面向硅鋼板表面缺陷的檢測與識別方法研究.pdf

1、硅鋼板主要用于制作各種發(fā)電機、電動機和變壓器的鐵芯，是發(fā)電、輸變電、電機、電子和軍事工業(yè)不可或缺的重要軟磁性合金材料。由于硅鋼板表面質(zhì)量要求非常嚴格，微小缺陷的存在也會嚴重影響產(chǎn)品的性能，因此對硅鋼板表面缺陷的檢測要求比其他的冷軋板就更加嚴格，進而給檢測系統(tǒng)提出了更大的挑戰(zhàn)。高品質(zhì)硅鋼板的生產(chǎn)離不開有效的檢測手段，嚴格的產(chǎn)品質(zhì)量檢測是控制生產(chǎn)流程、改善工藝設備和提高產(chǎn)品質(zhì)量的可靠保障，因而各國鋼鐵企業(yè)都十分重視，不惜花費巨資改進檢測技術

2、、提高檢測水平。本文從圖像處理和目標檢測的角度對目前硅鋼板表面缺陷的檢測與識別系統(tǒng)中存在的關鍵技術問題進行深入分析，并分別從圖像濾波與顯著提取技術、圖像分割技術、特征提取與分類識別技術入手研究了解決問題的方法，并通過實驗驗證了方法的有效性。論文的主要研究內(nèi)容及成果可歸納如下:
　　(1)在表面微小缺陷檢測的研究中，提出了一種顯著凸活動輪廓模型(SCACM)的檢測新方法，實現(xiàn)了在背景雜亂和噪聲干擾問題下對硅鋼板表面微小缺陷的檢測。在

3、該方法中，采用對稱環(huán)繞凸顯(symmetric surround saliency)的顯著提取技術所獲得的顯著圖可有效抑制雜亂背景，并增加感興趣目標區(qū)域和雜亂背景的對比度，使得潛在的微小缺陷目標區(qū)域得以凸顯。而通過對活動輪廓模型的研究，將顯著圖像特征融入到基于局部活動輪廓的凸能量最小化函數(shù)中，進而求解函數(shù)完成了對硅鋼板表面微小缺陷的檢測。為評估該檢測方法的性能，選取了兩種典型表面微小缺陷進行實驗，并與其他方法的結果進行了對比。實驗結果表

4、明，SCACM方法不僅能有效地檢測出表面微小缺陷目標，同時可降低錯誤檢測個數(shù)，表現(xiàn)出了更好的檢測性能。
　　(2)從圖像處理和目標識別的角度，分析了缺陷目標出現(xiàn)被油污所覆蓋時所面臨的檢測困難，即雜亂背景的問題、油污干擾問題和反光的偽缺陷干擾問題，提出了基于顯著線掃描形態(tài)學(SLSM)的缺陷檢測方法。該方法引入了顯著提取技術用來凸顯潛在的缺陷目標區(qū)域，并獲得顯著圖像，進而對顯著圖像進行濾波和全局二值化處理。并在此基礎上，通過線掃描操

5、作獲得油污干擾區(qū)域，采用形態(tài)學邊緣處理的方法有效去除油污邊緣和反光偽缺陷邊緣，最終獲得表面缺陷目標。以擦裂缺陷、劃傷缺陷和小缺陷等三種典型油污干擾下的表面缺陷圖像為對象，對該方法的性能進行評估分析，并與其他方法進行對比實驗。實驗結果表明，SLSM方法不僅完全檢測出了表面缺陷目標，驗證了該方法對油污干擾下表面缺陷目標檢測的有效性;同時，能夠很好地去除油污邊緣和反光偽缺陷邊緣，與其他方法相比，該方法表現(xiàn)出更好的檢測性能。
　　(3)建

6、立了硅鋼板表面缺陷圖像數(shù)據(jù)集NEU-Silicon用來檢驗特征提取方法對缺陷變形影響的穩(wěn)定性。同時建立了一個樣本個數(shù)和缺陷類別都相對較多的熱軋板表面缺陷圖像數(shù)據(jù)集NEU-Hot，數(shù)據(jù)集中相同類別缺陷外觀存在較大差異，而不同類別的缺陷有著許多相似之處，因而NEU-Hot圖像數(shù)據(jù)集比NEU-Silicon圖像數(shù)據(jù)集更具挑戰(zhàn)性，能夠更全面的檢驗各特征提取方法的性能。
　　(4)在缺陷圖像特征研究方面，基于對傅里葉變換和小波變換等特征提取

7、方法所存在的變形穩(wěn)定性差問題的分析，引入了一種基于散射變換的深度卷積網(wǎng)絡的特征提取方法。該方法通過小波變換和模運算迭代獲得散射算子，進而通過卷積網(wǎng)絡將散射系數(shù)組合獲得缺陷特征，其對于變形具有平移不變性和Lipschitz連續(xù)性且能保留信號能量。為檢驗方法的性能，研究了散射卷積網(wǎng)絡在硅鋼板表面缺陷的特征提取實驗中的應用，并使用NNC分類器在NEU-Silicon圖像數(shù)據(jù)集取得了95.2％的平均分類精度。為進一步驗證方法的廣泛適用性，研究了

8、散射卷積網(wǎng)絡在NEU-Hot圖像數(shù)據(jù)集上的應用情況，并分別使用NNC分類器和SVM得到了97.24％和98.60％的平均分類精度，進而驗證了散射卷積網(wǎng)絡方法的有效性，具有一定的應用推廣價值。
　　(5)針對局部二值模式(LBP)提取特征時編碼策略對噪聲比較敏感的問題，提出了鄰域評估下的局部二值模式(AELBP)。鑒于鄰域評估操作的通用性，進而將鄰域評估操作分別集成到完整局部二值模式(CLBP)和局部三值模式(LTP)中，得到了鄰域

9、評估下的完整局部二值模式(AECLBP)和鄰域評估下的局部三值模式(AELTP)。為了驗證提出方法的通用性，將提出的AELBP、AECLBP和AELTP方法應用到紋理分類的實驗中，并通過與當前其他方法的最好結果進行對比一步驗證了對高斯噪聲干擾的魯棒性。同時為了檢驗方法的應用推廣價值，將提出的方法在建立的NEU-Silicon和NEU-Hot圖像數(shù)據(jù)集上進行了實驗。實驗結果表明，即使在高斯噪聲干擾時，提出的AECLBP方法獲得的平均分類精