打开文本图片集

摘要：本文旨在探讨工业环境中图像归一化[1]在金属片材表面缺陷检测[2]中的应用。对比了直方图归一化增强方法、均值标准差归一化增强方法、传统图像增强方法[3]、原图四者在相同样本下深度学习缺陷概率图以及最终检测准确率，其中直方图归一化增强方法的检测准确度达到了98%，误检率0%、均值标准差归一化增强方法达到了96%，误检率0%，传统图像增强方法93%，误检率0.5%、原图92%，，0.375%。相较于其他方法，图像归一化法在这种情况下有更高的准确度。

关键词：工业环境、缺陷检测、图像归一化、深度学习

一、引言

金属片材表面质量直接关系到产品的稳定性和可靠性[4]。传统的检测方法多依赖于人工目检，不仅效率低下且易受主观因素影响，随着图像处理技术的不断发展，基于图像处理的表面缺陷检测方法逐渐成为研究热点。

工业环境中，金属片材表面颜色受留存时间和保存方式的影响导致其在视觉检测获取原图像上会有些许差异，进而影响整个检测流程，因此如何降低这种变化带来的检测影响，对于提高检测准确率有很大意义。图像增强作为图像处理的重要环节，能够改善图像质量，突出缺陷特征，为缺陷检测和分类提供更好的数据基础。

缺陷检测流程

本文检测算法基于海康威视的Vision master平台实现，原图像为1096 x 1024像素，具体检测流程如图1所示：

1.基于Canny边缘提取图像定位和仿射变换获取ROI

Canny边缘检测[5]算法旨在以最优的方式识别图像中的边缘，首先使用高斯滤波器对图像进行平滑处理。其次计算梯度强度和方向，利用一阶有限差分计算图像中每个像素点的梯度强度和方向，再者进行非极大值抑制，遍历图像中的每个像素以去除非边缘点，这一步的目的是细化边缘。最后再进行双阈值检测和边缘连接，应用双阈值方法来确定真正的边缘。以上方法获取模版边缘后，再通过模版匹配[6]的方式遍历图片寻找最相似的边缘区域。定位完成后通过仿射变换去掉大部分无关区域，得到405 x 395像素的图片进行后续检测步骤。

2.图像增强

图像增强方法是数字图像处理中的关键技术之一，旨在改善图像的质量、增加图像的细节和对比度，以及提高图像的清晰度和可读性。工业环境下获取的原图像清晰度有限，一般来说都需要一定程度的图像增强。图像归一化本身并不直接归类为传统的图像增强技术，如对比度增强、锐化或去噪等。然而，在图像处理和计算机视觉的许多应用中，归一化被用作一种预处理步骤，以改善图像数据的性质，从而间接地为后续的图像增强或分析过程提供便利。图像归一化的主要目的是将图像的像素值缩放到一个特定的范围内（如0到1），或者调整图像的统计特性（如均值和标准差），以消除不同图像之间由于光照、曝光、传感器差异等因素引起的差异。这样做可以使图像数据更加稳定，有利于后续的图像处理和分析。

3.基于图像分割的缺陷检测

图像分割方法通过提取缺陷标签，放入卷积神经网络迭代得出检测模型，再通过将被检测图片带入缺陷概率模型中可以得到图像中被认为是缺陷的部分以亮度的形式呈现在图像中，最后通过Blob分析分割阈值的方法将缺陷部分提取出来完成检测。

三．实验及结果分析

为了探究图像归一化在金属片材表面缺陷检测中的作用，设计了一系列实验。首先使用60颗包含各种缺陷的不良品作为样本，应用原图、传统图像增强法、直方图归一化法、均值标准差归一化法四种图像建立深度学习标签库，并将实验对象分别带入四种库中进行缺陷检测。实验对象为某型号4个批次的金属片材样品共1000颗，其中良品800颗，不良品200颗，各批次的良品与不良品占四分之一。从缺陷概率图中取出较有代表性的一些如图2所示，由上至下为4个不同批次金属片材样品在几种图像增强条件下的缺陷概率，其中a为原图片，b为原图的深度学习缺陷概率，c为直方图归一化的缺陷概率，d为传统图像增强的缺陷概率，e为均值标准差归一化的缺陷概率。可以看出，传统图像增强方法在原图有微小变化时容易出现漏检，在某些情况下甚至不如原图，原因可能是在增强亮度或者对比度时若是检测图像比样本颜色更暗就容易出现漏检。直方图归一化法基本在下图中基本能把缺陷都标记出来，均值标准差归一化也能检测出更多缺陷，主要原因在于归一化的原理，能够消除量纲差异，将图像像素值映射至一个特定的范围，同时也能加速机器学习算法收敛，提高算法性能。最终通过Blob分析分割阈值检测结果为直方图归一化增强方法的检测准确度达到了98%，误检率0%、均值标准差归一化增强方法达到了96%，误检率0%、传统图像增强方法93%，误检率0.5%、原图92%，误检率0.375%。

四、结论

本文基于海康威视Vision master平台，应用Canny边缘检测和仿射变换获取ROI，以不同的图像增强方法为变量，使用深度学习阈值分割作为缺陷检测方法设计实验，得出了图像归一化增强算法在样本在工业环境下金属片材表面缺陷检测比传统图像增强和原图准确率更高、误检率更低的结论。

参考文献

[1]李宁.基于视觉注意机制的图像增强方法研究及应用[D].济南大学，2019.

[2]曹锦纲.基于机器视觉的复杂环境下表面缺陷检测技术研究[D].华北电力大学（北京），2022.

[3]朱明胜.图像增强技术研究与实现[D].安徽大学，2014.

[4]颜君波，李亚南，廖思远，等.一种图像识别技术在铆钉触头挑选设备中的应用研究[J].电工材料，2024.

[5]王明明，刘姣娣，刘栩廷，等.基于图像增强与边缘检测技术的蔗芽识别[J].计算机仿真，2022.

[6]刘志毅，杨桂华，唐卫卫.基于机器视觉的多类型工件测量系统研究[J].机床与液压，2022.