带钢边缘检测的一种抗缺陷干扰方法

2021-12-10王靖震李志锋李婷李向荣

鞍钢技术 2021年6期

王靖震，李志锋，李婷，李向荣

（鞍钢集团钢铁研究院，辽宁鞍山 114009）

计算机数字图像处理技术的发展和CCD（电荷耦合器件）图像传感器生产工艺的进步，使得用CCD相机采集图像并进行处理的视觉成像检测方法得到冶金工业等领域广泛的应用。在冶金工业钢板宽度测量方面，已经有公司应用视觉成像检测方法开发出钢板宽度测量相关产品，即CCD测宽仪，并且有了这方面产品的应用案例研究。目前普遍采用的方式是把带钢水平放置于一系列运动的辊子上，CCD相机采集水平运动带钢的图像，并确定带钢边缘，从而测量钢板的宽度。由于带钢水平运动时会发生抖动以及弓形、弯曲等形状变化，为了避免带钢抖动和形状变化给宽度测量带来的干扰，选择生产中带钢和辊子表面贴合在一起的工况状态下，识别判断带钢的边缘，进行带钢宽度测量。而要正确识别判断带钢的边缘，就需要避免带钢表面缺陷带来的干扰，本文提出了带钢边缘检测的一种抗缺陷干扰方法，通过将二维钢板图像简化处理为一维线阵图像，用梯度计算和非极大值抑制查找每个灰度值跳跃位置，采用最小平均绝对偏差法计算带钢边缘判定参数，最终判定钢板边缘位置。

1 问题的描述与分析

1.1 问题描述

目前带钢宽度测量普遍采用的方式是把带钢水平放置于一系列运动的辊子之上，带钢水平通过装有CCD相机的测量箱体，水平方式带钢宽度测量示意图如图1所示。此时带钢对光源遮挡，采集图像中能够产生明暗不同的分区，图像中明暗交界线为带钢边缘，从而可以测量钢板的宽度。但是由于在辊子上运动，带钢难免产生抖动，这给精确的板宽测量带来很大的干扰。尤其是在带钢发生弓形弯曲变化时，更是难以对其进行准确测量。

图1 水平方式带钢宽度测量示意图Fig.1 Horizontal Schematic Diagram for Width Measurement of Steel Strip

为了尽量避免带钢抖动、弯曲等情况对板宽测量的影响，利用辊子与带钢作用产生的张力促使带钢紧贴于辊子上保持带钢板形的平整。贴辊方式带钢板宽度测量示意图如图2所示。当采用图2所示的结构进行测量带钢宽度时，带钢会和辊子表面紧紧贴合在一起。但是，此时光源无法从带钢背部照射获得明暗分区，而只能从正面照射，利用图像处理的方法获得带钢边缘位置信息，这就对带钢边缘的测定提出了更高要求。因为通常带钢总是带有划痕、压印、表面夹杂等缺陷，所以在相机采集的图像中，要避免因带钢本身缺陷而导致的对带钢边缘的错误识别，进而正确的测定带钢边缘。

图2 贴辊方式带钢板宽度测量示意图Fig.2 Schematic Diagram for Width Measurement of Steel Strip by Pressing Close to Rolls

根据实际生产情况，CCD相机不必采集全部带钢图像进行处理，只需采集带钢两边缘一定区域范围内的图像进行检测处理即可。可利用两台CCD相机分别采集运动的带钢左右两边的图像，确定运动带钢的边缘位置。

1.2 问题分析

边缘是图像局部区域内特性差别的反映，它表示为图像信息的某种不连续性(如灰度突变、彩色的变化等)。通过这种不连续性在图像内区分出不同区域。因此，基于灰度不连续性的特征检测方法也就成为边缘检测的主要手段之一。

根据边缘处灰度具有不连续性这一特性，对相机所采集的带钢图像进行边缘检测，可以检测出带钢边缘处图像中灰度值发生的跳变。以宽度测量左侧相机为例，相机所采集的带钢图像见图3。实际生产中，带钢常常带有划痕,压印,表面夹杂等缺陷，带钢表面缺陷如图4所示。

图3 左侧相机所采集的带钢板图像Fig.3 Images Taken by Camera on Left Side

图4 带钢表面缺陷Fig.4 Steel Strip Surface Defects

当带钢的表面上有明显缺陷时，带钢图像在其缺陷处与边缘处一样，会具有灰度值的跳变，需要正确区分判定边缘。

2 边缘测定

2.1 一维线阵图像和梯度计算

在带钢的宽度测量设计中，相机采集图像的像素扫描方向与带钢运动方向垂直。所以在采集的图像中竖直方向为带钢运动方向，水平方向依次为辊子背景和带钢。图像中辊子背景和带钢在水平方向上灰度值将产生明显变化，因此可以把二维图像问题转化为水平方向上一维图像问题，即用一个一维线阵图像处理得到带钢在水平方向的边缘。

本文采用二维图像竖直方向每行像素灰度值相加求平均的办法得到一维线阵图像，同时也起到对图像噪声均匀滤波的作用，消除部分干扰，具体如式（1）所示。

式中，x为水平方向第i点坐标；y为竖直方向第j点坐标；m为图像行数。

利用边缘处灰度值发生跳变的特点，梯度检测成为边缘检测的常用方法。由于图像已经简化为一维线阵图像，因此采用水平方向的一阶导数作为图像边缘检测的梯度。在带钢宽度测量中利用左右各一台相机测定带钢的边缘。左侧相机采集的图像中，带钢的边缘位置表现为灰度值上升跳变，左侧图像的梯度值定义为：

右侧相机采集的图像中，带钢的边缘位置表

当梯度G（x）的计算值大于0时，为可能的带钢边缘处。

2.2 梯度幅值的非极大值抑制

由于受相机分辨率和光线照射等影响，边缘处的灰度跳变大多会有一定的坡度，即边缘处的梯度值一般有个逐渐增大或减小的过程。当边缘要求精确位置信息时，如果简单的以图像中梯度值最大那一点即梯度的极值点作为精确的边缘位置，由于缺陷等干扰因素的存在，这样选取的边缘位置常常不准确。

考虑到边缘位置处，不一定是图像梯度值变化最大的极大值点，但也一定会是相对的局部极大值点，所以边缘的确定，可以先查找出图像中所有梯度值变化大的极大值点位置,即全部局部极大值点的位置，再进一步采用算法排除缺陷等干扰因素来进一步确定边缘。

提取所有梯度值变化大的极大值点位置,即全部局部极大值点的位置，应用非极大值抑制的方法。采用非极大值抑制的方法，排除非局部极大值点，留存局部极大值点，对图像的梯度数据进行处理，把非局部极大值都设置为0，只保留各个局部极大值点，带钢边缘的精确位置限定在局部极大值点所在的位置中。一般的设X为在第i点像素点位置上的灰度值，X、X分别为其左、右像素点第i-1点和第i+1点位置上的灰度值。其原理如下示意代码所示：现为灰度值下降跳变，右侧图像的梯度值定义为：

非极大值抑制过程中，同时设置门限，把灰度值小于门限的值都设置为0，通过对较低灰度值的过滤有效减少假边缘。

2.3 边缘判定参数

实际上，不仅带钢边缘处的灰度值会发生跳变，由于带钢划痕、压印等缺陷的影响，带钢图像中将会有多处发生灰度值跳变。经过梯度计算和非极大值抑制处理后，排除了带钢图像的非局部极大值点，留存局部极大值点，图像依然可以查找出多处具有边缘特征的灰度值跳变。对经过非极大值抑制处理后的带钢图像进一步分析，排除缺陷等干扰因素以进一步确定边缘，本文采用最小平均绝对偏差法。

平均绝对偏差即所有单个值与算术平均值的偏差的绝对值平均。比起平均误差，平均绝对偏差由于偏差值被绝对化，不会出现正负相抵消的情况，因而能更好的反映总体单个值偏离的实际情况，即总体均匀性。

用最小平均绝对偏差法进行边缘判定的基本思想是：图像灰度值的平均绝对偏差作为灰度值分布均匀性的一种度量，平均绝对偏差值越小，说明图像越均匀。当由于缺陷干扰而查出多处具有边缘特征的灰度值跳变时，位于带钢边缘处的灰度值跳变两侧的区域，即带钢区域和辊子背景区域，灰度值的平均绝对偏差之和最小。

当带钢图像经过梯度计算和非极大值抑制处理，检出的灰度值跳变多于1处时，则设定带钢边缘判定参数 B（q）为：

式中，q*是满足平均绝对偏差值最小，即是B（q）值最小的参数，即为所求带钢边缘点位置。

3 结果及分析

为了检验方法的效果，把几种带钢的缺陷图像在一幅图像中进行合成构造，以左侧相机采集的图像为例进行分析，合成的有缺陷带钢图像如图5所示，图像左侧为辊子背景，右侧为有缺陷的带钢图像。

3.1 一维线阵图像灰度值

把带钢的二维图像简化为一维线阵图像，线阵图像灰度值变化如图6所示，结合图5进行分析，可以看出钢板边缘左右两侧的图像灰度值有明显不同。

图5 合成的有缺陷带钢图像Fig.5 Composite Images of Steel Strips with Defects

图6 线阵图像灰度值Fig.6 Gray Values of Linear Array Images

3.2 线阵图像梯度分析与非极大值抑制

对线阵图像进行梯度分析，图7为线阵图像的梯度值。当梯度值＞0时，表示灰度值的上升跳变；当梯度值＜0时，表示灰度值的下降跳变。由于采用左侧相机的图像进行分析，梯度值＞0时的灰度值发生跳变处表示灰度值由低变高，为可能的带钢边缘位置。采用非极大值抑制的方法，排除非局部极大值点，留存局部极大值点，对图像的梯度数据进行处理，以便确定灰度值发生跳变的精确位置。图8为非极大值抑制后所得的梯度值图像。