钢板表面在线检测技术的发展和展望

随着社会生产技术的进步和人们对产品质量关注程度的提高，高品质的汽车用钢、锅炉用钢、造船用钢和桥梁用钢等高端钢板的需求量越来越大。而钢板的表面质量是影响钢板总体质量的一个重要因素。为了适应市场的需求变化， 增强产品的竞争力，对于生产企业而言，实时在线的检测产品在生产过程中产生的缺陷，根据反馈信息及时改进生产工艺，对产品质量进行准确把握和自动分级，是增加产品市场占有率，降低客户产品质量异议的有效途径。因此，一套有效的钢板表面检测系统能够帮助企业提高产品质量，增加企业效益。随着20世纪70年代以来CCD(电荷耦合器)摄像技术的快速进步和计算机技术的飞速发展，机器视觉技术应运而生，并迅速在工业无损检测领域推广开来，目前，基于机器视觉的钢板表面在线检测技术已经越来越多的得到企业的重视和应用。该技术已成功应用于冷轧带钢、中厚板、热轧带钢和连铸坯等生产线。

表面在线检测技术的发展

常用的钢板表面检测方法主要有红外检测、涡流检测、漏磁检测和机器视觉检测等。但是，目前采用涡流、红外和漏磁等检测技术实现的检测系统只适用于某些要求不高的应用场合，其检测原理的局限性导致可检测出的缺陷种类和缺陷定量描述参数极为有限，无法综合评估产品的表面质量状况[1]。与其他无损检测技术相比，由于CCD器件自身所具有的轻便、高精度、宽动态范围和易于配置等优点，使得基于 CCD 成像的机器视觉检测方法成为当前表面检测研究工作中的主流[2]。因此，本文主要介绍基于 CCD技术的机器视觉表面检测技术在钢板表面在线检测中的应用。

国外对于钢板表面在线检测技术的研究开始的较早，也已经研制出一些技术比较成熟的表面检测系统。国外不少钢铁企业在冷轧、热轧及各种镀层钢板的作业线上都装有表面自动检测系统，以实时、连续地检测钢板的表面。1983年，美国Honeywell公司[3]完成了连铸板坯表面缺陷自动检测装置的研究，该检测系统选用线阵CCD摄像机进行图像采集，并设计了专用的图像阵列处理机和基于句法模式识别理论的缺陷分类器。该项研究确立了以 CCD图像传感器和图像处理、模式识别技术为主要依据的表面检测系统的设计思想。1986年，在美国钢铁协会(AISI)的资助下，Westinghouse公司[4]采用线阵CCD 摄像机和高强度的线光源监视运动带钢表面，并提出了将明域、暗域及微光域三种照明光路型式组合应用于检测系统的思路，实现了在最高带速和最大带宽下缺陷的横纵分辨率分别为17和 23 mm。与此同时，在欧洲煤钢联营(ECSC)资助下， 意大利 Centro Sviluppo Materiali公司研制出用于不锈钢表面检测的试验样机[5]，该系统可以对带钢进行宽度测量，并能同时检测带钢上下表面的孔洞缺陷，但其可识别的缺陷种类相对较少。

2 0 世纪9 0 年代后， 基于机器视觉检测系统的缺陷自动分类识别功能和系统的实用化水平得到进一步提高。芬兰Rautaruukki New Technology公司研制的Smartvis 表面检测系统[6]运用机器学习方法对决策树分类器进行自动优化设计。美国Cognex公司于1996开发了一套iLearn自学习分类器软件系统[7]并应用于其研制的iS–2000自动检测系统[8]，极大地提高了检测系统的实时运算速度。德国Parsytec公司于1997年研制出 HTS–2冷轧带钢表面检测系统[9]，该系统采用人工神经网络(ANN)分类器，可以在轧制速度为300 m/min的情况下，检测最小尺寸为05mm的带钢表面缺陷。2000 年，德国ThyssenKrupp公司安装了四套Parsytec 公司研制的HTS– 2W热轧钢板表面检测系统[10]，可以在线自动探测和分类热轧钢板的缺陷，能检测到毫米级精度的缺陷，改变了以往只能靠人工检测热轧钢板的局面。2005年，法国的VAISIAS公司为Arcelor集团的Dunkerque厂研制开发了该公司第一套热轧带钢表面在线检测系统[11]。

国内在表面检测领域的研究虽然起步较晚，但最近几年发展较快，并且取得了不少的成果。 1990年，华中理工大学罗志勇[12]等人利用激光扫描技术测量带钢宽度，并实现孔洞缺陷的检测。 1995年，华中理工大学王斌[13]和吕新民[14]等人研制的冷轧带钢表面检测实验系统由面阵CCD和 DSP图像处理平台组成，可以检测冷轧带钢表面的孔洞、重皮和边裂等缺陷。1995年，哈尔滨工业大学机器人研究所孟宪超[15]等人在带钢表面缺陷静态检测与识别研究领域取得了阶段性成果，并在检测钢板孔洞、裂纹等缺陷检测方面取得了实际的应用。天津大学胡亮[16-17]等人开发了基于线阵CCD摄像机和FPGA技术的表面检测系统，并通过实验与算法模拟，对检测系统的可行性与工程实用性进行了验证。东北大学苏卫星[18]等人对基于PCI总路线与 DSP数字图像处理器的带钢表面在线检测系统进行了方案和软、硬件方面的详细设计，为系统的图像数据实时处理提供了新的途径。北京科技大学高效轧制国家工程研究中心已经研制开发了具有全部自主知识产权的冷轧带钢[19-20]和热轧带钢表面在线检测系统[21]，并在生产线上得到成功应用。

系统设计

系统组成如图1所示，表面检测系统一般由光源、图像采集卡、工业摄像机、并行计算系统、控制台、服务器、海量存储器和打印机等组成。

其中，检测装置由摄像机、光源组成，上下表面各用1套，安装在辊道上方和辊道下方事先建好的检测小房内，用于采集上下表面图像;并行计算系统对采集到的图像采用快速图像处理算法进行实时的分析和处理，得到缺陷的信息;服务器通过与并行计算系统相连的千兆以太网将传输过来的缺陷信息进行合并和保存，并利用海量存储器来保存缺陷信息的大量历史数据;控制台一般安装在质检站和精轧机操作室，控制台与服务器相连，通过控制台可以实时观察缺陷检测结果，并对严重缺陷或周期性缺陷进行报警。表面检测系统的工作流程主要包括图像采集、图像分割、特征提取和缺陷分类等。其工作原理为：通过光学传感器采集钢板表面反射的光，并将接收到的光信号转换为图像送入计算机，通过图像处理和模式识别算法对图像进行实时分析，得到缺陷信息。

光源的选择

采用光学检测法检测钢板表面必须去除背景光的影响，具体选择什么样的光源要根据要检测的钢板类型和生产线的生产环境来综合考虑选定。以北京科技大学高效轧制国家工程研究中心研制的基于激光线光源的热轧带钢表面在线检测系统为例[ 2 2 ]，由于热轧钢板表面温度高、辐射光强烈，所以该系统采用波长为 532 nm(即绿光)的高亮度激光作为光源。由于一般的激光光源是点光源，为了用于线阵CCD摄像机的照明，可在激光点光源前加一柱面镜，将点光源扩散为线光源。另外，由于热轧钢板表面的辐射光基本为红光或红外光，其光波波段基本都在600 nm以上，与绿色激光处于不同的波段范围。因此，该检测系统在摄像机的镜头前加装了中心波长为 532 nm的窄带滤色镜以滤除钢板表面辐射的红光及红外光，从而避免了背景光的影响。

摄像机的选择

CCD相机按照所使用的CCD 器件不同可以分为线阵CCD相机和面阵CCD相机两类。考虑热轧生产线的现场实际运行环境，如果采用面阵CCD相机，则在进行下表面检测时，需要对生产线进行拆辊和安装挡板等改造工作，并且由于当钢板头部经过时，为避免钢板头部从拆辊处扎入，挡板需翻上来支撑钢板头部经过，则钢板头部缺陷不能被检测到。因此， 该套检测系统选用线阵 CCD相机。由于线阵CCD相机自身可完成横向一维扫描，而带钢的运行方向构成纵向扫描，从而可获得二维图像。

具体到选择哪个型号的相机，要结合现场实际，根据要构建的检测系统所要求的检测速度，检测精度等技术指标，确定分辨率、扫描频率和快门速度等参数，并考虑价格等其他因素，最终确定所选用相机的型号和台数。以国内某钢厂1700热轧带钢生产线上安装的热轧钢板表面在线检测系统[23]为例，该检测系统共选用了8 台1024像素的线阵CCD 摄像机，上下表面各用4台，摄像机的最高采集速度为36000线/s。

展望

基于CCD的机器视觉表面检测技术近几年得到了快速发展，并广泛应用于工业检测领域。但目前由于技术水平和检测环境的制约，表面检测技术还存在着一些亟待解决的问题：

(1) 图像采集质量需要进一步提高。检测现场的工况环境恶劣，背景噪声、光照不均现象和钢板生产过程中产生的跳动等因素会极大地影响采集到的图像质量。如何降低干扰，采用合适的照明系统，选用满足工业高速检测需求的相机，以提高采集图像的清晰度和对比度，都是需要考虑的问题。

(2) 图像数据实时处理能力需要进一步提升。检测系统在钢板的高速生产过程中采集到的数据是海量的，是否能有效对数据进行在线实时处理，直接影响到系统的实际工作效果。

(3) 缺乏通用的图像处理和模式识别算法。算法是机器视觉表面检测技术的核心，也是当前该领域最富挑战性的课题。尽快开发出合适、通用、模块化的算法框架，有效地提取缺陷的特征，准确地对缺陷进行分类识别，提高缺陷识别率，降低误识别率，是表面检测技术的根本目的。根据以上分析，基于CCD的机器视觉表面检测技术在今后的发展趋势有以下几个方面：

(1) 设计合适的光照系统。按照光学原理，结合各种光源的应用范围、光照特点，设计合适的光学和照明系统，增加背景和目标的对比度，去除光照不均等不利因素的影响，对于提高图像的采集质量，突出细微缺陷的特征等有重要意义。

(2) 采用高速图像采集装置。要获得高质量的采集图像，保证图像的高清晰度和高分辨率，就必须运用图像在线高速采集技术，以同高速运行的生产线相匹配，满足运动物体表面图像在线高速采集的要求。

(3) 开发有效的检测算法。要最终能准确检测出各类缺陷并正确分类，获得对表面缺陷的高识别率和低误警率，开发出实时高效的缺陷检测和识别算法十分必要。应根据检测对象的特点，提取独特性强的特征作为识别依据，并开发高效图像处理和模式识别算法，以应对数据量大、实时检测等要求。

(4) 结合其他检测方法。要获得检测对象的多方面信息，不应局限于一种检测方法。应融合各种有效的无损检测方法，并结合高强度激光、三维图像处理等技术，同时获取缺陷信息的二维和三维信息，以更全面的掌握缺陷的特征，提高缺陷的检出率。