第7卷第1期 智能系统学报 Vol.7 No.1 2012年2月 CAAI Transactions on Intelligent Systems Feh.2012 D0I:10.3969/j.i8sn.1673-4785.201111020 基于图像显著性特征的铸坯表面缺陷检测 吴家伟，严京旗，方志宏2，夏勇2，陆敏健 (1.上海交通大学图像处理与模式识别研究所，上海200030：2.宝山钢铁股份有限公司研究院，上海201900：3.宝 山钢铁股份有限公司设备部，上海201900) 摘要：针对钢铁铸坯表面检测的缺陷复杂性问题，从图像处理及图形特征角度提出一种基于显著性区域特征的算 法.该算法首先对源图像进行显著性特征区域处理和Gor小波滤波处理，得到了对应的特征图像；然后再将2幅图 像中的特征区域进行融合，得到可信度较高的缺陷特征区域图像；最后在缺陷区域中用训练好的Ad山boost分类器检 测缺陷，得到最终的缺陷定位结果.该算法结合了显著性特征和Gabor小波特征，既缩小了Adaboost分类器的搜索范 围，也提高了排除伪缺陷的能力，具有较快的定位速度和较高的准确率.实验结果表明，该算法能获得较好的效果， 具有较高的实用价值. 关键词：铸坯表面：缺陷检测；显著性区域：特征提取：Gabor小波；Adaboost分类器 中图分类号：TP391.4文献标志码：A文章编号：16734785(2012)01007506 Defect detection on a steel slab surface based on the characteristics of an image's saliency region WU Jiawei',YAN Jingqi',FANG Zhihong,XIA Yong,LU Minjian3 (1.Institute of Image Processing Pattern Recognition,Shanghai Jiao Tong University,Shanghai 200030,China;2.Institute of Baos- han Iron Steel Co.,Ltd.,Shanghai 201900,China;3.Equipment Department of Baoshan Iron Steel Co.,Ltd.,Shanghai 201900, China) Abstract:In considering complex defect conditions in steel slab surface detection,a new defect detection method based on the saliency region was presented from the viewpoint of image processing and graphics features.First,by the processing of saliency region characteristics and Gabor wavelet filtering,the feature image was obtained,and then the characteristic regions in the two images were fused to obtain a highly reliable image of the defect region characteristics.Finally,the defect was detected by a well-trained Adaboost classifier in the fused defect region, thereby obtaining the final defect positioning result.The algorithm combines saliency region characteristics and Ga- bor wavelet features;it not only narrows the search range of the Adaboost classifier,but also improves the ability to exclude pseudo-defects.Consequently,it has faster positioning speed and higher accuracy.The algorithm per- formed well in the experiment and possesses high practical value. Keywords:steel slab surface;defect detection;saliency region;feature extraction;Gabor wavelet;Adaboost classifier 作为钢铁材料最为重要的质量因素之一，钢铁 制和提高钢铁产品的表面质量，一直是钢铁生产企 铸坯的表面质量的优劣直接影响其产品的性能和质 业非常关注的问题， 量.由于设备和工艺等影响钢板表面会出现不同类 目前关于表面缺陷检测比较有效的方法有基于 型的缺陷.这些缺陷不仅影响产品外观，而且降低了 对比的模糊增长方法、基于SVM的显著区域提取 产品的抗腐蚀性、耐磨性和强度等性能.因此如何在 方法[21和谱分析能量分割法等.但是为了快速准确 生产过程中在线检测钢铁铸坯的表面缺陷，从而控 地检测出钢板表面的实际缺陷，需要尽可能缩小检 测范围，同时减少漏检情况，保证在有多处缺陷的同 收稿日期：2011-11-23. 一钢板上至少能检测出一处缺陷.针对快速检测要 基金项目：国家自然科学基金资助项目(60873137). 通信作者：严京旗.E-mail:jqan@jtu.e.cn, 求，选用计算神经科学中模拟视觉检索的显著性检