《金属板材表面缺陷检测系统研究与设计》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

金属板材表面缺陷检测系统研究与设计

范文

潘颖辉

摘要：传统的基于pc机的金属板材表面缺陷检测系统不够灵活方便，因此以金属板材常见的划痕、麻点、夹杂、锟印、锈蚀5种较为常见的表面缺陷作为研究对象，研究并设计了一个基于Android的便携式金属板材表面缺陷检测系统。该文阐述了设计该系统所使用的图像灰度化、二值化、去噪和边沿提取等算法，实现了图像的预处理操作。并提取图像的六个能够全面地反映缺陷信息的特征参数：形状、宽高比、面积比、歪度、峭度及HU不变矩Ф2，然后将提取出的特征值建立特征样本库，一部分样本用于K-近邻分类器的训练，一部分用于测试分类器对缺陷的分类效果。实验结果表明，该系统具有可行性，并具有一定的实用性。

关键词：图像处理;表面缺陷;分类识别;金属板材;K-近邻算法

中图分类号：TP311 ? ? ? ?文献标识码：A

文章编号：1009-3044（2020）28-0187-02

随着经济的快速发展，方便、快捷的获取金属板材产品的缺陷图像并对缺陷类型进行识别是保证安全生产的重要前提。目前，多数识别方法是基于PC（personal computer）机实现的，不但成本高，而且携带不方便。综合考虑性价比、便携性以及Android系统的自身优势，本文以Android为实验平台，利用Java语言编写程序，设计并实现一个金属板材表面缺陷检测系统。该系统具有获取图像、图像预处理和对图像进行分类识别的功能。

1系统的总体框架

本文所设计的金属板材表面缺陷检测系统主要有三个功能模块，分别是图像获取模块、图像预处理模块和图像的分类识别模块，如图1所示。

图像获取模块的功能是使用Android移动终端自带的图像采集设备在包钢集团不合格产品库对目标板材进行图像采集，将采集完成后的图像保存为JPG格式。图像预处理模块的主要功能是对图像进行灰度变换、去噪、提取边沿、提取特征样式。图像识别模块的主要功能是根据提取的特征样式计算出特征值，并根据特征值对缺陷进行分类。

2系统的设计与实现

2.1图像的获取与保存

图像的获取既可以使用Android移动设备自带的摄像头进行采集，也可以打开本地事先保存好的图像文件。所需要的图像确定后，还可以锁定该图像的某一目标区域，并将其保存，如果是第一张图片，系统会自动生成一个文件夹，图像以当时采集的时间加上“.jpg”命名。

2.2 灰度变换

灰度变换是将彩色图像进行灰度化处理，一般有三种方法：最大值法、平均值法和加权平均值法[1]。本文选择加权平均法，该方法是根据3个分量的重要性以不同的权值进行加权运算，计算公式为：

2.3图像增强

由于拍摄到的缺陷图片不可避免的含有噪声，所以要先对图像进行去噪处理，一方面使图像更清晰，另一方面可以使感兴趣的区域更加突出。

中值滤波法比较容易实现，在去除噪声时不会使图像的边界出现模糊现象[2]，因此本文选择中值滤波对图像去噪。选择不同的模板进行均值滤波的效果是不同的，随着模板的增大，图像越来越模糊，本文选择3×3中值滤波对图像进行去噪。不同模板下的中值滤波效果如图2所示。

2.4提取边沿

灰度变换、去噪完成后，需要将缺陷所在的目标区域从背景中分离出来，因此要进行提取边沿操作。常见的边沿检测算法有：Roberts、Sobel、Canny、Prewitt和Log算子[3]。为了选取适合本文的边缘提取方法，在MATLAB进行仿真，其结果如图3所示：

从图3可以看出，Canny算子所检测到的边缘效果最连续、最清晰，能够检测到真正的缺陷区域的边缘。所以选择Cany边缘检测算法来检测金属板材表面缺陷区域的边缘。

2.5特征提取

对缺陷进行分类识别的一个非常重要的步骤是特征提取。为了减少计算量，特征值的个数要尽可能的少，但又要选择出能够全面反应缺陷特征的特征值。本文的研究對象是金属板材常见的辊印、划痕、锈蚀、麻点、夹杂5 种缺陷，考虑不同缺陷的特征，如划痕一般为细长形，其宽高比和面积比较大。麻点较为接近圆形，宽高比比其他缺陷小;夹杂的歪度和峭度较多出现负值，熵值较小。辊印的峭度最大，熵值较大，而能量较小。锈蚀的 Hu 不变矩 Ф2普遍比其他缺陷大[4]。综合考虑提取特征值的可行性和运算量，本文选择以下6个特征参数：

本人实地深入板材车间，采集大量板材缺陷图像样本，每类缺陷选取30张用于k-近邻分类器的学习和训练，10张用于缺陷分类系统的测试，并构建相应的缺陷图像特征值的样本库。

2.6分类算法的设计与实现

K-近邻算法简单有效，重新训练的代价较低[5]，选用K-近邻算法对金属板材表面缺陷进行分类。选取不同的K值，分类的结果也不相同，为了选取最佳k值，在MATLAB下进行仿真实验。选取2.5节提取的特征值250组，其中200组用于训练k-近邻分类器，另外50组用于测试，结果表明k=31时分类效果最佳。

3系统测试及分析

3.1系统程序的运行

将编写完成的Android工程导出生成安卓安装包，命名为Dip.apk文件，导入并安装到华为NXT-AL10手机的 SD卡上运行该系统程序。其运行结果如图4所示。

3.2系统性能分析

最后对系统的性能进行测试，以检测该系统是否具有可行性和实用性。将前期生成的缺陷特征样本库中的300组特征值用于K-近邻算法的学习和训练。剩余每种类型缺陷样本各20组用于测试，测试结果如表1所示：

4 结束语

本文在Android平台上实现图像的二值化、去噪、边沿检测算法，并提取出缺陷的特征值，根据特征值来训练k-近邻分类器。通过100组特征数据对系统的性能进行测试，其中87组测试结果正确，正确率为87%。本系统可以满足检测人员方便、快捷地对板材表面缺陷的类型进行检测。

参考文献：

[1] 王成营，罗辉.水下机器人所摄图像的预处理[J].上海船舶运输科学研究所学报，2015，38（1）：78-82.

[2] 龚声蓉，刘纯平，赵勋杰.数字图像处理与分析[M].2版.北京：清华大学出版社，2014.

[3] 李钰，孟祥萍.基于Gabor滤波器的图像纹理特征提取[J].长春工业大学学报（自然科学版），2008，29（1）：78-81.

[4] 郭联金，罗炳军.PNN与BP神经网络在钢板表面缺陷分类中的应用研究[J].机电工程，2015，32（3）：352-357.

[5] Mitchell H B，Schaefer P A.A “soft” K-nearest neighbor voting scheme[J].International Journal of Intelligent Systems，2001，16（4）：459-468.

【通联编辑：代影】

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。