高速高精度帶鋼表面檢測系統的設計范文

本站小編為你精心準備了高速高精度帶鋼表面檢測系統的設計參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《哈爾濱理工大學學報》2016年第6期

摘要:

針對帶鋼表面缺陷檢測系統的速度滯后，精度偏低等問題，在分析成像理論和圖像檢測理論的基礎上，設計并實現了一種帶鋼表面缺陷高速高精度在線檢測系統．該系統首先采用大功率半導體均勻發光激光器技術、高速線掃描成像技術和基于圖形處理器的Gabor紋理濾波技術實現了高速高分辨率的圖像采集和處理，然后采用基于嵌套循環的K－折交叉驗證、信息增益率和BP神經網絡方法構建了高準確率的分類器，以達到對帶鋼表面缺陷高速高精度在線檢測．實驗結果表明，該系統滿足了現有帶鋼生產速度的要求，具有較高的精度和準確率．

關鍵詞:

圖像采集和處理;圖像檢測;Gabor紋理濾波;神經網絡

0引言

鋼鐵企業為了提高競爭力，對帶鋼的生產提出了新的要求，也對帶鋼表面檢測系統提出了更高的要求，既要有更高的檢測速度還要有更加準確的檢測精度［1］．而與此同時，跟隨機器視覺技術的發展，帶鋼表面檢測系統也得到了廣泛的研究與應用［2］．主要研究包括:①光源技術．由于帶鋼檢測對光源要求頻度高、體積小，這限制了傳統光源在其應用［3］，激光具有方向性好、亮度高、體積小等優點，被廣泛應用于帶鋼檢測應用中，國內的徐科等［4］提出熱軋鋼檢測中用綠光作為激光光源，但激光照明需解決均勻性問題．②掃描技術．由于電荷耦合元件能夠實現實時檢測，成為目前研究和應用的主流技術［5］．但是，CCD電荷耦合器需在同步時鐘的控制下，以行為單位一位一位地輸出信息，速度較慢，而互補金屬氧化物半導體光電傳感器采集光信號的同時就可以取出電信號，還能同時處理各單元的圖像信息，速度比CCD電荷耦合器快很多［6］．③圖像處理算法．受限于帶鋼加工過程的特性，帶鋼表面呈現出隨機紋理的特點，對于隨機紋理圖像的處理分析，目前常用的方法有共生矩陣法、頻域濾波法、分形法等．作為頻域濾波法的代表，二維Gabor濾波器有著與生物視覺系統相近的特點［7］，廣泛應用于紋理圖像的處理分析．但是，CPU很難滿足現在的帶鋼檢測的實時要求［8］．④分類算法．特征選擇的主流算法是主成分分析和信息增益．主成分分析存在特征向量方向不一致的問題，而且如何確定主成分存在主觀性［9］．信息增益可以衡量特征的優劣，利用它可對特征進行排序，方便后面的特征選擇，但信息增益適用于離散特征，信息增益率既適用于離散特征也適用于連續特征［10］，被廣泛應用于特征選擇的過程中．圖像分類算法主流算法包括支持向量機和BP神經網絡．支持向量機不適用于大樣本的分類問題［11］．BP神經網絡方法具有能夠解決非線性分類問題，對噪聲不敏感等優點，被廣泛應用于帶鋼檢測中，如王成明等［12］提出的基于BP神經網絡的帶鋼表面質量檢測方法等，但是BP神經網絡的超參的設定往往具有隨機性，這嚴重影響了分類效果［13]．本文首先介紹了帶鋼表面缺陷高速高分辨率成像系統的設計，針對光源的不均勻性、圖像處理速度慢等問題，提出改進方法，然后介紹了分類器的構建，針對樣本劃分的隨機性、特征選擇的隨機性以及BP神經網絡超參設定的隨機性問題，做出改進，最后介紹試驗結果．

1帶鋼表面缺陷高速高分辨率的成像系統的設計

1)大功率半導體均勻發光激光器技術．激光能夠保證帶鋼表面缺陷的檢出率［14］，本系統選用808nm半導體激光器作為照明源，出光功率可達30W，亮度可達1500流明．激光照明需解決均勻性的問題，本文采用了基于鮑威爾棱鏡的激光線發生辦法，解決了激光照明的均勻性問題，其光路如圖1所示．該方法首先在激光聚焦位置放置圓形球面透鏡，負責將發散的激光束匯聚成準平行光，同時控制光柱的粗細，然后，利用鮑威爾棱鏡的擴散效果對圓柱的一個方向進行擴束，最終形成激光線．為保證亮度及寬度的適應性，激光器出光口距離圓透鏡、鮑威爾棱鏡的距離可以精密調整．為了降低反射亮度損失，在透鏡表面鍍上808±5nm的T≥99%的增透膜．

2)基于GPU的Gabor紋理濾波技術．二維Ga-bor濾波器具有易于調諧方向、徑向頻率帶寬及中心頻率等特征，本文采用該方法來進行圖像處理，二維Gabor函數為guv(x，y)=k2σ2exp－N2(x2+y2)2σ[]2×expi(k•()xy[])－exp－σ2{()}2(1)其中:k=kxk()y=kvcosψμkvsinψ()μ;kv=2－v+22π;ψμ=μπN;v的取值決定了Gabor濾波的波長;μ的取值表示Gabor核函數的方向;N為總的方向數．設f(x，y)為圖像函數，guv(x，y)為卷積函數，則卷積輸出N(u，v)可表示為N(u，v)=f(x，y)*guv(x，y)(2)二維Gabor濾波算法計算量較大，為了保證了帶鋼表面缺陷檢測的實時性，采用基于GPU的并行處理架構，其計算流程如圖2所示．GPU的算法分為兩個流程:訓練過程主要針對無缺陷圖像進行，通過訓練完成紋理圖像的背景建模，一方面消除背景變化帶來的干擾，另一方面形成有效的Gabor卷積參數，以便在檢測過程中得到最優的檢出效果．檢測過程對實際拍攝的缺陷圖像進行分析，首先按照GPU的核心數和緩存大小對圖像進行分解，本文所有GPU的核心數為1024，顯存2G，因此將原始圖像分解為1000塊，分別加載到1000個核心中，同時并發運行卷積運算．最后將各個窗口的卷積結果合并到一起，得到完成的濾波結果，最后借助于背景模式，將背景的干擾消除，得到干凈的缺陷區域．

3)成像系統．根據缺陷檢測的精度要求(1800m/min的檢測速度，0．25mm的精度)，帶鋼的規格要求(1900mm規格)，對帶鋼進行成像系統設計．基于互補金屬氧化物半導體(CMOS)的成像芯片具有速度快，用電低等優勢．選用兩個4K線掃描CMOS相機作為成像核心器件，選用CameraLinkFull接口作為數據輸出．兩個4K掃描中間重疊100mm作為圖像拼接區．兩組線激光光源與線掃描組成系統的主要成像模塊．成像系統結構如圖3所示．

2構建分類器

檢測缺陷類別及其特征描述如表1所示．

1)訓練集和樣本集劃分．主要缺陷類別有5個，每個類別收集樣本7000，共計35000個樣本．為了避免訓練集和樣本集劃分的盲目性，采用10－折交叉驗證的方式劃分訓練集和測試集，即將樣本集分成10份，從中選1份為測試集，剩下的為訓練集，如圖4所示，究竟選擇哪一份作為測試集，需在后面的嵌套循環中實現．

2)特征選擇．缺陷區域的長度、寬度、面積、區域對比度等共計138個特征形成初始特征集合，利用信息增益率來對各個特征排序．設樣本集T的某個特征子集S中，相異值構成集合A，集合A把特征子集S劃分為多個子集{S1，S2，Sv，…}，|Sv|、|S|為集和大小，信息增益率的公式為Gainration(S，A)=Gain(S，A)Intrinsiclnfo(S，A)(3)式中Gain(S，A)為信息增益，是分裂前的信息減去分裂后的信息，公式為Gain(S，A)=InfoBefore(S)－InfoAfter(S)=Entropy(S)－∑v∈Values(A)|Sv||S|Entropy(Sv)(4)式中Entropy(S)為集合S的熵，公式為Entropy(S)=Entropy(p1，p2，…，pm)=－∑mi=1pilogpi(5)式中pi為第i個類別的概率．式(3)中，Intrinsiclnfo(S，A)為內在信息，公式為Intrinsiclnfo(S，A)=∑v∈Values(A)|Sv||S|log(|Sv||S|)(6)利用信息增益率對特征進行排序，再利用循環(從1到138循環)實現最優的特征個數的確定．

3)BP神經網絡隱含層節點數的確定．BP神經網絡應用到帶鋼表面質量檢測上具有很多優勢，但也存在一些問題，主要體現在隱含層節點數選取的盲目性和初始權值選取的隨機性．對于隱含層節點數確定問題，利用隱含層節點數常用計算公式［15］(2(m+n)+1，n+槡m+a，log2n，n為輸入層節點數，m為輸出層節點數，a為的［1，10］常數)求得節點數的可能取值集合n1，求得該集合最大值n1－max和最小值n1－min，從n1－min開始到n1－max，利用循環，節點數逐個增加，確定最優的隱含層節點數［16］;

4)BP神經網絡初始權值的選取．當隱含層節點數確定后，需要確定輸入層和隱含層之間、隱含層和輸出層之間的初始權值．首先生成10組隨機數數組，利用循環確定最優的隨機數數組．

5)判別標準和嵌套循環．上述各循環中，分類效果好與壞的判別標準是分類的總體精度，公式為OA=∑niin(7)式中:nii為樣本被預測為類別i，n為樣本個數．上述各循環組合在一起就是一個嵌套循環，其N－S盒圖如圖5所示，最外層是測試集和訓練集的10折交叉驗證，第1層是確定最優的特征數，第3層是確定最優的隱含層節點數，第4、5層是確定最優的輸入層和隱含層、隱含層和輸出層的初始權值［17－20］.經以上循環，確定D3作為測試集，最優特征數為23個，最優的隱含層節點數是46個，同時也確定了最優的初始權值，對應的3層BP神經網絡的網絡模型如圖6所示．

3實驗結果

1)鮑威爾棱鏡與柱透鏡進行對比在實際工作距離1．5m處，采用0．1m為間隔使用光功率計測試光源功率，如圖7所示，橫軸為測試點，縱軸為測試點的光功率．實驗表明，鮑威爾棱鏡均勻性優于柱透鏡．

2)Gabor濾波方法與其他方法比較將動態閾值法+Blob分析法(方法A)和灰度共生矩陣紋理背景消除法(方法B)兩種方法與Gabor濾波方法進行比較，如圖8所示．由于缺陷與背景灰度相近(圖(a))，致使方法A缺陷丟失(圖(b))，由于缺陷與背景紋理相近(圖(d))，致使方法B產生噪聲(圖(e))，Gabor方法取得了不錯的效果(圖(e)、(圖(f)))．

3)GPU與CPU比較以4096×4096的圖像為例，選10幅有代表性圖像，利用CPU(最新的inteli7－2600處理器，4核8線程，2．6GHz，內存8G)和GPU(nVidiaGTX970，4G緩存顯卡)進行Ga-bor運算，計算時間如表2所示，GPU計算效率明顯優于CPU，其中CPU的平均耗時為290．4ms，而GPU的平均耗時為31．7ms．

4)檢測效果在產線速度為1775m/min，最小檢測缺陷的尺寸為0．25mm的檢測系統中，對帶鋼的主要4種類型缺陷進行檢測統計，檢測結果如表3所示．可計算出整體檢出率99．9%，檢測準確率99．4%．

4結論

本文提出將基于鮑威爾棱鏡的大功率激光器應用到光源的設計中，保證光源光照的均勻性;提出了新的帶鋼表面缺陷檢測系統的成像系統結構設計，保證了快速、高精度的生成圖像;提出了基于GPU的二維Gabor濾波圖像處理的算法，滿足了實時處理的要求;提出了基于嵌套循環的分類器擇優算法，避免了樣本集選擇、特征選擇和BP神經網絡參數設定的盲目性．借助上述技術，系統實現了較好的效果，滿足當前帶鋼生產的檢測需求．

參考文獻:

［1］張長富．中國鋼鐵工業運行情況和發展展望［J］．中國鋼鐵業，2013(4):5－8．

［2］劉彩章．基于機器視覺的帶鋼表面缺陷成像系統理論與實驗研究［D］．武漢:武漢科技大學，2012:2－4．

［3］高瑀含，安志勇，李娜娜等．高斯光束整形系統的光學設計［J］．光學精密工程，2011，19(7):1464－1471．

［4］徐科，楊朝霖，周鵬．熱軋帶鋼表面缺陷在線檢測的方法與工業應用［J］．機械工程學報，2009，45(4):111－114．

［5］李霞．基于CCD的鋼板測寬儀系統設計［D］．秦皇島:燕山大學，2014:5－10．

［6］石東新，傅新宇，張遠．CMOS與CCD性能及高清應用比較［J］．通訊技術，2010，43(12):174－179．

［7］高梓瑞．Gabor濾波器在紋理分析中的應用研究［D］．武漢:武漢理工大學，2012:6－10．

［8］王成順．表面缺陷檢測GPU并行圖像處理技術［D］．合肥:合肥工業大學，2012:3－6．

［9］徐永智，華慧川．對主成分分析三點不足的改進［J］．科技管理研究，2009(6):128－130．

［10］李佳龍，閻威武，白曉慧，等．基于數據驅動與信息增益率多指標決策模型的生活飲用水水質評估［J］．大連理工大學學報，2016，56(1):92－96．

［11］張曉雷．支持向量機若干問題的研究［D］．北京:清華大學，2012:1－20．

［12］王成明，顏云輝，李駿，等．基于BP神經網絡的冷軋帶鋼表面質量檢測研究［J］．機械設計與制造，2007(6):106－108．

［13］高正中，張曉燕，龔群英．基于BP神經網絡的超聲波流量計的設計［J］．現代電子技術，2016，39(16):6－9．

［14］周洋，何平安，蔣千年等．激光束整形光學系統的設計與研究［J］．光學與光電技術，2006，4(2):26－28．

［15］飛思科技產品研發中心．神經網絡理論與Matlab7實現［M］．北京:電子工業出版社，2005．

［16］沈花玉，王兆霞，高成耀等．BP神經網絡隱含層單元數的確定［J］．天津理工大學學報，2008，24(5):13－15．

［17］文冬林．BP神經網絡中一種逃離局部極小點的方法研究［D］．貴陽:貴州大學，2008．

［18］甘勝豐．帶鋼表面缺陷圖像檢測與分類方法研究［D］．北京:中國地質大學，2013:3－20．

［19］吳彬彬．機器視覺方法在帶鋼表面缺陷檢測中的應用研究［D］．武漢:武漢科技大學，2015:4－50．

［20］雷鳳翔．熱軋帶鋼端部形狀視覺檢測研究［D］．天津:河北工業大學，2014:2－127．

作者:張培培 呂震宇 趙爽 吳紅霞 單位:華北理工大學管理學院