.1196 北京科技大学学报 第35卷 在钢板产品的表面缺陷检测与识别，目前研究 “伪缺陷” 较多也较有效的是针对表面图像背景比较简单的带 钢产品3-.对于表面图像背景非常复杂的连铸坯， 裂 其表面缺陷的检测与识别具有较大的难度，相关的 纹 研究还不多.文献[)提出了一种基于Gabor小 波的表面缺陷识别算法，通过使表征缺陷区域和无 化 缺陷区域能量分离准则的代价函数最小化，可以检 皮 测铸坯表面的细裂纹和角裂纹.文献[6根据板坯 上较深的纵裂纹和横裂纹产生的机理，并利用深裂 纹的几何形状特征，提出一种针对深裂纹的ERD (engineering-.driven rule-based detection)检测方法. 文献[利用非抽样小波对铸坯表面图像进行分解， 通过计算尺度共生矩阵和灰度共生矩阵，提取图像 的纹理特征，并结合基于AdaBoosting算法的分类 器，可以将裂纹从水痕、渣痕、氧化铁皮和振痕中 图1连铸坯表面图像 有效地识别出来.以上这些方法在铸坯裂纹检测方 Fig.1 Surface images of continuous casting slabs 面都取得了一定的成果，但也还存在一些问题.如 从图1中可以看出，连铸坯表面图像的整体背 缺陷的识别率还不够高，伪缺陷被误识别为缺陷的 情况较为严重等.另外，大部分方法在应用于图 景非常复杂.裂纹一般呈弯曲的线状，粗细不等， 像之前，大都需要先对图像进行去噪或增强等预处 有一定的深度.氧化铁皮形态不固定，基本上附着 理，这使得图像在去除干扰信息的同时，某些可能 在铸坯表面，边缘形状与裂纹相似的一些氧化铁皮 对缺陷识别有用的信息也发生丢失， 容易被误识为裂纹.光照不均时出现的明暗分界线 针对上述方法存在的问题，结合连铸坯表面图 和板坯表面由于保护渣产生的渣痕也会被误识为裂 像的特点，从提取图像尽可能多的有效信息着眼， 纹.因此，本文的目的就是将连铸坯的表面裂纹缺 本文提出了一种基于Contourlet变换的连铸坯表面 陷从“伪缺陷”中有效地识别出来 缺陷识别方法，获得了较好的识别效果.实验表明， 2 Contourlet变换 本文提出的识别方法是有效的，在算法的实施效果 和效率方面都优于基于Gabor小波的识别方法. Contourlet变换s-io是从小波发展而来的一 种多尺度几何分析方法.它将小波的优点延伸到高 1连铸坯表面图像特点 维空间，能够更好地刻画具有线奇异性和面奇异性 高温连铸坯表面缺陷检测与识别的主要难点 的高维信息.Contourlet变换的最终结果是使用类 在于连铸坯表面背景非常复杂，干扰因素多.由于 似于轮廓段的基结构来逼近原图像，能以接近最优 连铸坯在生产过程中表面温度通常高达1000℃以 的方式描述图像边缘.Contourlet变换又称为塔型 上，导致其表面被氧化，生成大量形态多样的氧化 方向滤波器组(pyramidal directional filter bank),是 铁皮，对表面缺陷（如裂纹等）的检测与识别造成 由拉普拉斯塔式滤波器(Laplacian pyramid,.LP)和 了极大干扰.另外，由于光照变化、生产线运行过 方向滤波器组(directional filter banks,DFB)组成的 程中的振动和保护渣残留等因素的影响，也使得采 双滤波器结构.其中拉普拉斯塔式滤波器用来捕捉 集到的连铸坯表面图像中出现一些明暗不均的区域 图像中的点奇异，方向滤波器组用于将奇异点连结 和黑色条纹.这些都会影响连铸坯表面缺陷的准确 成线.Contourlet变换首先利用拉普拉斯塔式滤波 检测与识别.图1所示为几种常见的连铸坯表面图 器将原始图像分解为低通近似分量和原图与低通近 像，包括裂纹、氧化铁皮、光照不均和渣痕图像.裂 似分量之间的差值图，即低频子带和高频子带，然 纹是出现几率最高的缺陷类型，也是对连铸坯表面 后利用方向滤波器组将高频子带分解为2个方向 质量影响最大的缺陷，严重时会导致整块板坯报废. 子带（乞为方向滤波器组的分解层数，为正整数）.对 氧化铁皮、光照不均和渣痕是板坯的正常状态，一 低频子带重复上述过程，即可实现对图像的多尺度 般不影响板坯的性能.但是，由于它们使连铸坯的 多方向分解.与小波相比，Contourlet变换具有高度 背景产生了变化，会被误识别为缺陷，因此称之为 灵活的方向性和各向异性的优良特性.与Curvelet· 1196 · 北 京 科 技 大 学 学 报 第 35 卷 在钢板产品的表面缺陷检测与识别，目前研究 较多也较有效的是针对表面图像背景比较简单的带 钢产品[3−4] . 对于表面图像背景非常复杂的连铸坯， 其表面缺陷的检测与识别具有较大的难度，相关的 研究还不多. 文献 [5] 提出了一种基于 Gabor 小 波的表面缺陷识别算法，通过使表征缺陷区域和无 缺陷区域能量分离准则的代价函数最小化，可以检 测铸坯表面的细裂纹和角裂纹. 文献 [6] 根据板坯 上较深的纵裂纹和横裂纹产生的机理，并利用深裂 纹的几何形状特征，提出一种针对深裂纹的 ERD (engineering-driven rule-based detection) 检测方法. 文献 [7] 利用非抽样小波对铸坯表面图像进行分解， 通过计算尺度共生矩阵和灰度共生矩阵，提取图像 的纹理特征，并结合基于 AdaBoosting 算法的分类 器，可以将裂纹从水痕、渣痕、氧化铁皮和振痕中 有效地识别出来. 以上这些方法在铸坯裂纹检测方 面都取得了一定的成果，但也还存在一些问题. 如 缺陷的识别率还不够高，伪缺陷被误识别为缺陷的 情况较为严重等. 另外，大部分方法在应用于图 像之前，大都需要先对图像进行去噪或增强等预处 理，这使得图像在去除干扰信息的同时，某些可能 对缺陷识别有用的信息也发生丢失. 针对上述方法存在的问题，结合连铸坯表面图 像的特点，从提取图像尽可能多的有效信息着眼， 本文提出了一种基于 Contourlet 变换的连铸坯表面 缺陷识别方法，获得了较好的识别效果. 实验表明， 本文提出的识别方法是有效的，在算法的实施效果 和效率方面都优于基于 Gabor 小波的识别方法. 1 连铸坯表面图像特点 高温连铸坯表面缺陷检测与识别的主要难点 在于连铸坯表面背景非常复杂，干扰因素多. 由于 连铸坯在生产过程中表面温度通常高达 1000 ℃以 上，导致其表面被氧化，生成大量形态多样的氧化 铁皮，对表面缺陷 (如裂纹等) 的检测与识别造成 了极大干扰. 另外，由于光照变化、生产线运行过 程中的振动和保护渣残留等因素的影响，也使得采 集到的连铸坯表面图像中出现一些明暗不均的区域 和黑色条纹. 这些都会影响连铸坯表面缺陷的准确 检测与识别. 图 1 所示为几种常见的连铸坯表面图 像，包括裂纹、氧化铁皮、光照不均和渣痕图像. 裂 纹是出现几率最高的缺陷类型，也是对连铸坯表面 质量影响最大的缺陷，严重时会导致整块板坯报废. 氧化铁皮、光照不均和渣痕是板坯的正常状态，一 般不影响板坯的性能. 但是，由于它们使连铸坯的 背景产生了变化，会被误识别为缺陷，因此称之为 “伪缺陷”. 图 1 连铸坯表面图像 Fig.1 Surface images of continuous casting slabs 从图 1 中可以看出，连铸坯表面图像的整体背 景非常复杂. 裂纹一般呈弯曲的线状，粗细不等， 有一定的深度. 氧化铁皮形态不固定，基本上附着 在铸坯表面，边缘形状与裂纹相似的一些氧化铁皮 容易被误识为裂纹. 光照不均时出现的明暗分界线 和板坯表面由于保护渣产生的渣痕也会被误识为裂 纹. 因此，本文的目的就是将连铸坯的表面裂纹缺 陷从 “伪缺陷” 中有效地识别出来. 2 Contourlet 变换 Contourlet 变换[8−10] 是从小波发展而来的一 种多尺度几何分析方法. 它将小波的优点延伸到高 维空间，能够更好地刻画具有线奇异性和面奇异性 的高维信息. Contourlet 变换的最终结果是使用类 似于轮廓段的基结构来逼近原图像，能以接近最优 的方式描述图像边缘. Contourlet 变换又称为塔型 方向滤波器组 (pyramidal directional filter bank)，是 由拉普拉斯塔式滤波器 (Laplacian pyramid, LP) 和 方向滤波器组 (directional filter banks, DFB) 组成的 双滤波器结构. 其中拉普拉斯塔式滤波器用来捕捉 图像中的点奇异，方向滤波器组用于将奇异点连结 成线. Contourlet 变换首先利用拉普拉斯塔式滤波 器将原始图像分解为低通近似分量和原图与低通近 似分量之间的差值图，即低频子带和高频子带，然 后利用方向滤波器组将高频子带分解为 2 i 个方向 子带 (i 为方向滤波器组的分解层数，为正整数). 对 低频子带重复上述过程，即可实现对图像的多尺度 多方向分解. 与小波相比，Contourlet 变换具有高度 灵活的方向性和各向异性的优良特性. 与 Curvelet