摘要：研究了一种基于机器视觉和罔像处理的钢棒存线自动计数系统，为该系统设计了一种可从复杂背景图像中提取圆形目标的双阈值结合数学形态学运算的分割算法，并对如何在生产过程中获得复杂背景下钢棒的清晰图像，提取钢棒不同规格的特征参数进行了讨论。系统采用模块化硬件设计，图像处理软件满足实时检测的要求，可以有效地检测出打包的棒材数量。该系统在湘钢使用后，棒材识别率达98.8% ，错误率为0，具有显著的经济效益和社会效益。
目前国内棒材生产线，在成品打包入库时，都是人工点支计数，人工对钢棒进行点支计数劳动强度大，长时间工作不仅速度慢且误点率高，容易将不同批号和材质的成品混在一起，造成混号或混质事故，给企业带来损失。因此靠人工点数入库，已不能满足现代化钢厂生产节奏和快速准确包装的要求。如何开发一套能自动、准确、快速识别打包后每捆钢棒数量和重量的在线钢棒自动计数系统，是棒材生产企业急需解决的难题。
近年来，计算机技术与图像处理技术的快速发展，使计算机视觉技术在工业生产中在线检测的应用日益广泛。但工业应用现场环境恶劣，图像背景复杂，如何构建系统及准确提取有用目标，是决定系统成败的关键。本文介绍了2006年成功应用在湘潭钢铁集团有限公司二棒材厂的棒材计数系统的硬件设计、软件技术及系统在实际生产中的应用情况。
1 系统原理及构成
湘钢二棒成品打包设有四个工作区，打包工作面是一个近似室外的开放式环境，光照变化大;打包工作区背景复杂，不时有工作人员、行车等移动物体;需要识别的棒材规格范围大，从50—200mm，且一捆棒材的数目从几根到99根不等;由于棒材规格的不同，其重量差异也很大;小规格棒材在滚落过程中会发生翘起或撞击，导致端面不齐，有时边缘互有遮挡，还有的棒材隐匿于落下的棒材中，也增加了准确识别棒材数量的难度。
针对现场恶劣环境和不利因素，设计了钢棒自动计数系统的系统结构，如图1所示。四个工作区分别设计了四个CCD摄像系统，每个CCD摄像系统包括摄像头、摄像头保护装置、氮气定时吹扫装置、工作面灯光以及云台等。
根据机器视觉的光学特性，通过调控光源及摄像机的角度，在白天和晚上分别采用不同的光源亮度，这样不管是白天还是晚上，都可以通过摄像机获得清晰的棒材堆放垂直截面图。截面图由采集卡输入下位计算机，下位机对采集到的图像进行分析、处理与模式识别，得到该捆棒材的钢棒数量，识别结果连同生产线相关信息被送入服务器数据库进一步处理，并生成各种现场生产信息统计报告。同时上位机还与轧线控制与调度管理系统进行实时通信，每次打包的钢材规格、钢棒数量、重量等信息，都被传送到轧线控制与生产调度管理系统。生产调度系统会随时将炉号、材质、轧制规格等信息传送到自动计数系统，自动计数系统根据计数结果和生产调度系统提供的生产信息，进行处理与判断。当可能出现混质、混号等情况时，自动计数系统将报警提示操作人员正确操作分钢机，将不同批号、不同材质的钢棒分开打包人库，从而有效防止混质、混号事故的发生。
2 图像处理软件设计
2.1 图像增强与滤波
由于现场环境恶劣、背景复杂，图像质量受到较大影响，因此，在对图像进行分析之前，必须对图像质量进行改善和增强[1-4]。系统为提高图像的可识别度，采用图像增强方法将图像中感兴趣的特征有选择地突出，并衰减不需要的特征。图像增强的方法分为空域法和频域法两类，根据现场图像特点采用频域法实现图像的增强，即在图像的某个变换域内，对图像进行操作，修改变换后的系数，再进行反变换得到处理后的图像。
低通滤波在消除噪声的同时，也会将图像中的一些细节模糊掉。为了达到既去除噪声又保持图像细节的目的，我们采用了一种非线性滤波方法，即中值滤波，其工作原理如下：
(1)将模板在图像中漫游，并将模板中心与图中某个象素位置重合;
(2)读取模板下各对应象素的灰度值;
(3)将这些象素的灰度值进行升序排列;
(4)找出队列中的中间值;
(5)将这个中间值赋给模板中心位置的象素。
图2为采用图像增强与滤波处理后的图像与原始图像的对比，经实际应用表明采用中值滤波处理，可有效提高图像识别率。
2.2 边缘提取
基于视频的目标提取可以分为两种类型，一是目标边缘提取，二是目标区域提取。经典的边缘检测方法是构造对象素灰度级阶跃变化敏感的微分算子，如拉普拉斯算子、Roberts梯度算子、So.bel梯度算子等。通过构造算子模板进行边缘检测具有计算速度快的优点，但由于阈值选择不合适，得到的检测图像，目标边缘往往是断续的、不完整的结构信息[3.5-8] 。且边缘检测方法对噪声比较敏感。边缘特征受噪声影响较大，而区域特征受噪声影响却要小得多。区域分割的原理是根据区域的相似性以及区域问的差异，将一幅图像分割成若干互不交迭的区域。但区域分割中若阈值选择过高，则过多的目标点将误归为背景，反之会出现相反情况。这势必影响分割出来目标的大小和形状，甚至会使日标丢失，I大【此确定阈值是区域分割的核心[6.9]目前区域分割方法中较为经典的自动阈值计算方法主要有双峰法、迭代法、大津法(OTSU法)[4.7] 、灰度托伸大津法[5.8] 、Kirsh算子法等几种。
针对目标获取的两种策略，作者分别选取两类方法中的一种算法进行了对比实验。从区域提取法中选用大津法，其原理是计算一个阈值使图像分为两类，并使类间距离(方差)取最大。边缘提取法选用拉普托斯边缘算子法，在托普拉斯方法中，首先利用拉普拉斯算子运算，然后进行细化，最后除去孤直的K度小于某个阈值的线段，得到的边缘信息就认为是目标的边界。
图3是典型方法与本系统采用方法的实验结果对比图。图3(a)是系统运行过程中的一张典型抓图，我们的日标就是将图中所有网柱状棒材自动识别出来。图3(b)是利用大津法得到的边界结合哈夫(Hough)变换[3]和K一聚类算法[3]之后得到的圆的定位(图中用一个黑点表示)，图3(c)是拉普拉斯法得到的边界结合哈夫变换和K一聚类算法之后得到的圆的定位。从图3(b)和图3(c)中，我们看到仅运用单阈值法或边缘检测方法，都会失去很多边界信息。因此，在实际应用时，这两种方法都不能很好地将全部目标检测出来。本系统设计采用大小两个阈值，并结合数学形态学算法尽可能多地提取相邻圆之间的边界。较小的阈值，能保证目标中灰度值比较低的部分从背景中分割出来。较大阈值的选取，则能保证止确分割出由于钢棒之间的空隙区域光线衍射而导敛灰度值过高的背景区域，即提高了高灰度值区域目标的检测。该方法可较好地将全部目标检测出来，如图3(d)所示。
2.3 样本学习
由于需要同定样水进行分类识别指导，因此在系统初始化的时候，需要对不同规格的捧材进行样本学习，如图4所示 ：图4(a)中黑框所圈的棒材即为所选定的一个需要学习的棒材样本(图中棒材为90 mm钢棒)。通过Hough变换，可计算出所选规格俸材在图像巾的特征信息，也就是可将棒材的实际直径与图像中的截面直径所占象素数目对应起来。规格为90mm钢捧对应图像中的圆截面直径象素值为47，其图像处理结果如图4(b)右下角图形所示。整个过程可以反复学习，以取得最佳样本。
2.4 棒材计数
Hough变换是利用图像全局特性，将边缘象素连接起来，组成区域封闭边境的一种方法。利用Hough变换可以方便地得到边界曲线，并将不连续的边缘象素连接起来，主要优点是受噪声和曲线间断的影响较小。Hough变换不仅可以用来检测直线和连接在同一条直线上的点，也可以用来检测曲线，如圆。圆的方程为：
图5为计数系统在运行过程中所得到的棒材识别结果图。图中白色框中的数字为经过Hough计算后，最接近圆心的象素数量。
3 实验结果与分析
我们对600幅图像分别利用基于大津法、拉普拉斯边缘算子及本系统采用的方法得到的边界进行了对比实验。结果如表1所示，其中识别率是指目标是钢棒且能正确识别的比率，错误率是指本来不是钢棒而误识别为钢棒的比率。平均运算时间是指对一幅图像的计算时间。表1数据的获取是基于Windows 2000操作系统及同一硬件环境：2 GHz赛扬CPU，256 MB内存，64 MB显存。
通过表l中的文验结果可以看出，前两种方法都是南于边界不足而导致识别率比较低。当然，如果哈夫变换时能降低判别的阈值，识别率就能大大提高，但是同时错误率也会急剧提高。尤其当棒材规格较小或者排列不整齐时，将会大大提高后续验证算法的复杂度。从表中我们还可发现大津法的错误率比较高，那是南于对于不同背景的冈，大津法分割并不能都达到图3(b)那样令人满意的效果。大津法的运算时问很大部分是由计算阈值花销的，而拉普拉斯的运算时间主要由滤波除噪等操作花销，本系统采用算法的运行时间主要花销在多次腐蚀、开肩和闭合上(注：本系统对计数并不要求达到实时)。
从表1我们还可以看出本系统所采用的算法与传统的算法比较，检测精度提高显著，所采用算法的检测精度可以满足棒材生产线打包计数的要求。采用本算法编写的棒材计数系统识别钢棒快捷、准确，可以替代人工点数，从而可取消打包计数员岗位，重要的是棒材自动计数系统能将信息快速反馈到控制台，保证分钢准确，避免打包时出现混号和混质等事故。
4 结束语
在进行系统设计时，针对传统方案和算法的不足，充分考虑工业生产现场的不利冈素，在硬件配置上采用相应措施，有效避免周围环境变化、光线强弱、粉尘和电磁干扰等对系统的影响;在软件设计上，通过对图像进行增强、滤波及采用先进图像处理算法等方案，保证系统长期稳定可靠运行，且计数准确。本系统已在湘潭钢铁公司棒材生产线投入使用，系统对,φ50～200 mm之间的各种钢棒进行了实时测试，并通过反复学习，建立了相应特征库。经用户在各种不同环境下测试使用，平均识别率达到98% 以上，识别率较高，可满足棒材生产线在线钢棒数量自动识别的要求。
总之，经实际应用证明该系统具有较强的适应性、可移植性，系统维护简单，操作方便，且具有较好的自学习能力，充分利用专家经验，可保证较高的识别率，能避免混号和混质事故的发生，经济效益和社会效益明显，可在棒材生产线推广应用。
参考文献：
[1]吴平川，路同浚，王炎.带钢表而自动检测系统研究现状与展望[J].无损检测，2000，22(7)：312—315.
WU Ping—chuan.LU Tong—jun.WANG Yan.Development and perspective of automatic strip surface inspection system[J].Nondestructive Testing，2000，22(7)：312—315.
[2]李炜，黄心汉，王敏，等.基于机器视觉的带钢表面缺陷检测系统[J].华中科技大学学报(自然科学版)，2003，31(2)：72—74.
LI Wei，HUANG Xin—han，WANG Min，et a1.The steel
surface inspection system based on computer vision[J].Journal of Huazhong UNIversity of Science and Technology(Nature Science)，2003,31(2)：72-74.
[3]章毓晋.图像工程(上册)，图像处理和分析[M].北京：清华大学出版社，1999.
[4]Parsytech Computer GmbH.Software controlled online surface inspection[J j.Steel Times International，1998(3)：30。35.
[5]章毓晋.图像工程(下册)，图像理解与计算机视觉[M] 北京：清华大学出版社，2000。
[6]吴冰，秦志远.自动确定图像二值化最佳阈值的新方法[J].绘测学院学报，2001，18(4)：283—286.
WU Bing，QIN Zhi—yuan.New approaches for the automatic selection 0f the optimal threshold in image binarization[J].Journal of Zhengzhou Institute of Surveying and Mapping，2001，18(4)：283—286.
[7]付忠良.一些新的图像阈值选取方法[J].计算机应用，2000.20(10)：13—15.
FU Zhong—liang.Some new methods for image threshold selection[J].Computer Applications，2000，20(10)：13—15.
[8]J R Parkm‘.Algorithms for image processing and computer vision[M].New York：Indianapolis John Wiley&Sons，1997.
[9]石争浩，冯亚宁，付长龙，等.基于机器视觉的铸件表面缺陷人工冲经网络检测方法[J].重型机械，2004(2)：51—54.
SHI Zheng—hao，FENG Ya—ning，FU Chang—long，et a1.Artificial neural network detecting method for cast products surface defects based on machine vision『J 1.Heavy Machinery，2004(2)：51—54.
