基于改进型PCNN图像分割技术的金属表面检测

陈晗彬，刘祚时

（1.江西理工大学 电气工程与自动化学院，赣州 341000；2.江西理工大学 机电工程学院，赣州 341000）

0 引言

近些年来，金属板已经广泛应用于工业生产中，但在现代化工业生产过程中，仍然存在着因为技术工业水平的不足、工人操作机器的不正确等诸多不良因素所造成的金属表面面状出现缺陷,这些种类繁多的缺陷会对金属板的耐磨性、电磁特性和抗腐蚀性造成一定的影响，因此表面缺陷检测技术对于现代工业而言是一个必不可少的工序。为方便而传统的人工检测速度慢且具有主观性，因此未来的必然趋势会是基于机器视觉的检测技术代替人工检测[1]。

一般来说，金属表面缺陷可以分为：细裂纹、表面杂质、斑点、麻点、轧入氧化皮与划痕6种，针对这些缺陷，国内外的研究人员提出了林林总总的检测方法。Nirbhar等人[2]提出了利用全局自适应百分位数阈值对钢带表面缺陷进行检测。但是在对阈值的调整时将图像的局部特性忽视了，缺陷边缘因此未能很好的识别到，这将导致此方法的检测结果存在错误检测。刘玮等人[3]通过采集金属材料外表面的红外热辐射，经过专门的仪器分析此辐射量，从而检测出热量在金属内部的传递情况，并由此得到缺陷情况。Sun等人[4]采用基于奇异值分解的钢带表面缺陷检测，不通过图像分割而是通过投影图像的灰度矩阵中的元素所产生的大波峰来确定和定位缺陷。但是在对背景区域抑制的同时也降低了缺陷区域的强度，这也导致了检测出的缺陷区域会有所缩减。

本文设计了一种改进的脉冲耦合神经网络（PCNN）金属表面检测方法，主要是针对斑点、轧入氧化皮和划痕三种表面缺陷检测。传统的PCNN具有自适应图像分割的特点，但是在对图像二值分割的同时会对图像的层次性会产生极大的削弱，对于后续的图像处理造成不利影响，且有着在图像区域粗糙时难以捕获像素等缺点[5]。而改进型PCNN在保证对图像分割依然具有优良特性的情况下，又同时使图像本身的层次性得到保留。金属表面缺陷大都具有图像像素相似且强度邻近相似的特点，这与PCNN点火捕获的相似性集群特性有很高的契合度。利用PCNN将图像二值分割后，再通过比对阈值和灰度均值，即可将三者检测出来。

1 脉冲耦合神经网络介绍

脉冲耦合神经网络模型是来自于Eckhorn的猫视觉皮层模型，目前在国际上被称为第三代人工神经网络[6]。这种模型已经被广泛应用于图像平滑、分割以及边缘检测等图像处理研究中，并且有着相比于传统方法的无法比拟的优越性[7]。

1.1 PCNN模型与运行机理

脉冲耦合神经网络模型是由多个神经元互相连接而成，需要对很多参数进行预设，单个神经元结构模型如图1所示[8]。

图1 单个神经元结构模型

PCNN的数学方程描述如下所示：

在上文所示的式子中，神经元的标号使用下标ij表示，θij、Fij、Uij、Lij、Sij分别代表着神经元ij的动态阈值、馈送输入、内部激活、链接输入、外部刺激，VF、VL、Vθ为幅度常数，t是时间常数，β为链接系数，αF、αL、αθ对应着相应的衰减系数，M为连接权矩阵，Yij是输出，n是迭代次数[9]。

PCNN的运行机理就是通过将像素ij的灰度值也就是外部刺激Sij作为第一次迭代时的神经元Uij（1），若Uij≥θij（1）就将该神经元输出视作1，并发生自然点火，之后每次迭代时，已经点火的神经元会对其相邻的神经元进行激励，如果此时也出现Uij≥θij的情况，就会被捕获点火。金属表面缺陷的图像分割便是利用PCNN点火捕获的相似性集体特性。

1.2 改进的PCNN图像分割算法

1.2.1 传统PCNN存在的问题

传统PCNN虽然对于输入数据的空间不连贯有所弥补，能够较为完整的将图像区域的信息保留，但是因为使用的是跃迁函数作为神经元的激活函数，图像分割后得到的是一副二值图像，这对图像的层次性产生了极大地削弱，使后续的图像处理出现不良影响。

1.2.2 改进型PCNN图像分割算法

针对以上所出现的问题，本文在参考HVS空间的情况下提出了一种改进型PCNN图像分割算法。传统的PCNN算法针对的是像素图像中亮度邻近相似度，而本文所用方法则将重点转向像素在图像中所包含的信息邻近相似性。将神经元的激活函数改为下式：

式(6)中，[┤]为向上取整算符，C为信息量等级参数；第n次迭代时神经元内部激活矩阵用U（n）表示，θ（n）为相应的阈值矩阵，A（n）表示第n次迭代时神经元内部激活矩阵用U（n）与阈值矩阵θ（n）的差。Bij表示为神经元内部激励和阈值之差的变化激烈程度；B（n）的最大元和最小元相减则是起到了归一化的作用。

因为神经元的输出此时由Bij决定，所以此时输出的脉冲大小和其对应的像素点周围灰度变化的激励程度成一定的比例，将神经元输出脉冲值的大小看作是此像素点群的灰度变化率，这样该像素点包含的信息量就体现了出来。又神经元的输出是多值的，所以网络的输出就为多个等级含量的信息的多值分割图像，图像因此被分割为L+1种可能的不同灰度值的图像块，方便后续的图像处理。

2 缺陷特征提取方法

斑点、轧入氧化皮和划痕三者可以很直观的发现它们之间的差异：轧入氧化皮所占面积大小是远小于斑点和划痕的，所以只需要提取分割后的缺陷边界，再将每个边界集合的大小计算得出其中边界最长的，如果大于阈值就认为是斑点和划痕，反之则认为它是轧入氧化皮。斑点的平均灰度值小于图像背景灰度均值，而划痕的平均灰度值则会比图像背景灰度均值大，所以将分割后的图与原灰度图进行掩模，将其中非零像素的灰度均值提取即可得到缺陷的均值，再将图像分割图取反并再一次进行掩模就得到了背景的灰度均值，将两者大小进行比较就可确定是划痕缺陷还是斑点缺陷。流程图如图2所示。

3 MATLAB结果与分析

3.1 图像分割结果与分析

图2 缺陷特征提取流程图

使用Inter（R）Core（TM）i5 CPU、8GB的PC机作为硬件平台，Matlab2016a作为软件平台，对200×200尺寸的大量金属表面缺陷图进行分割实验验证及分析。

本文分别从3种缺陷中挑出一组样本进行比对与说明。首先是对原图进行灰度归一化处理以做到图像增强的效果。

图3 3种金属表面缺陷原图与灰度归一化对比

为了更好的说明本文所用方法的有效性和优越性，将结果与文献[10]所用方法进行比对，文献[10]主要是采用的是Gabor变换与区域生长方法进行分割。如下图可以发现虽然轧入氧化皮占据面积小，但是两者都有良好的表现，并且本文方法对于轧入氧化皮表面缺陷中细小的缺陷也能够将其检测出来，文献[10]的方法则是造成了细小缺陷未能分割出来；在对于划痕的分割，虽然本文方法对于缺陷有着更为完整的表现，但是在细节上该方法则是没有出现很好的体现；在对斑点的检测上，本文方法的优越性能得到极大的体现，对于缺陷的细节和所占面积都能够更加真实的体现出来，而文献[10]的方法则是将中间没有出现缺陷的细小面积也直接覆盖。

图4 缺陷分割结果

3.2 缺陷检测结果

依照之前上文所说的特征提取方法对三种缺陷进行特征提取，然后将缺陷标注而出并告知是何种缺陷。

3.2.1 轧入氧化皮检测结果

对于轧入氧化皮采用标注其质心的方法来计算出有多少个轧入氧化皮缺陷。为方便质心的检测，首先将分割后的结果取反之后再对缺陷进行标注。

图5 轧入氧化皮缺陷检测结果

3.2.2 划痕检测结果

对于划痕缺陷因为大部分是直线，所以采用Hough变换提取直线的方法对缺陷进行标注。

图6 划痕缺陷检测结果

3.2.3 斑点缺陷检测

针对斑点缺陷做的检测则是通过提取边缘坐标然后用红线将边线标出，斑点所占面积使用MATLAB自带的bware函数算出而得。

图7 斑点缺陷检测结果

3.3 实验结果分析

基于收集到的数据集，使用本文所提出的方法进行测试并统计，实验结果如表1所示。

表1 缺陷分类结果

从以上结果可以看出PCNN在对图像分割上与其他分割算法是具有很强的优越性和有效性的。在三种缺陷分割和检测中，因为斑点中像素相似且强度邻近相似度是最高的，所以斑点缺陷在图像分割和标注中是效果最为明显的，也能从侧面反映出PCNN算法的点火捕获特性是十分适用于金属表面缺陷检测的。

4 结语

使用图像检测技术对金属产品表面缺陷进行检测已经成为现代工业生产一项非常重要的手段，本文设计了一种改进型PCNN图像分割技术，且与Gabor变换分割方法进行了比较，对比得出本文方法的优越性。然后再对分割后图像的不同缺陷采取不同的特征提取方法从而检测出缺陷的情况。从最后的缺陷分类结果来看，该方法是具有可行性和优越性的。