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

《哈爾濱理工大學(xué)學(xué)報》2016年第6期

摘要:

針對帶鋼表面缺陷檢測系統(tǒng)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(chǔ)上，設(shè)計并實現(xiàn)了一種帶鋼表面缺陷高速高精度在線檢測系統(tǒng)．該系統(tǒng)首先采用大功率半導(dǎo)體均勻發(fā)光激光器技術(shù)、高速線掃描成像技術(shù)和基于圖形處理器的Gabor紋理濾波技術(shù)實現(xiàn)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(huán)的K－折交叉驗證、信息增益率和BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了高準(zhǔn)確率的分類器，以達(dá)到對帶鋼表面缺陷高速高精度在線檢測．實驗結(jié)果表明，該系統(tǒng)滿足了現(xiàn)有帶鋼生產(chǎn)速度的要求，具有較高的精度和準(zhǔn)確率．

關(guān)鍵詞:

圖像采集和處理;圖像檢測;Gabor紋理濾波;神經(jīng)網(wǎng)絡(luò)

0引言

鋼鐵企業(yè)為了提高競爭力，對帶鋼的生產(chǎn)提出了新的要求，也對帶鋼表面檢測系統(tǒng)提出了更高的要求，既要有更高的檢測速度還要有更加準(zhǔn)確的檢測精度［1］．而與此同時，跟隨機(jī)器視覺技術(shù)的發(fā)展，帶鋼表面檢測系統(tǒng)也得到了廣泛的研究與應(yīng)用［2］．主要研究包括:①光源技術(shù)．由于帶鋼檢測對光源要求頻度高、體積小，這限制了傳統(tǒng)光源在其應(yīng)用［3］，激光具有方向性好、亮度高、體積小等優(yōu)點，被廣泛應(yīng)用于帶鋼檢測應(yīng)用中，國內(nèi)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(shù)．由于電荷耦合元件能夠?qū)崿F(xiàn)實時檢測，成為目前研究和應(yīng)用的主流技術(shù)［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(bǔ)金屬氧化物半導(dǎo)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(xiàn)出隨機(jī)紋理的特點，對于隨機(jī)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(tǒng)相近的特點［7］，廣泛應(yīng)用于紋理圖像的處理分析．但是，CPU很難滿足現(xiàn)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(yōu)劣，利用它可對特征進(jìn)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(xù)特征［10］，被廣泛應(yīng)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(jī)和BP神經(jīng)網(wǎng)絡(luò)．支持向量機(jī)不適用于大樣本的分類問題［11］．BP神經(jīng)網(wǎng)絡(luò)方法具有能夠解決非線性分類問題，對噪聲不敏感等優(yōu)點，被廣泛應(yīng)用于帶鋼檢測中，如王成明等［12］提出的基于BP神經(jīng)網(wǎng)絡(luò)的帶鋼表面質(zhì)量檢測方法等，但是BP神經(jīng)網(wǎng)絡(luò)的超參的設(shè)定往往具有隨機(jī)性，這嚴(yán)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(tǒng)的設(shè)計，針對光源的不均勻性、圖像處理速度慢等問題，提出改進(jìn)方法，然后介紹了分類器的構(gòu)建，針對樣本劃分的隨機(jī)性、特征選擇的隨機(jī)性以及BP神經(jīng)網(wǎng)絡(luò)超參設(shè)定的隨機(jī)性問題，做出改進(jìn)，最后介紹試驗結(jié)果．

1帶鋼表面缺陷高速高分辨率的成像系統(tǒng)的設(shè)計

1)大功率半導(dǎo)體均勻發(fā)光激光器技術(shù)．激光能夠保證帶鋼表面缺陷的檢出率［14］，本系統(tǒng)選用808nm半導(dǎo)體激光器作為照明源，出光功率可達(dá)30W，亮度可達(dá)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(fā)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(fù)責(zé)將發(fā)散的激光束匯聚成準(zhǔn)平行光，同時控制光柱的粗細(xì)，然后，利用鮑威爾棱鏡的擴(kuò)散效果對圓柱的一個方向進(jìn)行擴(kuò)束，最終形成激光線．為保證亮度及寬度的適應(yīng)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(diào)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(shù)．二維Ga-bor濾波器具有易于調(diào)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(jìn)行圖像處理，二維Gabor函數(shù)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(shù)的方向;N為總的方向數(shù)．設(shè)f(x，y)為圖像函數(shù)，guv(x，y)為卷積函數(shù)，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(gòu)，其計算流程如圖2所示．GPU的算法分為兩個流程:訓(xùn)練過程主要針對無缺陷圖像進(jìn)行，通過訓(xùn)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(shù)，以便在檢測過程中得到最優(yōu)的檢出效果．檢測過程對實際拍攝的缺陷圖像進(jìn)行分析，首先按照GPU的核心數(shù)和緩存大小對圖像進(jìn)行分解，本文所有GPU的核心數(shù)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(fā)運行卷積運算．最后將各個窗口的卷積結(jié)果合并到一起，得到完成的濾波結(jié)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(qū)域．

3)成像系統(tǒng)．根據(jù)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(guī)格要求(1900mm規(guī)格)，對帶鋼進(jìn)行成像系統(tǒng)設(shè)計．基于互補(bǔ)金屬氧化物半導(dǎo)體(CMOS)的成像芯片具有速度快，用電低等優(yōu)勢．選用兩個4K線掃描CMOS相機(jī)作為成像核心器件，選用CameraLinkFull接口作為數(shù)據(jù)輸出．兩個4K掃描中間重疊100mm作為圖像拼接區(qū)．兩組線激光光源與線掃描組成系統(tǒng)的主要成像模塊．成像系統(tǒng)結(jié)構(gòu)如圖3所示．

2構(gòu)建分類器

檢測缺陷類別及其特征描述如表1所示．

1)訓(xùn)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(xùn)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(xùn)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(xùn)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(huán)中實現(xiàn)．

2)特征選擇．缺陷區(qū)域的長度、寬度、面積、區(qū)域?qū)Ρ榷鹊裙灿?38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(shè)樣本集T的某個特征子集S中，相異值構(gòu)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(nèi)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(jìn)行排序，再利用循環(huán)(從1到138循環(huán))實現(xiàn)最優(yōu)的特征個數(shù)的確定．

3)BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)的確定．BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到帶鋼表面質(zhì)量檢測上具有很多優(yōu)勢，但也存在一些問題，主要體現(xiàn)在隱含層節(jié)點數(shù)選取的盲目性和初始權(quán)值選取的隨機(jī)性．對于隱含層節(jié)點數(shù)確定問題，利用隱含層節(jié)點數(shù)常用計算公式［15］(2(m+n)+1，n+槡m+a，log2n，n為輸入層節(jié)點數(shù)，m為輸出層節(jié)點數(shù)，a為的［1，10］常數(shù))求得節(jié)點數(shù)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(huán)，節(jié)點數(shù)逐個增加，確定最優(yōu)的隱含層節(jié)點數(shù)［16］;

4)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值的選取．當(dāng)隱含層節(jié)點數(shù)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(quán)值．首先生成10組隨機(jī)數(shù)數(shù)組，利用循環(huán)確定最優(yōu)的隨機(jī)數(shù)數(shù)組．

5)判別標(biāo)準(zhǔn)和嵌套循環(huán)．上述各循環(huán)中，分類效果好與壞的判別標(biāo)準(zhǔn)是分類的總體精度，公式為OA=∑niin(7)式中:nii為樣本被預(yù)測為類別i，n為樣本個數(shù)．上述各循環(huán)組合在一起就是一個嵌套循環(huán)，其N－S盒圖如圖5所示，最外層是測試集和訓(xùn)練集的10折交叉驗證，第1層是確定最優(yōu)的特征數(shù)，第3層是確定最優(yōu)的隱含層節(jié)點數(shù)，第4、5層是確定最優(yōu)的輸入層和隱含層、隱含層和輸出層的初始權(quán)值［17－20］.經(jīng)以上循環(huán)，確定D3作為測試集，最優(yōu)特征數(shù)為23個，最優(yōu)的隱含層節(jié)點數(shù)是46個，同時也確定了最優(yōu)的初始權(quán)值，對應(yīng)的3層BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型如圖6所示．

3實驗結(jié)果

1)鮑威爾棱鏡與柱透鏡進(jìn)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(yōu)于柱透鏡．

2)Gabor濾波方法與其他方法比較將動態(tài)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(jìn)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(chǎn)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(nèi)存8G)和GPU(nVidiaGTX970，4G緩存顯卡)進(jìn)行Ga-bor運算，計算時間如表2所示，GPU計算效率明顯優(yōu)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(chǎn)線速度為1775m/min，最小檢測缺陷的尺寸為0．25mm的檢測系統(tǒng)中，對帶鋼的主要4種類型缺陷進(jìn)行檢測統(tǒng)計，檢測結(jié)果如表3所示．可計算出整體檢出率99．9%，檢測準(zhǔn)確率99．4%．

4結(jié)論

本文提出將基于鮑威爾棱鏡的大功率激光器應(yīng)用到光源的設(shè)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(tǒng)的成像系統(tǒng)結(jié)構(gòu)設(shè)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(huán)的分類器擇優(yōu)算法，避免了樣本集選擇、特征選擇和BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定的盲目性．借助上述技術(shù)，系統(tǒng)實現(xiàn)了較好的效果，滿足當(dāng)前帶鋼生產(chǎn)的檢測需求．

參考文獻(xiàn):

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

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

［3］高瑀含，安志勇，李娜娜等．高斯光束整形系統(tǒng)的光學(xué)設(shè)計［J］．光學(xué)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(yè)應(yīng)用［J］．機(jī)械工程學(xué)報，2009，45(4):111－114．

［5］李霞．基于CCD的鋼板測寬儀系統(tǒng)設(shè)計［D］．秦皇島:燕山大學(xué)，2014:5－10．

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

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

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

［9］徐永智，華慧川．對主成分分析三點不足的改進(jìn)［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(shù)據(jù)驅(qū)動與信息增益率多指標(biāo)決策模型的生活飲用水水質(zhì)評估［J］．大連理工大學(xué)學(xué)報，2016，56(1):92－96．

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

［12］王成明，顏云輝，李駿，等．基于BP神經(jīng)網(wǎng)絡(luò)的冷軋帶鋼表面質(zhì)量檢測研究［J］．機(jī)械設(shè)計與制造，2007(6):106－108．

［13］高正中，張曉燕，龔群英．基于BP神經(jīng)網(wǎng)絡(luò)的超聲波流量計的設(shè)計［J］．現(xiàn)代電子技術(shù)，2016，39(16):6－9．

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

［15］飛思科技產(chǎn)品研發(fā)中心．神經(jīng)網(wǎng)絡(luò)理論與Matlab7實現(xiàn)［M］．北京:電子工業(yè)出版社，2005．

［16］沈花玉，王兆霞，高成耀等．BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定［J］．天津理工大學(xué)學(xué)報，2008，24(5):13－15．

［17］文冬林．BP神經(jīng)網(wǎng)絡(luò)中一種逃離局部極小點的方法研究［D］．貴陽:貴州大學(xué)，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(zhì)大學(xué)，2013:3－20．

［19］吳彬彬．機(jī)器視覺方法在帶鋼表面缺陷檢測中的應(yīng)用研究［D］．武漢:武漢科技大學(xué)，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(yè)大學(xué)，2014:2－127．

作者:張培培 呂震宇 趙爽 吳紅霞 單位:華北理工大學(xué)管理學(xué)院