摘要

本文利用计算机视觉和人工神经网络解决了轧钢表面缺陷的自动视觉检测问题。最近几年，钢铁工业产能的增加已经成为视觉检验的一个关键生产瓶颈。在这种情形下，已经开发了新的基于传感器的技术用于保证高质量的钢材。与大多数往往基于人工估计、导致显著的时间和资金限制的常用技术不同，我们提出了一个自动分类系统：基于（i）图像分析技术：例如采用Hough变换对三个具有明确几何形状（焊接、夹痕和标记孔）的缺陷进行分类，以及（ii）两个著名的特征提取技术：主成分分析（PCA）和自组织映射（SOM）对复杂形状的三种缺陷：氧化、剥落和浪形缺陷进行分类。为了论证我们系统的效率，我们使用现实中具有挑战性、从阿塞洛米塔尔公司的轧机处获得的数据集进行测试。结果表明该系统实现了87%的整体精度，并展示了其在实际场景中具有很高的应用潜力。 

本文提出了一种利用计算机视觉技术和人工神经网络进行轧钢缺陷检测和分类的视觉检测系统。采用Hough变换对焊接、夹痕和标记孔进行分类。使用了300个样本进行测试，分类准确度达到了98%左右。

使用模式识别系统的典型步骤对氧化、剥落和浪形标记缺陷进行了分类。采用PCA（主成分分析）和SOM（自组织映射）的分类系统实现了77%的总体分类率，考虑在本文讨论范围内的六个缺陷，总体分类精度达到87%。

图1 轧制钢材表面缺陷视觉检测系统框图。

图2：基于Hough变换分类的直线和圆检测（a）-（b）焊接；（c）-（d）带标记孔的夹痕。

图3：a）20x20神经元的输出图，红色（浪形缺陷），绿色（氧化）和蓝色（剥离）.（b）PCA空间和20×20图中样本输入的三维表示。

图4 基于缺陷类别的图像校正和区域分类：（a）粉红为焊接；（b）黄色为夹痕，（c）带有标记孔（棕色）的夹痕；（d）蓝色为剥落，（e）绿色为氧化（f）红色为浪形。