机器视觉带钢表面缺陷检测系统的研究现状及展望
来源：无锡创视2015年02月10日热度：618
应用机器视觉技术进行带钢表面检测，能够在线实时检测并识别带钢表面出现的夹杂、划伤、辊印、针孔等缺陷，同时能够对缺陷的图像、种类、数量和位置等信息进行有效的统计和保存。本文介绍了基于机器视觉的自动带钢表面缺陷检测系统的基本原理和结构，比较分析了两种典型系统的结构、原理和性能，并指出了当前研究工作面临的问题和今后的发展趋势。
关键词：机器视觉;表面检测;带钢;缺陷检测
在现代化大生产中，视觉检测往往是不可缺少的环节。机器视觉(Machine Vision)技术的迅速发展，使其在一定程度上可以取代人工视觉完成一些工作，特别是高速、大批量、连续自动化生产中的质量检查、对象辨识和尺寸测量等人工难以完成的任务。在带钢表面缺陷检测领域，机器视觉检测技术与传统的人工目视检测相比，具有快速、可靠和准确的优点。
自20世纪70年代以来，国内外学者和研究机构对带钢表面缺陷自动检测系统开展了卓有成效的工作，典型的检测方法包括：基于激光扫描的检测方法、基于涡流的检测方法、基于红外辐射探伤的检测方法、基于激光超声探伤的检测方法和基于CCD(光电耦合器件)成像的机器视觉检测方法。与其它技术相对比，基于CCD成像的机器视觉检测方法适合在线实时检测的需要，同时能保存缺陷图像，确定缺陷出现的位置，并能识别缺陷的类别。这些优势无疑使基于线阵CCD或面阵CCD成像的机器视觉检测技术成为目前研究和应用的主流技术。本文首先介绍了机器视觉表面缺陷检测系统的基本原理和构架，然后比较分析了两个典型系统的结构、原理和性能，最后指出了该技术当前研究工作中面临的一些问题和今后的发展趋势。
一、检测系统的基本原理和结构
1982年，德国Honeywell公司应用CCD成像技术完成了连铸钢坯表面缺陷自动检测装置的研究，该项研究确立了基于CCD图像传感器的成像系统、专用图像阵列处理机的体系结构和基于树分类器、句法模式识别理论的缺陷分类器等设计思想的主流地位。该思想的系统结构示意图如图1所示。
典型的视觉检测系统从功能上划分为以下几个模块：图像采集模块、图像处理和分类识别模块、数据存储和后处理模块、人机接口和操作终端模块以及网络连接模块等。
图像采集模块完成不同应用环境下对带钢图像的采集功能。图像采集模块包括光源照明装置、CCD图像传感器、图像采集卡和触发采集卡的速度编码器。线阵CCD图像传感器采集图像时，需要带钢在纵向的相对运动，同时为了保证图像在带钢运动方向上分辨率的稳定，CCD传感器受轧制机组辊子上的编码器触发采集图像。同时，CCD采用定时曝光工作模式，在现场光源亮度相对稳定的情况下，图像的亮度不受速度影响而具有均匀性。
图像处理和分类识别模块完成带钢图像预处理、目标检测、目标分割、特征提取和缺陷分类等功能。随着轧制技术的成熟，带钢运行速度逐渐提高，最高达到1600 m/min。同时对带钢可检测缺陷的最小尺寸也有更高的要求，因此必须提高数据采集和处理速度。检测中数据处理一般采用分级处理的方式，将实时和即时处理相结合。实时处理即快速检测带钢图像是否存在异常，如果存在异常则进一步处理，否则放弃图像;即时处理即进一步处理可疑图像，计算分析缺陷的特征数据，对缺陷进行识别分类。系统的信息处理流程如图2所示。
数据存储和后处理模块储存带钢缺陷数据，并产生缺陷报表。操作人员可以根据报表进行质量分析，并划分产品的质量等级。缺陷数据可根据需要随带钢的生产过程传送至下道工序。
人机接口和操作终端模块用于监控和管理生产过程。该模块可保证在生产过程中及时发现缺陷，分析缺陷产生原因，从而进行生产调整，减少不必要的损失。
网络连接模块从硬件上连接系统的各个部分，包括图像处理计算机与数据服务器的连接、操作终端与服务器的连接和系统与生产现场信息系统的连接。网络连接模块不但实现了系统内部的缺陷数据、控制命令的交换，而且通过与现场生产信息系统连接，使得系统能够获取当前生产带钢的钢卷信息、材质信息等，并可以完成缺陷信息的上传。
二、 典型系统分析
1.Parsytec表面检测系统
德国Parsytec公司最早于1997年为韩国浦项制铁公司研制了HTS-2冷轧带钢表面检测系统，该系统首次将基于人工神经网络的分类器设计技术实用于带钢检测领域。随后的10a里，Parsytec公司产品已经进行多次更新换代，目前推出的Espresso-SI系统 ①，如图3所示。
Espresso-SI系统具有如下特点：
(1)硬件系统标准化程度高。网络相机结合千兆网用来采集和传递图像数据是系统的一大特点。网络使图像采集部分具有更大的拓展性，也突破了传统的采用专用图像传输线(如LVDS和CameraLink)对传输距离的限制。系统把光源和相机封装在一起做成检测传感器箱，箱体中图像采集光路配置为明场、暗场或者明暗场的组合(如图4所示)。传感器箱体的标准化设计能够简化图像采集硬件的调整。图像处理计算机采用嵌人式计算机(ComPACt PC)，将其放置在电气柜里，电气柜放在传感器箱体附近，从电气柜可以直接传送带钢表面缺陷数据。此外系统采用无硬盘网络结构，操作终端通过网络连接至服务器，所需的数据处理和计算在服务器上进行，这样能够提高计算速度。以上设计思想使系统紧凑、简洁，而且网络连接允许系统即插即用，使系统各项功能拓展方便并具有健壮性。
(2)Espresso-SI系统拓展了缺陷数据的利用功能。通过互联网连接数据服务器，使用网络浏览器就可以直接访问带钢表面质量数据。系统还能够根据预设的规则制定带钢质量分级算法，自动对钢卷进行质量等级划分，如果钢卷没有满足指定订单的要求，就会报废。这些功能在一定程度上使得系统操作更加方便和智能化。
2.SmartView Metal系统
SmartView Metal系统是美国Cognex公司开发的金属带卷表面自动检测系统。对于带钢方面的应用，该系统主要研究了以下问题：
(1)为了检测在带钢表面出现的微小或低对比度的缺陷，系统给出了从光学信号传感器系统、视频信号接收部件、数字图像预处理到软件算法的全部解决方案。系统采用了LED阵列平行光源和高速线阵CCD，可以根据不同的材料调整检测光路的角度。CCD配置高位A/D转换电路，以提高图像的灰度级数。图像数据通过光纤传输，避免电子噪音的干扰。图像处理部分使用了多种检测算法来提高缺陷检测的精度。为非连续缺陷检测至少提供两种阈值算法：水平阈值和基线阈值。基线阈值随材料背景变化而浮动，相对水平阈值而言该算法更适合于检测微小和低对比度的缺陷，如图5所示。
(2)设计了人工智能分类器。通过分析和综合现有基于规则的分类器技术和各种自学习分类器技术(ANN，KNN，RCE等)，实现了自动分类(SmartLearn)[15]。SmartLeam融合了统计学分类器和基于规则的分类器技术，同时建立缺陷样本库，管理人工挑选和系统自己能够识别的样本。SmartLearn根据样本库的改变自动更新分类器结构，从而把分类器的训练和应用有机地结合起来。分类器在少量离线样本训练的基础上开始应用，应用过程中分类器通过自组织样本进行训练并加强分类效果。分类器利用离线训练所获得的知识给出缺陷类别的模糊置信度，通过调整置信度阈值可以防止对新类型缺陷的误分类。
三、 存在问题及解决办法
从现有技术水平看，带钢表面缺陷视觉检测技术存在以下主要问题，需采取相应的解决办法。
(1)图像采集质量有待提高。生产现场环境恶劣，存在噪声和油污等干扰，生产过程中还经常出现带钢抖动，使带钢表面图像质量很不稳定。系统设计者对众多缺陷的产生机理和外在表现形式的综合知识不足，使得缺陷不能更明显地显示在图像中，所以对优化组合光源的照明方法和检测光路配置需要深入探索，以便提高对表面微小和低对比度缺陷的显现能力。对多台相机的同步标定和调试技术也有待进一步提高。
(2)图像处理和缺陷识别缺乏通用的硬件平台和软件专用算法。图像处理和模式识别是机器视觉检测的关键技术，也是当前研究中最富有挑战性的课题。采用图像处理技术时，要研究如何能在背景不稳定的带钢图像中把异常的缺陷部分有效分割出来，并量化为图像缺陷特征。采用模式识别技术时，需要充分融合现有的分类识别技术、缺陷产生机理和人工经验规则，进一步提高分类的准确度。
(3)在生产系统中，不能充分整合、利用缺陷数据。对缺陷数据需要进一步挖掘和利用，使操作者可以根据检测结果分析缺陷产生的原因，并作为划分带钢质量等级的依据，帮助生产决策者根据质量要求控制带钢的产出流程。
四、 发展趋势
1.高速图像采集和处理技术
为了在线检测带钢上下表面，同时追求更高的分辨率，图像采集系统必须能够高速采集、传输和处理图像数据。高速线阵或面阵CCD的出现，将使高速图像采集成为可能，同时更加灵活的CCD采集模式使得图像质量更容易控制。通过提高CCD采集频率、增加象素点灰度的A/D转换位数，可以提高图像的分辨率和对缺陷的分辨力。
图像采集时光源的照明方案和检测光路的配置是缺陷能否明显成像的关键，需要进一步分析缺陷的产生机理、三维形态和不同缺陷在不同成像条件下的成像效果，从而优化配置检测光路。通常采用明暗场各放一组相机，把两个相机采集到的信息融合起来处理，或者相机放在明暗过度场中，同时对明场和暗场表现明显的缺陷进行成像。检测相机采用远心光路，能够克服图像采集时出现的图像中间亮而边部暗的现象。
网络相机结合千兆网的图像采集和传输技术的应用，克服了图像数据传输距离的限制，也使系统的集成更加简单，多个相机更容易组成相机网络，检测区域的面积不受限制。
采用硬件电路实现底层图像处理算法，如平滑、增强和分割等，相对软件实现具有快速、准确的优点。通过DSP(数字信号处理)系统、FPGA(现场可编程门阵列)系统实现硬件图像处理的方法已经得到应用。进一步研制具有并行、实时处理能力的硬件计算机系统，实现数字图像的高速处理将成为机器视觉检测技术的核心问题之一。
.缺陷识别和分类技术
高准确性和实时分类器的研究一直是带钢表面机器视觉检测技术的研究热点，而带钢缺陷分类器的设计必须考虑以下几个因素：带钢缺陷在形态上错综复杂，同一类缺陷在不同材质和机组上表现可能不同;对缺陷的分类缺乏统一的、定量的标准;缺陷的样本收集、分类器的调整和优化需要时间。
从带钢缺陷形态复杂这一特点考虑，采用单个分类器很难达到很好的分类效果，需要多种分类技术(如决策树、SVM和遗传算法等)的融合。从图像样本的收集和训练分类器的角度考虑，具有自学习能力的分类器(如KNN，ANN和RCE等)具有一定的吸引力。自学习分类器具有自动收集缺陷样本和自身训练的能力，避免了样本收集所需要花费的时间以及每次收集新样本都需要重新训练分类器的过程，但是也存在一些缺点：所需的学习和分类的样本数量大、实时性差;若采用硬件提高实时性能，则成本较高;对新出现的缺陷可能产生不可预料的结果。分类器的设计除了自学习能力外，还应该能够借鉴和吸收现场专家的经验和知识，并将这些经验知识转化为分类判定规则，从而辅助优化分类器的性能。因此，能够融合先验规则和专家知识、具有自学习能力、实时性能强的分类器设计，将成为今后缺陷分类器的主要研究方向。
3.模块化系统集成
系统设计逐渐实现模块化。系统的模块化使得系统变得容易集成和扩展，系统开发商可以根据工厂要求进行功能定制，系统的安装调试周期必将大大缩短。
系统的模块化设计包括系统框架的集成，以及各个模块的标准化。采用网络相机结合千兆网络的系统架构模式将逐渐取代基于VEM总线的框架结构，网络连接的标准化协议支持系统硬件的插拔操作。优化光源的照明方案和相机检测光路的配置并集成封装，将使图像采集模块可以成为独立可控的单元，方便安装和调节。另外，硬件图像处理电路和智能分类器模块也将实现模块化设计和调试。系统的辅助保护装置包括现场的温度控制系统、成像部件的防护箱体等也将成为标准配置。
4.缺陷数据的整合利用
检测系统的目的是在生产线正常运行的条件下准确、稳定地检测带钢生产中出现的主要缺陷的数量和类型。对缺陷数据的充分利用，使操作人员一旦掌握缺陷数据，就可对缺陷的产生来源进行分析，做出生产调整，有效地避免大批量同类缺陷的产生。同时对有质量问题的带钢进行有效控制，避免其进入下一个生产工序。对每卷带钢缺陷数据进行统计分析，参照产品质量等级评定标准评估产品的质量等级，并提供给工厂质量控制部门，作为其决策依据。检测系统将成为高级别带钢质量控制的一个重要工具。
5.国内检测系统将成为主流
近年机器视觉检测技术的发展已日趋成熟，原先主要依靠国外视觉检测系统格局逐渐被打破，在国内机器视觉产业发展的大背景下。国内也产生了一批优秀的视觉系统集成供应，以无锡创视新科技有限公司为例，是国内较早的机器视觉检测供应商，公司的MVC视觉检测系统在带钢、薄膜、无纺布、玻璃、电子、机械制造领域应用广泛，也是带钢表面缺陷检测领域应用较早、专业的供应商之一，MVC视觉检测系统应用案例数百家。
五、 结束语
机器视觉检测作为带钢表面缺陷检测的主流技术，在图像获取、处理、缺陷分类和缺陷信息利用等方面上存在不足，有待进一步深入研究以达到系统的实用化要求。系统硬件的不断发展将为改善图像质量和提高图像处理效率打下基础;图像处理和缺陷识别等信息处理技术仍旧是研究的重点;而系统模块化将为系统的开发和调试提供方便;缺陷信息能够快捷和完整上传与共享将为生产决策者提供决策依据。受生产需要和技术发展的推动，自动检测系统建立完善的轧制全过程表面质量传递数学模型并提供全过程表面质量的跟踪信息反馈，必将在带钢计算机集成制造系统(CIMS)中扮演十分重要的角色。
下一条： 基于机器视觉的太阳能电池片表面检测
