短，善于创新，逐步建立完善的计算机集成检测系统。

［1]Huang H，Gutchess D，Chang T.Imaging－based inline surface defect inspection for bar rolling［C].Proceedings of The Iron ＆ Steel Conference and Exposi－tion.Nashville，USA：Heat Transfer and Fluid Flow Laboratory，2004：1－12.

［2]Jia H，Murphey Y L，Shi J，et al.An intelligent realtiMeVision system for surface defect detection［C].Proceedings of International Conference on Pattern Recognition.Cambridge，UK：Image Vision Computing Group，2004：239－242.

［3]Malamas E N，Petrakis E G M，Zervakis M，et al.A survey on industrial vision systems，applications and tools［J].Image and Vision Computing，2003，21（2）：171－188.

［4]鲍凯，王俊涛，吴东流.新兴的无损检测技术——红外热波成像检测［J].无损检测，2006，28（8）：393－397.

［5]Morris，J W.Method and Apparatus for Real Time Defect Inspection of Metal at Elevated Temperature［P].United States，5654977：1997－08－05.

［6]Chang T S，Gutchess D，Huang，et al.Apparatus and Method for Detecting Surface Defects on a Workpiece Such As a Rolled/Drawn Metal Bar［P]. United States，20080063426：2008－03－13.

［7]徐长航，陈国明，谢静.红外图像处理技术在金属表面缺陷检测中的应用［J].制造业自动化，2009，31（10）：51－54.

［8]Yun J P，Park Y S，Seo B，et al.Development of realtime defect detection algorithm for high－speed steel bar in coil（BIC）［C].Proceedings of SICE－ICASE International Joint Conference.Bexco，Korea：Universität Siegen，2006：2495－2498.

［9]Choi S H，Bae H M，Hwang H W，et al.Device and Method for Optically Detecting Surface Defect of Round Wire Rod［P].United States，20100246974：2010－09－30.

［10]张子恕，史建军.影像式线棒材在线表面检测系统［J].轧钢，2009，26（3）：46－48.

［11]Liu Y C，Hsu Y L，Sun Y N，et al.A computer vision system for automatic steel surface inspection［C].Proceedings of IEEE Conference on Industrial Electronics and Applications.Taichung，Taiwan：ACM Press，2010：1667－1670.