本發(fā)明屬于帶鋼表面缺陷檢測技術(shù)領(lǐng)域，特別是涉及基于模板匹配的帶鋼表面缺陷精準(zhǔn)檢測方法。

背景技術(shù)：

鋼鐵是汽車生產(chǎn)、機(jī)械制造、航空航天等領(lǐng)域不可或缺的原材料，其年產(chǎn)量可以達(dá)到所有產(chǎn)品生產(chǎn)的80％以上。但由于軋制設(shè)備、生產(chǎn)環(huán)境等的影響，鋼鐵表面極易產(chǎn)生各種各樣不可預(yù)知的缺陷，這些缺陷不僅影響鋼材的美觀，而且會影響產(chǎn)品耐腐性，這往往會造成不可預(yù)估的損失及危險，故相關(guān)的用戶對鋼材的表面質(zhì)量提出了更高的要求。近年來，隨著鋼材需求量的不斷增加，生產(chǎn)線往往要求更快的速度，這使得人工檢測質(zhì)量不能夠滿足速度要求，且快速的生產(chǎn)要求導(dǎo)致人工檢測的準(zhǔn)確率下降，故基于機(jī)器視覺的帶鋼表面檢測技術(shù)被越來越多得用于生產(chǎn)中。

現(xiàn)有的檢測方法大致分為監(jiān)督方法與非監(jiān)督方法兩類。監(jiān)督方法需要預(yù)先收集大量缺陷圖像進(jìn)行訓(xùn)練，訓(xùn)練過程往往耗時較長，且?guī)т摫砻娴娜毕萦行┦遣豢深A(yù)知的，這限制了該類方法在實際生產(chǎn)中的應(yīng)用。非監(jiān)督方法是通過人工提取特征后，查找圖像中具有異常特征的分塊從而實現(xiàn)缺陷定位，該類方法中有些是難以實現(xiàn)且耗時較長。如：Y.Lee等人(Y.Lee,J.Lee,"Accurate Automatic Defect Detection Method Using Quadtree Decomposition on SEM Images,"in IEEE Transactions on Semiconductor Manufacturing,vol.27,no.2,pp223-231,May 2014.)使用四叉樹分解方法進(jìn)行缺陷檢測，該方法需要前期對圖像的一些處理再通過查找異常分塊實現(xiàn)檢測，但前期處理過程復(fù)雜且采用的分塊方法使得檢測精度局限于分塊大小，對于全圖均勻分布的缺陷不能達(dá)到好的檢測效果。X.Bi,等人(X.Bi,X.Xu and J.Shen,“An automatic detection method of mura defects for liquid crystal display using real Gabor filters,”20158th International Congress on Image and Signal Processing(CISP),Shenyang,2015,pp.871-875.)使用Gabor小波對缺陷進(jìn)行檢測，該方法是使用不同方向的濾波器對圖像分別進(jìn)行濾波操作，這就增加了該方法的計算量。D.Aiger等人(D.Aiger and H.Talbot,“The phase only transform for unsupervised surface defect detection,”Computer Vision and Pattern Recognition(CVPR),2010IEEE Conference on,San Francisco,CA,2010,pp.295-302.)使用在頻域空間下對周期性紋理缺陷進(jìn)行檢測，該方法僅使用了傅里葉變換就可以實現(xiàn)對缺陷的檢測，但該方法只能檢測到缺陷的邊緣信息，雖然J.Choi等人(J.Choi and C.Kim,“Unsupervised detection of surface defects:A two-step approach,”201219th IEEE International Conference on Image Processing,Orlando,FL,2012,pp.1037-1040.)對通過增加局部細(xì)化過程對該方法進(jìn)行了改進(jìn)，使之對缺陷內(nèi)部的像素有填充效果，但對于塊狀的缺陷，如：油斑、滴焦油等缺陷，該方法依然會產(chǎn)生漏檢。因此研究具有高檢測率且具有低復(fù)雜度的檢測方法具有非常重要的意義。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明所要解決的技術(shù)問題是，提供一種基于模板匹配的帶鋼表面缺陷精準(zhǔn)檢測方法。該方法只使用了一個匹配模板以及簡單的圖像差分方法，就能夠準(zhǔn)確對帶鋼表面缺陷進(jìn)行定位，如：塊狀缺陷：油斑、滴焦油等；條狀缺陷：劃傷等；點狀缺陷：縮孔、白點等，而不會產(chǎn)生缺陷內(nèi)部像素漏檢的情況；由于本發(fā)明方法利用了非缺陷的分布統(tǒng)計方法生成匹配模板，故對于類似于麻點這樣全局均勻分布形式的缺陷同樣具有較好的檢測效果；且該方法的缺陷檢測精度到像素級，更有利于后續(xù)的分類工作。

本發(fā)明解決所述技術(shù)問題采用的技術(shù)方案是，提供一種基于模板匹配的帶鋼表面缺陷精準(zhǔn)檢測方法，包括如下步驟：

步驟1，統(tǒng)計非缺陷分布：在線采集不少于十張帶鋼非缺陷灰度圖像，形成非缺陷庫，統(tǒng)計所采集的所有非缺陷灰度圖像的直方圖信息并擬合高斯曲線；

步驟2，讀取圖像：線陣相機(jī)在線獲取待檢測圖像I0，從計算機(jī)中讀取待檢測圖像I0；計算待檢測圖像I0的行數(shù)為M，列數(shù)為N，待檢測圖像I0的大小，記為M×N；

步驟3，重構(gòu)圖像：將待檢測圖像I0中的像素值按照每一列升序或降序排列，得到重構(gòu)圖像I1；

步驟4，建立匹配模板C：根據(jù)步驟1擬合得到的高斯曲線構(gòu)建一個與待檢測圖像I0大小相等的矩陣，該矩陣即為匹配模板C；

步驟5，圖像差分：將匹配模板C與重構(gòu)圖像I1的每一點的像素值進(jìn)行差分運(yùn)算，得到差分圖像I2，即I2(i,j)＝C(i,j)-I1(i,j)0≤i≤M,0≤j≤N，

其中，C(i,j)表示匹配模板第i行第j列的像素值，I1(i，j)是重構(gòu)圖像I1中位于第i行第j列的像素值；

并將差分圖像I2中的各像素值按照待檢測圖像I0中的位置進(jìn)行重排，得到重排圖像I3；

步驟6，缺陷定位：利用正向分割閾值TH及負(fù)向分割閾值-(TH+D)對重排圖像I3進(jìn)行二值化，若重排圖像I3中某一像素點的像素值大于TH或小于-(TH+D)，記為1，說明該位置為缺陷位置；反之，記為0，說明該位置不是缺陷位置，從而實現(xiàn)了缺陷的準(zhǔn)確定位，其中D為常數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

1.本發(fā)明的檢測方法主要包括一個匹配模板C的建立、一個圖像差分及一個缺陷閾值的選取，方法簡單，而且采用的是像素級的比較方式，精度可以達(dá)到像素級別，不需要繁復(fù)的訓(xùn)練過程，可以實現(xiàn)像素級的缺陷檢測，雖然方法簡單，但是準(zhǔn)確率高，算法的編程實現(xiàn)也很簡單，生產(chǎn)過程中出現(xiàn)程序問題也方便調(diào)試。

2.本發(fā)明的檢測方法能夠?qū)崟r、精準(zhǔn)地對帶鋼表面缺陷進(jìn)行檢測，包括塊狀缺陷，點狀缺陷、條形缺陷等，減少了缺陷內(nèi)部像素漏檢情況的發(fā)生。對于均勻分布類型的缺陷，該方法可以減少其誤檢率，其準(zhǔn)確率能夠滿足在線的帶鋼表面缺陷檢測要求；

3.本發(fā)明的檢測方法適用范圍廣，只需定期對非缺陷圖像庫進(jìn)行更新，能夠滿足不同生產(chǎn)線上對不同類型缺陷的檢測要求。

附圖說明

圖1是本發(fā)明基于模板匹配的帶鋼表面缺陷精準(zhǔn)檢測方法的流程圖；

圖2是本發(fā)明的檢測方法所采用的檢測裝置的結(jié)構(gòu)示意圖，其中1-傳送輥，2-條形頻閃光源，3-線陣相機(jī)，4-傳輸設(shè)備，5-計算機(jī)；

圖3是本發(fā)明基于模板匹配的帶鋼表面缺陷精準(zhǔn)檢測方法中步驟1中非缺陷直方圖統(tǒng)計及擬合的高斯曲線。

圖4是本發(fā)明基于模板匹配的帶鋼表面缺陷精準(zhǔn)檢測方法中步驟4中匹配模板C建立的說明圖，其中S表示區(qū)域面積，S1＝S2＝...＝S_M。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明做進(jìn)一步的說明，但并不以此作為對本申請權(quán)利要求保護(hù)范圍的限定。

本發(fā)明基于模板匹配的帶鋼表面缺陷精準(zhǔn)檢測方法(簡稱方法，參見圖1)，包括如下步驟：

步驟1，統(tǒng)計非缺陷分布：在線采集不少于十張帶鋼非缺陷灰度圖像，形成非缺陷庫，統(tǒng)計所采集的所有非缺陷灰度圖像的直方圖信息并擬合高斯曲線；

步驟2，讀取圖像：線陣相機(jī)在線獲取待檢測圖像I0，從計算機(jī)中讀取待檢測圖像I0；計算待檢測圖像I0的行數(shù)為M，列數(shù)為N，即待檢測圖像I0的寬為M，長為N，待檢測圖像I0的大小，記為M×N；

步驟3，重構(gòu)圖像：將待檢測圖像I0中的像素值按照每一列升序(或降序)排列，得到重構(gòu)圖像I1；

步驟4，建立匹配模板C：根據(jù)步驟1擬合得到的高斯曲線構(gòu)建一個與待檢測圖像I0大小相等的矩陣，該矩陣即為匹配模板C；

步驟5，圖像差分：將匹配模板C與重構(gòu)圖像I1的每一點的像素值進(jìn)行差分運(yùn)算，得到差分圖像I2，即I2(i,j)＝C(i,j)-I1(i,j)0≤i≤M,0≤j≤N，

其中，C(i,j)表示匹配模板第i行第j列的像素值，I1(i，j)是重構(gòu)圖像I1中位于第i行第j列的像素值；并將差分圖像I2中的各像素值按照待檢測圖像I0中的位置進(jìn)行重排，得到重排圖像I3；

步驟6，缺陷定位：利用正向分割閾值TH及負(fù)向分割閾值-(TH+D)對重排圖像I3進(jìn)行二值化，若重排圖像I3中某一像素點的像素值大于TH或小于-(TH+D)，記為1，說明該位置為缺陷位置；反之，記為0，說明該位置不是缺陷位置，從而實現(xiàn)了缺陷的準(zhǔn)確定位，其中D為常數(shù)。

本發(fā)明方法的進(jìn)一步特征在于步驟1中統(tǒng)計非缺陷分布的具體步驟如下：

1-1：缺陷檢測前使用條形頻閃光源為帶鋼表面提供光源，通過線陣相機(jī)獲取一定數(shù)量的在線灰度圖像并存儲于計算機(jī)的內(nèi)存中；

1-2：從計算機(jī)的內(nèi)存中讀取灰度圖像，人工選擇不少于十張非缺陷灰度圖像，形成非缺陷庫；

1-3：統(tǒng)計所有非缺陷圖像整體直方圖信息并擬合高斯曲線，得到高斯分布概率密度函數(shù)為：

其中，t為輸入的數(shù)據(jù)，σ代表輸入數(shù)據(jù)的方差信息，μ代表輸入數(shù)據(jù)的均值信息。

本發(fā)明方法的進(jìn)一步特征在于步驟4建立匹配模板C的具體步驟是：

4-1：使用x＝x_i對步驟1擬合得到的高斯曲線由左到右(升序)或由右到左(降序)進(jìn)行等概率分割，按照如下公式求取x_i：

(升序)或(降序)

其中x_i表示第i(i＝1,....,M)條分割線的橫坐標(biāo)，M為待檢測圖像I0的行數(shù)；

4-2：按照C₀(i,j)＝[x_i+0.5]得到初始化模板，其中，C₀(i,j)表示初始化模板第i行第j列的像素值，初始化模板的每行像素值是相等的，1≤i≤M，1≤j≤N；[]為高斯記號，表示對x_i進(jìn)行四舍五入操作；

4-3：根據(jù)模板閾值T1及T2更新初始模板：

將重構(gòu)圖像I1中的每一個像素值與模板閾值T1與T2進(jìn)行比較，對初始化模板C₀(i,j)滿足條件T1＜I1(i,j)＜T2的值進(jìn)行更新，得到第j列中需要更新的像素數(shù)量為：m_j＝M-k_j-p_j，其中k_j表示第j列中滿足條件I1(i,j)≤T1的個數(shù)，p_j表示第j列中滿足條件I1(i,j)≥T2的個數(shù)，其中模板閾值T1及T2按照以下公式計算：

其中，ε1與ε2為置信度，通常0＜ε1,ε2≤0.005；

使用分割線x＝x_vj，v∈[1,m_j]且v∈Z，將高斯曲線f(t)由左到右(或由右到左)等概率分割；

按照以下公式得到匹配模板C：

本發(fā)明方法的進(jìn)一步特征在于步驟6缺陷定位的具體步驟如下：利用正向分割閾值TH及負(fù)向分割閾值-(TH+D)對重排圖像I3進(jìn)行二值化，若重排圖像I3中某一像素點的像素值大于TH或小于-(TH+D)，記為1，說明該位置為缺陷位置；反之，記為0，說明該位置不是缺陷位置，從而實現(xiàn)了缺陷的準(zhǔn)確定位，其中D為常數(shù)。

由于帶鋼表面缺陷圖像的缺陷灰度值相較于非缺陷存在差異(有些較非缺陷灰度值高，有些灰度值低)，故使用以下公式對獲取的重排圖像I3進(jìn)行二值化缺陷分割：

E(i,j)取值為1，圖像顯示為白色，E(i,j)取值為0，圖像顯示為黑色；

正向分割閾值TH采用以下公式計算：

TH＝W·log(σ(I0))/log(μ(I0))

其中，待檢測圖像I0的大小為M×N，μ(I0)、σ(I0)分別表示待檢測圖像I0的像素均值及標(biāo)準(zhǔn)差，W為常系數(shù)，W＞0。

本發(fā)明檢測方法所使用的檢測裝置包括傳送輥1，在傳送輥1上方設(shè)有條形頻閃光源2以及線陣相機(jī)3，所述線陣相機(jī)3通過傳輸設(shè)備4與計算機(jī)5相連。預(yù)先通過線陣相機(jī)3獲取一定量的帶鋼灰度圖像，由人工選取非缺陷灰度圖像后存入計算機(jī)內(nèi)存中，再通過線陣相機(jī)3在線獲取待檢測圖像，通過計算機(jī)5實現(xiàn)檢測過程并存儲檢測信息，根據(jù)檢測信息對缺陷進(jìn)行分類，判斷缺陷類型以及該種缺陷產(chǎn)生的比例，通過這個比例信息，人工對帶鋼出現(xiàn)問題的生產(chǎn)環(huán)節(jié)進(jìn)行維修。本發(fā)明在線陣相機(jī)的選擇方面也可以使用彩色相機(jī)，帶鋼的圖像缺陷檢測與顏色沒有很大的相關(guān)性，一般實際生產(chǎn)線上是用的黑白相機(jī)；使用黑白線陣相機(jī)采集灰度圖像，因該種線陣相機(jī)可以滿足系統(tǒng)的檢測要求且售價相對便宜使用，最重要的是它具有掃描速度快且精度高的優(yōu)點。在光源的選擇方面，使用條形頻閃光源，通過一定頻率的閃光為帶鋼表面提供光源保證線陣相機(jī)采集圖像的高清晰度，并且選用紅色光源進(jìn)行照明。

實施例1

本實施例基于模板匹配的帶鋼表面缺陷精準(zhǔn)檢測方法的步驟是：

步驟1，非缺陷分布統(tǒng)計：

使用如圖2所示的檢測裝置進(jìn)行圖像的在線獲取，

1-1：缺陷檢測前使用條形頻閃光源為帶鋼表面提供光源，通過線陣相機(jī)獲取100張在線圖像并存儲于計算機(jī)的內(nèi)存中；

1-2：從計算機(jī)的內(nèi)存中讀取圖像，人工選擇10張非缺陷圖像形成非缺陷庫；

1-3：如圖3所示，統(tǒng)計非缺陷圖像整體直方圖信息后擬合高斯曲線，得到高斯分布概率密度函數(shù)為：

其中，t為輸入的數(shù)據(jù)，σ代表輸入數(shù)據(jù)的方差信息，μ代表輸入數(shù)據(jù)的均值信息。

步驟2，圖像讀取：

2-1：線陣相機(jī)在線獲取帶鋼表面圖像，并存儲于計算機(jī)內(nèi)存中；

2-2：從計算機(jī)內(nèi)存中讀取待檢測圖像I0；

2-3：計算待檢測圖像I0的行數(shù)為M，列數(shù)為N，即待檢測圖像I0的寬為M，長為N，待檢測圖像I0的大小，記為M×N。

步驟3，重構(gòu)圖像：

對待檢測圖像I0每列按照升序排列后得到重構(gòu)圖像I1，并記錄重構(gòu)圖像I1中像素值在待檢測圖像I0中的對應(yīng)位置。

步驟4，建立匹配模板C：

4-1:如圖3所示，使用x＝x_i對曲線由左到右進(jìn)行等概率分割，按照如下公式求取x_i：

其中x_i表示第i(i＝1,....,M)條分割線的橫坐標(biāo)，M為待檢測圖像I0的行數(shù)。

4-2：按照C₀(i,j)＝[x_i+0.5]得到初始化模板，其中，C₀(i,j)表示初始化模板第i行第j列的像素值，初始化模板的每行像素值是相等的，1≤i≤M，1≤j≤N；[]為高斯記號，表示對x_i進(jìn)行四舍五入操作；

4-3：根據(jù)模板閾值T1及T2更新初始模板：

將重構(gòu)圖像I1中的每一個像素值與模板閾值T1與T2進(jìn)行比較，對初始化模板C₀(i,j)滿足條件T1＜I1(i,j)＜T2的值進(jìn)行更新，得到第j列中需要更新的像素數(shù)量為：m_j＝M-k_j-p_j，其中k_j表示第j列中滿足條件I1(i,j)≤T1的個數(shù)，p_j表示第j列中滿足條件I1(i,j)≥T2的個數(shù)，其中模板閾值T1及T2按照以下公式計算：

其中，ε1與ε2為置信度，本實施例中ε1與ε2均取0.005；

使用分割線x＝x_vj，v∈[1,m_j]且v∈Z，將高斯曲線f(t)由左到右等概率分割。

按照以下公式得到匹配模板C：

步驟5，圖像差分：

5-1：匹配模板C與重構(gòu)圖像I1的每一點的像素值進(jìn)行差分運(yùn)算，得到差分圖像I2，即I2(i,j)＝C(i,j)-I1(i,j)0≤i≤M,0≤j≤N；

5-2：按照步驟3中記錄的位置信息，將差分圖像I2像素恢復(fù)到原位置得到重排圖像I3。

步驟6，缺陷定位：

由于帶鋼表面缺陷圖像的缺陷灰度值相較于非缺陷存在差異(有些較非缺陷灰度值高，有些灰度值低)，故使用以下公式對獲取的重排圖像I3進(jìn)行二值化：

TH為正向分割閾值，-(TH+D)為負(fù)向分割閾值，若重排圖像I3的像素值在-(TH+D)與TH之間則認(rèn)為該像素值為非缺陷像素，且顯示為黑色，否則為缺陷像素顯示為白色，這里選取D＝10。TH采用以下公式計算：

TH＝W·log(σ(I0))/log(μ(I0))，

其中，待檢測圖像I0的大小為M×N，μ(I0)、σ(I0)分別表示待檢測圖像I0的像素均值及標(biāo)準(zhǔn)差，W為常系數(shù)，W＞0，本實施例選取W＝30。最后的輸出圖像為二值化圖像：白色位置為缺陷，黑色位置為非缺陷。

將本實施例檢測方法定位的缺陷計算檢出率及誤檢率：

本實施例中共使用了200張在線獲取的帶鋼缺陷圖像，其中一張圖像上可能存在多種類型缺陷，共計216個缺陷。經(jīng)過統(tǒng)計，得到準(zhǔn)確檢測出的缺陷數(shù)量為209，有6個缺陷被錯誤檢出，故檢出率為：209/216＝96.8％，誤檢率為：6/216＝2.78％。與J.Choi等人(J.Choi and C.Kim,“Unsupervised detection of surface defects:A two-step approach,”2012 19th IEEE International Conference on Image Processing,Orlando,FL,2012,pp.1037-1040.)提到的方法相比，準(zhǔn)確率提高了約10％。

在本實施例中，檢測裝置所使用的硬件型號如下表所示：

因此，本發(fā)明檢測方法簡單易行，且能夠精準(zhǔn)地得到帶鋼表面缺陷，適于工業(yè)推廣使用，成本較低。

以上所述僅為本發(fā)明的實施例之一而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求保護(hù)的范圍之內(nèi)。

本發(fā)明未述及之處適用于現(xiàn)有技術(shù)。