基于Matlab的钢材表面图像分割和分类

安宏　刘雨

摘  要：钢板表面的缺陷特征多种多样，严重影响钢板的质量，虽然可以通过改进加工工艺减少钢板表面的缺陷，但是在复杂的环境下，避免不了缺陷的出现，在此时及时发现钢板表面的缺陷是很重要的一项工作。通过人眼直接辨别钢板表面的缺陷效率低下劳动力耗费过多，但是把钢板的表面特征制作成图像，通过机器视觉对图像进行分割，提取钢板缺陷，是一种简单方便的方法。

关键词：钢板表面缺陷，图像，机器视觉

引言

钢材在我国工业发展中有很高的地位，它是很多机器器材不可或缺的材料，大到航母，小到汽车都离不开钢铁的影响。钢材表面的质量影响着钢材的使用情况。在生产钢材的过程中，有很多因素影响到钢材表面的质量，使钢材表面出现各种缺陷。比如：划痕、孔洞、鳞片、裂纹和异物等等。这些缺陷不仅影响了钢材的外观，同样使钢材的使用变得麻烦，如果不能将钢材缺陷及时发现，有缺陷的钢材被使用，可能引发不必要的经济损失。如何对钢材表面进行快速准确的检查成了重中之重。

钢板表面质量检测经历了人工目测、传统无损检测和基于机器视觉的检测3个发展阶段。人工目视检测表面缺陷的方法效率低、容易漏检、劳动强度大和实时性差。传统无损检测方法包括涡流检测、红 外检测、漏磁检测和激光检测等，这些方法检出 的缺陷种类少，检测实时性不强，检测的表面缺陷分 辨率也不高，无法有效评估产品的表面质量状况。目前，基于机器视觉的表面质量检测方法是研究的热点，该方法采用摄像机采集钢板表面图像，然后通过图像处理和分析提取缺陷图像特征，进行缺陷的自动分类。

1.图像预处理和图像分割

在钢板表面缺陷检测与识别中，对图像信息的获取是前提与关键。在图像获取的过程中，由于存在许多外在因素的影响，比如光照、灰尘和摄像器材自身等，会对获取的图像产生不同程度的干扰。图像在传送和转换过程中，对图像引入一些噪声。噪声的出现会对后期特征提取与图像分割造成不必要的困难，甚至导致图像分割的结果很不理想。引入噪声的原因可能是多种多样的，比如环境因素、摄像仪器本身和相对运动等都可能使图像降质[1]。为了获得理想的图像处理效果步骤为：1、将图像进行归一化处理;2、预创建存放灰度出现概率的向量;3、计算每级灰度出现的概率。

在图像分割领域，纹理图像的分割是最有难度的一个问题。人的眼睛可以轻松地辨别不同的纹理，但很难用数学的术语去定义。由于纹理图像的内涵丰富，因此它的定义很模糊，纹理的定义在一定程度 上会影响纹理分割的结果。然而，纹理具有一定的周期性和震荡性，且呈现出半局部性质。（1）要对缺陷图像进行分析，先对缺陷进行特征提取和分类，然后对获取的缺陷图像加以去噪和分割等操作。对于钢板表面图像的缺陷检测，首先需要检测出该图像有无缺陷，若存在缺陷还需将其进行分类处理，即需要完成识别和分类两个工作，所以图 像的分割是图像识别和分类的前提。（2）对于纹理图像的分割，必须先对纹理特征进行获取和表达，以往的对于纹理特征的提取方法有分形维数、小波变换、灰度共生矩阵和马尔科夫模型等。然而这些方法只适用于那些纹理分布均匀一致的图像，对于稍显复杂的纹理图像，往往得不到很好的特征提取结果。

2.图像均衡化和图像边缘检测

直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。利用图像均衡衡化使缺陷特征更加明显。先把直方图均衡化后，把预处理图像像素为1的值进行处理

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括（1）深度上的不连续、（2）表面方向不连续、（3）物质属性变化和（4）场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。利用Matlab软件中的edge函数直接对图像进行边缘检测。

3.特征提取与分类

特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的好坏对泛化性能有至关重要的影响[3]。可以利用特征值进行分类

特征值分为形态特征和不变矩特征。形态特征主要为目标面积、矩形度和伸长度。不变矩方法是一种经典的特征提取方法。单纯的中心矩或是原点矩尽管可以表征平面物体的几何形状，却都不具有不变性，但可从这些矩构造不变量。图像的 7个不变矩具有平移、旋转、比例不变性，在目标识别、图像匹配、形状分析等领域得到了广泛的应用[2]。

已知钢材5为无缺陷钢板，根据钢材5的不变矩特征值进行分类，分类标准为：

当同时符合七个分类标准则钢材为无缺陷钢材，否则为缺陷钢材。

结论

本文虽然利用机器视觉中的一些方法解决一些基本方面的问题，但是钢材表面缺陷检测系统是一个很复杂的系统，距离实时准确检测还有很长的一段路要走。需要足够的样本，来确定分类标准。如何得出更多的特征值，使分类更加准确细致。

参考文献

[1]  王健. 基于图像分割的钢板表面缺陷识别 [J]. 北京交通大学学报，2016.

[2]  杜庆海. 基于不变矩特征的图像识别 [J]. 信息技术与信息化，2008.

[3]  闫俊红. 基于图像处理的钢板缺陷检测方法 [J]. 光電技术应用，2019.

[4]  周超. 基于图像处理的钢板表面缺陷检测系统的研究 [D]. 辽宁工业大学，2013.

[5]  李喜. 基于DSP的钢板在线识别与跟踪技术研究 [D]. 南京理工大学，2016.