CN101701918A - 多通道滤波金属表面并行检测方法 - Google Patents
多通道滤波金属表面并行检测方法 Download PDFInfo
- Publication number
- CN101701918A CN101701918A CN200910212934A CN200910212934A CN101701918A CN 101701918 A CN101701918 A CN 101701918A CN 200910212934 A CN200910212934 A CN 200910212934A CN 200910212934 A CN200910212934 A CN 200910212934A CN 101701918 A CN101701918 A CN 101701918A
- Authority
- CN
- China
- Prior art keywords
- row
- value
- filter
- wave filter
- image
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种多通道滤波金属表面并行检测方法,采用常速模型对图像从上到下,从下到上,从左到右,从右到左,四个方向每行每列对应设置的一个卡尔曼滤波器设定初始像素值;利用初始像素值使用卡尔曼滤波器对图像进行四个方向的滤波,在对每行每列进行滤波的同时利用来自于每个滤波器在每个位置的测量残差μ(k)计算并保存该位置的ξ(k);将四个方向分别计算得到的相同位置的ξ(k)求和,将结果与由人工选取的域值进行二值化操作得到缺陷模版。该方法只需人工根据经验和检测效果确定两个参数,使用简单;计算量与使用阈值的方法在同一数量级,能够应用于实时在线的情况。
Description
技术领域
本发明涉及金属加工质量控制中的产品表面缺陷检测,尤其涉及多通道滤波金属表面并行检测方法。
背景技术
为了满足国防、民用对金属产品高质量的要求和与国际产品质量标准接轨,消费者对于金属材料质量的要求越来越高,其中表面质量是产品质量的重要指标之一,需要通过表面检测系统进行实时在线检测。目前,表面检测系统已经大量应用于陶瓷、纺织、冶金行业。随着有色金属行业近年来的快速发展,迫切需要能够对有色金属产品表面进行实时在线检测的方法。
对有色金属行业中的产品表面缺陷检测是表面缺陷识别系统中关键且难度非常大的环节,其原因在于系统数据量过大,以精整线要求最高,由于系统需要实时在线检测,要求算法实时性和有效性都要好。同时由于检测对象反光率高,在板型不好或者有色产品表面涂有附着物的情况下极易出现大量干扰性数据,其中代表性的有板型缺陷和清洗液缺陷,这些缺陷的出现一般数据量巨大,会导致大量重复的检测和识别,急剧增加系统的处理负担,并可能干扰正常缺陷的检测和识别。基于图像阈值的方法虽然速度快,但是一般不能适用于缺陷复杂的情况,大多应用于简单的缺陷检测领域如陶瓷缺陷检测中。基于Garbor小波的检测方法,利用Garbor小波的方向性检测产品表面缺陷,通常应用于纺织领域。因此根据有色金属行业产品的特点,研究快速有效的表面缺陷检测算法是有色金属行业产品表面缺陷检测和识别系统的重要研究内容之一。
Vasilic S.等在工业电子(Industrial Electronics)的2006年IEEE国际论坛上发表了《基于边缘检测的瓷砖表面缺陷检测方法》(《The EdgeDetecting Methods in Ceramic Tiles Defects Detection》),但是该方法是基于边缘检测,而部分有色金属表面缺陷中的边缘较少,因而该方法难以适用。此外Cem Baykal等人在电路与系统的2004年国际会议上发表了《纺织品缺陷检测》(《IN-CAMERA DETECTION OF FABRIC DEFECTS》),该方法利用纹理特征进行缺陷检测,然而有色金属表面缺乏纹理信息,这同样不能应用于有色金属表面缺陷检测。
发明内容
本发明的目的是克服现有技术存在的不足,提供一种有色金属加工质量控制系统中对产品表面缺陷进行检测的方法。
本发明的目的通过以下技术方案来实现:
多通道滤波金属表面并行检测方法,特点是:包括如下步骤:
步骤(一),采用常速模型对图像从上到下、从下到上、从左到右、从右到左四个方向每行每列对应设置的一个卡尔曼滤波器设定初始像素值;
步骤(二),利用步骤(一)中的初始像素值使用卡尔曼滤波器对图像进行四个方向的滤波,在对每行每列进行滤波的同时利用来自于每个滤波器在每个位置的测量残差计算并保存该位置的ξ(k);
步骤(三),将四个方向分别计算得到的相同位置的ξ(k)求和,将结果与由人工选取的域值进行二值化操作得到缺陷模版。
进一步地,上述的多通道滤波金属表面并行检测方法,步骤(一)中的卡尔曼滤波器采用一个最优化自回归数据处理算法,采用信号与噪声的状态空间模型,利用前一时刻的估计值和现时刻的观测值更新对状态变量的估计,求出现时刻的估计值。
更进一步地,上述的多通道滤波金属表面并行检测方法,步骤(一)中采用常速模型的卡尔曼滤波器的参数设定为:
测量向量的值z(k)等于某个滤波器在第k时刻与该滤波器对应的行或列的第k个元素的像素值;
测量矩阵H=(01);
系统控制矩阵G=0;
测量噪声方差R=50;
再进一步地,上述的多通道滤波金属表面并行检测方法,步骤(一)中卡尔曼滤波器设定初始像素值为:
a.从上到下沿着每一列分别滤波时第n(n=1,2,3,…)个滤波器初始状态值确定如下:
x(0|0)=(0 I(1,n))T,I(1,n)为图像第1行、n列的像素值;
b.从下到上沿着每一列分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0,I(M,n))T,I(M,n)为图像第M行、n列的像素值;
c.从左到右沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,1))T,I(n,0)为图像第n行、1列的像素值;
d.从右到左沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,N))T,I(n,N)为图像第n行、N列的像素值,其中I表示图像的灰度值。
再进一步地,上述的多通道滤波金属表面并行检测方法,步骤(二)中的测量残差的公式为:
μ(k+1)=z(k+1)-z(k+1|k),
其中,k为时刻,测量向量的值z(k+1)等于某个滤波器的第k+1时刻与该滤波器对应的行或列的第k+1个元素的像素值。
再进一步地,上述的多通道滤波金属表面并行检测方法,步骤(三)中将结果与由人工选取的域值进行二值化操作,是指:当某一位置ξ(k)的和大于所设定的域值,将此位置的值设为1,当ξ(k)的和小于所设定的域值,将此位置的值设为0。
本发明技术方案突出的实质性特点和显著的进步主要体现在:
本发明方法只需人工根据经验和检测效果确定Kalman滤波器中的测量噪声的方差和获取缺陷模版时的域值两个参数,计算量与使用阈值的方法在同一数量级,能够应用于实时在线的情况,使用简单,对大部分缺陷有着较好的检测效果,能对有色金属产品表面进行快速有效的实时在线检测。
附图说明
图1:本发明的流程示意图;
图2:一些典型的缺陷产品图像和采用本发明方法得到的缺陷模版。
具体实施方式
下面结合附图对本发明技术方案作进一步说明,如图1所示,给出了详细的实施方式和具体的操作过程。
步骤(一),采用常速模型对图像从上到下、从下到上、从左到右、从右到左四个方向每行每列对应设置的一个卡尔曼滤波器设定初始像素值。
设产品图像I大小为MxN像素,由于需要从四个方向进行滤波,即从上到下,从下到上,从左到右,从右到左,每行(列)对应一个滤波器,所以需要初始化2(M+N)个滤波器。
步骤(一)中的卡尔曼滤波器采用一个最优化自回归数据处理算法,采用信号与噪声的状态空间模型,利用前一时刻估计值和现时刻的观测值来更新对状态变量的估计,求出现时刻的估计值。
该方法适用于高斯噪声情况下对线性系统进行参数估计。给定状态方程和测量方程如下:
x(k+1)=F(k)x(k)+G(k)u(k)+v(k)
(1)
z(k+1)=H(k+1)x(k+1)+w(k+1)
其中x,z为状态向量和测量向量;v,w为零均值高斯噪声,分别被称作状态噪声和测量噪声,Q,R分别其为方差;u是已知的输入向量,F,H为状态转移矩阵和测量矩阵;F,G,Q假设已知并且可能是时变的;这两个噪声序列和初始状态假设互不相关。
卡尔曼滤波方法描述如下:
x(k+1|k)=F(k)x(k|k)+G(k)u(k)
z(k+1)=H(k+1)x(k+1|k)
μ(k+1)=z(k+1)-z(k+1|k)
P(k+1|k)=F(k)P(k|k)F(k)′+Q(k)
(2)
S(k+1)=R(k+1)+H(k+1)P(k+1|k)H(k+1)′
x(k+1|k+1)=x(k+1|k)+W(k+1)μ(k+1)
W(k+1)=P(k+1|k)H(k+1)′S(k+1)-1
P(k+1|k+1)=P(k+1|k)-W(k+1)S(k+1)W(k+1)′
其中A(k+1|k)表示在k时刻对k+1时刻A的值的估计;P,S为状态协方差矩阵和更新协方差矩阵;W,μ为滤波器增益和测量残差。
本实施例在滤波时采用常速模型(CV模型)的卡尔曼滤波器进行滤波,即使用CV模型来描述图像的变化情况。缺陷区域的图像不满足CV模型,因而只要检测出这些不满足CV模型的区域就检测出缺陷区域。在采用常速模型(CV模型)的卡尔曼滤波器中,步骤(一)中采用常速模型的卡尔曼滤波器的参数设定为:状态向量 是对图像中某行某列的某个像素的灰度值的估计,η没有具体的意义,测量向量的值z(k)等于某个滤波器在第k时刻与该滤波器对应的行或列的第k个元素的像素值,测量矩阵H=(01),系统控制矩阵G=0,状态转移矩阵T为采样时间,这里T=1,这里测量噪声方差R=50,状态噪声方差初始方差
把图像中的每行(列)看作是一个测量序列,即(1)式中的z,使用上述CV模型的卡尔曼滤波器对图像的每一行(列)分别进行滤波。每一行(列)对应一个卡尔曼滤波器。由于将图像中的行(列)看作是测量序列,因此对应于某个滤波器的第k时刻的测量向量的值z(k)等于与该滤波器对应的行(列)的第k个元素的像素值。每个滤波器均采用上述相同的参数设置。步骤(一)中卡尔曼滤波器设定初始像素值为:
a.从上到下沿着每一列分别滤波时第n(n=1,2,3,…)个滤波器初始状态值确定如下:
x(0|0)=(0 I(1,n))T,I(1,n)为图像第1行,n列的像素值;
b.从下到上沿着每一列分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0,I(M,n))T,I(M,n)为图像第M行,n列的像素值;
c.从左到右沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,1))T,I(n,0)为图像第n行,1列的像素值;
d.从右到左沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,N))T,I(n,N)为图像第n行,N列的像素值,其中I表示图像的灰度值。也可将所有滤波器状态初始值设置为x(0|0)=(0 I)T,I为图像I的平均灰度值,但求取I会一定程度上降低检测速度。
步骤(二),利用步骤(一)中的初始像素值使用卡尔曼滤波器对图像进行四个方向的滤波,在对每行每列进行滤波的同时利用来自于每个滤波器在每个位置的测量残差μ(k)计算并保存该位置的ξ(k);步骤(二)中的测量残差的公式为:μ(k+1)=z(k+1)-z(k+1|k),其中,k为时刻,测量向量的值z(k+1)等于某个滤波器的第k+1时刻与该滤波器对应的行或列的第k+1个元素的像素值;
这里的测量残差来自于卡尔曼滤波器,即(2)式中的μ。对于步骤(一)中的任意一个滤波器,在高斯条件下μ(k)□N(0,S(k)),N(0,S(k))为均值0,方差为S(k)的正态分布,并且
ξ(k)=μT(k)S-1(k)μ(k) (3)
沿自上而下的方向对对图片每一列进行滤波的同时利用来自于滤波器在的测量残差μ(k)计算该位置的ξ(k),将其保存矩阵∑up中。类似的沿自下而上的方向、自左而右、自由而左的方向对图片进行滤波时分别得到∑down,∑left,∑right。矩阵∑up,∑down,∑left,∑right用以在步骤(三)中确定缺陷模版。
步骤(三),将四个方向分别计算得到的相同位置的ξ(k)求和,将结果与由人工选取的域值进行二值化操作得到缺陷模版。
所述的将结果与由人工选取的域值进行二值化操作,是指:当某一位置ξ(k)的和大于所设定的域值,将此位置的值设为1,当ξ(k)的和小于所设定的域值,将此位置的值设为0。
由于基于残差的χ2检测有一定的滞后性,仅采用从一个方向进行检测会造成检测到的缺陷偏离真实位置,例如,仅采用从上到下的检测会发生检测到的缺陷比实际缺陷的位置略为偏下,因此采用从四个方向分别滤波并计算ξ(k),然后将四个方向分别计算得到相同位置的ξ(k)分别相加,即,计算
∑=∑up+∑down+∑left+∑right (4)
如果ξ(k)的和超过了某个域值
由人工选取的域值对∑进行二值化操作得到缺陷模版。即,若矩阵∑中第i行j列元素的值大于设定的域值则将矩阵中该元素的值置为1,否则置为0。对矩阵∑进行二值化后就得到了缺陷模版。该域值应不低于可根据实际检测效果进行增加,本实例中该域值设置为60。这样所取得的缺陷模版略大于真实的缺陷,但缺陷的中心位置能够保持与实际缺陷位置一致。
本实施例的缺陷图片来自于某铝箔生产线在产过程中所产生的缺陷,该生产线采用线扫描摄像机对铝箔表面进行扫描。对所产生的图片进行人工筛选,筛选出缺陷样本,部分实施例缺陷样本和使用本发明方法检测所得的缺陷模版如图2所示,图2中的检测结果均是利用相同的参数值,即测量噪声方差为50、提取缺陷模版时域值为60。
对样本图像的实验表明本实施例对缺陷的检测成功率在98%以上。
综上所述,本发明方法只需人工根据经验和检测效果确定Kalman滤波器中的测量噪声的方差和获取缺陷模版时的域值两个参数,计算量与使用阈值的方法在同一数量级,能够应用于实时在线的情况,使用简单,对大部分缺陷有着较好的检测效果。
以上仅是本发明的具体应用范例,对本发明的保护范围不构成任何限制。凡采用等同变换或者等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (6)
1.多通道滤波金属表面并行检测方法,其特征在于:包括如下步骤:
步骤(一),采用常速模型对图像从上到下、从下到上、从左到右、从右到左四个方向每行每列对应设置的一个卡尔曼滤波器设定初始像素值;
步骤(二),利用步骤(一)中的初始像素值使用卡尔曼滤波器对图像进行四个方向的滤波,在对每行每列进行滤波的同时利用来自于每个滤波器在每个位置的测量残差计算并保存该位置的ξ(k);
步骤(三),将四个方向分别计算得到的相同位置的ξ(k)求和,将结果与由人工选取的域值进行二值化操作得到缺陷模版。
2.根据权利要求1所述的多通道滤波金属表面并行检测方法,其特征在于:步骤(一)中的卡尔曼滤波器采用一个自回归数据处理算法,采用信号与噪声的状态空间模型,利用前一时刻的估计值和现时刻的观测值更新对状态变量的估计,求出现时刻的估计值。
4.根据权利要求1或3所述的多通道滤波金属表面并行检测方法,其特征在于:步骤(一)中卡尔曼滤波器设定初始像素值为:
a.从上到下沿着每一列分别滤波时第n(n=1,2,3,…)个滤波器初始状态值确定如下:
x(0|0)=(0 I(1,n))T,I(1,n)为图像第1行、n列的像素值;
b.从下到上沿着每一列分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0,I(M,n))T,I(M,n)为图像第M行、n列的像素值;
c.从左到右沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,1))T,I(n,0)为图像第n行、1列的像素值;
d.从右到左沿着每一行分别滤波时第n个滤波器初始状态值确定如下:
x(0|0)=(0 I(n,N))T,I(n,N)为图像第n行、N列的像素值,其中I表示图像的灰度值。
5.根据权利要求1所述的多通道滤波金属表面并行检测方法,其特征在于:步骤(二)中的测量残差的公式为:
μ(k+1)=z(k+1)-z(k+1|k),
其中,k为时刻,测量向量的值z(k+1)等于某个滤波器的第k+1时刻与该滤波器对应的行或列的第k+1个元素的像素值。
6.根据权利要求1所述的多通道滤波金属表面并行检测方法,其特征在于:步骤(三)中将结果与由人工选取的域值进行二值化操作,是指:当某一位置ξ(k)的和大于所设定的域值,将此位置的值设为1,当ξ(k)的和小于所设定的域值,将此位置的值设为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910212934A CN101701918A (zh) | 2009-11-11 | 2009-11-11 | 多通道滤波金属表面并行检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910212934A CN101701918A (zh) | 2009-11-11 | 2009-11-11 | 多通道滤波金属表面并行检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101701918A true CN101701918A (zh) | 2010-05-05 |
Family
ID=42156838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910212934A Pending CN101701918A (zh) | 2009-11-11 | 2009-11-11 | 多通道滤波金属表面并行检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101701918A (zh) |
-
2009
- 2009-11-11 CN CN200910212934A patent/CN101701918A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mei et al. | An unsupervised-learning-based approach for automated defect inspection on textured surfaces | |
EP3580720B1 (en) | Real-time, full web image processing method and system for web manufacturing supervision | |
CN107678192A (zh) | 一种基于机器视觉的Mura缺陷检测方法及系统 | |
CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
CN104568956A (zh) | 基于机器视觉的带钢表面缺陷的检测方法 | |
CN108447070A (zh) | 一种基于像素向量不变关系特征的工业零件缺损检测算法 | |
CN116912248B (zh) | 基于计算机视觉的不规则五金件表面缺陷检测方法 | |
CN104458766A (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
CN102819850A (zh) | 基于局部自适应色差阈值的彩色图像边缘检测的方法 | |
CN101545868B (zh) | 有色金属加工质量控制中的产品表面缺陷检测方法 | |
CN101995412A (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN105069778A (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN108399614B (zh) | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 | |
CN104574417A (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN116468726A (zh) | 一种在线异物线路检测方法及系统 | |
Lin et al. | A new prediction method for edge detection based on human visual feature | |
Georgieva et al. | Identification of surface leather defects. | |
CN106023175B (zh) | 基于立体模式判别水中航行体热尾流的方法 | |
CN101701918A (zh) | 多通道滤波金属表面并行检测方法 | |
Zhai et al. | Defect detection in aluminum foil by measurement-residual-based chi-square detector | |
CN114972400A (zh) | 基于频域残差分析的红外弱小目标检测方法 | |
CN101266135B (zh) | 线路板蚀刻边缘检测及蚀刻因子测量方法 | |
Hanning et al. | Determining the average annual ring width on the front side of lumber |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20100505 |