基于机器视觉的螺纹钢表面尺寸检测方法

来 煜，孔建益，刘怀广，王兴东

（武汉科技大学 机械自动化学院 智能设计与制造研究所，武汉 430081）

0 引言

螺纹钢作为现代化生产中重要的工业材料，在建筑、机械、交通、运输等行业都有着广泛的应用。其表面横肋、纵肋的相关尺寸如果不能达到国家标准的要求，将被视为尺寸缺陷，其产品肯定就是不合格的。随着市场对螺纹钢表面的质量要求越来越高，传统的人工离线测量的方法已经不能够满足现代化生产线的要求，因此，各种非接触的、无损伤的检测方法得到了越来越多的开发和利用[1]。目前，广泛使用的表面缺陷检测技术有涡流、 超声波、漏磁和磁粉等检测方法[2]。这些检测方法在螺纹钢表面的尺寸缺陷检测方面有很大的局限性，其存在检测精度不足，直观性差等缺点。因此，为了提高检测精度，满足不同尺寸的螺纹钢的要求，螺纹钢表面尺寸缺陷检测应用更加精确、智能的机器视觉表面检测系统[3,4]。

根据螺纹钢尺寸国家标准的要求（GB 1499.2-2007），需要对螺纹钢横肋高及内径、纵肋高度、横肋与轴线夹角、横肋间距和横肋顶宽6个尺寸参数进行计算。

为了获得横肋、纵肋全部的尺寸信息，在螺纹钢成像时需要分别获得螺纹钢侧面和正面的图像，且获取的图像范围宽于螺纹钢直径。 要计算螺纹钢表面尺寸，检测螺纹钢表面尺寸缺陷，首先要把螺纹钢从背景中分割出来[5]，然后在螺纹钢范围内对表面尺寸进行计算求出。螺纹钢外形结构复杂，需要测量的参数较多，其主要的外形尺寸有9个（如图1所示），包括螺纹钢横肋高度、螺纹钢内径、纵肋高度、横肋与轴线夹角、横肋间距、横肋顶宽、纵肋顶宽、纵肋斜角和横肋斜角。为了便于计算各参数，需要对螺纹钢的侧面和正面图像进行联合处理[6,7]。

基于以上情形，对复杂光照条件下螺纹钢缺陷图像的检测方法进行研究。在获得螺纹钢侧面、正面图像后，先对螺纹钢侧面图像进行处理，计算出螺纹钢横肋高及内径的值；再对螺纹钢正面图像进行处理，得出螺纹钢纵肋高度、横肋与轴线夹角、横肋间距、横肋顶宽的值；从而为螺纹钢表面尺寸缺陷的机器视觉检测奠定了基础。

1 螺纹钢侧面图像处理

图2 螺纹钢部分侧面处理图像

从侧面图像2(a)中可以看出，由于其横肋的均匀分布，二值化后的图像边缘呈现细小的锯齿状（如图2(b)所示）。锯齿顶部由横肋顶部构成，而锯齿底部为螺纹钢的内径边缘。因此，要求横肋的高和螺纹钢的内径，首先要精确定位锯齿状的边缘。由于涉及到定位问题，在求取边缘时精确性就很重要，因此，在二值化之前，首先对原始图像进行中值滤波，剔除边界噪声，再使用OTSU进行分割。边缘的获取选择了效果较好的Sobel算子，但是Sobel算子形成的边缘较粗，定位性不好，还需要对其进行细化（如图2(c)所示），以更能反映边缘位置信息。图2(d)是细化后的边缘定位情况，可以看出其能比较准确的反映边缘横肋的分布情况。

螺纹钢的边缘图像获得以后，下一步就是进行肋高和内径计算。一般说来，内径就是两条细化边缘的内侧最近距离，而横肋高就是边缘的横向宽度。但是，由于数字图像离散化后的精度缺失以及噪声的影响，其边缘锯齿并不是等高的，如果直接遍历横向宽度容易形成误差。鉴于此，本文提出了基于投影重心的亚像素边界定位方法。

图3是通过求投影重心来进行亚像素边界定位的示意图。左图是细化边缘（如图2(c)所示）垂直方向的投影图，右图是其局部放大图。从右图中可以看出，两条细化边界都存在最大的投影值（红线所示位置），其可以看作是锯齿边缘的中心位置[8]。

图3 基于投影重心的亚像素边界定位

红线两边的投影值呈现阶梯状，也就是说越靠近锯齿顶部（或底部），所处的像素越少，存在噪声的几率也会越大。为了更准确的反映锯齿边缘的尺寸，分别取红线两侧投影的重心，来代表锯齿的谷顶或谷底，从而得到四个位置点（C1，C2，C3，C4），那么两侧锯齿的高度（横肋高度）h1、h2可以表示为：

那么，螺纹钢内径d可表示为：

图4 螺纹钢侧面图像处理尺寸

从图5可以看出螺纹钢横肋高度h=(h1+h2) /2=3.64；螺纹钢内径d=39.95。由于投影重心并非整数，因此可以精确到比单个像素更高的精度，亦即亚像素精度。图4是图3的测试结果，可以看出两个边界的宽度误差是0.12个像素，若单个像素代表0.6mm，那么其误差在0.072mm，远小于规定的±0.6mm（GB 1499.2-2007）的误差，因此算法是符合要求的。

2 螺纹钢正面图像处理

图5 螺纹钢部分正面处理图像

螺纹钢正面图像（图5(a)所示）内部结构比较复杂，中间条纹是斜向分布的横肋，两侧边缘还包括纵肋部分。因此，再用细化的Sobel边缘容易造成横肋的变形以及纵肋的定位问题，在此使用具有精确定位能力的Canny边缘算法，使用Canny算法的一个好处是其边缘图像是单像素的（如图5(b)所示），精度较高，这就方便了后续的处理。从图5(c)中可以看出Canny边缘的定位能力。为了消除噪声干扰，在使用Canny算子之前，需要对原始图像进行滤波，本文采用了中值滤波方式。获得Canny边缘后，对其进行垂直投影（如图5(d)所示）。从图中可以看出，其投影呈现一个“山”字形，两侧是包含纵肋的边缘，中间凸起是横肋部分。因此，求纵肋的高度，需先求出两边具有最高投影的位置，然后求其距离D，那么结合侧面图像钢筋的内径d，纵肋的高度h1可以表示为：

为了求横肋间距及横肋顶宽，需要先定位横肋的轴线位置。在此，采用了求“山”字中间凸起的横向重心的方法。当然，在此之前必须求出两边谷点的位置，亦即横肋的左右分布边界。通常四个横肋边缘确定一个横肋间距l和两个横肋轴线宽度w（如图6所示），因此重心确定以后，沿着重心向上遍历横肋边缘，每四个边缘计算一次，然后求平均，就可以得到横肋间距l及横肋轴线宽度w。当然，要求横肋的顶宽，还需要求横肋的方向角β。

图6 遍历横肋边缘

横肋与轴线夹角（方向角）需要确定单个横肋的外接矩形，通过计算对角线的方向角来确定。在此，采用边缘轮廓跟踪算法（如图7所示）。

图7 边缘跟踪求方向角

在沿轴线遍历横肋边缘过程中，当发现一个横肋外缘时，就以此为起点，分别向左右两端搜索，直到找到最左端的位置点（x1,y1）以及最右端的位置点（x2,y2），从而形成一个单边外接矩形，横肋的方向角β可由以下方式计算得到：

方向角求出来后，横肋的顶宽b，可由w和β计算得：

至此，正面图像的四个参数就已经求出，图8表示出了横肋与轴线夹角为78.11°；螺纹钢纵肋高度为3.52，物理尺寸为2.19mm；横肋顶宽为3.91；横肋间距为10.00，对应物理尺寸为6.20mm。

图8 螺纹钢正面图像处理尺寸

3 结论

根据螺纹钢的图像特点，通过对螺纹钢的图像分析，在提出的投影重心法和边缘跟踪法的基础上，计算得到了螺纹钢的6个尺寸（螺纹钢横肋高及内径、纵肋高度、横肋与轴线夹角、横肋间距和横肋顶宽），给螺纹钢的自动化检测奠定了基础。算法具有精度高，抗干扰能力强的特点，但由于拍摄角度的限制和螺纹钢轧制过程中的旋转性，获取的连续图像存在中间状态，需要进行判断。

[1] Hyuck-Cheol Kwona, Ho-Won Leeb, Hak-Young Kimc,et al.Surface wrinkle defect of carbon steel in the hot bar rolling process[J].Journal of Materials Processing Technology,209(2009):4476-4483.

[2] Fuchs A，Hauselhofer W,Brasseur G. Design of an eddy current based crack detection sensor for wire processing applications [A].Proceedings of IEEE Sensors 2004,Vienna,Austria[C].Oct 24-27,2004,2:840-843.

[3] 许裕禄.棒钢表面缺陷自动化检测系统[D].台南:成功大学,2007.

[4] Da Zhang,Zhi Xie, Chong Wang.Bar Section Image Enhancement and Positioning Method in On-Line Steel Bar Counting and Automatic Separating System[J].Congress on Image and Signal Processing,2008:319-323.

[5] Pal S K,King R A,Hashim A A. Automatic graylevel thresholding through index of fuzziness and entropy[J].Pattern Recognition Letter(S0167-8655),1983,1(3):141-146.

[6] 张珏遂.螺纹钢质量影响因素分析及改进研究[J].金属材料与冶金工程,2010,38(4):6-9.

[7] 张槐祥,刘怀广,杨茂麟,等.复杂光照环境下的线材缺陷自适应分割方法[J].光电工程,2014,41(2):40-46.

[8] FAN L N，WEN Y,XU X H. Research on edge detection of greyscale image corrupted by noise based on multi-structure elements[A].The 4th International Conference on Parallel and Distributed C omputing(PDCAT’03),Chengdu,China[C],Aug 27-29,2003:840-843.

[9] Jong Pil Yun,YoungSu Park,Boyeul Seo,et al.Development of Real-time Defect Detection Algorithm for High-speed Steel Bar in Coil(BIC)[A].SICE-ICASE International Joint Conference, Bexco,Busan, Korea[C].Oct.18-21,2006:2495-2498.