CN104794491A - 基于预分类的模糊聚类钢板表面缺陷检测方法 - Google Patents

Abstract

本发明涉及数字图像处理及模式识别技术领域，公开一种基于预分类的模糊聚类钢板表面缺陷检测方法，可在钢板表面缺陷检测时，克服现有钢板表面缺陷检测方法出现的漏判和误判的不足，有效提高钢板表面缺陷在线实时检测的准确度，步骤如下：S1获取钢板表面缺陷图像；S2将步骤S1获取的图像进行预分类，确定图像分类处理的阈值区间；S3对步骤S2中各阈值区间的图像分类处理，生成白色高亮的缺陷目标；S4提取缺陷图像的几何、灰度、投影和纹理特征，通过特征降维确定支持向量机分类器的输入向量，采用模糊聚类算法计算各类样本的聚类中心，将两两聚类中心的距离作为支持向量机分类器分级划分的度量；S5分类判定，得到缺陷检测结果。

Description

基于预分类的模糊聚类钢板表面缺陷检测方法

技术领域

本发明涉及数字图像处理及模式识别技术领域，具体涉及一种基于预分类的模糊聚类钢板表面缺陷检测方法。

背景技术

钢板已成为众多工业不可缺少的原材料，准确、高效的进行钢板质量检测，合理控制钢板质量，可以提高生产率，降低人工劳动强度，对提高钢板缺陷检测的智能化水平有着重要的意义。随着数字图像处理及模式识别技术的快速发展，数字图像处理及模式识别技术已被应用于缺陷检测。

申请号为201310210470.6的中国发明专利申请公开了一种基于邻域信息评估的热轧钢板表面缺陷图像识别方法。通过目标检测、缺陷区域分割、基于领域信息评估的局部二值模式提取特征、支持向量机分类得到钢板缺陷检测结果，采用局部二值模式的特征提取方法使同类缺陷的特征集中而不同类型缺陷特征区分度提高，采用邻域信息评估窗口方法有效抵抗特征受到的噪声干扰影响，但其只处理了图像灰度特征，针对钢板缺陷实时检测的特殊环境，有因光照强度、光照角度等原因引起的反光、亮度偏低等问题，模式不能准确的定位缺陷，在没有其它特征的辅助下，特征识别存在误判，且单纯的采用支持向量机分类器的分类准确度不高。申请号为201310009805.8的中国专利申请公开了一种模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法。通过图像信息采集、二次曲面拟合图像增强、LOG算子边缘检测、模式分类系统对铜板表面缺陷进行检测。二次曲面拟合的方法校正了光照不均的问题，LOG算子边缘检测提高了缺陷区域分割的准确度，提取灰度值特征、几何特征以及矩特征，增加了图像信息。但在线实时钢板缺陷图像光照不均的种类分为反光区域、多目标缺陷区域和灰度偏暗区域等，二次曲面拟合的方法只对灰度分布不均匀图像的矫正较为明显，当图像灰度值较接近时，该方法的增强效果不明显，且未优化的模式分类系统分类准确度不高。申请号为201210065030.1的中国专利申请公开了一种基于多特征模糊识别的铜带表面缺陷检测系统。通过目标检测、Canny算法图像分割、提取特征向量输入多特征模糊识别分类器的方法实现铜带表面缺陷检测。Canny算法可检测出合理的边缘数据，服务于铜带表面缺陷图像特征选择和提取，但多特征是对形状特征中的长宽比、矩形度、圆形度和不变矩的区分，在带钢缺陷形状特征区分度不大的情况下，分类准确度不高。故有必要开发一种基于预分类的模糊聚类钢板表面缺陷检测方法，在缺陷图像预处理之前分析图像灰度直方图，确定不同类型图像的处理阈值区间，实现图像预分类，解决多种光照不均的问题；钢板表面缺陷复杂、多样，不同类别之间不一定存在分明的界限，模糊聚类方法通过隶属度来分配数据所属的类，能够获取最大区分度，因此采用模糊聚类方法计算不同缺陷类型特征向量之间的聚类中心，可以避免特征相似而类别不同的缺陷的错误划分，从而提高钢板缺陷检测的准确度。

发明内容

有鉴于此，本发明提供一种基于预分类的模糊聚类钢板表面缺陷检测方法，可在钢板表面缺陷检测时，克服现有钢板表面缺陷检测出现误判和漏判的不足，有效提高钢板缺陷检测的准确度和快速性。

本发明通过以下技术手段解决上述技术问题：

基于预分类的模糊聚类钢板表面缺陷检测方法，包括如下步骤：

S1：获取钢板表面缺陷图像；

S2：对步骤S1获取的缺陷图像进行预分类，生成不同的图像处理阈值区间；

S3：对步骤S2获取的不同类别的图像进行相应的图像预处理，最终将缺陷以白色高亮状态显示；

S4：提取钢板缺陷图像的几何特征、灰度特征、投影特征和纹理特征，优化特征向量，采用模糊聚类方法计算各类样本的聚类中心，将各类样本聚类中心的距离作为支持向量机分类器每级分类划分的度量；

S5：分类判定，得到缺陷检测结果。用type表示分类结果，其中type＝0,1,2,3,4,5，如果type＝1，则表明该缺陷类型为结疤；如果type＝2，则表明该缺陷类型为纵向裂纹；如果type＝3，则表明该缺陷类型为横向裂纹；如果type＝4，则表明缺陷类型为麻点；如果type＝5，则表明缺陷类型为网纹；如果type＝0，则表明数据库没有此类缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。

进一步，所述步骤S1中，以钢板生产线实时拍摄的图像作为钢板表面缺陷检测的源图像。

进一步，所述步骤S2中，在灰度图像的前提下，通过阈值分割法确定图像处理的阈值区间，完成图像预分类。

进一步，所述步骤S2具体包括如下步骤：

S21：对步骤S1获取的缺陷图像进行灰值化；

S22：对灰值化后的缺陷图像进行直方图绘制，计算灰度直方图的均值、峰值和方差；

S23：对步骤S22提取的灰度特征统计分析，结合灰度直方图判断缺陷图像均值、方差分布范围，并计算两者的差值dif，将差值统计归类，选取最优阈值T＝{x₁,x₂}，其中x₁，x₂为阈值分割点，完成图像预分类；

S24：结合线性插值、非线性插值和梯度锐化对步骤S23的预分类结果进行图像预处理，在基本的图像处理操作下，最终使缺陷目标以白色高亮状态显示

进一步，所述步骤S3具体包括如下步骤：

S31：当dif＜x₁时，图像灰度偏暗，在缺陷目标确定前要对图像做梯度锐化处理；当x₁＜dif＜x₂时，图像目标区域偏大，在缺陷目标确定前要对图像做线性插值处理；当dif＞x₂时，图像反光，在缺陷目标确定前要对图像做非线性插值处理；

S32：缺陷图像经过步骤S31的预处理后，对图像做基本图像处理操作，最终将灰度直方图以单峰、灰度有效值在170-255区间内的形式显示；

S33：结合交互式阈值分割法选取图像二值化的最优阈值μ，优化二值化图像，得到目标缺陷图像；

S34：计算步骤S33的目标缺陷图像的几何特征；将目标缺陷图像做水平x轴和垂直y轴方向上的投影直方图，获取投影特征；以灰度图像为背景，提取灰度直方图下的灰度特征和灰度共生矩阵下的纹理特征。

进一步，所述步骤S4具体包括如下步骤：

S41：几何特征：边界周长、缺陷面积、圆形度、矩形度、缺陷紧凑性、区域占空比、矩特征、离心率、椭圆偏心率等；投影特征：波形特征、脉冲特征、峰值特征、裕度特征、投影均值、投影方差、投影歪度、投影峭度、投影能量、投影熵等；灰度特征：灰度对比度、灰度均值、灰度歪度、灰度峭度、灰度能量、灰度熵值等；纹理特征：灰度共生矩阵能量、灰度共生矩阵对比度、灰度共生矩阵相关值、灰度共生矩阵熵值等；

S42：对步骤S41提取的特征向量进行降维处理，求取能够充分描述缺陷信息且缺陷信息不重复的特征向量；

S43：将步骤S42确定的特征参数存入特征数据库；

S44：某一类样本聚类中心的选取：计算任意两个样本的欧式距离，取最小距离对应的两个样本的均值作为第一个聚类中心；选定样本间最小距离阈值α，计算与第一个聚类中心中的两个样本的欧式距离都大于α的样本，并选择这些样本中的欧氏距离最短的两个样本的均值定为第二个聚类中心；以此类推，直到找到除孤立点之外的所有样本的聚类中心；将所有聚类中心的均值作为该类缺陷的最终聚类中心；

S45：重复步骤S44，确定已知缺陷种类各类样本的聚类中心v_i(i＝i,2,…,c)；

S46：分别计算两两聚类中心的距离其中i,j＝1,2,…,c；i≠j；r＝c-1。每个聚类中心都有c-1个与其他聚类中心的距离值，将距离值按由小到大的顺序排列，得到相应聚类中心新的排序标号；

S47：将聚类中心对应的学习样本作为支持向量机分类器的输入，用c-1个分类器准确分出c类缺陷。

进一步，所述步骤S43中，将投影特征分为水平投影特征和垂直投影特征；纹理特征向量用灰度共生矩阵计算，灰度共生矩阵是L*L的方正，其中L为源图像的灰度级，描述四种常用的空间位置关系：水平、垂直、正对角，最后生成四类七组特征向量。

进一步，步骤S5中：

用type表示分类结果，其中type＝0,1,2,3,4,5，如果type＝1，则表明该缺陷类型为结疤；如果type＝2，则表明该缺陷类型为纵向裂纹；如果type＝3，则表明该缺陷类型为横向裂纹；如果type＝4，则表明缺陷类型为麻点；如果type＝5，则表明缺陷类型为网纹；如果type＝0，则表明数据库没有此类缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。

本发明的有益效果：本发明的基于预分类的模糊聚类钢板表面缺陷检测方法，提供一种通过数字图像处理的方法来完成钢板表面缺陷检测的方法，避免了多种光照不均的干扰；提取了比较全面的钢板缺陷图像信息，避免了某一种特征相似而缺陷种类相异的问题，降低了缺陷的漏判和误判率；优化特征向量，解决因输入模式分类器的维数过大而导致识别复杂度增加的问题，同时排除了对分类器贡献率低的信息，提高了分类器的分类速度；运用模糊聚类算法与支持向量机相结合的方法构造缺陷分类器，为分类器的分类划分制定了一定的标准，提高了缺陷分类的准确性；最后将缺陷图像信息及缺陷类型加入数据库，更新数据库中钢板缺陷信息。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1示出了本发明专利的整体流程图；

图2示出了本发明专利预分类后三类缺陷图像处理结果；

图3示出了本发明专利聚类中心选取示意图；

图4示出了本发明专利数据库中部分缺陷图像信息表。

具体实施

以下将结合附图对本发明进行详细说明。

参见图1，基于预分类的模糊聚类钢板表面缺陷检测方法，包括如下步骤：

S1：以钢板生产线实时拍摄的图像作为钢板表面缺陷检测的源图像，在现有钢板表面缺陷检测装置的条件下，直接提取钢板缺陷图像；

S2：对步骤S1获取的缺陷图像进行处理，在灰度图像的前提下，通过阈值分割法确定图像处理的阈值区间，完成图像预分类；具体包括如下步骤：

S21：对步骤S1获取的缺陷图像进行灰值化；

S22：对灰值化后的缺陷图像进行直方图绘制，计算灰度平均值、灰度峰值和灰度方差；

S23：因为只通过灰度直方图图像特征可选的阈值分割点较多，因此结合灰度直方图的均值方差以及两者的差值dif分布范围，统计归类，选取最优阈值T＝{x₁,x₂}，其中x₁，x₂为阈值分割点，完成图像预分类；

S24：结合线性插值、非线性插值和梯度锐化对步骤S23的预分类结果进行图像预处理，在基本的图像处理操作下，最终使缺陷目标以白色高亮状态显示。

S3：结合图像处理基本方法，对不同阈值区间的缺陷图像处理，得到目标缺陷图像，进行特征提取；具体包括如下步骤：

S31：当dif＜x₁时，图像灰度偏暗，在缺陷目标确定前要对图像做梯度锐化处理；当x₁＜dif＜x₂时，图像目标区域偏大，在缺陷目标确定前要对图像做线性插值处理；当dif＞x₂时，图像反光，在缺陷目标确定前要对图像做非线性插值处理；

S32：缺陷图像经过步骤S31的预处理后，对图像做基本图像处理操作，包括滤波、腐蚀、膨胀、二值化等，最终将灰度直方图以单峰、灰度有效值在170-255区间内的形式显示。参见图2，其中图(a)为dif＜x₁的缺陷图像直方图，图(b)为该类图像处理后直方图；图(c)为x₁＜dif＜x₂的缺陷图像直方图，图(d)为该类图像处理后直方图；图(e)为dif＞x₂的缺陷图像直方图，图(f)为该类图像处理后直方图；

S33：结合交互式阈值分割法选取图像二值化的最优阈值μ，优化二值化图像，得到目标缺陷图像；

S34：计算步骤S33的目标缺陷图像的几何特征；将目标缺陷图像做水平x轴和垂直y轴方向上的投影直方图，获取投影特征；以灰度图像为背景，提取灰度直方图下的灰度特征和灰度共生矩阵下的纹理特征。

S4：对步骤S3获得特征向量分析优化，将各种类缺陷图像特征向量存入数据库中的数据信息表；具体包括如下步骤：

S41：几何特征：边界周长、缺陷面积、圆形度、矩形度、缺陷紧凑性、区域占空比、矩特征、离心率、椭圆偏心率等；投影特征：波形特征、脉冲特征、峰值特征、裕度特征、投影均值、投影方差、投影歪度、投影峭度、投影能量、投影熵等；灰度特征：灰度对比度、灰度均值、灰度歪度、灰度峭度、灰度能量、灰度熵值等；纹理特征：灰度共生矩阵能量、灰度共生矩阵对比度、灰度共生矩阵相关值、灰度共生矩阵熵值等；

S42：对于模式分类器来说，如果输入维数过大，会大大加大识别复杂度，因此需要对特征向量进行降维处理，本发明对特征向量进行特征降维，设X_i＝(X_i1,X_i2,…,X_ip)'，i＝1,2,…,n，为取自X_i＝(X_i1,X_i2,…,X_ip)'的一个容量为n的简单随机样本，样本特征向量为p。特征向量经降维处理后样本为Y_k＝(Y_k1,Y_k2,…,Y_km)，k＝1,2,…,n，生成m(m<p)个样本主成分。选择降维后的投影特征，将投影特征分为水平投影特征x轴(0°)方向和垂直投影特征y轴(90°)方向；因为钢板纹理特征复杂多变，因此采用一种成熟的纹理分析方法，基于灰度共生矩阵的计算方法，灰度共生矩阵是L*L的方正，其中L为源图像的灰度级。将降维后的纹理特征向量按三种常用的空间位置关系：水平(0°)、垂直(90°)、正对角(45°)划分，结合降维后的几何特征向量和灰度特征向量，共生成四类七组特征向量；

S43：将步骤S42确定的特征参数存入特征数据库。

S44：某一类样本聚类中心的选取，参见图3，图中给出了两个初始聚类中心的选择示例，三角形表示该类样本数据集，红色五角星为最终聚类中心。计算任意两个样本的欧式距离，取最小距离对应的两个样本的均值作为第一个聚类中心；选定样本间最小距离阈值α，计算与第一个聚类中心中的两个样本的欧式距离都大于α的样本，并选择这些样本中的欧氏距离最短的两个样本的均值定为第二个聚类中心；以此类推，直到找到除孤立点之外的所有样本的聚类中心；将所有聚类中心的均值作为该类缺陷的最终聚类中心；

S45：重复步骤S44，确定已知缺陷种类各类样本的聚类中心v_i(i＝i,2,…,c)；

S46：分别计算两两聚类中心的距离其中i,j＝1,2,…,c；i≠j；r＝c-1。每个聚类中心都有c-1个与其他聚类中心的距离值，将距离值按由小到大的顺序排列，如：第i(i＝1,2,…,k)类与其他类距离值：按由小到大的顺序排列为：将的值按由大到小的顺序对相应的聚类中心进行排序。当遇到n(n≥2)个聚类中心具有相同的时，再比较的大小，以此类推，最终得到聚类中心新的排序标号M₁,M₂,…,M_c。

S47：将聚类中心M_i(i＝1,2,…,c)对应的学习样本作为支持向量机分类器的输入向量，最终准确分出c类缺陷。

S5：判断缺陷种类，用type表示分类结果，其中type＝0,1,2,3,4,5，如果type＝1，则表明该缺陷类型为结疤；如果type＝2，则表明该缺陷类型为纵向裂纹；如果type＝3，则表明该缺陷类型为横向裂纹；如果type＝4，则表明缺陷类型为麻点；如果type＝5，则表明缺陷类型为网纹；如果type＝0，则表明数据库没有此类缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。数据库信息参见图4，图中给出了数据库中部分钢板缺陷信息，其中第一列为钢板缺陷的种类，其余列为钢板缺陷的属性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：包括如下步骤：

S1：获取钢板表面缺陷图像；

S2：对步骤S1获取的缺陷图像进行预分类，生成不同的图像处理阈值区间；

S3：对步骤S2获取的不同类别的图像进行相应的图像预处理，最终将缺陷以白色高亮状态显示；

S4：提取钢板缺陷图像的几何特征、灰度特征、投影特征和纹理特征，优化特征向量，采用模糊聚类方法计算各类样本的聚类中心，将两两聚类中心的距离作为支持向量机分类器每级分类划分的度量；

S5：分类判定，得到缺陷检测结果。用type表示分类结果，其中type＝0,1,2,3,4,5，如果type＝1，则表明该缺陷类型为结疤；如果type＝2，则表明该缺陷类型为纵向裂纹；如果type＝3，则表明该缺陷类型为横向裂纹；如果type＝4，则表明缺陷类型为麻点；如果type＝5，则表明缺陷类型为网纹；如果type＝0，则表明数据库没有此类缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。

2.如权利要求1所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：所述步骤S1中，以钢板生产线实时拍摄的图像作为钢板表面缺陷检测的源图像。

3.如权利要求1所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：所述步骤S2中，在灰度图像的前提下，通过阈值分割法确定图像处理的阈值区间，完成图像预分类。

4.如权利要求3所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：所述步骤S2具体包括如下步骤：

S21：对步骤S1获取的缺陷图像进行灰值化；

S22：对灰值化后的缺陷图像进行直方图绘制，计算灰度直方图的均值、峰值和方差；

S23：对步骤S22提取的灰度特征统计分析，结合灰度直方图判断缺陷图像均值、方差分布范围，并计算两者的差值dif，将差值统计归类，选取最优阈值T＝{x₁,x₂}，其中x₁，x₂为阈值分割点，完成图像预分类；

S24：结合线性插值、非线性插值和梯度锐化对步骤S23的预分类结果进行图像预处理，在基本的图像处理操作下，最终使缺陷目标以白色高亮状态显示。

5.如权利要求1至4中任一项所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：所述步骤S3具体包括如下步骤：

S31：当dif＜x₁时，图像灰度偏暗，在缺陷目标确定前要对图像做梯度锐化处理；当x₁＜dif＜x₂时，图像目标区域偏大，在缺陷目标确定前要对图像做线性插值处理；当dif＞x₂时，图像反光，在缺陷目标确定前要对图像做非线性插值处理；

S32：缺陷图像经过步骤S31：的预处理后，对图像做基本图像处理操作，最终将灰度直方图以单峰、灰度有效值在170-255区间内的形式显示；

S33：结合交互式阈值分割法选取图像二值化的最优阈值μ，优化二值化图像，得到目标缺陷图像；

S34：计算步骤S33：的目标缺陷图像的几何特征；将目标缺陷图像做水平x轴和垂直y轴方向上的投影直方图，获取投影特征；以灰度图像为背景，提取灰度直方图下的灰度特征和灰度共生矩阵下的纹理特征。

6.如权利要求5所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：所述步骤S4具体包括如下步骤：

S41：几何特征。边界周长、缺陷面积、圆形度、矩形度、缺陷紧凑性、区域占空比、矩特征、离心率、椭圆偏心率等；投影特征：波形特征、脉冲特征、峰值特征、裕度特征、投影均值、投影方差、投影歪度、投影峭度、投影能量、投影熵等；灰度特征：灰度对比度、灰度均值、灰度歪度、灰度峭度、灰度能量、灰度熵值等；纹理特征：灰度共生矩阵能量、灰度共生矩阵对比度、灰度共生矩阵相关值、灰度共生矩阵熵值等；

S42：对步骤S41提取的特征向量进行降维处理，删除冗余的缺陷信息；

S43：将步骤S42确定的特征参数存入特征数据库；

S44：某一类样本聚类中心的选取：计算任意两个样本的欧式距离，取最小距离对应的两个样本的均值作为第一个聚类中心；选定样本间最小距离阈值α，计算与第一个聚类中心中的两个样本的欧式距离都大于α的样本，并选择这些样本中的欧氏距离最短的两个样本的均值定为第二个聚类中心；以此类推，直到找到除孤立点之外的所有样本的聚类中心；将所有聚类中心的均值作为该类缺陷的最终聚类中心；

S45：重复步骤S44，确定已知缺陷种类各类样本的聚类中心v_i(i＝i,2,…,c)；

S42：分别计算两两聚类中心的距离其中i,j＝1,2,…,c；i≠j；r＝c-1。每个聚类中心都有c-1个与其他聚类中心的距离值，将距离值按由小到大的顺序排列，得到相应聚类中心新的排序标号；

S47：将聚类中心对应的学习样本作为支持向量机分类器的输入，用c-1个分类器准确分出c类缺陷。

7.如权利要求6所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：所述步骤S41中，将投影特征分为水平投影特征和垂直投影特征；纹理特征向量用灰度共生矩阵计算，灰度共生矩阵是L*L的方正，其中L为源图像的灰度级，描述四种常用的空间位置关系：水平、垂直、正对角，最后生成四类七组特征向量。

8.如权利要求7所述的基于预分类的模糊聚类钢板表面缺陷检测方法，其特征在于：所述步骤S5中：

用type表示分类结果，其中type＝0,1,2,3,4,5，如果type＝1，则表明该缺陷类型为结疤；如果type＝2，则表明该缺陷类型为纵向裂纹；如果type＝3，则表明该缺陷类型为横向裂纹；如果type＝4，则表明缺陷类型为麻点；如果type＝5，则表明缺陷类型为网纹；如果type＝0，则表明数据库没有此类缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。