一种基于特征点的管材表面缺陷视觉检测方法

郑建聪，谢麒麟，方 挺，韩家明，董 冲

(1.宝山钢铁股份有限公司钢管条钢事业部，上海 201900；2.安徽工业大学电气与信息工程学院，安徽 马鞍山 243032)

金属管材是重要的冶金产品，广泛用于建筑、汽车及电力等行业[1]。随着国际经济的快速发展，各行业对管材表面质量提出了更高的要求。管材在生产、加工以及搬运过程易产生污秽和损伤两类表面缺陷。表面损伤可分为点状损伤和线状损伤，其比污秽的危害更大，不仅增加销售难度，后续加工时还存在安全隐患。长期以来，管材表面缺陷检查依赖传统的人工观察方法，该方法效率低下、成本较高，且典检人员会因长时间观察不可避免地出现疲劳，易导致误检和漏检[2-3]。针对这一问题，科研人员在分析管材内外缺陷产生原因的基础上[4]，提出了基于超声波[5]、漏磁[6]及涡流[7]的表面缺陷检测方法。超声波检测为接触式测量，对管材生产线的空间布局要求较高；漏磁检测需经常标定，维护成本较高；涡流检测的探头易损伤，且易产生误报。因此，有必要设计一种非接触式的管材表面缺陷检测方法。

随着科学技术的发展，机器视觉技术在缺陷检测领域逐渐发挥重要作用。在加工制造业，文献[8]提出了一种基于YOLOv2的手机镜片缺陷视觉检测方法；文献[9]设计了一种基于机器视觉的芯片引脚缺陷检测系统。在日常生活中，文献[10]搭建了一种针对平面口罩缺陷视觉检测系统，引入深度学习网络对不同口罩缺陷建模学习；文献[11]针对油炸花生的饱满度、褶皱度等视觉特征设计了一种自动分拣系统，检测已知类别花生种类准确率可达95%。由上述研究成果可发现，基于机器视觉的缺陷检测技术较为成熟，拥有较多可借鉴的技术方案，具备工程实用的可行性。管材表面点状缺陷和线状缺陷的成像特征独特，具备采用机器视觉算法开展检测的先决条件，但目前极少见相关具体检测方法。鉴于此，设计一种基于机器视觉的金属管材表面缺陷检测方法，用于检测管材表面点状和线状缺陷，且通过可视化实验验证所提方法的可行性和准确性，旨在提升表面缺陷检测效率的基础上降低企业的运维成本。

1 数据采集和算法设计

1.1 缺陷图像采集

搭建管材典型缺陷图像采集平台，如图1。搜集具有典型缺陷的管材并对其进行编号，使用日光灯对待测管材表面进行补光后，使用摄像头自上而下拍摄管材表面。通过搭建的实验平台采集管材缺陷图像样本，可有效模拟管材在生产线上的成像状态，为其表面缺陷检测创造条件。

图1 典型缺陷图像采集实验平台Fig.1 Typical defect image collection experimental platform

1.2 算法设计

搜集的管材典型表面缺陷为点状缺陷和线状缺陷，如图2。线状缺陷与直线状的光线相似度较高，通常存在两个端点，这两个端点与点状缺陷较相似。因此，可将线状缺陷视为点状缺陷的特例，通过点状缺陷检测算法对其进行检测。

图2 管材表面典型缺陷Fig.2 Typical defects on pipe surface

进一步分析可知，点状缺陷所在区域和其周围区域存在明显的图像灰度差，因此文中考虑采用图像特征点检测算法检测缺陷点所在区域。现有图像特征点检测算法主要有ORB(oriented FAST and rotated BRIEF）[12]、SIFT[13]和SURF[14]算法。SIFT 算法和SURF 算法在求解主方向时对局部区域的梯度方向依赖较高，且对图像色彩信息利用率不高。ORB 算法在一定程度上不受图像变换和噪声的影响，具有准确性高、运算速度快等优点，被广泛用于同步定位与建图(simultaneous localization and mapping，SLAM)[15]和图像拼接[16]等环节。鉴于ORB 算法技术成熟且优点明显，文中采用ORB算法检测图像中的点缺陷。

值得注意的是，采集的管材缺陷图像包含部分无用背景，这些背景存在肉眼难以发现的图像干扰，对缺陷检测带来较大影响。管材在图像中的位置通常稳定在某一大致区间，因此可针对图像设定感兴趣区域(region of interest，RoI)，将RoI 设置为后续待检测区域，其他区域不予处理，这样既可减少图像背景的影响，又可提升缺陷检测效率。文中采用的ORB算法中，使用FAST算子搜寻缺陷图像的特征点，具体步骤如下：

1)随机选取管材表面缺陷图像中的一个像素点P，设其灰度值为LP；

2)设定像素灰度对比阈值T，将像素点P与其水平和垂直方向的4个像素进行对比；

3) 若点P与其领域内N个像素存在对比差异(设N为3)，则认为点P为一个ORB特征点。

在上述步骤的基础上，将检测到的特征点设为圆心，以圆心与取点区域的形心连接线为横坐标构建特征点描述子。本文算法流程图如图3。

图3 本文算法流程图Fig.3 Flowchart of the algorithm in this paper

2 实验结果分析

2.1 算法性能分析

实验平台为Visual Studio Software，同时配置OpenCV 图像处理库构建算法编程的软件平台。选取典型管材缺陷图像进行算法实验验证，结果如图4。

图4 检测结果可视化效果Fig.4 Visualization of detection results

为便于肉眼观察，使用黑色记号笔标记缺陷所在的大致区域，标记痕迹的颜色比缺陷颜色深。图4(a)为点状缺陷检测结果，包含RoI 图像和检测结果两部分信息。分析图4(a)可知：通过设置合适的RoI 区域可删除大部分无关图像背景，有效保留了待检测的管材区域；采用本文提出的检测算法在准确检测出真实缺陷点所在位置的同时，还检测出了黑色记号笔的标记痕迹，说明本文算法对图像灰度变化区域较敏感，具备准确检测不同灰度缺陷的能力；采用本文算法检测该图缺陷的时间约0.32 s，速度较快，说明本文算法具备工程应用的潜力。分析图4(b)可知，本文算法不仅可准确检测出线状缺陷的端点，还可检测出图像右侧未标记的线状缺陷端点。为验证本文算法在无干扰状态下的检测效果，选取一幅典型缺陷图像并擦除黑色记号笔的标记痕迹，结果如图4(c)。分析图4(c)可知，本文算法可准确检测出图像中的缺陷点，检测时间约0.35 s。

随机选取50 幅包含缺陷的管材图像，采用文中算法对其进行检测。在实际检测过程中，无论某管材上有多少个缺陷点，只要检测出其中一个缺陷点即可判定该管材存在缺陷，认定算法检测成功。在上述约定下，本文算法的检测成功率约92%，说明本文算法的检测准确率较高。

2.2 算法实时性分析

为进一步展示本文算法的检测效率，随机选取部分图像的检测时间，结果如图5。分析图5 可知，本文算法的平均检测时间约0.32 s，说明本文算法具备快速检测管材表面缺陷的潜力。

图5 本文算法检测时间Fig.5 Detection time of the algorithm in this paper

3 结论

设计一种基于ORB 特征点的管材表面缺陷检测方法，通过采集典型缺陷图像构建样本集，分析缺陷的成像特征；设置RoI 区域减少图像背景对检测过程的干扰，使用ORB算法检测管材表面的缺陷。实验结果表明，本文算法的检测准确率约92%，平均检测时间约0.32 s，检测准确率较高且检测速度较快，具备较高的工程实用价值。