金属加工表面缺陷检测综述

蔡东吟；陈国瑞；詹赞；唐林林；胡超超；潘升

（重庆交通大学，重庆400074）

0 引言

目前，由于制造业的迅猛发展，各种各样的工业产品正不断涌现。其中，金属材料制品是主要的加工产品之一。例如，中国的钢铁产品保证了国内的机械、交通以及建筑等行业的发展。然而，在金属表面加工过程中，由于生产环境的局限性，不可避免会产生表面缺陷。金属表面的缺陷会直接影响产品的外观以及使用性能，严重时会导致产品性能退化，造成重大财产损失以及威胁到人民生命安全。因此，对金属表面进行及时的缺陷检测具有重要意义。

解决因金属加工表面缺陷带来的企业盈利下降的关键在于进行金属加工表面缺陷的智能检测。一方面，智能检测有助于及时发现金属加工表面的缺陷，从而有效控制产品质量。另一方面，通过发现金属加工表面的缺陷类型，可以有助于发现生产工艺中存在的问题，改善生产工艺流程，从而减少表面缺陷的出现。

为了总结与评估金属表面缺陷检测的优缺点，并为未来研究提供相应的借鉴，本文广泛调研了国内外文献并对其进行了全面的综述。

1 人工检测

传统的金属表面缺陷检测主要依靠人工检测。在质检过程中，质检人员通过肉眼观察并采用随机抽检的方式对钢铁表面缺陷进行检测[1]。但是，人工检测存在诸多不足。例如，工人劳动强度大，检测结果过于主观意识并且恶劣的生产环境也会威胁到质检员的生命安全。因此，人工检测不适应于大规模金属产品制造业的质量检测。

2 物理机理检测

物理机理检测主要是借助物理信号（电信号和电磁信号）对金属表面缺陷进行检测，主要检测方式包括红外线检测、涡流检测以及漏磁识别。1989 年，由于涡流信号对微小瑕疵反应敏锐，法国洛林连轧公司研制了基于涡流信号的热连铸板坯缺陷探测设备[2]。但由于基于物理机理的缺陷检测对设备要求较高，并且只能适用于特定类型的缺陷检测。因此，该方法不适用于批量金属表面缺陷检测。

3 机器视觉检测

20 世纪中期起，随着图像处理算法相应的软件与硬件的发展，基于图像处理的机器视觉检测系统开始应用于金属表面缺陷检测。机器视觉是一种无接触、无损伤的自动检测技术，是实现设备自动化、智能化和精密控制的有效手段[3]。目前，机器视觉表面缺陷检测主要分为传统图像处理技术和深度学习处理方法。

3.1 传统图像处理技术

传统基于传统图像处理技术的机器视觉系统是借助照明系统（主要为LED 光源）和图像传感器（CCD 或CMOS）收集被检测对象的表面图像信息，利用相应的传统图像处理算法提取图像的特征，然后通过所提取的特征进行表面缺陷的定位以及识别。基于传统图像处理的金属表面缺陷检测主要分为图像预处理、图像轮廓分割、特征提取以及目标识别。

图像预处理是通过对金属表面缺陷图像进行滤波操作，降低图像的噪声干扰，便于后期缺陷特征提取。例如，屈尔庆等[4]提出基于复合差分进化的Gabor 滤波器优化法，有效改进了带钢表面缺陷检测效率。闵永智等[5]利用钢轨图像灰度特征实现了钢轨缺陷检测。周鹏等[6]利用尺度不变特征转换（Scale-invariant feature transform，SIFT）算子提取特征向量，并利用Euclidean 距离度量进行图像匹配，实现了中厚板缺陷检测。

图像分割是指利用图像内部特征将图像区域划分为若干具有相同特征的区域。目前的图像分割理论主要包括阈值分割、区域分割、边缘分割以及基于特定理论的图像分。例如，Wakaf 等[7]提出基于自动阈值的图像分割理论，能有效将缺陷区域从背景中分割出来。虽然目前已有相关图像分割法应用在工业检测领域，但上述方法存在分割的精度与抗噪性的矛盾，同时，在实际应用中，一些算法在准确性、实时性和可操作性上也还存在较大的困难。

图像特征提取的目的是将缺陷图像进行映射，是金属加工表面缺陷检测的关键环节。张学武等[8]结合Gaussian和Gabor 滤波器提取图像特征，并进行特征合成实现了铜带表面缺陷检测。丛家慧等[9]提出基于频率选择和方向选择性的Gabor 滤波器，有效提取了带钢表面缺陷的纹理特征。汤勃等人[10]通过对钢板表面缺陷进行数学形态操作，实现了钢板表面缺陷检测。

目标识别主要为模式识别，而模式识别又分为有监督学习与无监督学习。监督学习通过引入基于概率统计的分类器，实现不同类型缺陷的分类。Gong 等[11]通过引入弹珠损失提升了支持向量机（Support Vector Machines，SVM）在噪声条件下的鲁棒性，从而提高了钢板表面缺陷检测分类精度和效率。

无监督学习主要通过聚类的方式揭示特征分布情况。Mandeiota 等[12]结合（k-Nearest Neighbors，KNN）和小波变换实现了铁轨表面缺陷检测。但是，上述聚类方法也存在以下不足：聚类前都需要事先确定要类别数目，然而在实际中聚类的数目往往无法事先得知；处理大规模数据的能力、效率以及消除噪声的影响等方面都有待于提高。此外，部分聚类算法对输入参数较为敏感，同时参数取值没有成熟的理论依据，大多依靠用户的经验来确定。

上述基于传统图像处理技术的金属加工表面缺陷检测方法有效实现了表面缺陷的自动化检测。然而，传统图像处理技术的特征提取方式很大程度上依赖于人工调参，只能适应于特定任务下的金属表面缺陷检测。因此该方式无法适应于实际生产中复杂的金属表面缺陷的检测。

3.2 深度学习图像检测

近年来，深度学习由于具有深度特征自提取的能力，被广泛应用于图像检测任务中。深度学习是一种人工智能学习理论，它通过模仿人类学习机制学习外界信息特征[13]，其中卷积神经网络（Convolutional Neural Network，CNN）以原始图像作为输入，它能够在大量的训练图像数据集中自动学习具有高度抽象性和不变性的特征，而不是构造单一的特征用以描述图像，从而可以使卷积神经网络鲁棒的适应并且胜任各种计算机视觉任务。目前也有学者试着将深度学习理论引入金属加工表面缺陷检测中。

王一鸣等[14]结合CNN 和视觉注意力模块，实现了金属工件缺陷的精细化识别。Fu 等[15]结合深度CNN 与多尺度模块，搭建了轻量化的钢铁表面缺陷分类模型。上述基于深度学习的机器视觉检测方法提升了金属加工表面缺陷的自动化检测中的鲁棒性。但由于深度学习属于数据驱动型的学习理论，而实际的金属表面缺陷图像是有限的并且不同类型的缺陷的数量具有不平衡的特点。上述问题为基于深度学习的机器视觉检测带来巨大的挑战。

4 结论

本文从不同机理对金属表面缺陷检测方法的国内外检测进行了较为全面的综述。其中，检测方法分为传统的人工检测，基于物理机理的检测以及基于机器视觉的检测。通过对不同金属表面缺陷检测方法的发展现状以及优势与劣势的总结，本文得出以下方面的总结与展望：

①提高检测算法的鲁棒性。金属加工表面缺陷检测的环境较为恶劣，所采集的图像采集存在光照不均匀、运动模糊以及采集设备退化导致的电子噪声等，这会导致图像质量下降。而不同类型的噪声叠加甚至会导致图像信息退化，这些会直接增加金属表面缺陷检测难度。因此，提高噪声环境下的金属表面缺陷检测具有重要意义。

②提高图像检测算法的泛化性。目前的基于机器视觉的金属表面缺陷检测都是针对单一金属材料的缺陷检测（例如钢铁）等，而实际生产中，工业产品的金属材料多种多样，提高算法对不同金属表面缺陷检测的适应性具有重要的实际意义。

③提高算法的检测速度。基于深度学习的金属加工表面缺陷检测模型都选择神经网络作为特征提取模型，神经网络的运行需要占用大量的计算资源，这对硬件设备要求过高。因此，未来应该致力于发展轻量并且快速型神经网络，以满足实际生产需求。