1、先进制造技术课程大作业 2017 年 12 月 基于 机器视觉的 带钢 表面缺陷在线检测 技术 综述 张泽阳 天津大学机械 机械工程 2017 级硕士生 摘要： 带钢 表面缺陷在线检测技术是提高 带钢 质量、改进 带钢 生产工艺、增强 带钢 生产企业市场竞争力的主要手段。随着电子技术、计算机技术和人工智能技术的发展，机器视觉技术逐渐成为了 带钢 表面缺陷检测技术研究的主要方向。本文对基于机器视觉的带钢表面缺陷检测技术的发展情况进行了综述，系统的阐述了国内外基于机器视觉的带钢表面缺陷检测技术的应用和研究现状、机器视觉表面缺陷识别算法和机器视觉检测系统的误差及标定方法，并分析了机器视觉带钢表面缺陷
2、检测技术未来的发展趋势。 关键词： 带钢 ； 机器视觉 ；在线检测；表面缺陷 ；发展现状 0 前言 * 带钢 是汽车、电机、化工、造船等工业不可缺少的原材料。在 带钢 轧制过程中 ,由于连铸钢坯、轧制设备、轧制工艺等原因 ,导致 带钢 表面出现了裂纹、氧化皮、结疤、辊印、刮伤、孔洞、针眼、鳞片、表皮分层、麻点等缺陷 ,这些缺陷不仅影响了产品外观 ,更重要的是降低了产品的抗腐蚀性、抗磨性、疲劳极限等性能 ,而现代生产对 带钢 的表面质量提出越来越高的要求 1。 目前在实际中得到应用的表面缺陷自动检测方法主要有涡流检测技术、漏磁检测技术、红外检测技术、超声波扫描法以及视觉检测技术。通过分析和综合国
3、内外有关 带钢 表面自动检测系统的发展历程和研究现状可知目前涡流、红外和漏磁等检测技术只适用某些要求不高的应用场合 ,由于检测原理的局限导致可检缺陷种类和对缺陷定量描述有限 ,无法综合评估产品的表面质量 2。基于计算机视觉的无损检测技术 ,代表着 带钢 表面缺陷无损检测的发展方向。 1 机器视觉表面缺陷检测技术的发展 自上世纪 80 年代以来， 带钢 表面质量的检测已引起了学术界越来越多 地关 注。各种自动检测方法的推陈出新，表明了各国研究人员在该领域的不懈探索和研究。 90 年代后，随着电子技术与机器视觉技术飞速发展，集成度 高、易于维护、成本相对低廉的机器视觉表面缺陷检测技术逐渐成为了 带
4、钢 表面缺陷检测的主流技术，其可靠性、实用性、高效性优于已有的涡流监测、红外检测及激光检测方法，世界各发达国家都投入了大量财力对该技术进行了深入系统的研究。德国、美国、日本相继出现了基于这一技术的 带钢 表面质量在线检测系统，如德国Parsytec 公司的 Parsytec5i 系统；美国 Cognex 公司的 SmartView 系统 ；日本 NKK 的 Delta-eye 系统都已经相继成功 。我国在这 方面的研究还存在一定差距。 1.1 国 外 研究与应用 德国 Parsytec 公司 1997年在韩国浦项制铁安装第一套表面检测系统 HTS-2,标志着 Parsytec 公司表面检测系统
5、的正式在线应用。 HTS-2 系统采用明域、暗 域混合光源模式，含 8 台标准视频摄像机，检测精度为 0.5mm，检测钢带宽度 为 1400mm，速度为350m/min，数据处理由 8 台与摄像机相连的 PC 机完成，另外 有一台数据库服务器和一台文件服务器，有 12G 的在线缺陷数据库，通过比较 能把 85%的缺陷检出并分类。 2003 年 Parsytec 又推出了具有复合探测器（ DualSensor）的 Parsytec5i 系统，包含有两套摄像机系统，一套为面阵摄像机，光源采用漫射光源，另一套为线阵摄像机，光源采用了直射光源。 用漫射检测系统探测叠合和边缘缺陷，用直射检测系统探测斑痕
6、等缺陷，该系统运用了自学习神经网络分类方法对缺陷进行分类，到 2005 年全球有200 多 套安装应用。 2005 年美国 Cognex 公司在土耳其 Erdemir 钢铁公司冷轧、酸洗、电镀、退 火生产线上同时安装了 Smartview 表面检测系统。 Cognex 公司的检测系统采用的是自行设计的具有 CAN 总线的摄像机，系统如图 1 所示 , 用户可以自行设计软 件和接口，其检测算法采用的是模式匹配法，把缺陷分为 40类，通过对部分样 本缺陷的学习，在检测中进行模糊匹配，完成分类过程，其检测分辨率可以达到月 2017 年 12 月 张泽阳 ： 基于 机器视觉的带钢 表面缺陷在线检测 技
7、术综述 1mm，满足目前各种速度需求。 图 1 Cognex系统原理 2003 年日本 NKK公司研究的 Delta-eye 表面检测系统 4，安装在 Fukuyama 工厂，其系统采用了偏振光技术检测表面缺陷， 分辨率为 0.25mm 3.0mm, 带钢速度 210m/min，宽度 1880m，由独立的光源控 制器、预处理器、图像处理器和工作站组成，其结构如图 2。 图二 NKK 系统结构 总的来说，自 1990 年就不断有企业或者公司开始制造适应于带钢表面缺陷检测的机器视觉系统。到了 2000 年左右该类系统的总体框架基本构架完成，具备了商业化的条件，并在之后的几年该类产品迅速发展。 20
8、05 年商业化的带钢表面曲缺陷检测系统基本发展成熟 ， 带钢表面缺陷你检测技术通过近 20 年的应用和改进逐渐成为了能与各种工业系统之间传输数据并控制生产的工业装备。 1.2 国内研究与应用 我国对带钢检测的研究从上世纪 80 年代末开始， 1991-1997 年期间华中科技大学罗志勇等人对国内刚起步的机器视觉带钢表面缺陷检测做了概括性的综述，并在检测系统的模拟实现和硬件构架方面做大量研究。其中包括可编程器件、高速信号处理器在带钢表面缺陷检测系统中的应用基于激光CCD 与检测成像方式的研究提高硬件作效率的图像识别算法等。在这个时间段内，机器视觉表面缺陷检测受到计算机与成像系统硬件的影响而处于初
9、级系统构架的阶段。 我国对带钢检测的研究从上世纪 80 年代末开始， 1991-1997 年期间华中科技大学罗志勇等人对国内刚起步的机器视觉带钢表面缺陷检测做了概括性的综述，并在检测系统的模拟实现和硬件构架方面做大量研究。其中包括可编程器件、高速信号处理器在带钢表面缺陷检测系统中的应用基于激光CCD 与检测成像方式的研究提高硬件作效率的图像识别算法等 ， 1999 年 ，哈尔滨工业大学机器人研究所 也开始了带钢表面的检测的研究，对缺陷的CCD检测方法进行了分析，提出 了一些有效算法 5；进入 21 世纪，北京科技大学研究实现了面阵 CCD的带钢 检测系统 6，并在武钢海南公司运行，其系统结构如
10、图 1-17 所示，系统 结 构复杂，采用并行计算机系统和海量存储器； 2008 年中国地质大学针对带钢表面缺陷的特点，对表面缺陷识别方法中的特征提取与分类方法做了进一步的研究除以上单位外国内还有东北大学、四川大学、天津大学 7及宝山钢铁公司设备所等研究单位都在这一领域有 所研究，并取得了一定的科研成果 图 3 北科大系统结构 在应用方面，国内各人钢厂均已安装并使带钢表面缺陷检测系统。 2002 年 Cognex 公司向中国钢铁联合公司提供表面检测技术。 2005 年宝钢两条热轧生产线装配 Parsytec 公司面阵 CCD带钢表面缺陷检测系统丁减少户质 异议。 2007 年武汉钢铁集团等多个
11、厂家已经开始使线阵 CCD 带钢表面缺陷检测系统。 2008 年宝钢开始研发自主知识产权的带钢表面缺陷检测系统。 2010 年投入使的梅山钢铁热札带钢表面缺陷检测系统为宝钢宝信股份公司所研发，如图 1-5 所示。该系统从外围机械结构、图像釆集部分以及数据统计与操作界面的人性化方面均优于Cognex 公司和 Parsytec 公司产品。 图 4 梅钢带钢表面缺陷检测系统下表面工作 平台 整体来说，国内在 10 多年之间完成了从可靠性研究到国外设备引进再到自主研发的整个过程，月 2017 年 12 月 张泽阳 ： 基于 机器视觉的带钢 表面缺陷在线检测 技术综述 技术的更新将会带来新一轮的国内外设
12、备的竞争。国内带钢表面缺陷检测系统的应发展过程从如图1-6 可以明显看出 2008 年之前国内学者的研发动态基本上跟随于国外带钢表面缺陷检测系统的发展而变化， 2009 年之后国内研发水平急剧提高，研究更趋向应的创新型工作 。 图 5 国内机器视觉带钢表面缺陷检测系统的发展 2 机器视觉表面缺陷识别算法 带钢 表面缺陷识别是图像处理技术的一种具体应用，目的是要从 带钢 表面图像中，发现缺陷、分离缺陷、描述缺陷、识别缺陷 8。自动 带钢 表面缺陷检测系统出现后，随着图像处理技术的不断发展，针对缺陷目标的分割、特征提取、特征选择、分类识别提出了许多有效算法。 2.1 缺陷分类方法 缺陷图像的分割是
13、表面检测中图像处理的四大任务之一，也是至今未得到完善解决的基础问题之一。图像分割主要目的是把目标和背景准确分离，便于后续对目标的进一步研究。常用的分割方法有三大类，即基于区域的图像分割、基于边界的图像分割、和基于特定工具的图像分割。 基于区域的图像分割基本思想是根据图像数据的特征将图像空间划分为不同的区域，常用的特征有直接来自图像的灰度特征和变换域特征，典型的方法有：阈值分割算法 9，聚类分割算法 10，区域生长分割算法 11。 (1) 阈值分割算法在分割过程中 ,首先寻找一个合适的阈值，用图像各像 素的特征值与阈值进行比较，以确定图像像素属于那一类。在这个过程中阈值的选取是关键问题。若阈值选
14、得过高，则过多的目标点将误认为是背景；反之会出现相反的情况。 (2) 聚类分割算法是阈值分割算法的引伸，它把图像中的每个像素看作 灰度、纹理及其它各种参数共同构成的多维空间中的点，根据每个点特征矢量值对像素进行分类。具体过程是：将图像平面中的像素映射成对应特征空间的点，根据不同对象差异的特征变量，特征空间中的点会呈现成团成簇的分布，根据它们在特征空间的群聚对特征空间进行划分，然后反映射回原图像平面就得到了分割结果。 (3) 区域生长算法是寻找具有相似性的像素群。其具体过程是：从某个像 素开始，检查它的近邻像素，判断它们是否有相似性，相似性准则可以是灰度、梯度等特性。根据这种方法逐步地增加像素，
15、扩大区域，最终达到分割图像的目的。区域生长分 割算法对有复杂物体定义的复杂场景分割有效。其优点是能够直接和同时利用图像的若干属性，特别是充分利用了图像的空间信息，并且分割后的图像区域都是连通的；缺点是比其它分割技术的计算代价要大。区域生长分割算法的主要难点在于起始点的选择和生长（相似性）准则的设定。在没有先验知识的情况下，如果随机地选择起始点或随机地设定生长准则，分割的结果可能会与实际结果相差甚远。因此，目前对于区域生长分割法的研究主要集中在如何自动、有效地选择起始点和更能反映图像区域本质的生长准则 。 基于边界的图像分割是利用不同区域间像素灰度值不连续 的特点，用局部窗口检测区域间的边缘，从
16、而实现图像分割。主要通过两个步骤实施：检测目标的边缘点（边缘检测）和组成目标的边界。具有代表性的方法是微分算子边缘检测算法和曲面拟合边缘检测算法 12。微分算子边缘检测是 利用区域的边界点灰度值不连续，微分算子可以突出变化的特点，通过卷积过程实现。微分算子通常选用一阶或二阶导数，利用一阶导数的极大值或二阶导数的过零点来判断边缘点。根据不同的边缘类型，常用的一阶微分算子有： Roberts 算子， Sobel 算子，Prewitt 算子， Kirsch 算子；二阶算子有 Laplacian算 子， Log 算子， Marr-Hildreth 算子。微分算子边缘检测方法简单、方便，但 抑制噪声的能
17、力差。曲面拟合边缘检测算法在完成边缘检测的同时可较好地抑制噪声，由 Prewitt 提出， Haralick 和 Hueckel加以扩展 13，原理是 :用一个平面或曲面去 逼近一个图像面积元，然后用这个平面或曲面的梯度代替像素点的梯度，从而实现边缘检测。常用的有一次平面拟合和二次曲面拟合。 边缘检测的图像分割中，难点是边缘检测时噪声和精度的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生 轮廓漏检和位置偏差。 把新型理论用于图像分割，出现了许多图像分割的新方法，典型的有数 学形态学的图像分割方法 、小波变换的图像分割方法、人工神经网 络的图像分割方法 、模糊
18、系统理论的图像分割方法和遗传算法的图 像分割方法 。 数学形态学，也称图像代数，是一种新型的数字图像处理方法和理论 14。 在图像分割中，用具有一定形态的结构元素量度和提取图像中的对应形状，达到对图像的分割。主要利用膨胀、腐蚀、开启和闭合四种基本运算进行推导和组合，产生各种形态学实用算法。该方法可以简化图像数据，保持它们月 2017 年 12 月 张泽阳 ： 基于 机器视觉的带钢 表面缺陷在线检测 技术综述 基本的形状特性，具有天然的并行 实现结构。但同时存在着对边界噪声敏感的缺点。 小波变换的图像分割是利用小波的多尺度、多分辨率特性，实现多尺度边缘检测和多分辨率阈值选取的过程。多尺度边缘检测
19、，是在较大尺度下检测出真正的边缘点，再在较小尺度下对边缘点进行精确定位；多分辨率阈值选取，是对在最低分辨率一层选取的所有阈值逐层跟踪，最后选取相应的最高分辨率一层的对应阈值作为最优阈值。小波变换算法中常用的变换形式有二进制小波、多进制小波、小波包、小波框架等 15。 神经网络的图像分割用训练样本集对神经网络进行训练确定节点间的连接和权值，再用训练好的神经网络对输入的图像数据进行分割。常用的有Kohonen 神经网络、 Hopfield 神经网络、 BP 神经网络、振子神经网络、概率自 适应神经网络、自组织神经网络、径向基函数神经网络等工具。这种分割方法一般采用两种类型，一种是基于像素灰度值的神
20、经网络分割，一种是基于特征数据的神经网络分割。基于像素灰度值的分割能够提供全部的图像信息，但数据量大，计算速度慢；基于特征的分割，对图像的几何特征、统计特征和信号特征等有效参数进行提取、分类，达到分割的目的。神经网络分割方法由于网络节点的个数、网络层数的设计缺乏比较系统的理论 指导；并且需要大量的训练数据，泛化能力有限 16。 模糊图像分割技术 17是将图像及其相关特征表示成相应的模糊集，经过 模糊技术的处理，获得图像的模糊分割，反模糊化后得到图像的分割结果。模糊技术在图像分割中应用的一个显著特点，是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割方法。目前主要研究集中在基于模糊系
21、统理论的综合图像分割方法的研究。 遗传算法的图像分割 18是把遗传优化算法应用于最优分割阈值的求 取和特征空间聚类的优化。遗传算法是一种迭代式优化算法，具有全局搜索能力，常用来计算在某一标准或尺度下目标函数的最优值，可以用来确定动态分割阈值曲面。目前，有关遗传算法的图像分割研究，主要集中在遗传算法与其它理论的结合上。 2.2 缺陷的特征提取与选择 表面检测中常用的缺陷特征有灰度特征、形 状特征和纹理特征 19。为了使分类过程中特征全面，而不冗余，要对大量特征进行选择，以简化分类器的设计难度。灰度特征是图像最直观的特征，主要有灰度统计特征、灰度差分统计特征。均值、方差、峰度、熵属于灰度统计特征，
22、灰度差分统 计特征则是从像素之间关系的角度出发，描述相邻像素之间灰度的变化情况。缺陷一般具有直线、曲线、椭圆、矩形等形状特征，以及面积、周长、长短轴等尺寸特征，利用形状特征进行目标检测可以提高检测的效率和准确率。形状特征是识别各种缺陷的重要信息，常用的有面积、周长。 不同缺陷的纹理结构是缺陷的主要特征，由于纹理在灰度和结构上都有规律性的变化，直观上，缺陷的纹理表现出均匀性、疏密、粗细、规则性、线性、方向性、频率和相位等属性，这些属性通过灰度统计特征、相关性特征、频域变换特征以及多尺度特征来定量表达。图像的相关函数可判别 图像的纹理粗细、排列方向等纹理信息。图像纹理空域的周期性在频域具有不同的频
23、谱强度，对图像进行傅立叶变换等的频谱分析也可提取图像的纹理特征。共生矩阵也是表示图像纹理特征的一种有效工具，它描述了相隔一定距离两像素间的灰度关系。共生矩阵元素 h(i,j)由图像中相距 (x， y)的两个灰度同时出 现的联合频数概率表示。由共生矩阵延伸出许多有用特征，如角二阶矩可以描述图像纹理变化均一性、对比度描述纹理的清晰程度、和平均、和方差、逆差矩等等都用于图像纹理的描述。 缺陷图像从灰度、形状、纹理不同角度可以提取多组特征，这些特 征有利于缺陷的正确分类，但特征过多影响分类器的复杂度和分类性能，为了在特征量不减少的情况下，达到尽可能好的分类效果，一般采用特征选择的方法，对特征进行处理，
24、以降低特征维数。特征选择的方法大体可以分为两类，一类是分别处理每个特征，根据特定规则判别特征的有效性，去除那些几乎不具有分辩能力的特征；另一类方法是综合处理所有特征，对特征向量作线性或非线性变换，使特征达到降维的目的。分别处理每个特征的方法中，常用的是穷举法。对特征空间过于庞大的实际问题，穷举法计算量大，运算时间长，实用性低。许多学者提出了分支定界法、顺序前进法（ SFS）、顺序后退法（ SBS） 等新的方法，这些方法一定程度上减少了计算量，但都不能保证得到最优解，仅能得到次优解。综合处理特征的方法常用的是主成分分析法（ PCA）、线性 判别法、独立成分分析法（ ICA）、自组织影射法（ SO
25、M）等。这些方法通过高 维空间向低维空间的影射生成原始特征的线性组合，降低特征的维数。 2.3 缺陷分类算法 缺陷分类属于模式识别的范畴。模式分类的方法很多， 传统的方法有贝叶斯（ Bayesian）方法、月 2017 年 12 月 张泽阳 ： 基于 机器视觉的带钢 表面缺陷在线检测 技术综述 距离判别法、 Fisher 判别法、 k-近邻分 类以及线性分类等；现代方法有模糊分类、粗糙集分类、神经网络分类以及支持向量机分类 2。 传统分类方法的理论基础是传统统计学理论，以最小化经验风险取代最小化期望风险，这种方法只有当训练样本数趋于无穷时，最小化经验风险与最小化期望风险之间的偏差才能达到理论上
26、的最小，然而在实际应用中，样本数趋于无穷这一前提条件往往很难满足。另外传统的分类方法需要已知先验知识和模型结构，但是，在处理实际问题时，常对大量的原始采集数据，结构模型是不明确的，因此传统分类方法的应用有很大的局限性。 现代分类方法中的神经网络、模糊分类和 粗糙集分类虽然克服了传统分类方法的部分弱点，能够依照需要，假设数据的内在相关性而构造非线性模型。然而这些分类方法目前还缺乏数学理论基础，通常是从生物学的理论和一些学术流派中得到灵感，对于诸如神经网络的结构和权重初值，模糊分类规则等仍需要借助于经验，同时也受样本有限这一前提的约束，得到的结果不一定最优。 在统计学习理论基础上提出的支持向量机分
27、类方法既考虑了传统的经验风险，也考虑了统计学中的结构风险，在样本较少的情况下，支持向量机通过引入结构风险函数能够得到最优分类线，从而提高了分类器的泛化能力。支持向量机引入 核函数巧妙地解决了非线性分类的问题，并且计算的复杂度不再取决于特征空间维数，而是取决于样本数量，尤其是样本中的支持向量数。这些特点使支持向量机越来越受到人们的重视，并在实际应用中取得了良好的效果。支持向量机是针对两类问题提出的，为了在多值分类中采用支持向量机，研究人员提出了许多方法，常用的有”一对多”、“一对一”、支持向量机超球体等多种方法。其中，“一对多”方法是用两类分类支持向量机把每一类和其它类区分开来，对于 K 类分类
28、问题，需要有 (K-1)个两类分类器的训练 和分类过程；“一对一”分类方法是对没两个类别训练 一个支持向量机， K 类 分类问题就要有K(K-1)=2 个分类器；超球体多值分类方法是基于奇异值分 类思想提出的，把每类的特征值在空间形成的紧致区域，看作球体，通过计算每个样本的特征值，取得球体的中心，待测样本特征矢量到那个球体中心距离最短，其就属于那类，这种方法简化了多值分类过程，不需要多个支持向量机，但却存在待测样本到多个球体中心距离相等的问题，一旦某一待测样本到多个球体空间中心的距离相等，该方法就难以确定其归属。为了解决超球体多值分类中存在的“中间”问题，提出了模糊支持向量机分类、神经网络支持
29、向量机分类等多种 方法，但分类效果还值得进一步探讨。 3 机器视觉检测系统的误差及标定 机器视觉检测系统中，由于各部件质量和安装精度、运行特点等问题存在固有的系统噪声误差，如成像几何坐标误差、光电响应非均匀性误差等主要误差对检测结果都有比较大的影响。成像几何坐标误差是由于图像采集装置中镜头畸变、焦距偏差、光心偏移等问题造成图像坐标和目标坐标不完全符合线性成像规律而出现的误差，这种误差可能导致系统检测精度降低、检测结果错误等事情的发生。为了克服这种误差对系统的影响，研究人员提出了许多标定方法，这些方法大致可以概括为两类，一类是传统的标定方法，包括线性求解法、线性优化法、两步法等 20；另一类是
30、自标定方法，包括基于主动视觉的自标定、利用本质矩 阵和基本矩阵的自标定等多种方法 。传统标定方法主要是基于已知参照物，来标定图像采集系统的相关参数，达到对系统坐标误差的修正；自标定方法则是通过采集系统的已知移动，采集序列图像来实现系统参数的标定。 光电响应非均匀性误差也是机器视觉系统固有的噪声误差，主要是由镜头质量、像素个体差异以及光感器件中局部组织噪声差异造成的，这种误差还没引起人们足够的重视，目前主要是采取滤除噪声的方法来处理 3。其 中包括硬件方法滤除噪声和软件方法滤除噪声，由于硬件方法不能滤除全部噪声， 并且增加硬件又可能引入新的噪声，因此硬件方法不是一种好的方法；软件方法主要是针对图
31、像进行的，一般是滤除图像中的高频噪声，这种方法是一种比较盲目的方法，高频的东西并不一定就是噪声，也许是目标的细节，通过这种软件滤波将很大程度上损失目标的细节，不适合在检测中使用。由此研究一种标定视觉系统非均匀性的方法对视觉检测精度的提高是极为重要的。 4 机器视觉检测方法的发展趋势 通过国内外研究及文献，可以总结出机器视觉带钢表面缺陷检测的发展趋势如下： （ 1）机器视觉带钢表面缺陷检测的整体构架的多元化和精细化 机器视觉带钢表 面缺陷检测由最初较低端的、粗放的结构逐渐演变为一个比较完善的高端的、涉月 2017 年 12 月 张泽阳 ： 基于 机器视觉的带钢 表面缺陷在线检测 技术综述 及多个
32、方面的工作体系。随着工业化程度的继续提高，其整体构架应该向操作简易化、显示人性化以及图像高清化的方向发展。 （ 2）优化、升级图像硬件结构 图像硬件结构的主耍成果是获得了清晰的二维表面缺陷图像，且在检测速度和图像处理速度上获得了较大的突破 实现了更高动态范围和更快的图像采集，并进一步提高了釆集与服务器之间的交换能力。随着图像采集硬件和电子器件的进一步升级，三维图像采集和处理将成为带钢图像检测硬件发展的趋势。 （ 3）改进与创新机器视觉 带钢表面缺陷图像检测与分类算法 图像处理硬件设备的发展，会对图像处理算法提出更高的要求。新的数学方法的出现 与成熟，如小波变换、非线性降 维等，将快速推动带钢表
33、面缺陷图像检测与分类的发展。而且不同的数学方法都具有指向性，不能适应所有情况。因此，优化算法的使用范围、结合多种算法完善应用效果成为当前国内外算法研究主耍趋势。探索实际中出现的问题与基于问题的算法兼容性研究在实际生产当中，存在因环境变化引起的各种问题，例如同类缺陷图像的多变性；在高反射性的金属表面的缺陷漏检；生产中带钢上的水、油渍频繁出现；突发海量的视觉数据获取和处理需求；超高速状态下检测执行部分能力充足度等。如何发现影响效果的主要因素，并予以合理的算法改进，近年来引起了更多研究人员的 更多关注。 3 结论 随着电子和通讯技术的快速发展，当前的机器视觉表面缺陷检测系统突破了以往检测系统运行速度
34、所限制的约束，可实现真正的在线处理和检测 。通过 20 多年的发展和应用，基于机器视觉的 带钢 表面缺陷检测系统已经较为成熟。但是在实际应用中，为了达到更高的精度，总会有问题不断的出现。当前表面缺陷检测系统在应用中存在的问题需要从实际生产应用出发，寻找到合适的方法和理论也是机器视觉带钢表面缺陷检测系统发展的主要因素之一。目前系统方案只能对 带钢 表面进行二维检测 ,而不能给出表面缺陷的三维 信息 ,同时也不能对 带钢 的内部 质量进行评估 ,所以可考虑将计算机视觉技术与 如涡流传感器等传统方式相融合 ,采用多传感器技术 ,实现对 带钢 缺陷信息的全 面检测与评估。 在算法方面，国外科研人员开始
35、尝试使用最新的数学理论和方法来获得更高效率带钢缺陷检出和分类技术。从模糊理论到分形理论再到遗传算法和神经网络，以及小波变换和独立分分析，从多层感知器到决策树再到支持向量机，此类方法的各项优势都被发现并使用。然而不同的数学方法都具有指向性，不能适应所有情况。因此，优化算法的使用范围、结合多种算法完善应用效果成为当前国外算法研究人员的主要方向。 参 考 文 献 1胡亮 ,段发阶 ,丁克勤等 .基于线阵 CCD 带钢表面缺 陷在线检测系统的研究 J. 计量学报 , 2005, 26(3): 200-203. 2 程万胜 . 带钢表面缺陷检测技术的研究 D.哈尔滨工业大学 ,2008 3 张洪涛 .带
36、钢表面缺陷在线视觉检测系统关键技术研究D.天津大学 ,2008 4Uemura, Akira, and Masaaki Shirai. “New technologies for steel manufacturing based upon plant engineering.“ NKK Technical Review(Japan) 88 (2003): 37-45. 5吴平川 ,路同浚 . “机器视觉与钢板表面缺陷的无损检测 .“ 无损检测 22.1 (2000): 13-16. 6徐科 , 徐金梧 , 陈雨来 . “冷轧带钢表面缺陷在线监测系统 .“ 北京科技大学学报 24.3 (200
37、2): 329-332. 7 胡亮 ,段发阶 ,丁 克勤 ,雷永强 ,叶声华 . 带钢表面缺陷计算机 视 觉 在 线 检 测 系 统 的 设 计 J. 无损检测 ,2003,(06):287-290. 8 Kumar, Ajay. “Inspection of surface defects using optimal FIR filters.“ Acoustics, Speech, and Signal Processing, 2003. Proceedings.(ICASSP03). 2003 IEEE International Conference on. Vol. 2. IEEE,
38、2003. 9 Rosenfeld, Azriel, and Pilar De La Torre. “Histogram concavity analysis as an aid in threshold selection.“ IEEE Transactions on Systems, Man, and Cybernetics 2 (1983): 231-235. 10 Cinque, Luigi, G. Foresti, and Luca Lombardi. “A clustering fuzzy approach for image segmentation.“ Pattern Reco
39、gnition 37.9 (2004): 1797-1807. 11 Sandor, Tamas, David Metcalf, and Young-Jo Kim. “Segmentation of brain CT images using the concept of region growing.“ International journal of bio-medical computing 29.2 (1991): 133-147. 12 郑南宁 . 计算机视觉与模式识别 . 国防工业出版社 , 1998, 80 129 13 Bowyer, Kevin, Christine Kran
40、enburg, and Sean 月 2017 年 12 月 张泽阳 ： 基于 机器视觉的带钢 表面缺陷在线检测 技术综述 Dougherty. “Edge detector evaluation using empirical ROC curves.“ Computer Vision and Pattern Recognition, 1999. IEEE Computer Society Conference on. Vol. 1. IEEE, 1999 14崔屹 . 图像处理与分析 -数学形态学方法及应用 . 科学出版社 , 2000, 78 90 15 Z.G.Shi. An Appro
41、ach to Image Segmentation Using Multiresolution Analysisof Wavelets. IEEE Transactions on Image Processing. 1999, 8(7):810815 16 Hecht-Nielsen, R. “Proceedings of International Joint Conference on Neural Networks.“ (1989): 593. 17 O Basir and H W Zhu and F Karray. Fuzzy Based Image Segmentation.Spri
42、nger-Veriag Berlin Heidelberg, 2003 18 T.Pham, M.Wagner, D.Clark. Applications of Genetic Algorithms, Geostatis-tics and Fuzzy C-means Clustering to Image Segmentation. Proceedings of IEEE. 2001:741746 19 张国翊 .基于神经网络的冷轧带钢表面质量检测系统研究与实现 D.长安大学 ,2008 20 D.M.Tsai. A Fast Thresholding Selection Procedure for Multimodal and Uni-modal Histograms. Pattern Recognition Letters. 1995, 16(6):653666 2008 作者简介： 张泽阳 ，男， 1994 年出生，硕士研究生，主要研究方向为机器视觉方面的研究 E-mail：
