CN109949292A - 一种带钢表面缺陷的检测方法及装置 - Google Patents
一种带钢表面缺陷的检测方法及装置 Download PDFInfo
- Publication number
- CN109949292A CN109949292A CN201910212872.7A CN201910212872A CN109949292A CN 109949292 A CN109949292 A CN 109949292A CN 201910212872 A CN201910212872 A CN 201910212872A CN 109949292 A CN109949292 A CN 109949292A
- Authority
- CN
- China
- Prior art keywords
- image
- optimization
- result
- detection
- defect
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 131
- 239000010959 steel Substances 0.000 title claims abstract description 131
- 230000007547 defect Effects 0.000 title claims abstract description 124
- 238000001514 detection method Methods 0.000 title claims abstract description 118
- 238000005457 optimization Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000009499 grossing Methods 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 238000003708 edge detection Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 206010058109 Hangnail Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910052752 metalloid Inorganic materials 0.000 description 1
- 150000002738 metalloids Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种带钢表面缺陷的检测方法,包括:获取带钢表面的图像,并采用高斯平滑方法确定图像的背景,得到背景估计结果;将背景估计结果与图像最大灰度值的比值确定为优化权值,并利用优化权值优化图像中的每个像素点,得到优化图像;对优化图像进行多尺度灰度拉伸,得到图像的修正图像;将修正图像输入机器视觉检测模型,输出带钢表面的缺陷检测结果。该方法能够提高图像对于边缘检测的响应值,使图像中带钢的缺陷更明显的展示出来,因此将修正后的图像输入机器视觉检测模型,能够提高检测结果的准确性。相应地,本发明公开的一种带钢表面缺陷的检测装置、设备及可读存储介质,也同样具有上述技术效果。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,涉及一种带钢表面缺陷的检测方法、装置、设备及可读存储介质。
背景技术
带钢是各类轧钢企业为了适应不同工业部门工业化生产各类金属或机械产品的需要而生产的一种窄而长的钢板。带钢又称钢带,宽度在1300mm以内,长度根据每卷的大小略有不同。带钢因为不同的制造工艺分为冷轧带钢和热轧带钢。
其中,带钢表面质量的好坏是带钢的一项重要指标,为了确定带钢表面的质量是否合格,就需要对带钢表面的图像进行检测评估。一般地,可以利用机器视觉模型对带钢表面的图像进行识别,以识别出带钢表面存在的缺陷。带钢表面的缺陷种类包括:气泡、裂纹、结疤或结瘤、拉裂、折叠、分层、黑膜或黑带、乳化液斑点、倒刺或毛刺等。
在现有的检测技术中,一般利用机器视觉模型直接对拍摄到的带钢表面图像进行识别。但是,由于带钢制造工艺本身的特殊性和拍摄带钢表面图像时的不确定性,使得拍摄到的带钢表面图像的灰度往往不均匀,且带钢表面的缺陷一般都异常细小,因此将灰度不均的图像输入机器视觉模型会导致机器视觉模型提取到的缺陷特征模糊,从而会直接降低带钢表面的缺陷检测结果的准确性。
因此,如何提高带钢表面的缺陷检测结果的准确性,是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种带钢表面缺陷的检测方法、装置、设备及可读存储介质,以提高带钢表面的缺陷检测结果的准确性。
为实现上述目的,本发明实施例提供了如下技术方案:
一种带钢表面缺陷的检测方法,包括:
获取带钢表面的图像,并采用高斯平滑方法确定所述图像的背景,得到背景估计结果;
将所述背景估计结果与图像最大灰度值的比值确定为优化权值,并利用所述优化权值优化所述图像中的每个像素点,得到优化图像;
对所述优化图像进行多尺度灰度拉伸,得到所述图像的修正图像;
将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果。
其中,所述采用高斯平滑方法确定所述图像的背景,包括:
采用高斯平滑方法确定不同尺寸的背景估计模板;
利用所述不同尺寸的背景估计模板确定所述图像的背景。
其中,所述采用高斯平滑方法确定不同尺寸的背景估计模板,包括:
采用高斯平滑方法确定与所述图像尺寸相同的背景估计模板,与带钢尺寸相同的背景估计模板和与带钢表面缺陷尺寸相同的背景估计模板。
其中,所述对所述优化图像进行多尺度灰度拉伸,包括:
对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸。
其中,所述对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸,包括:
利用预设权值修正所述优化图像的灰度,得到第一修正结果;
按照灰度拉伸公式对所述第一修正结果进行灰度拉伸,得到第二修正结果,所述灰度拉伸公式为:
其中,L(x,y)表示所述第二修正结果,f(x,y)表示所述第一修正结果,m表示所述第一修正结果的像素点的最小灰度值,n表示所述第一修正结果的像素点的最小灰度值;
对所述第二修正结果进行不同尺寸的拉伸,并将不同尺寸的拉伸结果进行融合,得到所述修正图像。
其中,所述将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果,包括:
利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征,对提取到的缺陷特征进行分类决策,得到所述带钢表面的缺陷检测结果。
其中,所述利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征,对提取到的缺陷特征进行分类决策,得到所述带钢表面的缺陷检测结果之后,还包括:
将所述带钢表面的缺陷检测结果进行可视化展示。
一种带钢表面缺陷的检测装置,包括:
获取模块,用于获取带钢表面的图像,并采用高斯平滑方法确定所述图像的背景,得到背景估计结果;
优化模块,用于将所述背景估计结果与图像最大灰度值的比值确定为优化权值,并利用所述优化权值优化所述图像中的每个像素点,得到优化图像;
修正模块,用于对所述优化图像进行多尺度灰度拉伸,得到所述图像的修正图像;
检测模块,用于将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果。
一种带钢表面缺陷的检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任意一项所述的带钢表面缺陷的检测方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的带钢表面缺陷的检测方法的步骤。
通过以上方案可知,本发明实施例提供的一种带钢表面缺陷的检测方法,包括:获取带钢表面的图像,并采用高斯平滑方法确定所述图像的背景,得到背景估计结果;将所述背景估计结果与图像最大灰度值的比值确定为优化权值,并利用所述优化权值优化所述图像中的每个像素点,得到优化图像;对所述优化图像进行多尺度灰度拉伸,得到所述图像的修正图像;将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果。
可见,所述方法在利用机器视觉检测模型检测带钢表面的缺陷之前,对获取到的带钢表面的图像进行了修正。具体的,首先采用高斯平滑方法确定图像的真实背景,以滤除图像中的背景对图像中的带钢的影响;进而优化图像中的各个像素点,并对优化后的图像进行多尺度灰度拉伸,以拉大图像中不同像素点的灰度值梯度。具有较大灰度值梯度的图像对边缘检测的响应值更高,能够使图像中带钢的缺陷更明显的展示出来,因此修正后的图像更便于机器视觉检测模型对图像中带钢的缺陷进行检测识别,能够提高检测结果的准确性。
相应地,本发明实施例提供的一种带钢表面缺陷的检测装置、设备及可读存储介质,也同样具有上述技术效果。
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,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地介绍,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他的附图。
图1为本发明实施例公开的一种带钢表面缺陷的检测方法流程图;
图2为本发明实施例公开的另一种带钢表面缺陷的检测方法流程图;
图3为本发明实施例公开的一种带钢表面缺陷的检测装置示意图;
图4为本发明实施例公开的一种带钢表面缺陷的检测设备示意图;
图5为本发明实施例公开的一种原始带钢表面图像的灰度均匀性示意图;
图6为对图5所示的原始带钢表面图像进行修正后得到的修正图像的灰度均匀性示意图;
图7为对图6进行边缘检测得到的效果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种带钢表面缺陷的检测方法、装置、设备及可读存储介质,以提高带钢表面的缺陷检测结果的准确性。
参见图1,本发明实施例提供的一种带钢表面缺陷的检测方法,包括:
S101、获取带钢表面的图像,并采用高斯平滑方法确定图像的背景,得到背景估计结果;
具体的,获取带钢表面的图像的工具一般为CCD工业相机,该相机拍摄速度快,能够较好地抓取带钢表面的细节。高斯平滑即“低通滤波”,对一个图像针对色差进行研究,色差比较大的地方,便是高频信号较强的地方,色差越大,高频信号越强。因此基于高斯平滑方法可以分辨出图像中的背景和带钢,以确定图像背景,消除图像背景对图像中目标(即带钢)的干扰。
S102、将背景估计结果与图像最大灰度值的比值确定为优化权值,并利用优化权值优化图像中的每个像素点,得到优化图像;
一般地,图像灰度值的区间为0-255,此处图像最大灰度值取值255。背景估计结果即为对带钢表面的图像进行背景估计后,滤除图像背景的图像,将滤除图像背景的图像中的每个像素点的灰度值与图像最大灰度值255的比值确定为每个像素的优化权值,并利用优化权值优化滤除图像背景的图像中的每个像素点。
例如:若滤除图像背景的图像包括三个像素点A、B,C,其灰度值分别为50,60,70,修正目标值T为128,那么A对应的优化权值为128/50,B对应的优化权值为128/60,C对应的优化权值为128/70;利用优化权值优化滤除图像背景的图像中的每个像素点,优化后的A的灰度值即为:50×128/50,优化后的B的灰度值即为:60×128/60,优化后的C的灰度值即为:70*128/70。
理想状态下,优化图像的灰度值为图像最大灰度值255的一半。
S103、对优化图像进行多尺度灰度拉伸,得到图像的修正图像;
S104、将修正图像输入机器视觉检测模型,输出带钢表面的缺陷检测结果。
具体的,机器视觉检测模型的主要作用为:提取图像中带钢表面缺陷的特征,并将这些特征进行分类,从而输出带钢表面的缺陷检测结果。具体的,缺陷检测结果具体包括:带钢表面存在的缺陷的种类、位置等。
可见,本实施例提供了一种带钢表面缺陷的检测方法,所述方法在利用机器视觉检测模型检测带钢表面的缺陷之前,对获取到的带钢表面的图像进行了修正。具体的,首先采用高斯平滑方法确定图像的真实背景,以滤除图像中的背景对图像中的带钢的影响;进而优化图像中的各个像素点,并对优化后的图像进行多尺度灰度拉伸,以拉大图像中不同像素点的灰度值梯度。具有较大灰度值梯度的图像对边缘检测的响应值更高,能够使图像中带钢的缺陷更明显的展示出来,因此修正后的图像更便于机器视觉检测模型对图像中带钢的缺陷进行检测识别,能够提高检测结果的准确性。
本发明实施例公开了另一种带钢表面缺陷的检测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。
参见图2,本发明实施例提供的另一种带钢表面缺陷的检测方法,包括:
S201、获取带钢表面的图像;
S202、采用高斯平滑方法确定不同尺寸的背景估计模板;
S203、利用不同尺寸的背景估计模板确定图像的背景,得到背景估计结果;
其中,采用高斯平滑方法确定不同尺寸的背景估计模板,包括:采用高斯平滑方法确定与图像尺寸相同的背景估计模板,与带钢尺寸相同的背景估计模板和与带钢表面缺陷尺寸相同的背景估计模板。
具体的,若用三种背景估计模板G1(m,n),G2(m,n),G3(m,n)来估计图像背景,其中,G1(m,n)为与原图像尺寸相同的背景估计模板,G2(m,n)为与带钢尺寸相同的背景估计模板,G3(m,n)为与带钢表面缺陷尺寸相同的背景估计模板,用g(x,y)表示原图,用F(x,y)背景估计结果,那么:
F(x,y)=K1×g(x,y)**G1(x,y)+K2×g(x,y)**G2(x,y)+K3×g(x,y)**G3(x,y)
其中,K1、K2和K3均为滤波参数,K1+K2+K3=1,“**”表示矩阵卷积。
需要说明的是,背景估计模板的尺寸还可以根据实际应用进行灵活调整。
S204、将背景估计结果与图像最大灰度值的比值确定为优化权值,并利用优化权值优化图像中的每个像素点,得到优化图像;
S205、对优化图像进行多尺度灰度拉伸,得到图像的修正图像;
S206、将修正图像输入机器视觉检测模型,输出带钢表面的缺陷检测结果。
可见,本实施例提供了一种带钢表面缺陷的检测方法,所述方法在利用机器视觉检测模型检测带钢表面的缺陷之前,对获取到的带钢表面的图像进行了修正。具体的,首先采用高斯平滑方法确定图像的真实背景,以滤除图像中的背景对图像中的带钢的影响;进而优化图像中的各个像素点,并对优化后的图像进行多尺度灰度拉伸,以拉大图像中不同像素点的灰度值梯度。具有较大灰度值梯度的图像对边缘检测的响应值更高,能够使图像中带钢的缺陷更明显的展示出来,因此修正后的图像更便于机器视觉检测模型对图像中带钢的缺陷进行检测识别,能够提高检测结果的准确性。
基于上述任意实施例,需要说明的是,对优化图像进行多尺度灰度拉伸,得到图像的修正图像,包括:对优化图像进行灰度修正、灰度拉伸和多尺度拉伸。
其中,对优化图像进行灰度修正、灰度拉伸和多尺度拉伸,包括:
利用预设权值修正优化图像的灰度,得到第一修正结果;
按照灰度拉伸公式对第一修正结果进行灰度拉伸,得到第二修正结果,灰度拉伸公式为:
其中,L(x,y)表示第二修正结果,f(x,y)表示第一修正结果,m表示第一修正结果的像素点的最小灰度值,n表示第一修正结果的像素点的最小灰度值;(x,y)表示某个像素点;
对第二修正结果进行不同尺寸的拉伸,并将不同尺寸的拉伸结果进行融合,得到修正图像。
其中,预设权值为优化图像与背景估计结果的比值。具体的,利用预设权值修正优化图像的灰度,即为:使优化图像中的每个像素点乘以预设权值,而后得到的结果即为第一修正结果,用公式表示为:
Ad1(x,y)=D(x,y)×F(x,y)
其中,Ad1(x,y)表示第一修正结果中的某个像素点,D(x,y)表示预设权值,F(x,y)表示优化图像中的某个像素点。
对第二修正结果进行不同尺寸的拉伸,并将不同尺寸的拉伸结果进行融合,得到修正图像,包括:
若对第二修正结果进行三种尺度的拉伸,这三种尺度的拉伸结果分别用L1(x,y),L2(x,y),L3(x,y)表示,修正图像用P(x,y)表示,那么:
P(x,y)=t1×L1(x,y)+t2×L2(x,y)+t3×L3(x,y)
其中,t1,t2,t3均为拉伸系数,t1+t2+t3=1。
对优化图像进行多尺度灰度拉伸,能够拉大图像中不同像素点的灰度值梯度,因此多尺度灰度拉伸后的修正图像具有较大灰度值梯度,其对边缘检测的响应值更高,能够使图像中带钢的缺陷更明显的展示出来。
基于上述任意实施例,需要说明的是,所述将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果,包括:
利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征,对提取到的缺陷特征进行分类决策,得到所述带钢表面的缺陷检测结果。
其中,所述利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征,对提取到的缺陷特征进行分类决策,得到所述带钢表面的缺陷检测结果之后,还包括:
将所述带钢表面的缺陷检测结果进行可视化展示。
基于上述任意实施例,需要说明的是,本发明对于带钢表面的图像进行修正的步骤包括:背景估计、像素优化和多尺度灰度拉伸。在实际检测过程中,可以将本发明对于带钢表面的图像进行修正的步骤置于机器视觉检测模型的输入模块中,以设计形成新的机器视觉检测模型。
具体的,机器视觉检测模型一般包括:输入模块,特征提取模块、特征分类模块,输出模块。其中:
输入模块,用于获取带钢表面的图像;
特征提取模块,用于提取图像中的带钢的缺陷特征;
特征分类模块,用于对提取到的缺陷特征进行分类识别;
输出模块,用于输出缺陷特征的分类识别结果。
其中,若将本发明对于带钢表面的图像进行修正的步骤置于机器视觉检测模型的输入模块中,则输入模块包括:获取单元和优化单元,获取单元用于获取带钢表面的图像;优化单元用于对带钢表面的图像进行背景估计、像素优化和多尺度灰度拉伸,以得到修正图像。而后将修正图像输入特征提取模块,进行缺陷特征的提取。
下面对本发明实施例提供的一种带钢表面缺陷的检测装置进行介绍,下文描述的一种带钢表面缺陷的检测装置与上文描述的一种带钢表面缺陷的检测方法可以相互参照。
参见图3,本发明实施例提供的一种带钢表面缺陷的检测装置,包括:
获取模块301,用于获取带钢表面的图像,并采用高斯平滑方法确定所述图像的背景,得到背景估计结果;
优化模块302,用于将所述背景估计结果与图像最大灰度值的比值确定为优化权值,并利用所述优化权值优化所述图像中的每个像素点,得到优化图像;
修正模块303,用于对所述优化图像进行多尺度灰度拉伸,得到所述图像的修正图像;
检测模块304,用于将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果。
其中,所述获取模块包括:
确定单元,用于采用高斯平滑方法确定不同尺寸的背景估计模板;
估计单元,用于利用所述不同尺寸的背景估计模板确定所述图像的背景。
其中,所述确定单元具体用于:
采用高斯平滑方法确定与所述图像尺寸相同的背景估计模板,与带钢尺寸相同的背景估计模板和与带钢表面缺陷尺寸相同的背景估计模板。
其中,所述修正模块具体用于:
对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸。
其中,所述修正模块包括:
第一修正单元,用于利用预设权值修正所述优化图像的灰度,得到第一修正结果;
第二修正单元,用于按照灰度拉伸公式对所述第一修正结果进行灰度拉伸,得到第二修正结果,所述灰度拉伸公式为:
其中,L(x,y)表示所述第二修正结果,f(x,y)表示所述第一修正结果,m表示所述第一修正结果的像素点的最小灰度值,n表示所述第一修正结果的像素点的最小灰度值;
第三修正单元,用于对所述第二修正结果进行不同尺寸的拉伸,并将不同尺寸的拉伸结果进行融合,得到所述修正图像。
其中,所述检测模块具体用于:
利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征,对提取到的缺陷特征进行分类决策,得到所述带钢表面的缺陷检测结果。
其中,还包括:
展示模块,用于将所述带钢表面的缺陷检测结果进行可视化展示。
可见,本实施例提供了一种带钢表面缺陷的检测装置,包括:获取模块、优化模块、修正模块以及检测模块。首先由获取模块获取带钢表面的图像,并采用高斯平滑方法确定所述图像的背景,得到背景估计结果;然后优化模块将所述背景估计结果与图像最大灰度值的比值确定为优化权值,并利用所述优化权值优化所述图像中的每个像素点,得到优化图像;进而修正模块对所述优化图像进行多尺度灰度拉伸,得到所述图像的修正图像;最后检测模块将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果。如此各个模块之间分工合作,各司其职,从而提高了带钢表面的缺陷检测结果的准确性。
下面对本发明实施例提供的一种带钢表面缺陷的检测设备进行介绍,下文描述的一种带钢表面缺陷的检测设备与上文描述的一种带钢表面缺陷的检测方法及装置可以相互参照。
参见图4,本发明实施例提供的一种带钢表面缺陷的检测设备,包括:
存储器401,用于存储计算机程序;
处理器402,用于执行所述计算机程序时实现上述任意实施例所述的带钢表面缺陷的检测方法的步骤。
下面对本发明实施例提供的一种可读存储介质进行介绍,下文描述的一种可读存储介质与上文描述的一种带钢表面缺陷的检测方法、装置及设备可以相互参照。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意实施例所述的带钢表面缺陷的检测方法的步骤。
图5为本发明公开的一种原始带钢表面图像的灰度均匀性示意图,图6为对图5所示的原始带钢表面图像进行修正后得到的修正图像的灰度均匀性示意图。对比图5和图6可以看出,在利用机器视觉检测模型检测带钢表面的缺陷之前,对获取到的带钢表面的图像进行修正,得到的修正图像能够更清晰地展示图像中的缺陷特征,为带钢表面缺陷的检测提供了便利。
图7为对图6进行边缘检测的效果示意图,从图7可以看出,对修正图像进行边缘检测的效果更清晰,图像中不同像素点之间的差异更明显。而对原始带钢表面图像进行边缘检测得到的效果图,基本看不出不同像素点之间的差异。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种带钢表面缺陷的检测方法,其特征在于,包括:
获取带钢表面的图像,并采用高斯平滑方法确定所述图像的背景,得到背景估计结果;
将所述背景估计结果与图像最大灰度值的比值确定为优化权值,并利用所述优化权值优化所述图像中的每个像素点,得到优化图像;
对所述优化图像进行多尺度灰度拉伸,得到所述图像的修正图像;
将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果。
2.根据权利要求1所述的带钢表面缺陷的检测方法,其特征在于,所述采用高斯平滑方法确定所述图像的背景,包括:
采用高斯平滑方法确定不同尺寸的背景估计模板;
利用所述不同尺寸的背景估计模板确定所述图像的背景。
3.根据权利要求2所述的带钢表面缺陷的检测方法,其特征在于,所述采用高斯平滑方法确定不同尺寸的背景估计模板,包括:
采用高斯平滑方法确定与所述图像尺寸相同的背景估计模板,与带钢尺寸相同的背景估计模板和与带钢表面缺陷尺寸相同的背景估计模板。
4.根据权利要求2所述的带钢表面缺陷的检测方法,其特征在于,所述对所述优化图像进行多尺度灰度拉伸,包括:
对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸。
5.根据权利要求4所述的带钢表面缺陷的检测方法,其特征在于,所述对所述优化图像进行灰度修正、灰度拉伸和多尺度拉伸,包括:
利用预设权值修正所述优化图像的灰度,得到第一修正结果;
按照灰度拉伸公式对所述第一修正结果进行灰度拉伸,得到第二修正结果,所述灰度拉伸公式为:
其中,L(x,y)表示所述第二修正结果,f(x,y)表示所述第一修正结果,m表示所述第一修正结果的像素点的最小灰度值,n表示所述第一修正结果的像素点的最小灰度值;
对所述第二修正结果进行不同尺寸的拉伸,并将不同尺寸的拉伸结果进行融合,得到所述修正图像。
6.根据权利要求1-5任意一项所述的带钢表面缺陷的检测方法,其特征在于,所述将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果,包括:
利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征,对提取到的缺陷特征进行分类决策,得到所述带钢表面的缺陷检测结果。
7.根据权利要求6所述的带钢表面缺陷的检测方法,其特征在于,所述利用所述机器视觉检测模型对所述修正图像中的缺陷进行定位并提取缺陷特征,对提取到的缺陷特征进行分类决策,得到所述带钢表面的缺陷检测结果之后,还包括:
将所述带钢表面的缺陷检测结果进行可视化展示。
8.一种带钢表面缺陷的检测装置,其特征在于,包括:
获取模块,用于获取带钢表面的图像,并采用高斯平滑方法确定所述图像的背景,得到背景估计结果;
优化模块,用于将所述背景估计结果与图像最大灰度值的比值确定为优化权值,并利用所述优化权值优化所述图像中的每个像素点,得到优化图像;
修正模块,用于对所述优化图像进行多尺度灰度拉伸,得到所述图像的修正图像;
检测模块,用于将所述修正图像输入机器视觉检测模型,输出所述带钢表面的缺陷检测结果。
9.一种带钢表面缺陷的检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-7任意一项所述的带钢表面缺陷的检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的带钢表面缺陷的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212872.7A CN109949292B (zh) | 2019-03-20 | 2019-03-20 | 一种带钢表面缺陷的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212872.7A CN109949292B (zh) | 2019-03-20 | 2019-03-20 | 一种带钢表面缺陷的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949292A true CN109949292A (zh) | 2019-06-28 |
CN109949292B CN109949292B (zh) | 2023-11-14 |
Family
ID=67010316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910212872.7A Active CN109949292B (zh) | 2019-03-20 | 2019-03-20 | 一种带钢表面缺陷的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949292B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862711A (zh) * | 2021-01-29 | 2021-05-28 | 山东建筑大学 | 一种图像的灰度值校正方法及装置 |
CN113465497A (zh) * | 2020-03-31 | 2021-10-01 | 宝山钢铁股份有限公司 | 一种克服水雾干扰的热轧带钢运动位置在线检测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007062563A1 (fr) * | 2005-12-01 | 2007-06-07 | Bohai Shipbuilding Industry Co., Ltd. | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier |
US20100310179A1 (en) * | 2008-01-17 | 2010-12-09 | Superfish Ltd. | Multi-Scale Representation of An Out of Focus Image |
US20130129188A1 (en) * | 2011-11-18 | 2013-05-23 | Sharp Laboratories Of America, Inc. | Electronic devices for defect detection |
CN103123688A (zh) * | 2012-12-30 | 2013-05-29 | 信帧电子技术(北京)有限公司 | 车标识别方法及装置 |
US20130322754A1 (en) * | 2012-05-30 | 2013-12-05 | Samsung Techwin Co., Ltd. | Apparatus and method for extracting target, and recording medium storing program for performing the method |
CN103440644A (zh) * | 2013-08-08 | 2013-12-11 | 中山大学 | 一种基于最小描述长度的多尺度图像弱边缘检测方法 |
CN104134211A (zh) * | 2014-07-23 | 2014-11-05 | 西安工程大学 | 一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法 |
CN105447838A (zh) * | 2014-08-27 | 2016-03-30 | 北京计算机技术及应用研究所 | 一种红外与微光/可见光融合成像的方法及系统 |
KR20170028686A (ko) * | 2015-09-04 | 2017-03-14 | 영남대학교 산학협력단 | 이동 객체 검출 장치 및 방법 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107194882A (zh) * | 2017-03-29 | 2017-09-22 | 南京工程学院 | 一种钢丝绳芯输送带x光图像矫正与增强的方法 |
CN107742276A (zh) * | 2017-03-27 | 2018-02-27 | 苏州星宇测绘科技有限公司 | 一种基于无人机遥感图像机载一体化快速处理系统和方法 |
WO2018086289A1 (zh) * | 2016-11-10 | 2018-05-17 | 武汉精测电子集团股份有限公司 | 显示面板自动光学检测中的背景抑制方法及检测装置 |
CN108889635A (zh) * | 2018-07-17 | 2018-11-27 | 龙口味美思环保科技有限公司 | 一种易拉罐制造缺陷在线视觉检测方法 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
-
2019
- 2019-03-20 CN CN201910212872.7A patent/CN109949292B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007062563A1 (fr) * | 2005-12-01 | 2007-06-07 | Bohai Shipbuilding Industry Co., Ltd. | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier |
US20100310179A1 (en) * | 2008-01-17 | 2010-12-09 | Superfish Ltd. | Multi-Scale Representation of An Out of Focus Image |
US20130129188A1 (en) * | 2011-11-18 | 2013-05-23 | Sharp Laboratories Of America, Inc. | Electronic devices for defect detection |
US20130322754A1 (en) * | 2012-05-30 | 2013-12-05 | Samsung Techwin Co., Ltd. | Apparatus and method for extracting target, and recording medium storing program for performing the method |
CN103123688A (zh) * | 2012-12-30 | 2013-05-29 | 信帧电子技术(北京)有限公司 | 车标识别方法及装置 |
CN103440644A (zh) * | 2013-08-08 | 2013-12-11 | 中山大学 | 一种基于最小描述长度的多尺度图像弱边缘检测方法 |
CN104134211A (zh) * | 2014-07-23 | 2014-11-05 | 西安工程大学 | 一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法 |
CN105447838A (zh) * | 2014-08-27 | 2016-03-30 | 北京计算机技术及应用研究所 | 一种红外与微光/可见光融合成像的方法及系统 |
KR20170028686A (ko) * | 2015-09-04 | 2017-03-14 | 영남대학교 산학협력단 | 이동 객체 검출 장치 및 방법 |
WO2018086289A1 (zh) * | 2016-11-10 | 2018-05-17 | 武汉精测电子集团股份有限公司 | 显示面板自动光学检测中的背景抑制方法及检测装置 |
CN107742276A (zh) * | 2017-03-27 | 2018-02-27 | 苏州星宇测绘科技有限公司 | 一种基于无人机遥感图像机载一体化快速处理系统和方法 |
CN107194882A (zh) * | 2017-03-29 | 2017-09-22 | 南京工程学院 | 一种钢丝绳芯输送带x光图像矫正与增强的方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN108889635A (zh) * | 2018-07-17 | 2018-11-27 | 龙口味美思环保科技有限公司 | 一种易拉罐制造缺陷在线视觉检测方法 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
Non-Patent Citations (9)
Title |
---|
YUFEI ZHA ET AL.: "Learning complex background by multi-scale discriminative model", 《PATTERN RECOGNITION LETTERS》, vol. 30, no. 11, pages 1003 - 1014, XP026223492, DOI: 10.1016/j.patrec.2009.05.005 * |
刘辉等: "改进的多尺度Retinex红外图像增强算法", 《计算机技术与发展》, vol. 21, no. 4, pages 105 - 107 * |
姚芳等: "基于Mask原理的改进匀光算法研究", 《遥感信息》 * |
姚芳等: "基于Mask原理的改进匀光算法研究", 《遥感信息》, vol. 28, no. 3, 30 June 2013 (2013-06-30), pages 8 - 13 * |
杨帆等: "《精通图像处理经典算法 MATLAB版 第2版》", 31 March 2018, 北京航空航天大学出版社, pages: 66 - 68 * |
杨成立等: "基于非下采样Shearlet 变换的磁瓦表面裂纹检测", 《农业机械学报》, vol. 48, no. 3, pages 405 - 412 * |
程燕等: "《生命科学实验仪器设备与使用》", 科学技术文献出版社, pages: 166 - 167 * |
童思维: "带钢表面低对比度弱小缺陷检测的图像处理方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 06, 15 June 2017 (2017-06-15), pages 33 - 39 * |
赵洁等: "高斯滤波算法在缺陷视觉检测中的应用研究", 《宁波工程学院学报》, vol. 26, no. 4, pages 7 - 11 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113465497A (zh) * | 2020-03-31 | 2021-10-01 | 宝山钢铁股份有限公司 | 一种克服水雾干扰的热轧带钢运动位置在线检测方法 |
CN112862711A (zh) * | 2021-01-29 | 2021-05-28 | 山东建筑大学 | 一种图像的灰度值校正方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109949292B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108181319B (zh) | 一种基于立体视觉的积尘检测装置及方法 | |
CN105865329B (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
CN110458772B (zh) | 一种基于图像处理的点云滤波方法、装置和存储介质 | |
CN107918216A (zh) | 图像Mura缺陷评估方法、系统以及可读存储介质 | |
CN109949292A (zh) | 一种带钢表面缺陷的检测方法及装置 | |
CN112991374B (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN101246593A (zh) | 一种彩色图像边缘检测方法及设备 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
CN111062934A (zh) | 一种织物图像缺陷实时检测方法 | |
CN107358638A (zh) | 视差图计算方法和装置、电子设备、计算机存储介质 | |
CN110225335B (zh) | 相机稳定性评估方法及装置 | |
CN109920010A (zh) | 一种对多相机视觉检测设备进行标定的方法 | |
CN116573366B (zh) | 基于视觉的皮带跑偏检测方法、系统、设备及存储介质 | |
CN116880353A (zh) | 一种基于两点间隙的机床对刀方法 | |
CN113780263B (zh) | 一种压力报警器仪表定位和识别读数方法及装置 | |
CN106971386A (zh) | 判断图像完整度及页面加载度的方法、装置和客户端设备 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
CN115423768A (zh) | 一种镜片尺寸测量方法、系统、存储介质及智能终端 | |
CN114494431A (zh) | 一种梁体外形外观照相检测系统及方法 | |
CN115131336A (zh) | 一种显示屏四色背景画面下的暗线缺陷检测方法 | |
CN107493471A (zh) | 一种视频传输质量的计算方法和装置 | |
CN107389677B (zh) | 一种绒布绒毛品质的检测方法及其装置 | |
CN112329845A (zh) | 更换纸币的方法、装置、终端设备及计算机可读存储介质 | |
CN110796611B (zh) | 一种阴影和自由曲面的图像补正方法及其图像补正装置 |
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 |