基于小波分解的带钢缺陷检测

师红宇，管声启

(1. 西安工程大学 计算机科学学院，陕西 西安 710048；2. 西安工程大学 机电工程学院，陕西 西安 710048)

基于小波分解的带钢缺陷检测

师红宇1，管声启2

(1. 西安工程大学 计算机科学学院，陕西 西安 710048；2. 西安工程大学 机电工程学院，陕西 西安 710048)

带钢缺陷是带钢质量检验的重要组成部分，通过相关的理论分析，本文提出了一种基于小波分解的带钢缺陷检测方法。首先对带钢图像进行小波分解；然后，选择子图进行融合，从而有效地抑制了背景纹理信息；在此基础上，对带钢的融合图像进行图像分割和形态学滤波，实现对带钢缺陷的位置和面积的准确检测。实验结果表明，该检测方法是有效的。

带钢缺陷；小波分解；图像融合；形态学滤波；缺陷检测

0 引言

目前，带钢缺陷检测算法有很多[1-4]。一些带钢缺陷检测采用零均值法[5]，在零均值图像形成过程中，子窗口大小取决于人的经验，因此该算法的检测效果不理想。还有一些带钢缺陷检测是基于人工免疫系统[6]，它通过对灰度图像的三维恢复获取表面缺陷信息。该方法只适合孔缺陷的检测，不适合其他类型缺陷的检测。

综上所述，虽然带钢缺陷的检测算法很多，但是由于带钢缺陷和背景纹理之间的灰度值接近，现有的方法很难把它们完全分离[7-9]。如果有一种方法可以抑制背景纹理，而且在背景和目标缺陷之间增加灰度值，那么这种方法就为钢带缺陷检测提供了一种可能。通过对小波变换特点分析，本文选择小波分解和重构来增加背景和目标缺陷的灰度值，以减少背景纹理对缺陷检测效率的影响。带钢缺陷检测处理过程如图1所示。

图1 带钢缺陷检测处理过程

1 带钢图像的小波变换

设h为低通滤波，g为高通滤波，那么{h,g}可以表示为分析滤波器组。设为一维分解信号，那么小波分解过程用公式（1）表示如下：

由公式（1）可知，通过小波分解的一维图像信号可以分解成低频和高频两部分。低频部分表示信号近似部分，而高频部分表示信号细节的突变部分。通过对小波分解的细节信号进行合理的选择和融合，可以提高奇异信号的检测。

同样，对二维图像信号进行小波分解后，可以得到近似细节子图、水平细节子图、垂直细节子图和对角线细节子图；选择子图进行融合可以增强图像的缺陷。

1.1 带钢图像的小波分解

带钢图像主要是由正常背景纹理和缺陷组成的，而带钢缺陷是正常纹理的突变。因此，背景纹理和缺陷的频率是不同的。通过小波分解后进行选择性重构可以有效地抑制正常纹理，突出缺陷信息[10-11]。

当对带钢图像进行分解时，应该选择具有紧支性，高消失矩和良好对称性的小波。因此，本文选择sym2小波进行图像分解。带钢缺陷图像如图2所示。

图2 带钢图像

带钢图像的小波分解如图3所示。

图3 带钢图像的小波分解

其中LL、LH、HL、和HH分别表示近似细节子图、水平细节子图、垂直细节子图和对角线细节子图。

1.2 带钢子图的选择

由于正常纹理信号是规则的，小波分解的细节子图接近零值。然而带钢缺陷是正常纹理信息的突变，属于奇异信号，通过小波分解，其相应的细节子图能量会增大。因此，选择那些能量大于正常细节子图的细节子图进行融合，通过抑制正常纹理，突出带钢缺陷信息。

小波分解的子图能量用公式（2）表示：

其中，f(x,y)是像素(x,y)的灰度级，M×N是子图的尺寸。

对角线子图能量较小，并包含大量的噪声，因此只考虑水平子图和垂直子图能量进行图像融合。

1.3 带钢子图的融合

（1）计算标准图像En的细节子图能量；

（2）计算测试图像Et的细节子图能量；

（3）通过比较En和Et，选择能量较大的细节子图进行子图融合；

（4）图像融合。

根据上述计算结果，选择LH2、HL2、HL3和LH3子图进行图像融合。融合结果有效的抑制了正常背景纹理信息，如图4所示。

1.4 带钢缺陷分割

图4 带钢子图的融合

本文采用最大类间方差法进行带钢缺陷分割，其基本思想是利用阈值将图像像素分为两类，使类间方差最大化，以确定分割的最佳阈值[12-13]。

设融合图像有L灰度等级，对于每一个特征值f，Pf表示f的频率，t代表分割阈值，其中特征值分为：和两类。其概率分别为和每类的平均特征值为和。其中，

类间方差用公式（3）表示如下：

当σ2(t)最大化时，t的取值为最佳分割阈值。利用最佳分割阈值t可以分割出带钢缺陷兴趣区域，检测结果如图5所示。

1.5 带钢缺陷二值图的形态学滤波

图5 带钢图像检测结果

通过最大类间分割，形成带钢缺陷二值图中的兴趣区中，含大量的噪声和孤立点。因此，需要进行滤波除噪。本文采用形态学滤波方式消除噪声，首先对带钢缺陷二值图进行开操作，然后进行闭操作。采用形态学滤波处理结果如图6所示。

图6 带钢缺陷二值图的形态滤波

可以看出，通过形态学过滤后，融合图像中的正常纹理和噪声被完全抑制，只留下带钢缺陷信息。

2 实验与分析

为了验证带钢缺陷检测效果，本文所用的测试样本图像来自同一生产线，每个样本图像大小为：256×256。带钢缺陷检测效果如图7所示。

3 结论

带钢图像的正常纹理信号是规律的，而带钢缺陷信号是突变的。通过小波分解、选择子图和融合图像可以有效地抑制带钢图像的正常纹理。在此基础上，对融合图像进行图像分割和形态学滤波，以消除小的纹理和噪声，从而实现缺陷检测。该检测方法可以准确的检测出带钢缺陷的位置和面积。

图7 带钢缺陷检测效果

[1] NEOGI N, MOHANTA D K, DUTTA P K. Review of visionbased steel surface inspection systems[J]. EURA-SIP Journal on Image and Video Processing, 2014(1): 1-19．

[2] 韩英莉, 洪英. 带钢表面缺陷的一种在线检测识别算法研究[J]. 光电子·激光, 2015, 26(2): 320-327.

[3] 汤勃, 孔建益, 王兴东, 等. 基于遗传算法的带钢表面缺陷特征降维优化选择[J]. 钢铁研究学报, 2011, 23(9): 59-62.

[4] 胡慧君, 李元香, 刘茂福, 等. 基于机器学习的带钢表面缺陷分类方法研究[J]. 计算机工程与设计, 2014, 35(2): 620-624.

[5] 管声启, 师红宇, 王燕妮. 基于图像零均值化的带钢缺陷检测[J]. 钢铁研究学报, 2013, 25(4): 59-62.

[6] 许小润, 吴贵芳. 基于人工免疫系统的带钢表面缺陷检测技术[J]. 计算机应用, 2010, 08: 2247-2249.

[7] Du-Ming Tsai, Cheng-Huei Chiang. Automatic band selection for wavelet reconstruction in the application[J]. Image and Vision Computing, 2003, 21(5): 413-431.

[8] Radovan S, Panagiotis M. Real-time vision-based system for textile fabric inspection[J]. Real-Time Imaging, 2001, 7(6): 507-518.

[9] Jiahui Cong, Yunhui Yan. Application of human visual attention mechanism in surface defect inspection of steel strip[J]. Chinese Journal of Mechanical Engineering, 2011, 22(10): 1189-1192.

[10] 李艳飞, 秦飞龙, 周仲礼, 等. 改进的小波变换算法在地震数据降噪处理中的应用[J]. 软件, 2013, 34(6): 40-43.

[11] 管声启, 石秀华, 宋玉琴. 基于小波分解的织物疵点检测[J]. 昆明理工大学学报(自然科学版), 2009, 34(1): 48-50.

[12] 王建红. 基于零均值及零方差图构建的润滑油磨粒检测[J]. 软件, 2015, 36(6): 120-124.

[13] 王诚诚, 李文森, 雷鸣, 等. 基于目标特征的机械零件表面缺陷检测方法[J]. 软件, 2016, 37(4):32-34.

Strip Steel Defect Detection based on Wavelet Decomposition

SHI Hong-yu1, GUAN Sheng-qi2
(1. College of Computer Science, Xi’an Polytechnic University, Xi’an 710048, China;
2. College of Mechanical & Electronic Engineering, Xi’an Polytechnic University, Xi’an 710048, China)

Strip steel defect is an important part of quality inspection of strip steel. Through the relevant theoretical analysis, the strip steel image is decomposed by sym2 wavelet. Then, sub-images of wavelet decomposition are selected to fusion, which effectively inhibit the background texture information. On this basis, the fusion image of strip steel is morphological filtering to determine the location and area of defect. Experimental results show the detection method is effectiveness to strip steel defects.

Trip steel defect; Wavelet decomposition; Image fusion; Morphological filter; Defect detection.

TP 391.41

: A

10.3969/j.issn.1003-6970.2016.12.008

陕西省教育厅科研计划资助项目（No.16JK1334）；中国纺织工业联合会科技项目（No.2016066）

师红宇(1981-)，女，工程师，硕士，研究方向为图像处理技术和计算机网络及应用技术。

本文著录格式：师红宇，管声启. 基于小波分解的带钢缺陷检测[J]. 软件，2016，37（12）：35-37