CN111028215A - 一种基于机器视觉的检测钢卷端面缺陷方法 - Google Patents
一种基于机器视觉的检测钢卷端面缺陷方法 Download PDFInfo
- Publication number
- CN111028215A CN111028215A CN201911246415.6A CN201911246415A CN111028215A CN 111028215 A CN111028215 A CN 111028215A CN 201911246415 A CN201911246415 A CN 201911246415A CN 111028215 A CN111028215 A CN 111028215A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- algorithm
- defective
- threshold
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 30
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 28
- 239000010959 steel Substances 0.000 title claims abstract description 28
- 230000002950 deficient Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 17
- DEYFWGXTPWNADC-UHFFFAOYSA-N 6-[2-phenylethyl(propyl)amino]-5,6,7,8-tetrahydronaphthalen-1-ol Chemical compound C1CC2=C(O)C=CC=C2CC1N(CCC)CCC1=CC=CC=C1 DEYFWGXTPWNADC-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 7
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012770 industrial material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的理论技术,提出一种双阈值方法检测钢卷端面缺陷,能快速、准确地检测钢卷端面的缺陷区域。这种方法具有效率高、成本低、自动化等优点,主要包括以下步骤:用Canny算法和较大阈值的PPHT算法,消除背景图像块,对前景图像块进行仿射变换;利用高斯滤波器进行图像处理,增强提取的前景图像块;用Canny算法和较小阈值的PPHT算法,限制结果的角度阈值,提取潜在缺陷区域;利用数字图像的投影积分,提取潜在缺陷区域的图像特征;使用支持向量机,对有缺陷的图像块和误判的无缺陷图像块进行分类,检测结束。本发明能去除非缺陷区域,减少数据处理量,提高检测速度并准确地检测出钢圈端面缺陷区域。
Description
技术领域
本发明涉及表面缺陷检测领域,具体涉及一种基于机器视觉的检测钢卷端面缺陷方法。
技术背景
随着科学技术和工业制造地巨大进步,钢铁已经成为许多工业领域不可缺少的原材料,如机械制造、航天航空、化学工业和国防军事。由于轧制设备和加工工艺等多种原因,带钢表面和端面形成了不同类型的缺陷。这些缺陷不仅影响了产品的外观,还降低了产品的耐磨性和疲劳强度,直接影响了产品的最终性能和质量。在现有的检测方法中,基于傅里叶光谱特征的方法计算量大,不适用于小块局部缺陷检测的问题;离散正交小波法对边缘的增强效果不理想;基于模型的方法(包括马尔可夫随机场模型、聚类模型等)的参数估计比较困难。随着工业信息化的发展,基于机器视觉的缺陷检测技术逐渐被应用到工业材料的缺陷检测系统中。基于机器视觉的检测技术具有效率高、成本低、自动化等优点,在缺陷检测中得到了广泛的应用。
发明内容
本发明的目的在于,针对现有的技术存在的缺陷,提供一种检测钢卷端面缺陷的方法,能够能够准确、快速地检测出钢卷端面的缺陷。本发明为达到上述目的,采用下述方案:
1、一种基于机器视觉的检测钢卷端面缺陷方法,首先利用双阈值方法提取原图像上潜在缺陷区域,再利用数字图像积分投影提取潜在区域的图像特征,最后使用支持向量机将图像进行分类。
(a)使用Canny边缘检测算法和较大阈值的PPHT算法,根据处理结果,消除背景图像块,并对前景图像块进行仿射变换调整,使前景图像块上钢卷层的纹理方向一致;
(b)利用高斯方向可控滤波器进行图像处理,将处理结果与原图像进行线性叠加,增强所提取的前景图像块;
(c)使用Canny算法和较小阈值的PPHT算法,限制检测结果的角度阈值,提取潜在的缺陷区域,消除无缺陷区域的前景图像块;
(d)利用数字图像的投影积分,提取潜在缺陷区域的图像特征;
(e)使用支持向量机,对有缺陷的图像块和经过步骤(a)、(b)、(c)处理后误判的无缺陷图像块进行分类,分别为有缺陷的一类与无缺陷的一类,得到有缺陷的钢卷端面,检测结束。
2、所述步骤(a)中,首先先将图像分成180*180像素的图像块,然后利用Canny边缘检测算法和较大阈值的PPHT算法,根据处理结果,消除背景图像块,并对前景图像块进行仿射变换调整,使前景图像块上钢卷层的纹理方向一致。考虑到仿射变换操作,在生成图像块时,行和列的覆盖率应大于或等于以保证原始图像的所有区域都可以检测到;
3、所述步骤(b)中,采用高斯二阶导数的线性组合作为基滤波器进行图像处理,将处理结果与原图像进行线性叠加,增强所提取的前景图像块。
二维高斯函数G为:
其中,(x,y)坐标点的数字图像的标准差σ是二维函数。
二维高斯函数G的二阶导数为:
那么,可操纵滤波器使用的高斯二阶导数的线性组合为:
F(x,y,σ,θ)=Gxx·cos2θ+Gyy·sin2θ+2Gxy·sinθcosθ
其中,θ为过滤器的方向,范围为0°至360°,间隔为60°。
通过卷积运算,可以得到配位(x,y)处的响应;
4、所述步骤(c)中,利用Canny算法和较小阈值的PPHT算法,限制检测结果的角度阈值,提取潜在的缺陷区域,消除无缺陷区域的前景图像块。但由于图像的端面线圈表面不平,双阈值法可能会导致将无缺陷图像判定为有缺陷图像的问题;
5、所述步骤(d)中,无缺陷图像沿水平轴有一个恒定的投影积分,沿垂直轴有一个周期低值。对于缺陷区域,其投影值沿水平轴有明显的波动,沿垂直轴的低值周期性也被破坏。所以利用数字图像的投影积分,可以提取到潜在缺陷区域的图像特征;
6、所述步骤(e)中,利用支持向量机(SVM),对有缺陷的图像块以及经过双阈值方法处理后误判得到的无缺陷图像块进行分类,最终检测出有缺陷的钢卷端面位置。
本发明与现有技术相比较,具有如下显而易见的突出实质性的特点和显著的技术进步:
本发明的方法计算量小较小,适用于小块局部缺陷检测,对图像边缘的增强效果明显,能够有效的去除非缺陷区域,减少数据的处理量,提高检测速度并准确地检测出钢圈端面的缺陷区域。
附图说明
图1为本发明的整体流程图。
图2为本发明的区域提取的双阈值方法示意图,其中(a)为输入的原图像;(b)对应于输入图像上的一个有缺陷的图像块;(c)为仿射变换后的图像;(d)为使用可操纵滤波器后的增强图像;(e)为使用双阈值方法处理后的图像。
图3为本发明中数字图像投影积分的图形结果样本,其中第一行为原图像块,第二行为水平投影图像,第三行为垂直投影图像;(a)为没有缺陷的图像块的投影;(b)和(c)为包含毛刺的图像块的投影;(d)和(e)为包含边缘损坏的图像块的投影。
图4为本发明使用双阈值处理后的例子,其中第一行为原图像块,第二行为可操纵滤波器加强后的图像,第三行为双阈值处理后的图像;(a)和(b)为没有缺陷的图像块;(c)、(d)和(e)为有缺陷的图像块。
具体实施方式
下面结合附图,对本发明的具体实施过程做进一步的说明。
(1)如图1所示步骤1,首先导入原图片(图2.a),将图像分成180*180像素的图像块,然后利用Canny边缘检测算法和较大阈值(80)的PPHT算法,根据处理结果,消除背景图像块,并对前景图像块进行仿射变换调整,使前景图像块上钢卷层的纹理方向一致(图2.b、图2.c)。考虑到仿射变换操作,在生成图像块时,行和列的覆盖率应大于或等于以保证原始图像的所有区域都可以检测到。
(2)如图1所示步骤2,采用高斯二阶导数的线性组合作为基滤波器进行图像处理,将处理结果与原图像进行线性叠加,增强所提取的前景图像块。
图2.d即为经过高斯可操纵滤波器处理、增强后的图片。
(3)如图1所示步骤3,利用Canny算法和较小阈值(50)的PPHT算法,限制检测结果的角度阈值,提取潜在的缺陷区域,消除无缺陷区域的前景图像块(图2.e)。本发明设置的阈值为85°,即在85°~90°之间为正常的钢卷层线,超过这个值即判定为潜在缺陷。但由于图像的端面线圈表面不平,双阈值法可能会导致将无缺陷图像判定为有缺陷图像的问题。
(4)如图1所示步骤4,无缺陷图像沿水平轴有一个恒定的投影积分,沿垂直轴有一个周期低值(图3.a)。对于缺陷区域,其投影值沿水平轴有明显的波动,沿垂直轴的低值周期性也被破坏(图3.b、图3.c)。所以利用数字图像的投影积分,可以提取到潜在缺陷区域的图像特征。
(5)如图1所示步骤5,利用支持向量机,对有缺陷的图像块(图4.c、图4.d、图4.e)以及经过双阈值方法处理后误判得到的无缺陷图像块(图4.a、图4.b)进行分类,最终检测出有缺陷的钢卷端面位置。
进一步的为了验证本发明的可行性,本发明通过现场试验进行测试。试验结果表明,该方法能够消除82.0%的背景和无缺陷图像块,大大降低了特征提取的计算复杂度,且由积分投影的性质组成的特征集有助于获得最准确的预测精度。所以,这种检测钢卷端面缺陷的方法能够准确、快速地检测出缺陷,有利于工业制造地发展。
Claims (6)
1.一种基于机器视觉的检测钢卷端面缺陷方法,首先利用双阈值方法提取原图像上潜在缺陷区域,再利用数字图像积分投影提取潜在区域的图像特征,最后使用支持向量机将图像进行分类。具体包括以下步骤:
(a)使用Canny边缘检测算法和较大阈值的PPHT算法,根据处理结果,消除背景图像块,并对前景图像块进行仿射变换调整,使前景图像块上钢卷层的纹理方向一致;
(b)利用高斯方向可控滤波器进行图像处理,将处理结果与原图像进行线性叠加,增强所提取的前景图像块;
(c)使用Canny算法和较小阈值的PPHT算法,限制检测结果的角度阈值,提取潜在的缺陷区域,消除无缺陷区域的前景图像块;
(d)利用数字图像的投影积分,提取潜在缺陷区域的图像特征;
(e)使用支持向量机,对有缺陷的图像块和经过步骤(a)、(b)、(c)处理后误判的无缺陷图像块进行分类,分别为有缺陷的一类与无缺陷的一类,得到有缺陷的钢卷端面,检测结束。
4.根据权利要求1所述的基于机器视觉的检测钢卷端面缺陷方法,其特征在于,所述步骤(c)中,利用Canny算法和较小阈值的PPHT算法,限制检测结果的角度阈值,提取潜在的缺陷区域,消除无缺陷区域的前景图像块。但由于图像的端面线圈表面不平,双阈值法可能会导致将无缺陷图像判定为有缺陷图像的问题。
5.根据权利要求1所述的基于机器视觉的检测钢卷端面缺陷方法,其特征在于,所述步骤(d)中,无缺陷图像沿水平轴有一个恒定的投影积分,沿垂直轴有一个周期低值。对于缺陷区域,其投影值沿水平轴有明显的波动,沿垂直轴的低值周期性也被破坏。所以利用数字图像的投影积分,可以提取到潜在缺陷区域的图像特征。
6.根据权利要求1所述的基于机器视觉的检测钢卷端面缺陷方法,其特征在于,所述步骤(e)中,利用支持向量机(SVM),对有缺陷的图像块以及经过双阈值方法处理后误判得到的无缺陷图像块进行分类,最终检测出有缺陷的钢卷端面位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911246415.6A CN111028215A (zh) | 2019-12-06 | 2019-12-06 | 一种基于机器视觉的检测钢卷端面缺陷方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911246415.6A CN111028215A (zh) | 2019-12-06 | 2019-12-06 | 一种基于机器视觉的检测钢卷端面缺陷方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111028215A true CN111028215A (zh) | 2020-04-17 |
Family
ID=70207529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911246415.6A Pending CN111028215A (zh) | 2019-12-06 | 2019-12-06 | 一种基于机器视觉的检测钢卷端面缺陷方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028215A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111707672A (zh) * | 2020-06-28 | 2020-09-25 | 江苏科技大学 | 风电回转支撑件表面缺陷检测方法 |
CN113269759A (zh) * | 2021-05-28 | 2021-08-17 | 中冶赛迪重庆信息技术有限公司 | 一种基于图像识别的钢卷信息检测方法、系统、介质和终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071304A1 (en) * | 2005-09-27 | 2007-03-29 | Sharp Kabushiki Kaisha | Defect detecting device, image sensor device, image sensor module, image processing device, digital image quality tester, and defect detecting method |
CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108830832A (zh) * | 2018-05-15 | 2018-11-16 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器视觉的塑料筒表面缺陷检测算法 |
CN109800824A (zh) * | 2019-02-25 | 2019-05-24 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
CN110349144A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(广州)科技有限公司 | 一种钢卷端面的缺陷判别方法、系统及电子设备 |
-
2019
- 2019-12-06 CN CN201911246415.6A patent/CN111028215A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071304A1 (en) * | 2005-09-27 | 2007-03-29 | Sharp Kabushiki Kaisha | Defect detecting device, image sensor device, image sensor module, image processing device, digital image quality tester, and defect detecting method |
CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108830832A (zh) * | 2018-05-15 | 2018-11-16 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器视觉的塑料筒表面缺陷检测算法 |
CN109800824A (zh) * | 2019-02-25 | 2019-05-24 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
CN110349144A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(广州)科技有限公司 | 一种钢卷端面的缺陷判别方法、系统及电子设备 |
Non-Patent Citations (3)
Title |
---|
CHENJINBO 等: "Method of detecting the defects of the end face of steel coils", 《SEVENTH INTERNATIONAL CONFERENCE ON OPTICALAND PHOTONIC ENGINEERING (ICOPEN 2019)》 * |
杨成立 等: "基于小波变换的磁瓦表面缺陷检测方法研究" * |
胡秀珍,隋青美: "基于机器视觉的铁芯表面缺陷检测系统研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111707672A (zh) * | 2020-06-28 | 2020-09-25 | 江苏科技大学 | 风电回转支撑件表面缺陷检测方法 |
CN113269759A (zh) * | 2021-05-28 | 2021-08-17 | 中冶赛迪重庆信息技术有限公司 | 一种基于图像识别的钢卷信息检测方法、系统、介质和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN108345881B (zh) | 一种基于计算机视觉的文档质量检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
WO2018173660A1 (ja) | 表面欠陥検査方法及び表面欠陥検査装置 | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
TWI521448B (zh) | Vehicle identification system and method | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN106296689B (zh) | 瑕疵检测方法、系统及装置 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN111476750B (zh) | 对成像模组进行污点检测的方法、装置、系统及存储介质 | |
CN111028215A (zh) | 一种基于机器视觉的检测钢卷端面缺陷方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN112085709A (zh) | 一种图像对比方法及设备 | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
Tang et al. | Surface inspection system of steel strip based on machine vision | |
CN117670823B (zh) | 一种基于图像识别的pcba线路板元件检测及评价方法 | |
Luo et al. | Research on edge detection algorithm of work piece defect in machine vision detection system | |
Sa et al. | Improved Otsu segmentation based on sobel operator | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
CN107886530A (zh) | 一种改进的基于sift特征的图像配准算法 | |
CN111210419B (zh) | 基于人类视觉特性的微型磁瓦表面缺陷检测方法 |
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 |