CN108629775A - 一种热态高速线材表面图像处理方法 - Google Patents
一种热态高速线材表面图像处理方法 Download PDFInfo
- Publication number
- CN108629775A CN108629775A CN201810458152.4A CN201810458152A CN108629775A CN 108629775 A CN108629775 A CN 108629775A CN 201810458152 A CN201810458152 A CN 201810458152A CN 108629775 A CN108629775 A CN 108629775A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- area
- wire rod
- tested
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000007547 defect Effects 0.000 claims abstract description 99
- 238000001514 detection method Methods 0.000 claims abstract description 22
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 16
- 229910052742 iron Inorganic materials 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000008901 benefit Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 19
- 235000020061 kirsch Nutrition 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims description 2
- 238000007254 oxidation reaction Methods 0.000 claims description 2
- 230000003647 oxidation Effects 0.000 claims 1
- 238000004321 preservation Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于图像处理技术领域,并公开了一种热态高速线材表面缺陷图像处理方法,包括以下步骤:1)采集现场相机所拍摄的线材图像;2)完成前景区域边缘的界定;3)对前景区域进行光补;4)对整幅图像进行加权平均处理;5)进行初步定位;6)消除缺陷噪声点;7)进行ROI搜索、合并、筛选,输出缺陷的类型、缺陷区域的左上角坐标、缺陷宽度、缺陷高度、缺陷形状和缺陷所占像素数等指标,并形成可供下载保存的文档。本发明能在高温、高速等环境下,有效避免氧化铁皮等因素的干扰,获得检出率高的线材表面缺陷检测图像,将处理后的缺陷图像作为缺陷识别与分类的图像输入,与直接放入原始图像相比,缺陷检出速度与缺陷检出率得到了明显提高。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种热态高速线材表面图像处理方法。
背景技术
高速线材表面缺陷检测是以图像为基础媒介,进行图像采集、传输、分析,计算并评价高速线材表面质量的状况,最终生成定量化、文本化的质量报告。目前,随着客户对高速线材表面质量要求的不断提高,如何提高热态高速(最高速度达120m/s)状态下线材表面缺陷的检出率,降低误检率,至关重要。
目前,热态高速线材表面缺陷检测系统中,其输入为相机拍摄的线材图像,输出为缺陷所在坐标及基本信息,图像处理采用的方法通常为阈值分割法,即利用图像中要提取的目标区域与其背景在灰度特性上的差异,把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合,选取一个比较合理的阈值,以确定图像中每个像素点应该属于目标区域还是背景区域,从而产生相应的二值图像。
然而,由于热态高速线材极容易在空气中与氧气发生氧化反应,不可避免地会产生一些氧化铁皮,严重的时候容易造成表面大面积脱落,甚至使线材表面出现裂纹等。另外,由于线材表面的温度较高,线材表面容易产生雾化效果,在利用摄像头进行图像采集的时候,很容易发生光线偏移,造成图像变形或者影响图像的整体质量,增加了图像中的噪声。并且,在线材生产线上线材直径最小为5.5mm,最大为28mm,不同规格的线材图像质量参差不齐。这些干扰因素使得缺陷检测变得比较困难,通过常规的阈值分割方法很难得到较为稳定的检测结果,误检率高。
由于线材表面温度很高,空气中掺杂油污颗粒,现场环境复杂,因此相机所拍摄到的线材图像质量参差不齐,在这种情况下,用传统的简单的灰度阈值判断边界效果十分不稳定,有可能造成背景误判,从而导致接下来的检测过程出现误检。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种热态高速线材表面缺陷图像的处理方法,能在高温、高速等环境下,有效避免氧化铁皮等因素的干扰。
为实现上述目的,按照本发明,提供了一种热态高速线材表面缺陷图像处理方法,其特征在于,包括以下步骤:
1)采集现场相机所拍摄的线材图像;
2)采用灰度梯度阈值搜索算法,对所拍摄的线材图像进行裁剪,完成线材图像上前景区域的界定,从而形成待检测区域;
3)使用光照均衡算法对待检测区域进行光补,以提高待检测区域的亮度;
4)使用高斯滤波算法对待检测区域进行加权平均处理,以降低待检测区域的噪音;
5)采用缺陷粗定位方法,对缺陷进行初步定位;
6)使用Kirsch算子检测缺陷,将检测结果用BinaryThreshold阈值进行二值化后,得到的缺陷形状图像使用形态学开操作消除缺陷的噪声点;
7)对粗定位的缺陷分别进行ROI搜索、ROI合并和ROI筛选,输出缺陷的类型、缺陷所在区域的左上角坐标、缺陷宽度、缺陷高度、缺陷形状和/或缺陷所占像素数指标,其中,缺陷形状是指点状、线状或面状。
优选地,步骤2)的具体过程如下:
在得到采集的线材图像后,首先对该线材图像进行Sobel算子的X方向和Y方向卷积操作,得到Sobel结果图,获得线材图像横向及纵向的灰度差分近似值,通过得到的Sobel结果图,观察X、Y方向模板对X、Y方向的灰度敏感度,并将卷积结果进行二值化,得出较明显线材区域;
对Sobel结果图进行列投影,然后分别从线材左右两侧向线材中间搜索,其中,搜索的左右起始位置分别定于设定的阈值GrayScaleX处,该阈值GrayScaleX表示左右边界搜索时,左右跳过的像素数;当投影矩阵中出现突变,则到达线材边缘点,以边缘点为左右边缘处进行裁剪,得到待检测区域的左右边界,然后再寻找出待检测区域的上下边界,以此方式,完成线材图像上前景区域的界定,从而形成待检测区域;
其中,若待检测区域的宽度小于设定的阈值DropWidth,或高度小于设定的阈值DropHeight,则认为获得的该待检测区域无效并不做缺陷检测。
优选地,步骤3)的具体过程如下:
首先,对待检测区域进行列投影,得到该列图像的灰度向量G:
接下来计算该列图像的平均灰度值
最后再计算该列图像的补偿系数K:
其中,k=i-9,i-8,...,i+9,并且i-9表示列投影得到的最小值所在的行,i+9表示列投影得到的最大值所在的行,i为大于等于10的整数;
接下来按列对采集到的线材图像中的每个像素值乘以补偿系数K进行补偿,以将每一列的灰度平均值补偿到128,从而待检测区域的亮度。
优选地,步骤4)中,高斯滤波算法所使用的模板称为高斯核,核大小为GaussSize,GaussSize为设定的可配置参数,其值是一个非负奇数。
优选地,步骤5)中,使用Sobel边缘检测算子,仅使用Sobel边缘检测算子的X方向和Y方向的卷积模板,并不对X方向和Y方向的卷积结果进行加权合并,滤波完成后对Sobel边缘检测算子的的Y方向根据高低阈值即阈值SyLowThreshold和阈值SyHighThreshold进行二值化,其中,SyLowThreshold和SyHighThreshold均为设定的可配置参数,从而分别得到图像YL和图像YH,对Sobel边缘检测算子的X方向根据阈值SxThreshold进行二值化,并用3×1的横向模板进行膨胀,得到膨胀图像XI;然后对图像YH进行膨胀操作,膨胀使用模板为1×5的纵向模板,然后与图像YL进行合并,合并过程为首先对YL求连通区域,然后该连通区域中如有任意一点对应YH有值,则保留该连通区域,否则删除该连通区域,由此得到YI,用YI减去XI以去除氧化铁皮带来的干扰,最后通过形态学开操作,去除孤立噪声点。
优选地,步骤6)中,Kirsch边缘检测算子由8个卷积核组成,并且每两个卷积核之间的夹角为45度,待检测区域中的每个像素点都用这8个卷积核进行卷积运算,每个像素点与不同卷积核卷积运算的卷积结果给出了相应特定边缘方向的响应,从卷积结果中找出最大值,此最大值为经过各像素点的边缘幅度图像的输出值,这些输出值形成Kirsch算子结果图;
将Kirsch算子结果图用BinaryThreshold阈值进行二值化,得到二值化图,进而获得缺陷形状;
然后再使用形态学操作,将二值化图中的噪声点去除,以弱化噪声影响。
优选地,步骤7)中,ROI搜索是对获得Kirsch二值化后的结果图进行连通域标记,即对搜索半径为3像素的相似像素进行搜索与标记,标记完成后计算每一个连通区域的灰度平均值、方差、质心作为连通区域的特征;ROI合并为对每一个连通区域以质心为中心,ClusterX为横向半径,ClusterY为纵向半径进行搜索,ClusterX和ClusterY均为设定的可配参数,如果在ClusterX和ClusterY范围内发现其他区域,首先利用灰度平均值和方差判断他们是否属于同一类,如果相似则将他们标定为同一个区域并继续计算,否则按两个区域处理,ROI合并完成后会得到许多候选区域;ROI筛选的过程为:统计每一个候选区域内的缺陷像素数,如果该候选区域内缺陷像素数小于PixelsMin,则认为该候选区域无缺陷或缺陷太小,将该候选区域去除,最终留下的候选区域即为缺陷区域;其中,PixelsMin为缺陷区域的最小像素数。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1)本发明能在高温、高速等环境下,有效避免氧化铁皮等因素的干扰,将处理后的缺陷图像作为输入图像进行缺陷识别与分类,可以获得的检出率高达98.8%,并极大减少了缺陷识别速度;
2)本发明能有效避免热态线材图像采集过程中受氧化铁皮的干扰和光线偏移对图像质量的影响;
3)本发明能够适应直径范围5.5mm-28mm的不同规格线材表面图像检测,并得到稳定的缺陷检测结果;
4)本发明能够适应由于生产过程环境复杂带来的线材图像质量参差不齐的情况,从而减少缺陷误检率;
5)经本发明得出的缺陷图像作为图像输入进行缺陷识别可以得到更好的缺陷检出速度和极高的缺陷识别准确率。
附图说明
图1是本发明的工作流程图;
图2是本发明中边界搜索流程图;
图3是本发明中光照均衡流程图;
图4是本发明中缺陷粗定位流程图;
图5是本发明中Kirsch卷积模板图;
图6是本发明中卷积模板Gx的示意图;
图7是本发明中卷积模板Gy的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1~图7,一种热态高速线材表面缺陷图像的处理方法,主要包括:图像的输入、图像的预处理、缺陷检测、ROI搜索与合并、输出缺陷,其工作流程见附图1。该方法主要技术特征:
(1)输入对象:相机所拍摄的线材图像,图像分辨率为1024*1000;输出为:缺陷区域的左上角坐标、缺陷宽度、缺陷高度、缺陷形状(线状或面状)、缺陷所占像素数;缺陷检出类型为:裂纹、结疤、划伤、压痕,氧化铁皮不作为缺陷;缺陷检测规格:12mm-28mm。
(2)图像预处理包括三个方面:边界搜索、光照均衡化和背景去噪。各部分技术特征:
●边界搜索
系统相机所拍摄到的图像分辨率为1024*1000,其中线材的有效区域约为三分之一(根据不同直径规格,有效区域可能有所变化),线材大多位于图像的中心位置,两侧为黑色背景,因此算法的第一步是将待检测的有效区域提取出来,去除背景区域。由于线材表面温度很高,空气中掺杂油污颗粒,现场环境复杂,因此相机所拍摄到的线材图像质量参差不齐,在这种情况下,用传统的简单的灰度阈值判断边界效果十分不稳定,有可能造成背景误判,从而导致接下来的检测过程出现误检。因而本发明使用灰度梯度阈值搜索算法,具体流程见附图2。
在得到待检测图像后,首先对其进行了一次Sobel算子的X方向卷积操作,Sobel是一种经典边缘检测算子,主要用于边缘检测,它是一阶离散性差分算子,用来运算图像亮度函数的灰度近似值,其共有两个卷积模板,为两组3x3的矩阵,分别对应X方向和Y方向,模板如图7所示。
将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。从模板可以看出,X方向模板对于X方向上的灰度突变敏感,因而可以很好的检测出竖直边缘,将卷积结果二值化后可以得出比较明显的线材区域,这比单纯的灰度阈值判断更为鲁棒。
在得到Sobel结果图后对其进行列投影,然后分别从左右两侧向中间搜索,由于线材一般位于图像的中心位置,为了避免干扰因素造成的误判,搜索的左右起始位置定于GrayScaleX处,该值为一个可配参数,根据直径不同的线材跳过一定的左右区域,当投影矩阵中出现了突变,则到达线材边缘点,以该位置为左(右)边缘处进行裁剪,同理寻找上下边界,但寻找上下边界时不跳过任何区域,当检测到该行有大于GrayScaleY个有效像素点时,认定该行为上(下)边缘。
裁剪完成后若待检测区域的宽度小于DropWidth,或高度小于DropHeight,则认为该图像无效,跳过检测。
●光照均衡
由于线材直径变化范围较大,现场环境嘈杂,不同规格或不同相机的成像效果差异较大,直接表现为图像亮度的不均匀,为保证检测结果,首先需要对其进行光照均衡,提升整体亮度。光照均衡算法流程如图3所示。
首先,对待检测区域进行列投影,得到该列图像的灰度向量G:
接下来计算该列图像的平均灰度值
最后再计算该列图像的补偿系数K:
其中,k=i-9,i-8,...,i+9,并且i-9表示列投影得到的最小值所在的行,i+9表示列投影得到的最大值所在的行,i为大于等于10的整数;
接下来按列对采集到的线材图像中的每个像素值乘以补偿系数K进行补偿,以将每一列的灰度平均值补偿到128,从而待检测区域的亮度。
该公式保证了得出的补偿系数会将每一列的灰度平均值补偿到128,并且列与列之间的变化差异不会太大,从整体上看图像亮度明显提升,而细节也很好的得到了保留。接下来按列对采集到的线材图像中的每个像素值乘以补偿系数Ki进行补偿。
●平滑去噪
由于待检测图像背景噪声很多,这些噪声多表现为灰度的突变,这对于检测会造成极大的干扰,因此这里需要对其进行降噪处理,本发明采用高斯滤波器降噪。即对整幅图像进行加权平均处理,其所使用的模板称为高斯核,核大小为GaussSize,为可配置参数,其值是一个非负奇数,高斯核越大,其平滑效果越明显。
●缺陷粗定位
为了加速检测算法,去掉不必要的检测区域,需要对缺陷进行粗定位,即该步骤会得出可能出现缺陷的区域,然后交给下一步进行检测,粗定位的流程如附图4所示。
系统相机所拍摄到的线材图像比例与真实比例有所不同,真实的线材更为细长,而真实缺陷在图像中经过比例压缩后多表现为横向,因此此处使用了Sobel边缘检测算子,仅使用它的两个方向的模板,并不对两个结果进行加权合并。滤波完成后对Y方向根据高低阈值SyLowThreshold和SyHighThreshold(这两个均为可配置参数)进行二值化,分别得到YL和YH,可知YL包含YH。此处使用双阈值是为了避免不同图像质量所带来的检测差异。对X方向根据阈值SxThreshold进行二值化,并用3*1的横向模板进行膨胀,得到XI。YH图像中的点代表在纵向扫描过程中边缘极为强烈的点,对其进行膨胀操作,膨胀所使用模板为1*5的纵向模板,然后与YL图像进行合并,合并规则为首先对YL求连通区域,然后该连通区域中如有任意一点对应YH有值,则保留该区域,否则抹掉。
●缺陷检测
在得出待检测区域后,最终使用Kirsch算子检测缺陷。Kirsch边缘检测算子由8个卷积核组成,图像中的每个像素点都用这8个核进行卷积运算。像素与不同卷积核卷积运算的结果给出了相应特定边缘方向的响应。从所有方向相应中找出一个最大值,就给出了经过该点的边缘幅度图像的输出值,每两个卷积核(模板)之间的夹角为45度。卷积模板如图5所示。
在待检测区域用kirsch算子做卷积,减少计算量,提高检测速度,将其结果用BinaryThreshold阈值进行二值化,则可得到缺陷形状。
●形态学操作
kirsch二值化后的结果图中仍会有很多的噪声点,这些噪声点会影响最终缺陷的标定,因此这里使用形态学操作,将噪声点去除,弱化噪声影响。
●ROI搜索、ROI合并和ROI筛选
ROI(Region of interest)为感兴趣的区域,即所需要的缺陷区域,这一步包括ROI搜索、ROI合并、ROI筛选三大步骤。搜索方法为对上一步的结果图进行连通域标记(此处并不是严格的连通域标记,搜索半径为3),标记完成后计算每一个区域的灰度平均值、方差、质心作为其简单特征;合并步骤为对每一个区域以质心为中心,ClusterX为横向半径,ClusterY为纵向半径进行搜索,如果在该范围内发现其他区域,首先利用灰度平均值和方差判断他们是否属于同一类,如果相似则将他们标定为一个区域并继续计算,否则按两个区域处理。合并完成后会得到许多候选区域,此时统计每一个候选区域内的缺陷像素数,如果该区域内缺陷像素数小于PixelsMin,则认为该区域无缺陷或缺陷太小,将该区域去除。最终留下的区域即为缺陷。其中,PixelsMin为缺陷区域的最小像素数,由于线材规格大小不同,针对不同规格的PixelsMin参数大小也不同。以目前主流的线材规格大小13mm-20mm为例,实验得出的13mm线材PixelsMin参数设定为110,14mm线材PixelsMin参数设定为120,以此类推。如果线材参数没有在规格里,则会自动找寻最邻近的参数使用。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种热态高速线材表面缺陷图像处理方法,其特征在于,包括以下步骤:
1)采集现场相机所拍摄的线材图像;
2)采用灰度梯度阈值搜索算法,对所拍摄的线材图像进行裁剪,完成线材图像上前景区域的界定,从而形成待检测区域;
3)使用光照均衡算法对待检测区域进行光补,以提高待检测区域的亮度;
4)使用高斯滤波算法对待检测区域进行加权平均处理,以降低待检测区域的噪音;
5)采用缺陷粗定位方法,对缺陷进行初步定位;
6)使用Kirsch算子检测缺陷,将检测结果用BinaryThreshold阈值进行二值化后,得到的缺陷形状图像使用形态学开操作消除缺陷的噪声点;
7)对粗定位的缺陷分别进行ROI搜索、ROI合并和ROI筛选,输出缺陷的类型、缺陷所在区域的左上角坐标、缺陷宽度、缺陷高度、缺陷形状和/或缺陷所占像素数指标,其中,缺陷形状是指点状、线状或面状。
2.根据权利要求1所述的一种热态高速线材表面缺陷图像处理方法,其特征在于,步骤2)的具体过程如下:
在得到采集的线材图像后,首先对该线材图像进行Sobel算子的X方向和Y方向卷积操作,得到Sobel结果图,获得线材图像横向及纵向的灰度差分近似值,通过得到的Sobel结果图,观察X、Y方向模板对X、Y方向的灰度敏感度,并将卷积结果进行二值化,得出较明显线材区域;
对Sobel结果图进行列投影,然后分别从线材左右两侧向线材中间搜索,其中,搜索的左右起始位置分别定于设定的阈值GrayScaleX处,该阈值GrayScaleX表示左右边界搜索时,左右跳过的像素数;当投影矩阵中出现突变,则到达线材边缘点,以边缘点为左右边缘处进行裁剪,得到待检测区域的左右边界,然后再寻找出待检测区域的上下边界,以此方式,完成线材图像上前景区域的界定,从而形成待检测区域;
其中,若待检测区域的宽度小于设定的阈值DropWidth,或高度小于设定的阈值DropHeight,则认为获得的该待检测区域无效并不做缺陷检测。
3.根据权利要求1所述的一种热态高速线材表面缺陷图像处理方法,其特征在于,步骤3)的具体过程如下:
首先,对待检测区域进行列投影,得到该列图像的灰度向量G:
接下来计算该列图像的平均灰度值
最后再计算该列图像的补偿系数K:
其中,k=i-9,i-8,...,i+9,并且i-9表示列投影得到的最小值所在的行,i+9表示列投影得到的最大值所在的行,i为大于等于10的整数;
接下来按列对采集到的线材图像中的每个像素值乘以补偿系数K进行补偿,以将每一列的灰度平均值补偿到128,从而待检测区域的亮度。
4.根据权利要求1所述的一种热态高速线材表面缺陷图像处理方法,其特征在于,步骤4)中,高斯滤波算法所使用的模板称为高斯核,核大小为GaussSize,GaussSize为设定的可配置参数,其值是一个非负奇数。
5.根据权利要求1所述的一种热态高速线材表面缺陷图像处理方法,其特征在于,步骤5)中,使用Sobel边缘检测算子,仅使用Sobel边缘检测算子的X方向和Y方向的卷积模板,并不对X方向和Y方向的卷积结果进行加权合并,滤波完成后对Sobel边缘检测算子的的Y方向根据高低阈值即阈值SyLowThreshold和阈值SyHighThreshold进行二值化,其中,SyLowThreshold和SyHighThreshold均为设定的可配置参数,从而分别得到图像YL和图像YH,对Sobel边缘检测算子的X方向根据阈值SxThreshold进行二值化,并用3×1的横向模板进行膨胀,得到膨胀图像XI;然后对图像YH进行膨胀操作,膨胀使用模板为1×5的纵向模板,然后与图像YL进行合并,合并过程为首先对YL求连通区域,然后该连通区域中如有任意一点对应YH有值,则保留该连通区域,否则删除该连通区域,由此得到YI,用YI减去XI以去除氧化铁皮带来的干扰,最后通过形态学开操作,去除孤立噪声点。
6.根据权利要求1所述的一种热态高速线材表面缺陷图像处理方法,其特征在于,步骤6)中,Kirsch边缘检测算子由8个卷积核组成,并且每两个卷积核之间的夹角为45度,待检测区域中的每个像素点都用这8个卷积核进行卷积运算,每个像素点与不同卷积核卷积运算的卷积结果给出了相应特定边缘方向的响应,从卷积结果中找出最大值,此最大值为经过各像素点的边缘幅度图像的输出值,这些输出值形成Kirsch算子结果图;
将Kirsch算子结果图用BinaryThreshold阈值进行二值化,得到二值化图,进而获得缺陷形状;
然后再使用形态学操作,将二值化图中的噪声点去除,以弱化噪声影响。
7.根据权利要求6所述的一种热态高速线材表面缺陷图像处理方法,其特征在于,步骤7)中,ROI搜索是对获得Kirsch二值化后的结果图进行连通域标记,即对搜索半径为3像素的相似像素进行搜索与标记,标记完成后计算每一个连通区域的灰度平均值、方差、质心作为连通区域的特征;ROI合并为对每一个连通区域以质心为中心,ClusterX为横向半径,ClusterY为纵向半径进行搜索,ClusterX和ClusterY均为设定的可配参数,如果在ClusterX和ClusterY范围内发现其他区域,首先利用灰度平均值和方差判断他们是否属于同一类,如果相似则将他们标定为同一个区域并继续计算,否则按两个区域处理,ROI合并完成后会得到许多候选区域;ROI筛选的过程为:统计每一个候选区域内的缺陷像素数,如果该候选区域内缺陷像素数小于PixelsMin,则认为该候选区域无缺陷或缺陷太小,将该候选区域去除,最终留下的候选区域即为缺陷区域;其中,PixelsMin为缺陷区域的最小像素数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458152.4A CN108629775B (zh) | 2018-05-14 | 2018-05-14 | 一种热态高速线材表面图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458152.4A CN108629775B (zh) | 2018-05-14 | 2018-05-14 | 一种热态高速线材表面图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629775A true CN108629775A (zh) | 2018-10-09 |
CN108629775B CN108629775B (zh) | 2021-08-03 |
Family
ID=63693154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458152.4A Active CN108629775B (zh) | 2018-05-14 | 2018-05-14 | 一种热态高速线材表面图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629775B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544552A (zh) * | 2018-12-06 | 2019-03-29 | 合刃科技(深圳)有限公司 | 一种光栅无损检测方法及系统 |
CN109584239A (zh) * | 2018-12-13 | 2019-04-05 | 华南理工大学 | 一种基于反射光的高光物体表面缺陷检测系统及方法 |
CN110910373A (zh) * | 2019-11-25 | 2020-03-24 | 西南交通大学 | 正交异性钢桥面板疲劳裂纹检测图像的识别方法 |
CN111047574A (zh) * | 2019-12-12 | 2020-04-21 | 韦士肯(厦门)智能科技有限公司 | 一种圆柱形工件的视觉检测缺陷识别方法 |
CN111062939A (zh) * | 2019-12-31 | 2020-04-24 | 上海大学 | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 |
CN111462053A (zh) * | 2020-03-18 | 2020-07-28 | 深圳科瑞技术股份有限公司 | 一种图像形态学处理方法和系统 |
CN112132135A (zh) * | 2020-08-27 | 2020-12-25 | 南京南瑞信息通信科技有限公司 | 一种基于图像处理的电网传输线检测方法、存储介质 |
CN112233067A (zh) * | 2020-09-21 | 2021-01-15 | 武汉钢铁有限公司 | 一种热轧钢卷端面质量检测方法及系统 |
CN112529882A (zh) * | 2020-12-16 | 2021-03-19 | 安徽圭目机器人有限公司 | 一种桥梁斜拉索缺陷识别方法 |
CN113012128A (zh) * | 2021-03-18 | 2021-06-22 | 长鑫存储技术有限公司 | 缺陷表征方法和装置 |
CN113436168A (zh) * | 2021-06-25 | 2021-09-24 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
CN113646801A (zh) * | 2020-02-27 | 2021-11-12 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
CN113989257A (zh) * | 2021-11-09 | 2022-01-28 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114359260A (zh) * | 2022-01-18 | 2022-04-15 | 成都理工大学 | 一种烟条表面的缺陷检测方法及装置 |
CN114677337A (zh) * | 2022-03-11 | 2022-06-28 | 常州市新创智能科技有限公司 | 一种碳纤维布面的油污检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655464A (zh) * | 2009-09-16 | 2010-02-24 | 重庆大学 | 高温连铸坯表面缺陷形态及深度在线无损检测方法 |
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 |
CN105069807A (zh) * | 2015-08-28 | 2015-11-18 | 西安工程大学 | 一种基于图像处理的冲压工件缺陷检测方法 |
US9896229B1 (en) * | 2013-08-29 | 2018-02-20 | Top Tier, Llc | Stretch wrapping apparatus and method |
-
2018
- 2018-05-14 CN CN201810458152.4A patent/CN108629775B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655464A (zh) * | 2009-09-16 | 2010-02-24 | 重庆大学 | 高温连铸坯表面缺陷形态及深度在线无损检测方法 |
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 |
US9896229B1 (en) * | 2013-08-29 | 2018-02-20 | Top Tier, Llc | Stretch wrapping apparatus and method |
CN105069807A (zh) * | 2015-08-28 | 2015-11-18 | 西安工程大学 | 一种基于图像处理的冲压工件缺陷检测方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544552A (zh) * | 2018-12-06 | 2019-03-29 | 合刃科技(深圳)有限公司 | 一种光栅无损检测方法及系统 |
CN109584239A (zh) * | 2018-12-13 | 2019-04-05 | 华南理工大学 | 一种基于反射光的高光物体表面缺陷检测系统及方法 |
CN109584239B (zh) * | 2018-12-13 | 2024-02-06 | 华南理工大学 | 一种基于反射光的高光物体表面缺陷检测系统及方法 |
CN110910373A (zh) * | 2019-11-25 | 2020-03-24 | 西南交通大学 | 正交异性钢桥面板疲劳裂纹检测图像的识别方法 |
CN110910373B (zh) * | 2019-11-25 | 2023-01-24 | 西南交通大学 | 正交异性钢桥面板疲劳裂纹检测图像的识别方法 |
CN111047574A (zh) * | 2019-12-12 | 2020-04-21 | 韦士肯(厦门)智能科技有限公司 | 一种圆柱形工件的视觉检测缺陷识别方法 |
CN111062939A (zh) * | 2019-12-31 | 2020-04-24 | 上海大学 | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 |
CN111062939B (zh) * | 2019-12-31 | 2023-08-15 | 上海大学 | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 |
CN113646801B (zh) * | 2020-02-27 | 2024-04-02 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
CN113646801A (zh) * | 2020-02-27 | 2021-11-12 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
CN111462053A (zh) * | 2020-03-18 | 2020-07-28 | 深圳科瑞技术股份有限公司 | 一种图像形态学处理方法和系统 |
CN112132135A (zh) * | 2020-08-27 | 2020-12-25 | 南京南瑞信息通信科技有限公司 | 一种基于图像处理的电网传输线检测方法、存储介质 |
CN112132135B (zh) * | 2020-08-27 | 2023-11-28 | 南京南瑞信息通信科技有限公司 | 一种基于图像处理的电网传输线检测方法、存储介质 |
CN112233067A (zh) * | 2020-09-21 | 2021-01-15 | 武汉钢铁有限公司 | 一种热轧钢卷端面质量检测方法及系统 |
CN112529882A (zh) * | 2020-12-16 | 2021-03-19 | 安徽圭目机器人有限公司 | 一种桥梁斜拉索缺陷识别方法 |
CN113012128A (zh) * | 2021-03-18 | 2021-06-22 | 长鑫存储技术有限公司 | 缺陷表征方法和装置 |
CN113436168A (zh) * | 2021-06-25 | 2021-09-24 | 重庆邮电大学 | 一种用于工业焊缝x光图中的裂纹缺陷检测方法 |
CN114140679B (zh) * | 2021-10-26 | 2022-07-01 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN113989257A (zh) * | 2021-11-09 | 2022-01-28 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN114359260B (zh) * | 2022-01-18 | 2023-11-03 | 成都理工大学 | 一种烟条表面的缺陷检测方法及装置 |
CN114359260A (zh) * | 2022-01-18 | 2022-04-15 | 成都理工大学 | 一种烟条表面的缺陷检测方法及装置 |
CN114677337A (zh) * | 2022-03-11 | 2022-06-28 | 常州市新创智能科技有限公司 | 一种碳纤维布面的油污检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108629775B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629775A (zh) | 一种热态高速线材表面图像处理方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN113240626B (zh) | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 | |
CN108648168A (zh) | Ic晶圆表面缺陷检测方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN107590496A (zh) | 复杂背景下红外小目标的关联检测方法 | |
CN116843688A (zh) | 一种纺织品质量视觉检测方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
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 | |
Chen et al. | Evaluating fabric pilling with light-projected image analysis | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN116129365B (zh) | 输送设备上颗粒物料的检测方法和系统 | |
KR101009575B1 (ko) | 영상 처리를 통한 롤 또는 쉬트 형태로 연속 생산되는 물품의 결함영상 분류방법 | |
CN114677352A (zh) | 一种基于统计种子块的病斑烟叶检测方法 | |
Niu et al. | Application of CEM algorithm in the field of tunnel crack identification |
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 |