CN115294099B - 一种钢板轧制过程发纹缺陷的检测方法及系统 - Google Patents
一种钢板轧制过程发纹缺陷的检测方法及系统 Download PDFInfo
- Publication number
- CN115294099B CN115294099B CN202211169617.7A CN202211169617A CN115294099B CN 115294099 B CN115294099 B CN 115294099B CN 202211169617 A CN202211169617 A CN 202211169617A CN 115294099 B CN115294099 B CN 115294099B
- Authority
- CN
- China
- Prior art keywords
- gray
- connected domain
- image
- minimum
- histograms
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 90
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 37
- 239000010959 steel Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005096 rolling process Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种钢板轧制过程发纹缺陷的检测方法及系统，该方法包括采集钢板上、下表面灰度图像，利用灰度直方图对上、下表面灰度图进行灰度线性变化得到第一上、下表面灰度图。对第一上、下表面灰度图进行自适应阈值分割得到二值图。对二值图进行连通域分析得到连通域集合，获取连通域集合中每个连通域的最小外接矩形，根据每个最小外接矩形得到整个异常部位的角度及临近范围异常分布特征量。根据各异常部位的角度及临近异常分布特征量进行自适应形态学处理去除干扰缺陷得到增强后缺陷图像。根据增强后缺陷图像进行缺陷检测得到发纹缺陷区域，从而实现将发纹缺陷准确检测出来，提高检测精度。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种钢板轧制过程发纹缺陷的检测方法及系统。
背景技术
在钢板的连续轧制过程中，由于钢中夹杂物或气泡、疏松等在加工变形过程中沿锻轧方向被延伸，形成了呈纵向分布的细小纹缕，这种缺陷即是发纹缺陷，其会严重地危害钢的力学性能，尤其是疲劳强度，严重者甚至会萌发裂缝造成更大损害影响。由于发纹缺陷较为细小，而同时钢板表面有较为光滑且可能有其他表现相近的缺陷，这会对发纹缺陷的检测造成影响从而产生错误判断。
现阶段由于发纹缺陷都为细小直线纹缕，往往在计算机视觉中利用霍夫变换进行检测，但对于细小纹缕的发纹缺陷深度可能较浅，其可能由于光照或光滑表面的影响而不能较好地提取得到。同时在霍夫变换中，划伤缺陷与发纹缺陷都为直线缺陷，如果是竖直方向的划伤缺陷，仅靠霍夫变换并不能去除这种其他缺陷对于发纹缺陷判断所造成的影响。
本发明旨在通过灰度线性变换提高缺陷与正常表面的对比程度再进行自适应阈值分割，而后对分割图像通过调节自适应结构元对可能的划伤缺陷进行去除，进而得到仅保留待判断发纹缺陷且表现较好的二值化图像，利用霍夫变换等现有技术对其进行检测。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种钢板轧制过程发纹缺陷的检测方法及系统，所采用的技术方案具体如下：
采集钢板上、下表面图像，并对钢板上、下表面图像进行灰度化处理得到上、下表面灰度图；
对上、下表面灰度图各像素灰度值划分成灰度等级，对每个灰度值等级进行统计得到上、下表面灰度图的直方图，利用灰度直方图对上、下表面灰度图进行灰度线性变化得到第一上、下表面灰度图，对第一上、下表面灰度图进行自适应阈值分割得到二值图；
获取二值图像素值为0的像素集合，对像素值为0的像素集合进行连通域分析得到连通域集合，获取连通域集合中每个连通域的最小外接矩形，根据最小外接矩形对应的连通域类别情况得到每个外接矩形对应连通域的角度及特征量；
根据每个外接矩形对应连通域的角度及特征量进行自适应形态学处理得到增强后缺陷图像；
根据增强后缺陷图像进行缺陷检测得到发纹缺陷区域。
优选的，所述根据灰度直方图对上、下表面灰度图进行灰度线性变化得到第一上、下表面灰度图像的方法，包括：
将上下表面直方图按峰的个数分为双峰直方图和单峰直方图；
根据上、下表面灰度图的直方图得到上、下表面直方图曲线，根据上、下表面直方图曲线得到最大灰度级、最小灰度级和转折点灰度级，所述最大灰度级是指上、下表面直方图曲线上灰度级最大值，最小灰度级是指直方图曲线上灰度级值最小值，转则点灰度级是指直方图曲线上极小值点对应的灰度级值；
根据上、下表面直方图单、双峰的不同给予不同的灰度变换方法，具体如下：
当上、下表面直方图为单峰直方图时，根据单峰直方图的最小灰度级、最大灰度级进行灰度变化得到变换后灰度值，具体计算公式如下：
其中
为上下表面直方图的灰度级最大值，/>
为上下表面直方图的灰度级最小值，/>
为上、下表面图像上坐标为/>
处的灰度值，/>
表示灰度线性变换后上、下表面图像坐标/>
处的灰度值；
当上、下表面直方图为双直方图时，根据双峰直方图的最小灰度级、最大灰度级、转折点灰度值进行灰度变化得到变换后灰度值，具体计算公式如下：
其中，其中
为上下表面直方图的灰度级最大值，/>
为上下表面直方图的灰度级最小值，/>
为上、下表面图像上坐标为/>
处的灰度值，/>
表示灰度线性变换后上、下表面图像坐标/>
处的灰度值；
所有灰度线性变换后灰度值构成的图像为第一上、下表面灰度图像。
优选的，根据最小外接矩形得到最小外接矩形对应连通域的类别，进而得到每种外接矩形对应连通域的角度及特征量的方法，包括：
获取最小外接矩形的长边和短边，以上、下表面灰度图像的第一列最后一行为坐标原点，以上、下表面图像第一列为y轴、最后一行为y轴建立笛卡尔坐标系，从坐标原点出发向长边所在直线作垂线，垂线与上、下表面图像x轴构成夹角，记为第一夹角；
当第一夹角不等于0度时，最小外接矩形对应的连通域为异常连通域，进而得到第一异常连通域的特征量，第一夹角作为异常连通域的夹角；
当第一夹角等于0，根据最小外接矩形获得搜索矩形，对搜索矩形内的每个最小外接矩形的第一夹角情况分割出异常连通域和干扰连通域；
当搜索矩形内最小外接第一夹角不为0时，最小外接矩形对应的连通域作为异常连通域，进而得到异常连通域的特征量；
当搜索矩形内最小外接矩形第一夹角为0时， 根据异常连通域的最小外接矩形的长短边的比值分割出异常连通域和干扰连通域，获取干扰连通域的特征量和夹角，获取异常连通域的特征量和夹角；
优选的，根据每个外接矩形对应连通域的角度及特征量进行自适应形态学处理得到增强后缺陷图像的方法，包括：
根据异常连通域的夹角设置结构元的方向，根据异常连通域的特征量设置结构尺寸，利用结构元的对异常连通域进行形态学处理；
根据干扰连通域的特征量设置结构元，利用结构原对干扰连通域进行形态学处理。
一种钢板轧制过程发纹缺陷的检测系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现一种钢板轧制过程发纹缺陷的检测方法。
本发明实施例至少具有如下有益效果：由于钢板表面较为光滑而整体灰度值表现较大，且发纹缺陷表现较为细小浅显，可能并不会表现出较大的灰度差异，通过灰度线性变换达到拉伸灰度级进而增大缺陷与正常部位的灰度表现差异，提高对于缺陷与正常部位阈值分割的准确度。同时在缺陷检测是，如直接进行霍夫变换，划伤缺陷由于其直线型表现易在分析过程中与发纹缺陷混淆，本发明利用形态学自适应结构元对其进行去除，仅保留可能的发纹缺陷进入缺陷检测过程。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种钢板轧制过程发纹缺陷的检测方法及系统的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种钢板轧制过程发纹缺陷的检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种钢板轧制过程发纹缺陷的检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种钢板轧制过程发纹缺陷的检测方法及系统的步骤流程图，该方法包括以下步骤：
步骤S001，采集钢板上下表面图像，并进行灰度化处理。
从连轧机组轧制出来的钢板，其上下表面可能都具有缺陷，在自然光源不添加额外光源情境下采集钢板表面图像，自然光源可以忽略某部分反光而造成的灰度表现差异，并对采集到的图像进行语义分割仅保留钢板部分图像，去除其他环境因素，再进行灰度化处理。
具体的，在连轧机组出料段上下位置安装相机，采集钢板上下表面图像。对采集到的图像进行语义分割，保留钢板部分图像并进行灰度化处理。
步骤S002,根据上下表面灰度直方图对上下表面图像进行灰度线性变换得到变换后上下表面图像，进而得到上下表面二值图；
由于在自然光源下采集得到钢板表面图像，可以排除光照因素产生的高光反光影响，则钢板表面整体灰度图像较为接近，在灰度直方图中表现为一定范围的单峰，而再算上缺陷部分的表现，如果有差异较大缺陷会形成灰度直方图的双峰表现，而如果差异不明显则仍表现为单峰。
本步骤的有益效果是：如果直接对原灰度图像进行自适应阈值分割，由于某些发纹较为浅显，其与正常部位的灰度表现差异并不大，在进行自适应阈值分割的时候容易造成误分割而未准确提取得到，拉伸灰度级可以增大差异对比表现，从而在分割的时候能够更好的提取出目标（异常）部位。
具体的，根据上下表面灰度图各像素的灰度值划分灰度等级，对灰度级进行统计得到灰度直方图。
提取灰度直方图中有分布的最大灰度级，记为
。如果灰度直方图表现为单峰，则记录最小灰度级为/>
；如果灰度直方图的表现为双峰，则寻找到双峰范围的转折点，并记录该点对应灰度级为/>
。本案中采用多项式拟合灰度直方图曲线，并根据求导可获取灰度直方图中峰的最大灰度级、最小灰度级以及转折点灰度级，此为公知技术，在本案中不再赘述。
如果是单峰的灰度直方图，则灰度线性变换如下：
式中，
表示变换后的灰度范围，/>
表示变换前的灰度截取范围，/>
表示坐标为/>
的点变换前的灰度值，/>
表示坐标为/>
的点变换后的灰度值（以图像左下角为坐标原点，/>
为行数而/>
为列数，下同）。
如果是双峰的灰度直方图，则灰度线性变换如下：
式中，
表示变换后的灰度范围，/>
表示变换前的灰度截取范围，/>
表示坐标为/>
的点变换前的灰度值，/>
表示坐标为/>
的点变换后的灰度值。由于灰度级较大的波峰范围为正常部位以及少部分浅显缺陷，而较小的波峰范围为缺陷部位，因此将较小部分波峰直接都置为黑色（0），再对较大的波峰进行拉伸变换。
对经灰度线性变换后的表面灰度图像进行大津自适应阈值分割，大于最佳分割阈值的为背景（正常钢板表面）部位，将其置为白色（255）；而小于最佳分割阈值的为目标（异常缺陷部分）部位，将其置为黑色（0）。对二值图像素值为0的像素进行连通域分析得到连通域集合。获取每个连通域的最小外接矩形。
步骤S003, 根据最小外接矩形得到最小外接矩形对应连通域的类别，进而得到每种外接矩形对应连通域的角度及特征量；
由于无论发纹缺陷或是划伤的干扰缺陷，此时表现都为直线即类似矩形形状，但可能因为相机拍摄或阈值分割时误差原因导致其连通域并不完整，连通域内逐点分析计算量较大且没有反映整体的统一特征量，利用最小外接矩形框选确定这些直线缺陷的理论轮廓，进而根据这些轮廓确定特征量用于后续调节结构元以达到对于干扰缺陷的腐蚀去除以及对于待判断发纹缺陷的膨胀补全。
具体的，每个异常部位即为一个连通域，以第
个连通域为例，利用最小外接矩形对该连通域进行框选，框选方法为旋转搜索法（为现有技术）。
确定了该连通域的最小外接矩形，其较长的边记为
，较短的边记为/>
（长短边的长度以其经过的像素点数量为单位），作坐标原点到长边所在直线的垂线，该条垂线与图像下边即/>
轴正方向的夹角记为/>
。
对于角度
的异常连通域，其为干扰缺陷形成的异常连通域，记录该连通域的特征量/>
，即短边所包含的像素点数量加/>
即为该连通域的特征量。
对于角度
的异常连通域，该连通域的最小外接矩形在图像中表现为长边沿竖直方向的矩形，以该最小外接矩形为中心区域，矩形左上角向左、向上延长/>
个长度；右上角向右、向上延长/>
个长度；左下角向左、向下延长/>
个长度；右下角向右、向下延长/>
个长度，构成对于该异常连通域的搜索区域，区域长为/>
，宽为/>
。
在该搜索区域内寻找
黑色异常连通域，如果搜索范围内没有，则该连通域同样为干扰缺陷形成的异常连通域，记录其特征量/>
；如果搜索到了角度为/>
的异常连通域，以搜索到的第/>
个连通域为例，其长边记为/>
，如果/>
这一范围，认为两者差异较大，不是同类缺陷。
搜索范围内的所有角度为
的异常连通域并逐一判断，如果有一个在/>
的范围内，即可停止搜索，第/>
个异常连通域为待判断的异常缺陷，记录其与干扰缺陷不同的两个特征量，分别为水平特征量/>
，竖直特征量/>
；如果搜索范围内的所有异常连通域都进行了判断，但仍没有在/>
范围内的异常连通域，则表明第/>
个连通域也为干扰缺陷形成的异常连通域，记录其特征量为/>
。
步骤S004,根据最小外接矩形对应连通域的角度及特征量进行自适应形态学分析得到增强后缺陷图像；
根据上步对于各异常部位的特征分析，针对每个异常部位依照其特征表现自适应结构元，可对类别不同、角度不同、大小不同的异常部位分别进行形态学膨胀腐蚀运算，既保留了可能的发纹缺陷也去除了其他干扰判断的形似缺陷。
具体的，根据上步分析，仍以第
个异常部位为例，如果该异常部位有特征量
，设置结构元的走向为沿/>
方向，宽度为1个像素，长度即为/>
，以该结构元对异常部位逐点进行腐蚀，将黑色像素点置于结构元中心，如果结构元范围内有白色像素点则将该点置为白色。此时由于结构元长度比异常部位最大宽度仍多出一个像素点，则可以对该异常部位做到完全腐蚀，即在二值化图像中去除了该部位。以此种方法对图像中所有具有/>
特征量的异常部位进行操作。
根据特征量及角度对干扰缺陷部位进行了腐蚀去除，对于具有水平特征量及竖直特征量的待判断异常部位，可以根据两特征量对其进行补全，使其异常部位变成一个贴合最小外接矩形的异常部位，便于后续缺陷检测分析。仍以第
个异常部位为例，其具有水平特征量/>
及竖直特征量/>
，对于最小外接矩形框选内的区域，其有异常部位的黑色像素点，也有一些不可避免的误差原因形成的白色像素点，将这些像素点都置为黑色，即将异常部位补全成一个矩形，排除掉不可避免的误差对于缺陷检测的影响。
步骤S005,对增强后缺陷图像进行缺陷检测得到缺陷区域；
对于经过上步处理的二值化图像，此时图像中仅有一些沿竖直方向的直线（矩形）黑色异常部位，对这些异常部位进行霍夫直线变换，通过霍夫空间高亮点的表现对发纹缺陷进行检测；如果处理后的图像中不再具有黑色异常部位，则表明该块轧制后钢板表面不存在发纹缺陷。
基于与上述方法相同的发明构思，本发明实施例还提供了一种钢板轧制过程发纹缺陷的检测方法，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种钢板轧制过程发纹缺陷的检测方法识别方法中的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种钢板轧制过程发纹缺陷的检测方法，其特征在于，该方法包括以下步骤：
采集钢板上、下表面图像，并对钢板上、下表面图像进行灰度化处理得到上、下表面灰度图；
对上、下表面灰度图各像素灰度值划分成灰度等级，对每个灰度值等级进行统计得到上、下表面灰度图的直方图，利用灰度直方图对上、下表面灰度图进行灰度线性变化得到第一上、下表面灰度图，对第一上、下表面灰度图进行自适应阈值分割得到二值图；
获取二值图像素值为0的像素集合，对像素值为0的像素集合进行连通域分析得到连通域集合，获取连通域集合中每个连通域的最小外接矩形，根据最小外接矩形得到最小外接矩形对应连通域的类别，进而得到每种外接矩形对应连通域的角度及特征量；
根据每个外接矩形对应连通域的角度及特征量进行自适应形态学处理得到增强后缺陷图像；
根据增强后缺陷图像进行缺陷检测得到发纹缺陷区域。
2.如权利要求1所述的一种钢板轧制过程发纹缺陷的检测方法，其特征在于，所述利用灰度直方图对上、下表面灰度图进行灰度线性变化得到第一上、下表面灰度图的方法，包括：
将上下表面直方图按峰的个数分为双峰直方图和单峰直方图；
根据上、下表面灰度图的直方图得到上、下表面直方图曲线，根据上、下表面直方图曲线得到最大灰度级、最小灰度级和转折点灰度级，所述最大灰度级是指上、下表面直方图曲线上灰度级最大值，最小灰度级是指直方图曲线上灰度级值最小值，转折点灰度级是指直方图曲线上极小值点对应的灰度级值；
根据上、下表面直方图单、双峰的不同给予不同的灰度变换方法，具体如下：
当上、下表面直方图为单峰直方图时，根据单峰直方图的最小灰度级、最大灰度级进行灰度变化得到变换后灰度值，具体计算公式如下：
其中
为上下表面直方图的灰度级最大值，
为上下表面直方图的灰度级最小值，
为上、下表面图像上坐标为
处的灰度值；
表示灰度线性变换后上、下表面图
像坐标
处的灰度值；
当上、下表面直方图为双直方图时，根据双峰直方图的最小灰度级、最大灰度级、转折点灰度值进行灰度变化得到变换后灰度值，具体计算公式如下：
其中，
为上下表面直方图的灰度级最大值，
为上下表面直方图的灰度级最小
值，
为上、下表面图像上坐标为
处的灰度值，
表示灰度线性变换后上、下表
面图像坐标
处的灰度值；
所有灰度线性变换后灰度值构成的图像为第一上、下表面灰度图。
3.如权利要求2所述的一种钢板轧制过程发纹缺陷的检测方法，其特征在于，根据最小外接矩形得到最小外接矩形对应连通域的类别，进而得到每种外接矩形对应连通域的角度及特征量的方法，包括：
获取最小外接矩形的长边和短边，以上、下表面灰度图像的第一列最后一行为坐标原点，以上、下表面图像第一列为y轴、最后一行为y轴建立笛卡尔坐标系，从坐标原点出发向长边所在直线作垂线，垂线与上、下表面图像x轴构成夹角，记为第一夹角；
当第一夹角不等于0度时，最小外接矩形对应的连通域为异常连通域，进而得到常连通域的特征量，第一夹角作为异常连通域的夹角；
当第一夹角等于0，根据最小外接矩形获得搜索矩形，对搜索矩形内的每个最小外接矩形的第一夹角情况分割出异常连通域和干扰连通域；
当搜索矩形内最小外接第一夹角不为0时，最小外接矩形对应的连通域作为异常连通域，进而得到异常连通域的特征量；
当搜索矩形内最小外接矩形第一夹角为0时， 根据异常连通域的最小外接矩形的长短边的比值分割出异常连通域和干扰连通域；获取干扰连通域的特征量和夹角，获取异常连通域的特征量和夹角。
4.如权利要求2所述的一种钢板轧制过程发纹缺陷的检测方法，其特征在于，根据每个外接矩形对应连通域的角度及特征量进行自适应形态学处理得到增强后缺陷图像的方法，包括：
根据异常连通域的夹角设置结构元的方向，根据异常连通域的特征量设置结构尺寸，利用结构元的对异常连通域进行形态学处理；
根据干扰连通域的特征量设置结构元，利用结构原对干扰连通域进行形态学处理。
5.一种钢板轧制过程发纹缺陷的检测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现上述权利要求1-4的任意一项所述一种钢板轧制过程发纹缺陷的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211169617.7A CN115294099B (zh) | 2022-09-26 | 2022-09-26 | 一种钢板轧制过程发纹缺陷的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211169617.7A CN115294099B (zh) | 2022-09-26 | 2022-09-26 | 一种钢板轧制过程发纹缺陷的检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115294099A CN115294099A (zh) | 2022-11-04 |
| CN115294099B true CN115294099B (zh) | 2023-03-24 |
Family
ID=83833386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211169617.7A Active CN115294099B (zh) | 2022-09-26 | 2022-09-26 | 一种钢板轧制过程发纹缺陷的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294099B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664567B (zh) * | 2023-07-26 | 2023-09-29 | 山东艾迈科思电气有限公司 | 一种固体绝缘开关柜质量评估方法及系统 |
| CN116993721B (zh) * | 2023-09-26 | 2023-11-28 | 江苏康意德科技有限公司 | 基于弱监督神经网络的钢板表面缺陷检测方法 |
| CN117094993B (zh) * | 2023-10-18 | 2024-03-26 | 山东聚亨源环保科技有限公司 | 一种污水处理过程中沉淀检测方法 |
| CN117132602B (zh) * | 2023-10-27 | 2024-01-02 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
| CN117218549B (zh) * | 2023-11-07 | 2024-03-05 | 山东力加力钢结构有限公司 | 一种公路桥梁的状态评估方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100358008B1 (ko) * | 1998-12-18 | 2002-12-18 | 주식회사 포스코 | 용융도금강판의 에지 빌드업 불량 검지장치및 그 방법 |
| CN113298768B (zh) * | 2021-05-20 | 2022-11-08 | 山东大学 | 棉花检测分割计数方法及系统 |
| CN114862862B (zh) * | 2022-07-11 | 2022-09-16 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
-
2022
- 2022-09-26 CN CN202211169617.7A patent/CN115294099B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115294099A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
| CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
| CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
| CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
| CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
| CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
| CN115049664A (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
| CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
| CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
| CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
| CN116416268B (zh) | 基于递归二分法的锂电池极片边缘位置检测方法及装置 | |
| CN112767359A (zh) | 复杂背景下的钢板角点检测方法及系统 | |
| CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
| CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
| CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
| CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
| CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
| CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
| CN113902667B (zh) | 一种用于机器视觉的螺纹旋向识别方法与系统 | |
| CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
| CN115619813A (zh) | Sem图像前景提取方法、装置、计算机设备及存储介质 | |
| CN115187744A (zh) | 一种基于激光点云的机柜识别方法 | |
| CN114266748A (zh) | 一种轨交检修领域工艺板表面完整性判定的方法及装置 | |
| CN111192264A (zh) | 一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法 | |
| CN117789214B (zh) | 一种芯片表面字符识别方法、系统及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |