VoL.24 徐科等：冷轧带钢表面缺陷在线监测系统 ·331 时处理”线程中 缺陷”数目除以总的缺陷数目就是系统总的误 为了保证系统对缺陷有高的检出率和识别 识率.经这样处理后，得到系统的漏识率和误识 率，系统中所用的缺陷检测和缺陷识别算法比 率如表1所示. 较复杂，所需的处理时间比较长.但是，由于整 表1缺陷检测结果 个带卷上存在缺陷的区域所占比例很小，一般 Table 1 Result of defect detection 个 在5%以下，需要“准时处理”的数据量比起需要 缺陷ROI未检测漏识率/误识率/ “实时处理”的数据量少了很多.这样的话，虽然 缺陷类型 数量数目到数目% % “准时处理”线程中的算法比较复杂，但所需处 乳化液斑痕346 418 42 12.1 理的数据量少；而“实时处理”线程中的算法比 压入氧化铁皮 1292058 8 6.2 较简单，但所需处理的数据量多.因此，“准时处 锈痕 462 487 36 7.8 理”线程和“实时处理”线程所占的CPU时间基 折印 385 379 56 14.5 本相等，如果处理一场图像所需的时间为0.02 边裂 369 495 35 9.5 辊印 138 215 8.7 s,那么这2个线程各占0.01s左右 非缺陷 82 通过“实时处理”与“准时处理”2种方式， 总计 1829413418910.34.5 既可以满足系统的在线监测要求，又保证系统 具有高的缺陷检出率与识别率 从表1可以看出，“乳化液斑痕”和“折印” 的漏识率比较高.“折印”是一种很难检测的缺 3试验 陷，而“乳化液斑痕”漏识率高的原因是“乳化液 从国内某大型钢铁企业冷轧厂采集冷轧带 斑痕”在图像中的灰度分布不均匀，有些“乳化 液斑痕”与背景灰度的对比度很大，有些则很 钢样本，由人工对这些样本中的缺陷进行标定 小，很难检测到 这些样本包含了“乳化液斑痕”、“锈痕”、“压入 氧化铁皮”、“辊印、“折印”和“边裂”等6种常 在考虑缺陷的检出率时还需要考虑缺陷的 误识率.缺陷的误识率主要是由图像中的噪声 见的冷轧带钢表面缺陷类型.每种类型的缺陷 和一些非缺陷的因素，如表面的脏物或尘埃等 数目如表1所示，由于这些缺陷是用人眼来标 引起的.虽然在后面的“缺陷识别”步骤中可以 定的，存在着一些主观因素，因此表中的数据仅 通过缺陷分类算法把这些“非缺陷”识别出来， 作为参考.系统对这些样本进行自动检测，系统 但是“非缺陷”数量的增加会影响系统的运算性 检测到的缺陷用ROI(Region of Interest)来表示. 能，因此需要尽可能降低误识率.从试验可以看 由于ROI与人工标定的缺陷不一定一一对应， 存在着一个ROI包含了多个缺陷，或者多个ROI 到，系统的误识率非常低，这对于在线监测是很 有利的.还需要指出的是，“压入氧化铁皮”缺陷 存在于一个缺陷中的情况，因此系统检测到的 的数目不多，但检测出来的RO[却很多，这是因 ROI数目与人工标定的缺陷数目存在着较大的 为“压人氧化铁皮”缺陷往往呈片状分布，片与 差异.为了能统计系统对缺陷的误识率和漏识 片之间灰度分布很不均匀，因此容易造成一个 率，本文作了如下的处理： “压入氧化铁皮”缺陷被检测成好几个甚至几十 (1)对已经有RO1标识的缺陷则认为该缺陷 个ROI的现象.因此系统对缺陷的标定是以ROI 已经检测到了，不管该缺陷包含在多少个RO1 为准的，因此这种现象会造成缺陷标定上的错 之中 误，应该尽量避免.但是目前还没有找到正确标 (2)对于没有用ROI标识的缺陷，则认为该 缺陷未被检测到，也就是漏识现象.表1中用 定“压人氧化铁皮”缺陷的方法，在今后工作中 应该研究更好的方法 “未检测到数目”表示该缺陷类型未被检测到的 经缺陷检测后，系统对表1中的ROI进行 缺陷数目 自动分类，分类的结果如表2所示. (3)未检测到的缺陷数目除以该缺陷类型的 由表2可以看到，系统对6种冷轧带钢表 缺陷总数就是该缺陷类型的漏识率 面缺陷的识别率非常高，都超过或接近90%.但 (4)有些ROI包含的是“非缺陷”，即把不是 是对“非缺陷”的识别率不高，原因是“非缺陷” 缺陷的区域检测成缺陷，这属于误识现象.“非 是由多种原因造成的，如可能由图像的噪声产、 b l 一 2 4 徐科 等 : 冷 轧带 钢表面 缺陷在线 监测 系统 一 33 1 - 时处理 ” 线程 中 . 为了保证系统对缺 陷有高 的检出率 和识别 率 , 系统 中所用的缺陷检测和 缺陷识别算法 比 较复杂 , 所 需的 处理时间 比较 长 . 但是 , 由于 整 个带卷上存在缺 陷的区域所 占比例很小 , 一般 在 5% 以下 , 需要 “ 准时处理 ” 的数据量 比起需要 “ 实时处理 ” 的数据量少 了很多 . 这样的话 , 虽 然 “ 准时处理 ” 线程 中的算法 比较复杂 , 但所需处 理 的数 据量少 ; 而 “ 实时处理 ” 线程 中的算 法 比 较简单 , 但所需处理的数据量多 . 因此 , “ 准时处 理 ” 线程和 “ 实时处 理 ” 线程所 占的 C P U 时间基 本相等 , 如果处理一场图 像所 需的时间为 .0 02 s , 那么 这 2 个线程各 占 .0 01 5 左右 . 通 过 “ 实时处理 ” 与 “ 准时处理 ” 2 种方式 , 既可 以 满足 系统的在线监测 要求 , 又 保证系统 具有高的缺陷检出率与识别率 . 缺陷 ” 数 目除 以 总的缺 陷数 目就是系统总的误 识率 . 经这样处理后 , 得到系统 的漏识率和误识 率如表 1 所示 . 表 1 缺陷检测 结果 . 介 b l e I R昭u l t o f d e fe e t d e t e e ti o n 目一沼)I79558 人r t 一丫- ù勺0 诊 从甲一R4 91 月峥飞à 4 `, 嘎一4629382985 山ē勺一内j月呀门1. 一àj飞 1 缺陷类 型 缺陷 未检测 漏识率/误识率/ 到数 目 % % .12857,5 乳化液斑痕 4235365128 124.7698 压人氧化铁皮 锈痕 折印 边 裂 辊 印 非缺陷 总计 _ 8 2 一 一 一 1 8 2 9 4 1 34 1 8 9 1 0 . 3 4 . 5 3 试验 从 国内某大 型钢铁企业冷轧 厂采集冷轧带 钢样本 , 由人工对这些样本中的缺陷进行标定 . 这些样本包含 了 “ 乳化液斑痕 ” 、 “ 锈痕 ” 、 “ 压入 氧化铁皮 ” 、 “ 辊 印 ” 、 “ 折印 ” 和 “ 边裂 ” 等 6 种 常 见 的冷轧带钢表面 缺陷类型 . 每种类 型 的缺 陷 数 目如表 l 所示 , 由于 这些缺 陷是用人 眼来标 定的 , 存在着一些 主观因素 , 因此表 中的数据仅 作为参考 . 系统对这些样本进行 自动检测 , 系统 检测 yIJ 的缺陷用 R O I (R e g i o n o f lnt e r e s)t 来表示 . 由 于 R O I 与人工标定 的缺陷不 一 定一 一 对应 , 存在着一个 R O I包含了多个缺陷 , 或者多个 RO I 存在于一个缺陷 中的情 况 , 因 此系统检测到的 R O I数 目与人工标定 的缺陷数 目存在着较大的 差异 . 为了 能统计 系统对缺 陷的误识 率和 漏识 率 , 本文作 了如下 的 处理 : ( l) 对 已经有 R OI 标 识的缺 陷则认为该 缺陷 已经检测 到 了 , 不管该缺陷包含在多少个 R OI 之 中 . 仅) 对 于没有用 R O I标识 的 缺陷 , 则认为该 缺陷未被检测到 , 也 就是漏识现象 . 表 1 中用 “ 未检测到数 目 ” 表示 该缺陷类 型未被检测 到的 缺陷数 目 . (3) 未检测到的 缺陷数 目除以该缺陷类型 的 缺陷总数就是该缺 陷类 型 的漏识率 , ( 4 ) 有些 R O I包含 的是 “ 非缺陷 ” , 即把不是 缺陷的区 域检测 成缺 陷 , 这属 于 误识现象 . “ 非 从表 1 可 以看 出 , “ 乳化液斑痕 ” 和 “ 折 印 ” 的漏 识率 比较高 . “ 折印 ” 是一种很难 检测的缺 陷 , 而 “ 乳化液斑痕 ” 漏识率高的原 因是 “ 乳化液 斑痕 ” 在图像 中的灰度分布不 均匀 , 有些 “ 乳 化 液斑 痕 ” 与背景灰度 的对 比度很大 , 有些则 很 小 , 很难检测到 . 在考虑缺陷的检 出率时还 需要考虑缺陷的 误识率 . 缺 陷的误 识率主 要是 由图像 中的噪声 和一些非缺陷 的因素 , 如表面 的脏物或尘埃等 引起 的 . 虽 然在后 面 的 “ 缺陷识别 ” 步骤 中可 以 通过缺陷分类算法把这些 “ 非缺陷 ” 识别 出来 , 但是 “ 非缺陷 ” 数量的增加会影响系统 的运算性 能 , 因此需要尽 可能降低误识率 . 从试 验可 以看 到 , 系统的误识率非常低 , 这对于在线监测是很 有利的 . 还需要指 出的是 , “ 压人氧化铁皮 ” 缺陷 的数 目不 多 , 但 检侧 出来 的 R〔 ) 1却很 多 , 这是因 为 “ 压人氧化铁皮 ” 缺陷往往呈 片状 分布 , 片与 片之 间灰度分 布很不 均匀 , 因此 容易造成一个 “ 压人氧化铁皮 ” 缺陷被检测成好几个甚至几 十 个 RO I的现象 , 因此 系统对 缺陷的标定是 以 R 0 1 为准 的 , 因此这种 现象会造成缺陷标定上 的错 误 , 应该尽量避 免 . 但是 目前还 没有找到正确标 定 “ 压人氧化铁皮 ” 缺 陷的方法 , 在今后工作 中 应该研究更好 的方法 . 经缺陷检测后 , 系统对 表 1 中的 R O I 进行 自动 分类 , 分类的结果如 表 2 所示 , 由表 2 可 以 看到 , 系 统对 6 种冷轧带钢表 面缺 陷的识别率非常高 , 都超过或接近 90 % . 但 是对 “ 非缺陷 ” 的识 别率不高 , 原 因是 “ 非缺陷 ” 是 由多种原因造 成的 , 如可 能由图像 的 噪声 产