基于机器视觉的硅钢板边浪平直度测量方法

董博航，陈 平

(中北大学信息探测与处理山西省重点实验室，山西 太原 030051)

0 引言

硅钢板主要用于制作各种发电机、电动机和变压器的铁芯，是重要的软磁性合金材料，硅钢在正常轧制过程中，边部需要轧出边浪，防止退火时边部撕裂断代，但是成品出厂必须将边浪切除，现场生产操作人员每卷都要频繁测量边部以确定是否达到要求。边浪的平直度又叫不平度、急峻度，数学定义为边浪波长与波高的比值。长期以来，国内冷轧厂家使用人工检测，依赖质检员的操作经验测量边浪平直度，效率低，人工成本高，单次测量耗时长，人员靠近钢带存在安全隐患，且存在钢卷质量异议。因此边浪的智能在线检测是实现冷轧硅钢自动化生产的关键技术[1-2]。随着计算机技术的发展，出现了许多检测原理和方法，从边浪的检测原理上区分为接触式和非接触式2种。

常见的分割辊式测张力板形仪基于分割辊式张力检测法[3]，它通过测量分割辊子压力沿硅钢宽度方向的分布求出硅钢内部张应力沿宽度方向的分布，推算出硅钢纵向纤维条的相对延伸差分布，从而得出板形信息。这种方式属于接触式测量，容易磨损钢板表面，且仪表结构复杂，成本高。激光三角法、莫尔法和直线型激光法等属于非接触式测量方法[4]，激光三角法实质上是利用激光检测位移，属于离散点测量，提供板形信息有限且受钢板振动影响大；莫尔法可以实时测量钢板表面的真实形状，同时消除钢板振动的影响，但其需要大型的耐热格栅来完成格栅照射法测量过程，在实际生产过程中，大型格栅的加工、耐热、变形等都妨碍了测量系统的可靠性，成本极高；直线型激光板形[5]检测从钢板的板形曲线中提取板形信息，避免了钢板振动的影响，获取信息更加直接准确，但依赖于激光源强度和均匀性，以及CCD相机的分辨率，钢板表面粗糙度也会影响检测结果，并且在针对边浪检测时，需要扫描整个边浪，检测速度慢且无法检测浪长在30 mm以上的大浪型。

本文参照直线型激光检测的技术研究思路，针对硅钢板边浪仅存在于边部的特点，提出了一种基于机器视觉的硅钢板边浪平直度测量方法。该方法采用线阵列光源取代激光源对边浪进行特征增强，利用工业相机采集边浪图像，同时提出针对硅钢板边浪的轮廓检测算法，对边浪分别进行轮廓定位、轮廓细节增强和轮廓提取[6]，得到边浪的波长和波高数据，计算得出边浪的平直度。本方法为硅钢板边浪平直度的非接触式测量问题提供了一种全新的快速且高精度的测量方法。

1 测量原理及系统组成

1.1 测量原理

针对边浪的平直度测量，转换为测量边浪的轮廓信息，得出其波长与波高，如图1所示。

图1 边浪平直度

边浪平直度计算式为

平直度=h/l

(1)

本文基于直线型激光检测板形的结构思路，对人工测量边浪过程进行自动化模拟，使用工业相机对边浪信息进行采集；针对边浪横向较宽的性质进行调整，使用线阵列光源替换激光源，形成更宽阔的检测视场；改变相机的悬挂方式，将其与板面水平放置，正向采集边浪的横截面信息。边浪的波长与波高信息都包含在横截面[7]的轮廓信息中。

1.2 系统组成

硅钢板的边浪位于边沿位置，根据工业生产需要，相机与硅钢板平台的距离为300 mm，由于硅钢板的宽度不同，其边沿与平台边沿存在100～300 mm变化的空隙距离，故镜头到目标的距离在400～600 mm范围之间，在此基础上对1.5 m幅宽的硅钢板进行测量，根据计算，需要相机拥有500 W以上的分辨率才能达到所需要的精度，价格昂贵；若改为使用多个相机，则会导致图像采集速度和系统集成难度变大，所以本文提出了针对低分辨率的硅钢板边浪轮廓检测算法，配合使用2台200 W分辨率相机，在提高采集速度、减少系统集成难度的同时，获得高精度的平直度测量结果。

本文系统的结构如图2所示。使用2套相机与光源分别采集800 mm范围的硅钢板边部，每套的线阵列光源俯视15°左右照射硅钢板边部，加强边浪部分的明暗对比，相机中轴线略高于硅钢板平面，对边部进行图像采集。其中，相机镜头到钢板边部的距离为400～600 mm(对应不同宽度的硅钢板)。光源位于相机的正上方，距离相机150 mm，相机会将信息采集并传输给计算机处理，计算机在标定基础上对2个相机的图像进行拼接，之后使用边浪轮廓检测算法对拼接后的图片进行边浪定位，提取出轮廓并分析，最终得到硅钢板边浪的最大平直度。

图2 非接触式硅钢板边浪智能检测系统

2 边浪轮廓检测算法

边浪轮廓检测算法主要由3部分组成：

a.利用种子点生长法思想从原始图像准确截取边浪轮廓区域ROI。

b.采用基于Retinex思想的三次高斯加权图像增强算法，对ROI进行增强预处理。

c.采用自适应阈值的Canny算法对增强后的ROI进行轮廓提取并计算平直度。

算法实现原理如图3所示。

图3 边浪轮廓检测算法的实现原理

2.1 基于种子点生长法的轮廓定位

针对实际采集过程中，由于光照不同以及边浪大小、位置的不固定等原因，导致需要对图像进行自适应的轮廓定位，准确找到边浪轮廓区域后进行图像ROI标注并分割出来，最大限度的消除背景对轮廓提取的干扰。而由于没有大量的数据集可以用来训练目标定位检测网络，所以使用传统算法。

针对彩色图像的分割技术大致可以分为边缘检测法、聚类方法和基于区域的方法。由于目标图像具有：边浪阴影区域灰度值在全局范围内最小；边浪边沿两侧颜色变化明显；且阴影部分内部没有干扰边缘等图像特征。因此，本文适合使用基于区域或边缘来分割目标区域。借由种子点区域生长的思想：通过一些初始生长种子，将种子周围具有相似像素的区域归并到种子像素所在的区域；本文提出了基于区域分割的硅钢板的边浪区域定位方法：利用边浪的灰度直方图选择灰度值从小到大的第1个聚集点作为种子点，确保其在阴影部分。确定种子点后，向其周围寻找色调和饱和度相似的区域。生长准则基于色调和饱和度均差值进行自动选择阈值。对文献[8]中提到的方法进行修改，变为点与点的相似度函数，即：

f(Ri,j,Ri+1,j+1)=0.8×simh(Ri,j,Ri+1,j+1)+

0.2×sims(Ri,j,Ri+1,j+1)

(2)

simh(Ri,j,Ri+1,j+1)=xi,j-xi+1,j+1

(3)

xi,j与yi,j分别为点(i,j)的色调分量均值和饱和度分量均值；f(Ri,j,Ri+1,j+1)为该点与(i+1,j+1)的相似度函数，判断时，使用最大类间方差法自动选定阈值[9]。对选定出来的区域进行大小比较，保留最大的区域作为ROI，并在x、y方向适当增大，便于边缘提取。

通过上述方法可以实现对边浪区域的准确分割，最大限度地消除外界光源及背景对硅钢板边浪提取过程的干扰。

2.2 基于Retinex的多尺度高斯图像增强

拼接后的图像是在使用200 W分辨率工业相机的条件下，工作距离为400～600 mm的分辨率采集结果，其纵向分辨率为0.5 mm，导致边浪细节模糊。为了轮廓检测的完整性，需要进行图像增强[10]。

基于Retinex思想的改进算法[11]中提及，使用3个尺度的高斯模糊，再和原图做减法，获得不同程度的细节信息，然后通过一定的组合方式把这些细节信息融合到原图中，从而加强原图信息的能力。具体计算式为：

Bi=Gi*Ii=1,2,3

(4)

Di=I-Bii=1,2,3

(5)

D*=(1-0.5×sgn(D1))×D1+

0.5×D2+0.25×D3

(6)

Gi为高斯核，其方差σ分别取1、2和4；I为原始图像；Di为不同程度的细节信息；D*为整体细节，将整体细节D*与原始图像I相加可以得到增强后的图像。本文针对小目标的细节优化，调整三次高斯核的组合权重比，对采集图像进行针对性增强，即

D*=(1-0.25×sgn(D1))×D1+

0.25×D2+0.25×D3

(8)

2.3 基于Canny的轮廓提取并计算平直度

对仅包含边浪信息的ROI区域进行轮廓提取，得到边浪轮廓，本文对Canny算法进行适应性优化[12]，在其原有基础上，增加了最大类间方差法的自适应阈值计算[13]和基于Ransac[14]的轮廓拟合2个步骤。

由于检测平台表面和相机的水平轴无法达到完全的平行，会导致波长点集，即轮廓下沿大致为斜向上的线段，同时存在缺失部分或偏移量过大的点，针对这一问题，本文基于Ransac线性拟合方法进行轮廓点集的拟合。

Ransac算法是从一组含有外点的数据中正确估计数学模型参数的迭代算法，是在一定概率下合理的结果，并允许更多次的迭代来使概率增加。分析波长点集，本文由于边浪的数据特性，其绝大部分都在一条直线附近，基于此进行改进，提高算法计算速度与准确性。具体改进过程如下：

a.常规的Ransac拟合算法需要先随机采样K个点来拟合模型，直线拟合时K=2 。本文针对波长点集的特征，尝试选择中间部分的多个点作为初次的随机采样点，减少迭代次数的同时也可以提高准确率[13]。

b.采用改进的拟合算法将波长点集拟合为直线后，直线与原图像的检测平面水平线基本平行，之后求所有轮廓点到直线距离最大值，作为波高H；波长L为轮廓点中左右两端点的X方向差值与Y方向差值构成的直角三角形斜边，根据勾股定理，再通过式(1)可以得到平直度。

3 实验及结果分析

3.1 实验平台搭建

本文提及的基于机器视觉的硅钢板边浪平直度检测系统实验平台(实际采集平台为银灰色，与实验平台颜色相差不多)的构建如图4所示。实验使用200 W像素的工业相机和5 mm焦距镜头，被测硅钢板(使用2块钢板拼接而成，较亮板存在边浪，暗色板不存在边浪)放在载物平台上，采用高均匀线光源，俯视照射硅钢板边沿，有10个可调节亮度等级，实现对不同光照的情况模拟，相机中轴线与载物平台保持平行。

图4 模拟实验台及采集设备

3.2 实验过程与结果

以平直度分别为1.3%和1.7%的2块硅钢板为测量对象，对其边浪进行检测。由于实验板材实际长度皆小于1 500 mm，所以采用2块板材进行拼接的方式模拟1 500 mm的检测范围。实验目的是利用本文方法计算出其平直度并与已知平直度进行比对，通过对不同光照下的目标进行采集，以验证本文提出的检测方法的准确性。图5为硅钢板边浪单个相机采集的原始图像。经过定位后分割出的最大边浪区域为图6所示。

图5 原始图像

图6 定位分割后的边浪区域

由于相机分辨率不足，边浪的边缘位置模糊不清，对其使用基于Retinex的各尺度高斯图像增加方法进行图像增强后，如图7所示，边缘细节更加清晰，但是背景噪声点也变强。

图7 图像增强后的边浪区域

对图7中的边浪区域进行边缘检测，结果如图8所示。

图8 本文算法轮廓提取结果

3.3 结果分析

针对轮廓定位方面，通过图6可知，本文算法能精确定位到面积最大的边浪区域，可将其轮廓检测出来，在复杂背景环境中对边浪的识别与检测效果优异。

对于图像增强的结果，通过对比图6与图7中的图片，在边缘的起伏位置，线条更明显，整体图像的边浪特征更加突出。为了进一步验证上述结论，计算了图像ROI区域图像增强前后的锐度图像质量评价指标，对本文提出的图像增强算法进行客观指标验证。锐度可以反映图像边缘的锐利程度以及整体图像的变化程度，其值越大，表示边缘越锐利，图像细节越丰富。表1给出了针对不同大小的边浪进行定位分割后，得到的感兴趣区域在图像增强前后的锐度变化，并与基于拉普拉斯的图像增强方法进行对比。

表1 边浪区域在图像增强前后的锐度

由表1可以知道，图像增强后锐度变大，边缘更加锐利，细节更加丰富，同时相较于拉普拉斯图像增强方法，本文方法效果更佳。

在轮廓精度上，由图8可知，本文将检测到的轮廓绘制到原图中，发现其与边浪实际轮廓基本吻合，同时针对不同的光照情况，不需要频繁地更换阈值，就可以达到智能化的需求。

对检测到的边浪轮廓进行平直度计算，得到的平直度如表2所示。

以自然光照和加强外部光源为例来验证本文算法在不同光照下的适应程度，结果发现，光照的改变对检测结果影响不大。对比实际平直度与检测值，确定平直度的检测误差不超过0.05%。

4 结束语

本文提出一种基于宽视场高分辨率相机的硅钢板平直度检测方法，实现了非接触式硅钢板平直度质量检测。使用工业相机和高均匀线光源，在确保成像质量的同时降低成本；算法结合了边浪特征，自适应不同大小和形状的边浪；使用种子点生长方法实现对边浪的高精度识别。但是整体实验在静态中进行，后续尝试动态测量，思考振动等问题对实验测量的影响。