CN104655642B - 一种钢材开裂型缺陷的自动测量、表征分类方法及其系统 - Google Patents
一种钢材开裂型缺陷的自动测量、表征分类方法及其系统 Download PDFInfo
- Publication number
- CN104655642B CN104655642B CN201510063976.8A CN201510063976A CN104655642B CN 104655642 B CN104655642 B CN 104655642B CN 201510063976 A CN201510063976 A CN 201510063976A CN 104655642 B CN104655642 B CN 104655642B
- Authority
- CN
- China
- Prior art keywords
- defect
- minimum
- image
- subsegment
- steel
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于钢材的开裂型表面缺陷及其形貌分析领域的一种钢材开裂型缺陷的自动测量、表征分类方法及其系统,利用图像采集模块获取钢材待测缺陷的原始图像,进行线性平均低通滤波去噪;运用局部自适应阈值分割算法得到二值图像;对分割后的图像进行最小子段区域标定以及提取其形态特征参数和线性形态系数;区分出所有最小子段的缺陷类型;计算当量缺陷SDE和缺陷率ρ,完成对各类开裂型缺陷的定量表征;对待测缺陷进行类型判定;测量完毕,将测量、表征、分类结果以图表文件显示输出。本发明解决了人工模式精度偏低,尤其能够填补对于钢中呈弯曲、网状及枝杈形态分布的开裂型缺陷,以及块状夹杂与裂纹交织型开裂缺陷等人工测量模式无法处理的空白。
Description
技术领域
本发明涉及钢材的开裂型表面缺陷及其形貌分析领域,具体涉及一种钢材开裂型缺陷的自动测量、表征分类方法及其系统。
背景技术
钢铁产品生产过程中,由于炼钢及轧制过程中的种种原因,使得钢材出现各种各样的缺陷,如表面裂纹、内部裂纹、块状夹杂与裂纹交织型开裂缺陷等。显然,这些缺陷的大小、形态及其类型对钢材的材质及其性能起着至关重要的影响。为了提高钢材的性能,充分发挥材质本身的作用,控制有害缺陷的影响,就必须对这些缺陷的大小、形态及其类型进行准确测量、表征和分类,以期达到工艺优化控制所需的对各类钢材开裂型缺陷的定量表征要求。因此,如何精确、高效地测量与表征分析钢材缺陷的大小、形态及其类型,成为钢材材质分析领域中迫切需要解决的重要问题。由于钢材钢种不同,生产工艺各异,受到捕捉缺陷源的困扰,尤其是钢材上出现的各类开裂型缺陷来自何处,在形态特征上有何本质差异,如何进行定量表征,其相关技术,目前国内外还未见报道。
现在对于钢材开裂型缺陷的分析尚停留在人工现场粗略测量的粗糙评价模式阶段,对于此类缺陷的分析方法均采用人工使用钢卷尺进行测量,意即使用钢卷尺对钢材上的开裂型缺陷测量其大致长度和宽度。但是对于钢中绝大多数呈弯曲、网状及枝杈形态分布的开裂型缺陷,以及块状夹杂与裂纹交织型开裂缺陷等,人工测量模式则显得束手无策,根本无法对其进行定量测量、表征和分类。显然,这种人工测量、表征、分类模式,其结果仅为定性评价,评价标准过于主观、粗糙,有的甚至无法评价,且必然带来诸如效率低、精度低及人力资源耗费过大等问题。
发明内容
本发明的目的是针对目前钢材开裂型缺陷靠人工测量、表征与分类方法的低效率、低精度,甚至有的无法进行测量、表征的问题,提出了一种基于特征点的缺陷最小子段最小外接盒形面积之求和法对开裂型缺陷进行自动测量、表征分类及系统,利用计算机实现对钢材各类开裂型缺陷的大小、形态及其类型进行精确、高效地测量、表征、分类工作。
本发明的技术方案是:一种钢材开裂型缺陷的自动测量、表征分类方法,首先是利用摄像设备获取钢材待测缺陷的原始图像,并导入计算机;将钢材待测缺陷原始图像进行线性平均低通滤波去噪;运用局部自适应阈值分割算法得到待测缺陷的二值图像;对分割后的图像进行最小子段区域标定以及提取其形态特征参数和线性形态系数;区分出所有最小子段的缺陷类型;对上述所有最小子段的最小外接矩形、最小外接圆求其面积之总和,得当量缺陷SDE,继而得到待测图像的缺陷率ρ,完成对各类开裂型缺陷的定量表征;对待测缺陷进行类型判定;测量完毕,将上述开裂型缺陷的测量、表征、分类结果以图表文件显示输出。
本发明方法的具体步骤为:
1.利用摄像设备获取钢材待测缺陷的原始图像,并导入计算机;
2.将钢材待测缺陷原始图像预处理进行线性平均低通滤波去噪;
3.运用局部自适应阈值分割算法得到待测缺陷的二值图像;
4.对分割后的图像进行最小子段区域标定,对每一最小子段均采用最小外接矩形加以覆盖后提取形态特征参数:最小子段缺陷的最小外接矩形长L、最小子段缺陷的最小外接矩形宽B和线性形态系数C;
5.由线性形态系数C区分出所有最小子段的缺陷类型;
6.对开裂型缺陷进行定量表征,对上述所有最小子段的最小外接矩形、最小外接圆求其面积之总和,得当量缺陷SDE,继而得到待测图像的缺陷率ρ;
7.对待测缺陷进行类型判定;
8.测量完毕,将上述开裂型缺陷的测量、表征、分类结果以图表文件显示输出。
上述方案中,所述步骤1钢材待测缺陷图像的采集过程:是利用摄像设备采集钢材待测缺陷原始图片模块,获取的原始图像存入图像采集卡中;
上述方案中,所述步骤2图像预处理过程:对原始图像进行线性平均低通滤波去噪处理,过滤掉包含在原始图像中的噪声;
上述方案中,所述步骤3二值图像获取:针对目标和背景占据不同灰度级范围的图像,采用基于区域划分的局部自适应阈值分割算法,对图像按坐标分块,对每一子块分别自动获得最佳阈值,得到目标与背景完全分离的二值图像;
上述方案中,所述步骤4对分割后的图像进行最小子段区域标定:具体为对目标缺陷按其特征点角点进行分段,得到包括首点和尾点的所有角点共n个,以及由这些角点构成的最小子段n-1段,对每一最小子段均采用最小外接矩形加以覆盖,同时提取其形态特征参数:L、B和线性形态系数C,C表示为:
式中,L为最小子段缺陷的最小外接矩形长,在所有L值中的数值最大者Lmax即为该缺陷图像中的最大弦长;
B为最小子段缺陷的最小外接矩形宽,在所有B值中的数值最大者Bmax即为该缺陷图像中的最大宽度;
上述方案中,所述步骤5最小子段的缺陷类型的区分:当线性形态系数C≥4时,为线型缺陷;否则为块状型缺陷;其中,块状型缺陷的最小子段采用最小外接圆替代原有的最小外接矩形,线型缺陷的最小子段则不变;
上述方案中,所述步骤6对开裂型缺陷进行定量表征:对上述所有最小子段的最小外接矩形、最小外接圆求其面积之总和,得到缺陷的总面积当量缺陷SDE,SDE表示为:
式中,n1—最小外接矩形总数,
n2—最小外接圆总数,
d—最小外接圆直径,
根据当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值,得到待测图像的缺陷率ρ,ρ表示为:
式中,A0为覆盖整个待测缺陷的最小外接矩形面积。
上述方案中,所述步骤7对待测缺陷进行类型的判定:其判定依据为最小子段中是否有外接圆加以覆盖,若有,则为复合型开裂缺陷,否则为线型开裂缺陷;
本发明还提供了一种实现上述钢材开裂型缺陷的自动测量、表征分类方法的系统,该系统包括图像采集模块、图片预处理模块、图片二值分割模块、自动测量模块、表征分析模块、分类模块和输出模块;其中
所述图像采集模块:用于将获取钢材待测缺陷的原始图像,将原始图像传送到所述图片预处理模块;
所述图片预处理模块:用于将钢材待测缺陷原始图像进行线性平均低通滤波去噪,将预处理后的图像传送到所述图片二值分割模块;
所述图片二值分割模块:用于对经过预处理的图像采用局部自适应阈值分割算法进行二值分割,将得到钢材待测缺陷的二值图像传送到所述自动测量模块;
所述自动测量模块:用于对分割后的图像进行最小子段区域标定以及提取其形态特征参数和线性形态系数,将测量数据传送到所述表征分析模块;
所述表征分析模块:用于根据线性形态系数区分出所有最小子段的缺陷类型,计算当量缺陷SDE和钢材待测图像的缺陷率ρ,将完成的开裂型缺陷的定量表征传送到所述分类模块;
所述分类模块:用于对钢材待测缺陷进行类型判定,其判最小子段是否有外接圆加以覆盖,若有,则为复合型开裂缺陷,否则为线型开裂缺陷,将测量、表征、分类结果传送到所述输出模块;
所述输出模块:用于将钢材开裂型缺陷的测量、表征、分类结果以图表文件显示输出。
上述方案中,所述图像采集模块包括摄像设备和图像采集卡,采集到的图像储存在所述图像采集卡中,并通过所述图像采集卡输入到所述图片预处理模块中进行处理。
进一步的,所述摄像设备为摄像头或专业相机。
上述方案中,所述图像采集卡、图片预处理模块、图片二值分割模块、自动测量模块、表征分析模块、分类模块和输出模块可置于同一计算机中。
上述方案中,还包括打印机,所述输出模块与所述打印机连接,通过所述打印机将所述图表文件打印出来。
本发明的优点是:
1、通过图像预处理过程对原始图像进行线性平均低通滤波去噪处理,过滤掉包含在原始图像中的噪声,使图像平滑效果增强;
2、通过采用局部自适应阈值分割算法进行二值分割,得到目标缺陷与背景完全分割的二值图像;
3、通过基于特征点角点最小子段的最小外接矩形和最小外接圆求其面积之总和,对钢材力学性能有较大负面影响的线型缺陷、复合型缺陷进行精细表征分类,达到目前钢材缺陷分类方法中的分类最精细程度,缺陷分类吻合率≥96.88%。由此,就可使得生产企业通过其产品的表面缺陷精细分类、制备工艺和性能,反求得出产生这些缺陷的重要工艺因素及水平,获得减少或避免该类缺陷产生的钢材优化制备工艺。
4、通过本发明对钢材开裂型缺陷图像的测量精度高达±0.001μm2,为目前钢铁表面质量分析中的最高测量精度;整个测量、分类过程在标准配置的计算机上运行,完成一个视场的开裂型缺陷精确测量、表征、分类仅需26秒左右,其效率比人工模式提高达数百倍之多。由此,就可在精确性、时效性以及在线检测方面,充分满足工业生产中对新钢材研发时待测材料图像数量非常巨大,且开裂型缺陷形态极为复杂的测量及分类的严苛要求。
5、本发明的应用改变过去钢材表面缺陷的测量、表征、分类所需的全人工模式,解决了人工模式中由于生理因素和主观因素所必然产生的测量、表征、分类结果中的漏检、误检等精度偏低问题,尤其能够彻底填补对于钢中呈弯曲、网状及枝杈形态分布的开裂型缺陷,以及块状夹杂与裂纹交织型开裂缺陷等,人工测量模式无法处理的空白。
6、本发明具有优异的普适性,可以推广应用于材料、公路、建筑等领域中一切数量较多、形态复杂的开裂型缺陷的测量、表征、分类工作。
附图说明
图1是本发明的流程框图;
图2是图像采集模块的硬件示意图;
图3是实施例1的原始图像;
图4是实施例1低通滤波去噪后的图像;
图5是实施例1二值分割后的图像;
图6是实施例1缺陷最小子段区域标定及覆盖整个缺陷的最小外接矩形图;
图7是实施例1当量缺陷、缺陷率和缺陷分类结果图;
图8是实施例1缺陷最大特征参数表征结果图;
图9是实施例2的原始图像;
图10是实施例2低通滤波去噪后的图像;
图11是实施例2二值分割后的图像;
图12是实施例2缺陷最小子段区域标定及覆盖整个缺陷的最小外接矩形图;
图13是实施例2当量缺陷、缺陷率和缺陷分类结果图;
图14是实施例2缺陷最大特征参数表征结果图;
图15是实施例3的原始图像;
图16是实施例3低通滤波去噪后的图像;
图17是实施例3二值分割后的图像;
图18是实施例3缺陷最小子段区域标定及覆盖整个缺陷的最小外接矩形图;
图19是实施例3当量缺陷、缺陷率和缺陷分类结果图;
图20是实施例3缺陷最大特征参数表征结果图;
图21是实施例4的原始图像;
图22是实施例4低通滤波去噪后的图像;
图23是实施例4二值分割后的图像;
图24是实施例4缺陷最小子段区域标定及覆盖整个缺陷的最小外接矩形图;
图25是实施例4当量缺陷、缺陷率和缺陷分类结果图;
图26是实施例4缺陷最大特征参数表征结果图;
图27是实施例5的原始图像;
图28是实施例5低通滤波去噪后的图像;
图29是实施例5二值分割后的图像;
图30是实施例5缺陷最小子段区域标定及覆盖整个缺陷的最小外接矩形图;
图31是实施例5当量缺陷、缺陷率和缺陷分类结果图;
图32是实施例5缺陷最大特征参数表征结果图。
图中,1、钢材试样2、摄像设备3、计算机4、打印机
具体实施方式
本发明涉及到的线性平均低通滤波算法的具体内容可参见:杨丹,赵海滨,龙哲,等.MATLAB图像处理实例详解[M].北京:清华大学出版社,2013.7(第1版).ISBN978-7-302-32186-6/PP181-189;局部自适应阈值分割算法的具体内容可参见:赵小川.现代数字图像处理技术提高及应用案例详解[M].北京:北京航空航天大学出版社,2012.4(第1版).ISBN978-7-5124-0719-0/PP80-88;基于特征点的缺陷最小子段最小外接盒形面积之求和法等方法则是本专利的原始创新工作。
如图1所示,本发明首先利用图像采集模块获取钢材待测缺陷的原始图像,采集到的图像储存在图像采集卡中,并通过图像采集卡输入到图片预处理模块中对原始图像进行线性平均低通滤波去噪处理,过滤掉包含在原始图像中的噪声,使图像平滑效果增强。鉴于本发明的目的仅涉及缺陷的形态特征,而与颜色信息无关,通过图片二值分割模块故对其采用局部自适应阈值分割算法进行二值分割,得到目标缺陷与背景完全分割的二值图像。
在进行缺陷测量时,自动测量模块对上述图像设定标尺及进行最小子段区域标定,提取其形态特征参数和线性形态系数,具体为从目标缺陷的左端点起,自左向右对目标缺陷按其特征点角点,角点为缺陷曲率发生变化点,进行分段,得到所有的角点,以及由这些角点构成的最小子段,对其采用最小外接矩形加以覆盖,同时提取其形态特征参数:长度L、宽度B及线性形态系数C。
由线性形态系数C区分出所有最小子段的缺陷类型:线型或块状型;块状型缺陷的最小子段采用最小外接圆替代原有的最小外接矩形,线型缺陷的最小子段则不变。
对上述所有最小子段的最小外接矩形、最小外接圆求其面积之总和,即得到该缺陷的总面积:当量缺陷SDE;继而得到待测图像的缺陷率ρ:当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值;由此完成了对各类开裂型缺陷的定量表征。对钢材待测缺陷进行类型判定,其判据为最小子段是否有外接圆加以覆盖,若有,则为复合型开裂缺陷,否则为线型开裂缺陷;测量完毕,将上述开裂型缺陷的测量、表征、分类结果以图表文件显示输出。
下面结合附图和5个具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于此。
实施例1:
利用图像采集模块获得钢材待测缺陷的原始图像,图像采集模块的硬件如图2所示:钢材试样1、摄像设备2、计算机3和打印机4;所述计算机4内插图像采集卡;所述摄像设备2为摄像头或专业相机。图像采集的具体步骤是利用摄像头/专业相机将图像调至合适焦距,在图像最清晰时摄像并存储到图像采集卡中得到原始图像,即可进行后续的图像处理。
如图3所示的原始图像为热轧板中由于块状夹杂所引起的缺陷,先对原始图像采用线性平均低通滤波对原始图像进行去噪处理。其原理主要是以阈值矩阵中每个阈值元素和其周围8邻域内阈值元素的平均灰度阈值来取代原来的灰度阈值,从而过滤掉包含在原始图像中的噪声,使图像平滑效果增强,低通滤波去噪后的图像如图4所示。
对滤波去噪后的图4还需进行二值分割以得到其二值图像,鉴于本发明仅涉及缺陷的形态特征,而与颜色信息无关,且目标缺陷只占整个图像区域的部分,为避免缺陷区域以外个别像素点由于灰度级相同而导致的误分割现象,本发明采用局部自适应阈值分割算法,对缺陷图像进行分块二值化处理。其原理主要是针对目标和背景占据不同灰度级范围的图像,采用基于区域划分的局部自适应阈值分割算法,即对图像按坐标分块,对每一子块分别自动获得最佳阈值,从而得到目标与背景完全分离的二值图像,二值分割后的图像如图5所示。
对上述目标图像进行滤波去噪、二值分割后,即可进行钢材开裂型缺陷的精确测量、表征、分类工作。在测量时,需要对分割后的图像设定标尺并进行缺陷最小子段区域标定,提取其形态特征参数和线性形态系数,具体为对各缺陷区域像素进行标识,从目标缺陷的左端点起,自左向右对目标缺陷按其特征点角点,即缺陷曲率发生变化处,进行分段,得到所有的角点包括首点和尾点共n个,以及由这些角点构成的最小子段n-1段,对每一最小子段均采用最小外接矩形加以覆盖,同时提取其形态特征参数:最小子段缺陷的最小外接矩形长L、最小子段缺陷的最小外接矩形宽B及线性形态系数C。
图像设定标尺及缺陷最小子段区域标定的具体步骤及算法如下:
(1)设定图像标尺,即标定目标图像中每个像素的实际尺寸:
①在待测图像中画一条水平直线,记下起始点坐标(x1,y)和终点坐标(x2,y),并计算该线段的长度L1=|x1-x2|(单位:微米)和所划过的像素N1;
②在待测图像中画一条竖直线,记下起始点坐标(x1,y1)和终点坐标(x2,y2),并计算该线段的长度L2=|y1-y2|(单位:微米)和所划过的像素N2;
③设定此缺陷图像的放大倍数A。
XY_SCALE=((X_SCALE)2+(Y_SCALE)2)1/2μm/pixel
上式中:X_SCALE—水平方向尺寸因子,即为每个像素在水平方向上的实际尺寸;
Y_SCALE—竖直方向尺寸因子,即为每个像素在竖直方向上的实际尺寸;
XY_SCALE—二维尺寸因子,即为每个像素的二维实际尺寸。
(2)对同一图像中各最小子段进行区域标定,该区域标定算法为递归标记与最小外接矩形提取算法,其步骤为:
①按从左到右,从上到下以TV光栅的方式从图像的左上角开始扫描,直到发现一个没有标记的1像素点;
②对此1像素点赋予一个新的标记NewFlag;
③按图的编号次序,对此目标像素(阴影)点的8个邻点进行扫描,如果遇到没有标记的1像素点就把它标记为NewFlag(它也就是步骤②中的NewFlag);此时又要按上述次序扫描8个邻点中的1像素的8个邻点,如遇到没有标记的1像素,又将它标记为NewFlag;此过程是一个递归,在邻点中遇到没有标记的1像素点,递推一层,直到没有标记的1像素点被耗尽,才开始返回,返回也是层层返回;
④递归结束,继续扫描没有标记的1像素点,然后执行②、③两个步骤;
⑤反复执行上述过程直到光栅扫描到图像的右下角;
⑥对经上述步骤递归标记的每一目标最小子段,建立其外接投影圆,并将该圆周等分成64份,将该目标子段向圆周各个方向投影,得出投影宽度B1,以及垂直于该方向的投影宽度B2,此两者乘积即为该投影方向上外接矩形的面积,计算得出外接投影圆中所有32个外接矩形面积中的最小值,即为该目标最小子段的最小外接矩形面积,该投影方向即为最小外接矩形的方向,意即完成了该目标最小子段的最小外接矩形区域标定。
提取上述区域标定后的各最小子段最小外接矩形的长度、宽度及线性形态系数,线性形态系数C计算公式为:
式中,L为最小子段缺陷的最小外接矩形长,在所有L值中的数值最大者Lmax即为该缺陷图像中的最大弦长;
B为最小子段缺陷的最小外接矩形宽,在所有B值中的数值最大者Bmax即为该缺陷图像中的最大宽度。
由线性形态系数C区分出所有最小子段的缺陷类型:线型或块状型。当线性形态系数C≥4时,为线型缺陷;否则为块状型缺陷;其中,块状型缺陷的最小子段采用最小外接圆替代原有的最小外接矩形,线型缺陷的最小子段则不变。
同时,为计算缺陷率ρ,还需对整个待测缺陷进行最小外接矩形覆盖,如图6所示。
对待测图像中所有最小子段的最小外接矩形、最小外接圆求其面积之总和,即得到该缺陷的总面积,将该值定义为当量缺陷SDE,其量纲与待测图像中的原有标尺一致,继而得到缺陷率ρ,缺陷率ρ为当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值,由此完成了实施例1开裂型缺陷的定量表征。
式中,n1—最小外接矩形总数;
n2—最小外接圆总数;
d—最小外接圆直径;
A0—覆盖整个待测缺陷的最小外接矩形面积。
最后,对实施例1进行缺陷类型判定,这里,由于该缺陷最小子段外有外接圆加以覆盖,故判定实施例1为复合型开裂缺陷。
其当量缺陷、缺陷率、缺陷分类结果以及缺陷最大特征参数表征结果分别如图7、图8所示,其中,当量缺陷SDE为6.793×102μ㎡、缺陷率ρ为63.303%、缺陷分类为复合型开裂缺陷、缺陷最大特征参数表征结果:最大弦长为19.219μm、最大宽度为4.688μm、最大外接圆直径为23.559μm。本发明对钢材开裂型缺陷图像的测量精度高达±0.001μ㎡。
实施例2:
如图9所示的原始图像为钢板表面呈星形开裂缺陷,其缺陷形态复杂,表现为交叉线型特征,若沿用传统人工模式对其进行测量分析几乎是不可能的,更谈不上获得精确测量结果。现用本发明对其进行处理的过程为:首先利用图像采集模块获得钢材待测缺陷的原始图像,对采集到的原始图像进行线性平均低通滤波去噪,低通滤波去噪后的图像如图10所示;再对滤波后的图像进行局部自适应阈值分割处理,二值分割后的图像如图11所示;设定标尺并对缺陷各最小子段进行区域标定,提取最小子段缺陷的最小外接矩形长L、最小子段缺陷的最小外接矩形宽B、线性形态系数C等特征参数,根据线性形态系数C确定出本例中所有最小子段均为线型缺陷,故保留原最小外接矩形,同时,为计算缺陷率ρ,还需对整个待测缺陷进行最小外接矩形覆盖,如图12所示;计算待测缺陷的当量缺陷SDE、缺陷率ρ,经判定实施例2为线型开裂缺陷。
其当量缺陷、缺陷率、缺陷分类结果以及缺陷最大特征参数表征结果分别如图13、图14所示,其中,当量缺陷SDE为1.774×105μ㎡、缺陷率ρ为9.660%、缺陷分类为线型开裂缺陷、缺陷最大特征参数表征结果:最大弦长为365.720μm、最大宽度为52.941μm。
实施例3:
如图15所示的原始图像为钢板开裂型缺陷中伴生有硫化物夹杂的缺陷图像,其缺陷特征为线型缺陷和块状型缺陷交织。现用本发明对其进行处理的过程为:首先利用图像采集模块获得钢材待测缺陷的原始图像,对原始图像进行线性平均低通滤波去噪,低通滤波去噪后的图像如图16所示;再对滤波后的图像进行局部自适应阈值分割处理,二值分割后的图像如图17所示;设定标尺并对缺陷各最小子段进行区域标定,提取最小子段缺陷的最小外接矩形长L、最小子段缺陷的最小外接矩形宽B、线性形态系数C等特征参数,根据线性形态系数C确定出本例中含有块状型最小子段,故采用最小外接圆替代其原有最小外接矩形,余者不变,同时,为计算缺陷率ρ,还需对整个待测缺陷进行最小外接矩形覆盖,如图18所示;计算待测缺陷的当量缺陷SDE、缺陷率ρ,经判定实施例3为复合型开裂缺陷。
其当量缺陷、缺陷率、缺陷分类结果以及缺陷最大特征参数表征结果分别如图19、图20所示,其中,当量缺陷SDE为4.764×102μ㎡、缺陷率ρ为18.913%、缺陷分类为线型开裂缺陷、缺陷最大特征参数表征结果:最大弦长为17.708μm、最大宽度为4.260μm、最大外接圆直径为9.283μm。
实施例4:
为进一步证明本发明方法的普适性,如图21所示的原始图像为钢轨近表面夹杂所引起的钢轨内部底裂。现用本发明对其进行处理的过程为:首先利用图像采集模块获得钢材待测缺陷的原始图像,对原始图像进行线性平均低通滤波去噪,低通滤波去噪后的图像如图22所示;再对滤波后的图像进行局部自适应阈值分割处理,二值分割后的图像如图23所示;设定标尺并对缺陷各最小子段进行区域标定,提取最小子段缺陷的最小外接矩形长L、最小子段缺陷的最小外接矩形宽B、线性形态系数C等特征参数,根据线性形态系数C确定出本例中所有最小子段均为线型缺陷,故保留原最小外接矩形,同时,为计算缺陷率ρ,还需对整个待测缺陷进行最小外接矩形覆盖,如图24所示;计算待测缺陷的当量缺陷、缺陷率,经判定实施例4为线型开裂缺陷。
其当量缺陷、缺陷率、缺陷分类结果以及缺陷最大特征参数表征结果分别如图25、图26所示,其中,当量缺陷SDE为91.362mm2、缺陷率ρ为63.458%、缺陷分类为线型开裂缺陷、缺陷最大特征参数表征结果:最大弦长为15.770mm、最大宽度为2.939mm。
实施例5
如图27所示的原始图像为另一钢轨内部纵向开裂图像。现用本发明对其进行处理的过程为:首先利用图像采集模块获得钢材待测缺陷的原始图像,对原始图像进行线性平均低通滤波去噪,低通滤波去噪后的图像如图28所示;再对滤波后的图像进行局部自适应阈值分割处理,二值分割后的图像如图29所示;设定标尺并对缺陷各最小子段进行区域标定,提取最小子段缺陷的最小外接矩形长L、最小子段缺陷的最小外接矩形宽B、线性形态系数C等特征参数,根据线性形态系数C确定出本例中所有最小子段均为线型缺陷,故保留原最小外接矩形,同时,为计算缺陷率ρ,还需对整个待测缺陷进行最小外接矩形覆盖,如图30所示;计算待测缺陷的当量缺陷、缺陷率,经判定实施例5为线型开裂缺陷。
其当量缺陷、缺陷率、缺陷分类结果以及缺陷最大特征参数表征结果分别如图31、图32所示,其中,当量缺陷SDE为66.433mm2、缺陷率ρ为16.615%、缺陷分类为线型开裂缺陷、缺陷最大特征参数表征结果:最大弦长为11.200mm、最大宽度为2.632mm。
本发明通过基于特征点角点最小子段的最小外接矩形和最小外接圆求其面积之总和,对钢材力学性能有较大负面影响的线型缺陷、复合型缺陷进行精细表征分类,达到目前钢材缺陷分类方法中的分类最精细程度,缺陷分类吻合率≥96.88%。由此,就可使得生产企业通过其产品的表面缺陷精细分类、制备工艺和性能,反求得出产生这些缺陷的重要工艺因素及水平,获得减少或避免该类缺陷产生的钢材优化制备工艺。
通过本发明对钢材开裂型缺陷图像的测量精度高达±0.001μm2,为目前钢铁表面质量分析中的最高测量精度;整个测量、分类过程在标准配置的计算机上运行,完成一个视场的开裂型缺陷精确测量、表征、分类仅需26秒左右,其效率比人工模式提高达数百倍之多。由此,就可在精确性、时效性以及在线检测方面,充分满足工业生产中对新钢材研发时待测材料图像数量非常巨大,且开裂型缺陷形态极为复杂的测量及分类的严苛要求。
本发明的应用改变过去钢材表面缺陷的测量、表征、分类所需的全人工模式,解决了人工模式中由于生理因素和主观因素所必然产生的测量、表征、分类结果中的漏检、误检等精度偏低问题,尤其能够彻底填补对于钢中呈弯曲、网状及枝杈形态分布的开裂型缺陷,以及块状夹杂与裂纹交织型开裂缺陷等,人工测量模式无法处理的空白。
本发明具有优异的普适性,可以推广应用于材料、公路、建筑等领域中一切数量较多、形态复杂的开裂型缺陷的测量、表征、分类工作。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (6)
1.一种钢材开裂型缺陷的自动测量、表征分类方法,其特征在于,包括以下步骤:
1)利用摄像设备获取钢材待测缺陷的原始图像,并导入计算机;
2)将钢材待测缺陷原始图像预处理进行线性平均低通滤波去噪,过滤掉包含在原始图像中的噪声;
3)运用局部自适应阈值分割算法得到待测缺陷的二值图像;
4)对分割后的图像进行最小子段区域标定,对每一最小子段均采用最小外接矩形加以覆盖后提取形态特征参数:最小子段缺陷的最小外接矩形长L、最小子段缺陷的最小外接矩形宽B和线性形态系数C,对分割后的图像进行最小子段区域标定,具体为:对目标缺陷按其特征点角点进行分段,得到包括首点和尾点的所有角点共n个,以及由这些角点构成的最小子段n-1段,对每一最小子段均采用最小外接矩形加以覆盖,同时提取其形态特征参数:L、B和线性形态系数C,C表示为:
式中,L为最小子段缺陷的最小外接矩形长,在所有L值中的数值最大者Lmax即为该缺陷图像中的最大弦长;
B为最小子段缺陷的最小外接矩形宽,在所有B值中的数值最大者Bmax即为该缺陷图像中的最大宽度;
5)由线性形态系数C区分出所有最小子段的缺陷类型,当线性形态系数C≥4时,为线型缺陷;否则为块状型缺陷;其中,块状型缺陷的最小子段采用最小外接圆替代原有的最小外接矩形,线型缺陷的最小子段则不变;
6)对开裂型缺陷进行定量表征,对上述所有最小子段的最小外接矩形、最小外接圆求其面积之总和,得当量缺陷SDE,继而得到待测图像的缺陷率ρ,缺陷率ρ为当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值;
7)对待测缺陷进行类型判定,依据最小子段中是否有外接圆加以覆盖,若有,则为复合型开裂缺陷,否则为线型开裂缺陷;
8)测量完毕,将上述开裂型缺陷的测量、表征、分类结果以图表文件显示输出。
2.根据权利要求1所述的钢材开裂型缺陷的自动测量、表征分类方法,其特征在于,所述步骤6)对开裂型缺陷进行定量表征,具体为:对上述所有最小子段的最小外接矩形、最小外接圆求其面积之总和,得到缺陷的总面积当量缺陷SDE,SDE表示为:
式中,n1—最小外接矩形总数,
n2—最小外接圆总数,
d—最小外接圆直径,
根据当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值,得到待测图像的缺陷率ρ,ρ表示为:
式中,A0为覆盖整个待测缺陷的最小外接矩形面积。
3.一种实现权利要求1所述钢材开裂型缺陷的自动测量、表征分类方法的系统,其特征在于,包括图像采集模块、图片预处理模块、图片二值分割模块、自动测量模块、表征分析模块、分类模块和输出模块;其中
所述图像采集模块:用于获取钢材待测缺陷的原始图像,将原始图像传送到所述图片预处理模块;
所述图片预处理模块:用于将钢材待测缺陷原始图像进行线性平均低通滤波去噪,将预处理后的图像传送到所述图片二值分割模块;
所述图片二值分割模块:用于对经过预处理的图像采用局部自适应阈值分割算法进行二值分割,将得到的钢材待测缺陷的二值图像传送到所述自动测量模块;
所述自动测量模块:用于对分割后的图像进行最小子段区域标定以及提取其形态特征参数和线性形态系数,将测量数据传送到所述表征分析模块;
所述表征分析模块:用于根据线性形态系数区分出所有最小子段的缺陷类型,计算当量缺陷SDE和钢材待测图像的缺陷率ρ,将完成的开裂型缺陷的定量表征传送到所述分类模块;
所述分类模块:用于对钢材待测缺陷进行类型判定,其判断最小子段是否有外接圆加以覆盖,若有,则为复合型开裂缺陷,否则为线型开裂缺陷,将测量、表征、分类结果传送到所述输出模块;
所述输出模块:用于将钢材开裂型缺陷的测量、表征、分类结果以图表文件显示输出。
4.根据权利要求3所述的系统,其特征在于,所述图像采集模块包括摄像设备(2)和图像采集卡,所述图像采集卡安装在计算机(3)内,所述摄像设备(2)与所述图像采集卡相连,采集到的原始图像通过所述图像采集卡输入到所述图片预处理模块中进行处理。
5.根据权利要求4所述的系统,其特征在于,所述摄像设备(2)为摄像头或专业相机。
6.根据权利要求3所述的系统,其特征在于,还包括打印机(4),所述输出模块与所述打印机(4)连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510063976.8A CN104655642B (zh) | 2015-02-06 | 2015-02-06 | 一种钢材开裂型缺陷的自动测量、表征分类方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510063976.8A CN104655642B (zh) | 2015-02-06 | 2015-02-06 | 一种钢材开裂型缺陷的自动测量、表征分类方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104655642A CN104655642A (zh) | 2015-05-27 |
CN104655642B true CN104655642B (zh) | 2017-07-18 |
Family
ID=53247025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510063976.8A Expired - Fee Related CN104655642B (zh) | 2015-02-06 | 2015-02-06 | 一种钢材开裂型缺陷的自动测量、表征分类方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104655642B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226180A (zh) * | 2018-01-11 | 2018-06-29 | 上海应用技术大学 | 一种针对crts ii型板式轨道的裂缝检测方法 |
CN108827969B (zh) * | 2018-03-20 | 2020-07-24 | 中国科学院自动化研究所 | 金属零件表面缺陷检测与识别方法及装置 |
CN112347292A (zh) * | 2020-11-09 | 2021-02-09 | 常州微亿智造科技有限公司 | 缺陷标注方法和装置 |
CN112881406A (zh) * | 2021-01-14 | 2021-06-01 | 广州大学 | 一种锌合金产品胚的外观检测方法、系统、装置及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711284B1 (en) * | 1999-10-25 | 2004-03-23 | Nikon Corporation | Image processor for a digital image of an object having a crack |
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
CN103267764A (zh) * | 2013-05-30 | 2013-08-28 | 东北大学 | 基于邻域信息评估的热轧钢板表面缺陷图像识别方法 |
CN103440657A (zh) * | 2013-08-27 | 2013-12-11 | 武汉大学 | 一种在线道路裂缝筛查方法 |
CN103528515A (zh) * | 2013-10-15 | 2014-01-22 | 北京交通大学长三角研究院 | 桥梁底面裂缝动态检测方法 |
CN103940708A (zh) * | 2014-04-10 | 2014-07-23 | 江苏大学 | 一种钢材全形态晶粒的快速测量、精细分类方法 |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
CN104034733A (zh) * | 2014-07-02 | 2014-09-10 | 中国人民解放军国防科学技术大学 | 基于双目视觉监测与表面裂纹图像识别的寿命预测方法 |
CN104101600A (zh) * | 2013-04-15 | 2014-10-15 | 宝山钢铁股份有限公司 | 连铸坯断面微小裂纹检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005157513A (ja) * | 2003-11-21 | 2005-06-16 | Canon Inc | 亀裂幅算出方法 |
JP2010085166A (ja) * | 2008-09-30 | 2010-04-15 | Toray Ind Inc | プリプレグ欠点検査方法 |
-
2015
- 2015-02-06 CN CN201510063976.8A patent/CN104655642B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711284B1 (en) * | 1999-10-25 | 2004-03-23 | Nikon Corporation | Image processor for a digital image of an object having a crack |
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
CN104101600A (zh) * | 2013-04-15 | 2014-10-15 | 宝山钢铁股份有限公司 | 连铸坯断面微小裂纹检测方法及装置 |
CN103267764A (zh) * | 2013-05-30 | 2013-08-28 | 东北大学 | 基于邻域信息评估的热轧钢板表面缺陷图像识别方法 |
CN103440657A (zh) * | 2013-08-27 | 2013-12-11 | 武汉大学 | 一种在线道路裂缝筛查方法 |
CN103528515A (zh) * | 2013-10-15 | 2014-01-22 | 北京交通大学长三角研究院 | 桥梁底面裂缝动态检测方法 |
CN103940708A (zh) * | 2014-04-10 | 2014-07-23 | 江苏大学 | 一种钢材全形态晶粒的快速测量、精细分类方法 |
CN104034733A (zh) * | 2014-07-02 | 2014-09-10 | 中国人民解放军国防科学技术大学 | 基于双目视觉监测与表面裂纹图像识别的寿命预测方法 |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
Non-Patent Citations (2)
Title |
---|
不均匀光照的路面裂缝检测和分类新方法;李刚等;《光子学报》;20100831;第39卷(第08期);第1405-1408页 * |
基于数字图像处理的路面裂缝自动识别与评价系统;张娟等;《长安大学学报(自然科学版)》;20040331;第24卷(第02期);第18-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104655642A (zh) | 2015-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778684B (zh) | 钢材表面异质型缺陷的自动测量、表征分类方法及其系统 | |
CN110779937B (zh) | 一种铸件产品内部缺陷智能检测装置 | |
CN104655642B (zh) | 一种钢材开裂型缺陷的自动测量、表征分类方法及其系统 | |
CN106023158B (zh) | Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法 | |
CN103940708B (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN104880389A (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
CN108346144A (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
CN101510262A (zh) | 一种钢中析出粒子的自动测量及其形态分类方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN103020609B (zh) | 复杂纤维图像的识别方法 | |
CN111402236B (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
Li et al. | TireNet: A high recall rate method for practical application of tire defect type classification | |
CN110473199A (zh) | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 | |
CN115266732B (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN101013126A (zh) | 用计算机预测木质人造板强度的方法 | |
CN107576660B (zh) | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 | |
CN114897865A (zh) | 基于少量缺陷样本的工业缺陷检测方法 | |
CN110120035A (zh) | 一种可判别病疵等级的轮胎x光病疵检测方法 | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
CN116740449A (zh) | 基于ai计算机视觉技术的刨花形态检测方法及系统 | |
CN103278505B (zh) | 一种基于多特征分析的高炉除尘灰成分分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170718 Termination date: 20180206 |