CN111402236B - 一种基于图像灰度值的热轧带钢表面缺陷分级方法 - Google Patents

一种基于图像灰度值的热轧带钢表面缺陷分级方法 Download PDF

Info

Publication number
CN111402236B
CN111402236B CN202010184159.9A CN202010184159A CN111402236B CN 111402236 B CN111402236 B CN 111402236B CN 202010184159 A CN202010184159 A CN 202010184159A CN 111402236 B CN111402236 B CN 111402236B
Authority
CN
China
Prior art keywords
defect
image
grade
gray
defect area
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.)
Active
Application number
CN202010184159.9A
Other languages
English (en)
Other versions
CN111402236A (zh
Inventor
邵健
李天伦
何安瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202010184159.9A priority Critical patent/CN111402236B/zh
Publication of CN111402236A publication Critical patent/CN111402236A/zh
Application granted granted Critical
Publication of CN111402236B publication Critical patent/CN111402236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30116—Casting
    • 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
    • G06T2207/30136—Metal
    • 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
    • G06T2207/30204—Marker
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明提供一种基于图像灰度值的热轧带钢表面缺陷分级方法，能够提高缺陷严重程度等级判定的效率和准确率。所述方法包括：获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征；根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集；根据各等级下的典型样本集，确定相应等级的质心；确定待分级的区域缺陷图像的缺陷形态特征，将其与自身的缺陷区域几何信息组成缺陷特征，确定缺陷特征与各等级质心之间的距离，获取距离最小值对应的等级作为待分级的区域缺陷图像的缺陷严重程度等级。本发明涉及冶金技术领域。

Description

一种基于图像灰度值的热轧带钢表面缺陷分级方法
技术领域
本发明涉及冶金技术领域，特别是指一种基于图像灰度值的热轧带钢表面缺陷分级方法。
背景技术
随着汽车工业、高端家电等行业对钢材产品的质量要求日趋严格，产品的个性化需求也越来越多。在基本质量指标合格的前提下，钢铁企业和下游用户转为开始关注更为细节的表面质量问题，由于涉及流程较长、形成机理复杂、发生频次高，对产品的最终质量影响大，表面质量被认为是最重要、最难控制的质量指标之一。正是由于表面质量的复杂性，各大钢铁企业对热轧带钢表面质量的管理十分重视，期望以此提高产品品质，实现更大的商业价值。
表面质量的判定是目前面临的难题，热轧带钢生产线在卷取工序前安装有表面检测系统(简称：表检系统)，但其仅能对缺陷的种类进行辨别，往往不具备对单一缺陷严重程度的分级功能。不同于其他性能指标依据参数阈值的自动判定方式，由于表检系统存在工作环境复杂、缺陷检出虚警率过高、无法对缺陷严重级别评估等局限性，表面质量的质检环节仍需要人工对下线产品进行逐个检查，基于人工经验的判定方法难以被自动化方法替代，影响了整个生产流程的效率和准确率。
在热轧生产过程中，为避免漏检，表检系统在缺陷检测环节具有很高的灵敏度，一卷带钢全长的缺陷图像检出量大概在6000-15000张，其中大部分缺陷为轻微缺陷，不会对表面质量造成影响；表检系统还会预测每处缺陷的类别帮助最终表面质量的判定，例如裂纹、划伤、压入等，由于工况的复杂，该环节预测的准确率不高，仅能保持在75％左右；此外，表检环节要求对成品的判定速率要与生产节奏同步，即约每3分钟就要完成对一卷带钢的表面质量判定。
质检人员需要对热轧每卷下线带钢的表面质量是否合格进行判定，首先需要快速遍历全部的缺陷检出图像，过滤掉其中大部分轻微缺陷，之后仔细审阅剩余严重缺陷，结合参考表检系统给出的严重缺陷类型、大小、位置、数量等特征，根据模糊经验给出最终判断。该方法在各生产工序的表面质量判定环节中被广泛使用，但显然存在如下不足：
1)基于表检系统检出结果进行表面质量判定时需要耗费大量时间过滤轻微缺陷，快速生产条件下人工实际用于审阅严重缺陷的精力十分有限，判钢准确率难以保证；
2)表面质量判定规则模糊复杂，短期内难以实现全自动化，人工判定受技术水平差异、主观认知不同、工作疲劳等因素影响，判钢尺度的统一性难以保证；
3)人工进行表面质量判定时仅能通过经验给出产品的判定情况，缺少判定依据的记录，难以通过对比分析发现缺陷的形态特点。
目前对热轧带钢及其他类似表面缺陷的检测研究很多，但均偏重于提高缺陷的检出率、分类准确率和检测速率等方面，如文献《基于贝叶斯CNN和注意力网络的钢轨表面缺陷检测系统》(自动化学报，2019年12月，第45卷，第12期)使用深度学习方法实现了表面缺陷的概率分割，相比其他方法更加快速鲁棒；文献《基于Faster-RCNN的零件表面缺陷检测方法》(计算机辅助设计与图形学学报，网络首发)使用快速区域卷积神经网络大幅提高了表面缺陷检测的准确率；以上研究对于提升表检系统的性能具有一定帮助，但是，无法自动判定表面缺陷严重程度等级。
专利《基于表检仪的缺陷分级方法及系统》(申请号：CN201910429304.2)主要描述了一种对钢带缺陷分级的方法，该方法从表检仪中获取实际缺陷数据，之后通过人为设定的若干条件在缺陷的长度、宽度、面积、密度等维度上进行逻辑判断，实现缺陷的自动识别，这一流程中没有使用缺陷图像的灰度值构造特征，且缺陷的分级规则并非通过算法获得。
发明内容
本发明要解决的技术问题是提供一种基于图像灰度值的热轧带钢表面缺陷分级方法，以解决现有技术所存在的无法自动判定表面缺陷严重程度等级的问题。
为解决上述技术问题，本发明实施例提供一种基于图像灰度值的热轧带钢表面缺陷分级方法，包括：
获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征；其中，缺陷区域图像对应的缺陷严重程度等级已被标注；
根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集；
根据各等级下的典型样本集，确定相应等级的质心；
确定待分级的区域缺陷图像的缺陷形态特征，将其与自身的缺陷区域几何信息组成缺陷特征，确定缺陷特征与各等级质心之间的距离，获取距离最小值对应的等级作为待分级的区域缺陷图像的缺陷严重程度等级。
进一步地，在获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征之前，所述方法包括：
通过表检系统获得具有某类表面缺陷的带钢图像及其缺陷区域几何信息；其中，
所述缺陷区域几何信息包括：缺陷区域位置坐标、缺陷区域规格和缺陷区域距离边界位置。
进一步地，所述获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征包括：
根据缺陷区域位置坐标对带钢图像进行裁剪，得到缺陷区域图像；
获取缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定用于描述缺陷的形态特征；
其中，所述形态特征包括：缺陷区域图像的熵、缺陷区域图像内全部像素点的数目、缺陷区域图像的灰度范围、缺陷区域图像灰度值分布的偏离情况、缺陷区域图像的灰度分布情况中的一种或多种。
进一步地，缺陷区域图像的熵表示为：
Figure BDA0002413563450000031
其中，H为缺陷区域图像的熵，代表图像的清晰程度；P(cg)表示缺陷区域内像素点灰度值为指定值cg的概率，P(cg)表示为：
Figure BDA0002413563450000041
其中，N(gi＝cg)表示缺陷区域内像素点中灰度值为cg的事件数；m为缺陷区域图像内全部像素点的数目。
进一步地，缺陷区域图像的灰度范围表示为：
R＝max(gi)-min(gi)
其中，R为缺陷区域图像的灰度范围；数列gi为按灰度值从小到大的顺序排列得到的缺陷区域图像的灰度值数列。
进一步地，缺陷区域图像灰度值分布的偏离情况表示为：
D＝Me-μ
Figure BDA0002413563450000042
Figure BDA0002413563450000043
其中，D表示缺陷区域图像灰度值分布的偏离情况；Me为中位数，即数列gi中间位置的灰度值；μ为缺陷区域图像全部像素点灰度值的均值；m为缺陷区域图像内全部像素点的数目；数列gi为按灰度值从小到大的顺序排列得到的缺陷区域图像的灰度值数列。
进一步地，缺陷区域图像的灰度分布情况表示为：
Figure BDA0002413563450000044
其中，Lp为数列gi中某一百分位置p％上灰度值与中位数之比，用于描述缺陷区域图像的灰度分布情况；
Figure BDA0002413563450000045
表示数列序号数值向下取整；数列gi为按灰度值从小到大的顺序排列得到的缺陷区域图像的灰度值数列。
进一步地，所述根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集包括：
H1，从缺陷区域图像的几何信息及形态特征中选择若干维度，构建整体样本数据集；
H2，保持整体样本数据集每个等级样本数量相似的情况下，从中等比等量随机抽取数据构建训练数据集与测试数据集；
H3，将训练数据集输入k-临近分类算法进行分级训练，得到缺陷分级模型，并利用测试数据集对得到的缺陷分级模型进行测试；
H4，重复多次步骤H2、H3的操作，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集。
进一步地，所述根据各等级下的典型样本集，确定相应等级的质心包括：
根据某等级下的典型样本集，确定相应等级下每一维度特征的数据质心表示为：
Figure BDA0002413563450000051
其中，zjl表示第j维特征Sj在l等级下的典型样本质心，nl为l等级下典型样本的数量，Sjk表示第k个典型样本中第j维特征Sj的值；
将l等级下全部特征的数据质心联合得到l等级的质心Zl(z1l,z2l,......,zjl)。
进一步地，待分级的区域缺陷图像的缺陷特征Zx(s1x,s2x,......,sjx)与各等级质心Zl(z1l,z2l,......,zjl)之间的距离dx-l表示为：
Figure BDA0002413563450000052
本发明的上述技术方案的有益效果如下：
上述方案中，获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征；其中，缺陷区域图像对应的缺陷严重程度等级已被标注；根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集；根据各等级下的典型样本集，确定相应等级的质心；确定待分级的区域缺陷图像的缺陷形态特征，将其与自身的缺陷区域几何信息组成缺陷特征，确定缺陷特征与各等级质心之间的距离，获取距离最小值对应的等级作为待分级的区域缺陷图像的缺陷严重程度等级。这样，基于缺陷图像的灰度值和几何信息构造的缺陷特征，实现对不同缺陷图像表面缺陷严重程度等级的自动判定，在提高缺陷严重程度等级判定准确率和效率的同时，能够减少人工判定过程的工作量，降低漏检率。
附图说明
图1为本发明实施例提供的基于图像灰度值的热轧带钢表面缺陷分级方法的流程示意图；
图2为本发明实施例提供的基于图像灰度值的热轧带钢表面缺陷分级方法的详细流程示意图；
图3为本发明实施例提供的根据几何坐标信息裁剪缺陷区域示意图；
图4(a)为本发明实施例提供的缺陷等级为轻微的待分级样本的原始缺陷图像示意图；
图4(b)为本发明实施例提供的缺陷等级为中等的待分级样本的原始缺陷图像示意图；
图4(c)为本发明实施例提供的缺陷等级为严重的待分级样本的原始缺陷图像示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的无法自动判定表面缺陷严重程度等级的问题，提供一种基于图像灰度值的热轧带钢表面缺陷分级方法。
如图1所示，本发明实施例提供的基于图像灰度值的热轧带钢表面缺陷分级方法，包括：
S101，获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征；其中，缺陷区域图像对应的缺陷严重程度等级已被标注；
S102，根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集；
S103，根据各等级下的典型样本集，确定相应等级的质心；
S104，确定待分级的区域缺陷图像的缺陷形态特征，将其与自身的缺陷区域几何信息组成缺陷特征，确定缺陷特征与各等级质心之间的距离，获取距离最小值对应的等级作为待分级的区域缺陷图像的缺陷严重程度等级。
本发明实施例所述的基于图像灰度值的热轧带钢表面缺陷分级方法，获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征；其中，缺陷区域图像对应的缺陷严重程度等级已被标注；根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集；根据各等级下的典型样本集，确定相应等级的质心；确定待分级的区域缺陷图像的缺陷形态特征，将其与自身的缺陷区域几何信息组成缺陷特征，确定缺陷特征与各等级质心之间的距离，获取距离最小值对应的等级作为待分级的区域缺陷图像的缺陷严重程度等级。这样，基于缺陷图像的灰度值和几何信息构造的缺陷特征，实现对不同缺陷图像表面缺陷严重程度等级的自动判定，在提高缺陷严重程度等级判定准确率和效率的同时，能够减少人工判定过程的工作量，降低漏检率。
在前述基于图像灰度值的热轧带钢表面缺陷分级方法的具体实施方式中，进一步地，在获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征之前，所述方法包括：
通过表检系统获得具有某类表面缺陷的带钢图像及其缺陷区域几何信息；其中，
所述缺陷区域几何信息包括：缺陷区域位置坐标、缺陷区域规格和缺陷区域距离边界位置。
本实施例中，通过表检系统获得具有某类表面缺陷的带钢图像及其缺陷区域几何信息，并在此基础上结合人工经验将每个表面缺陷带钢图像按缺陷严重程度分为M个等级，优选地，M＝3，即分为“轻微(G，Good)”、“中等(M，Medium)”、“严重(P，Poor)”三个等级，作为分级训练的原始数据。
在前述基于图像灰度值的热轧带钢表面缺陷分级方法的具体实施方式中，进一步地，所述获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征包括：
根据缺陷区域位置坐标对带钢图像进行裁剪，得到缺陷区域图像；
获取缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定用于描述缺陷的形态特征；
其中，所述形态特征包括：缺陷区域图像的熵、缺陷区域图像内全部像素点的数目、缺陷区域图像的灰度范围、缺陷区域图像灰度值分布的偏离情况、缺陷区域图像的灰度分布情况中的一种或多种。
本实施例中，缺陷区域图像的熵表示为：
Figure BDA0002413563450000081
其中，H为缺陷区域图像的熵，代表图像的清晰程度；P(cg)表示缺陷区域内像素点灰度值为指定值cg的概率，P(cg)表示为：
Figure BDA0002413563450000082
其中，N(gi＝cg)表示缺陷区域内像素点中灰度值为cg的事件数；m为缺陷区域图像内全部像素点的数目。
本实施例中，缺陷区域图像的灰度范围表示为：
R＝max(gi)-min(gi)
其中，R为缺陷区域图像的灰度范围，由数列gi中像素灰度值的最大值与最小值之差得到；数列gi为按灰度值从小到大的顺序排列得到的缺陷区域图像的灰度值数列。
本实施例中，缺陷区域图像灰度值分布的偏离情况表示为：
D＝Me-μ
Figure BDA0002413563450000083
Figure BDA0002413563450000091
其中，D为数列gi中位数与均值μ之差，表示缺陷区域图像灰度值分布的偏离情况；Me为中位数，即数列gi中间位置的灰度值；μ为缺陷区域图像全部像素点灰度值的均值；m为缺陷区域图像内全部像素点的数目。
本实施例中，缺陷区域图像的灰度分布情况表示为：
Figure BDA0002413563450000092
其中，Lp为数列gi中某一百分位置p％上灰度值与中位数之比，用于描述缺陷区域图像的灰度分布情况；
Figure BDA0002413563450000093
表示数列序号数值向下取整。
本实施例中，通过缺陷区域图像各像素点灰度值的一系列计算构造若干特征维度描述缺陷。
在前述基于图像灰度值的热轧带钢表面缺陷分级方法的具体实施方式中，进一步地，所述根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集包括：
H1，从缺陷区域图像的几何信息及形态特征中选择若干维度，构建整体样本数据集；
H2，保持整体样本数据集每个等级样本数量相似的情况下，从中等比等量随机抽取数据构建训练数据集与测试数据集；
H3，将训练数据集输入k-临近分类算法进行分级训练，得到缺陷分级模型，并利用测试数据集对得到的缺陷分级模型进行测试；
H4，重复多次步骤H2、H3的操作，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集。
在前述基于图像灰度值的热轧带钢表面缺陷分级方法的具体实施方式中，进一步地，所述根据各等级下的典型样本集，确定相应等级的质心包括：
根据某等级下的典型样本集，确定相应等级下每一维度特征的数据质心表示为：
Figure BDA0002413563450000101
其中，zjl表示第j维特征Sj在l(l＝G,M,P)等级下的典型样本质心，nl为l等级下典型样本的数量，Sjk表示第k个典型样本中第j维特征Sj的值；
将l等级下全部特征的数据质心联合得到l等级的质心坐标(简称：质心)Zl(z1l,z2l,......,zjl)。
在前述基于图像灰度值的热轧带钢表面缺陷分级方法的具体实施方式中，进一步地，待分级的区域缺陷图像的缺陷特征Zx(s1x,s2x,......,sjx)与各等级质心Zl(z1l,z2l,......,zjl)之间的距离dx-l表示为：
Figure BDA0002413563450000102
本实施例中，通过上述步骤即可分别建立三个不同等级(l＝G,M,P)下一类表面缺陷的质心坐标ZG、ZM、ZP，对于待分级的区域缺陷图像，需要按S101的操作得到待分级的区域缺陷图像的缺陷形态特征，将其与待分级的区域缺陷图像的缺陷区域几何信息组成缺陷特征Zx(s1x,s2x,......,sjx)，然后根据欧氏距离公式计算缺陷特征Zx(s1x,s2x,......,sjx)与三个等级质心坐标间的距离，获取距离最小值对应的等级作为待分级的区域缺陷图像的缺陷严重程度等级，其中，距离计算公式如下：
Figure BDA0002413563450000103
Figure BDA0002413563450000104
Figure BDA0002413563450000105
dl＝min(dx-G,dx-M,dx-P)
若dl＝dx-G，则该缺陷图像样本的严重等级判定为“轻微(G)”；
若dl＝dx-M，则该缺陷图像样本的严重等级判定为“中等(M)”；
若dl＝dx-P，则该缺陷图像样本的严重等级判定为“严重(P)”。
本实施例中，为了进一步理解本发明实施例所述的基于图像灰度值的热轧带钢表面缺陷分级方法，以某钢铁企业1580mm热轧产线表检系统检出的斑纹压氧缺陷为例，对所述方法进行说明，如图2所示，具体可以包括以下步骤：
步骤1：通过已有的表检系统获得了斑纹压氧缺陷的带钢图像及其缺陷区域几何信息共计364条，并结合人工经验对每个表面缺陷样本按缺陷严重程度标记出三个等级，其中，轻微(G)125条、中等(M)135条、严重(P)104条，各等级样本数较为均匀，详细情况如下表1所示，将表1中的信息全部作为分级训练的原始数据。
表1分级训练的原始数据
Figure BDA0002413563450000111
Figure BDA0002413563450000121
步骤2：根据缺陷区域位置坐标对带钢图像进行裁剪，得到作为研究样本缺陷区域图像，如图3所示，提取研究样本中每个像素点的灰度值并按从小到大的顺序排列为数列gi，基于得到的gi对缺陷的形态特征进行描述。本实施例中，斑纹压氧缺陷对于图像熵H的敏感度较低，不予采用，另在Lp的计算中考察数列gi在10％、20％、80％、90％共四个位置上的灰度分布情况，即设置不同的p％值，通过Lp公式构造4个特征用于对缺陷形态进行描述。
本实施例中，根据缺陷区域图像中的缺陷区域规格、缺陷区域距离边界位置及缺陷的形态特征构建测试数据集。本实施例中，例如，可以选择缺陷区域长度SIZEMD、缺陷区域宽度SIZECD、头部边界距缺陷区域位置POSMD、左边界距缺陷区域位置POSLCD、右边界距缺陷区域位置POSRCD、缺陷区域内像素点数量m、缺陷区域图像灰度范围R、灰度值分布偏离情况D以及描述缺陷区域图像灰度分布情况的参数L10、L20、L80、L90共12维特征作为输入特征带入k-临近分类算法。通过灰度值计算得到的特征s6～s12如表2所示，输入算法前每维特征参数均需进行归一化处理，设置三个等级样本数量均为100，模型训练样本集与测试样本集数据之比8:2，连续进行10次随机抽样实验。
表2缺陷特征
Figure BDA0002413563450000122
Figure BDA0002413563450000131
步骤4：经过10次连续随机抽取训练、测试，总计收集测试样本集实验结果600条，其中每一等级样本各占200条。由于实验数据完全随机抽取，部分样本在测试样本集中多次出现，同一条样本数据在不同训练样本集构建的缺陷分级模型下得到了多次预测结果，设定测试准确率阈值为95％，将大于该阈值的测试样本视为特征明显、性能良好的典型样本，本实施例实验中筛选得到典型样本共45个，其统计信息如表3所示：
表3典型样本集
Figure BDA0002413563450000132
步骤5：根据各等级对应的典型样本集的数据情况，计算具体等级下每一维度特征的数据质心，并整合得到对应的质心坐标，如表4所示，相关数字已经归一化处理：
表4质心坐标
Figure BDA0002413563450000141
步骤6：对于待分级的区域缺陷图像样本，计算该缺陷各维度特征参数Sjx并按相同系数进行归一化处理，组成对应的缺陷特征Zx(s1x,s2x,......,s12x)，最后根据欧氏距离公式计算缺陷特征与三个等级质心坐标间的距离，判定该区域缺陷图像样本的严重等级，如表5所示，此处三个缺陷等级各举一例，待分级的区域缺陷图像样本的原始缺陷图像如图4(a)-(c)所示，其中，4(a)中dl＝dx-G＝0.4065，图4(b)中dl＝dx-M＝0.7970，图4(c)中dl＝dx-P＝0.9894。
表5确定区域缺陷图像样本等级涉及的特征及计算结果
Figure BDA0002413563450000142
Figure BDA0002413563450000151
本实施例中，完成斑纹压氧缺陷的分级后，对其分级准确率进行测试，选取训练样本集外的289张图像，重复步骤6进行缺陷严重等级的预测，结果如表6所示：
表6预测结果
Figure BDA0002413563450000152
对预测结果进行统计分级，各等级下预测结果与样本标签一致的样本分别为轻微(G)55例、中等(M)71例、严重(P)45例，严格准确率占全部预测样本的59.17％；其中将严重(P)缺陷误判为轻微(G)缺陷的严重误判仅2例，占全部预测样本的0.69％，这一数据低于人工对缺陷图像的分级误判率(3％)；若在热轧下线钢卷的表面质量判定中使用该方法过滤轻微(G)缺陷，仅人工审阅预测标记为中等(M)、严重(P)级别的缺陷图像，则工作量减少74例，占全部样本的25.61％。可见通过基于图像灰度值的热轧带钢表面缺陷分级方法，可以在保证判定准确率的情况下，大幅减少表面质量判定过程中单独缺陷严重程度判定的工作量，提升效率的同时使热轧带钢的表面质量判定环节更为规范严谨。
综上，本实施例提供的基于图像灰度值的热轧带钢表面缺陷分级方法，为了轧制过后便于快速完成钢卷表面质量判定的实际需求、减轻工作强度的同时，还能保证缺陷分级的准确率与尺度一致性，为此，本发明所提出的热轧带钢表面缺陷分级方法还做了如下方面的考虑：
1)可以在保留严重缺陷的情况下过滤掉一部分轻微缺陷样本，减少人工遍历工作量；
2)通过对缺陷严重等级的判定，减少不同班组人工分级的误差，保持判定的统一尺度；
3)判定过程可以通过数据体现缺陷定级的确切依据。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于图像灰度值的热轧带钢表面缺陷分级方法，其特征在于，包括：
获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征；其中，缺陷区域图像对应的缺陷严重程度等级已被标注；
根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集；
根据各等级下的典型样本集，确定相应等级的质心；
确定待分级的区域缺陷图像的缺陷形态特征，将其与自身的缺陷区域几何信息组成缺陷特征，确定缺陷特征与各等级质心之间的距离，获取距离最小值对应的等级作为待分级的区域缺陷图像的缺陷严重程度等级；
其中，所述获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征包括：
根据缺陷区域位置坐标对带钢图像进行裁剪，得到缺陷区域图像；
获取缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定用于描述缺陷的形态特征；
其中，所述形态特征包括：缺陷区域图像的熵、缺陷区域图像内全部像素点的数目、缺陷区域图像的灰度范围、缺陷区域图像灰度值分布的偏离情况、缺陷区域图像的灰度分布情况中的一种或多种；
其中，缺陷区域图像的熵表示为：
Figure FDA0004112876980000011
其中，H为缺陷区域图像的熵，代表图像的清晰程度；P(cg)表示缺陷区域内像素点灰度值为指定值cg的概率，P(cg)表示为：
Figure FDA0004112876980000012
其中，N(gi＝cg)表示缺陷区域内像素点中灰度值为cg的事件数；m为缺陷区域图像内全部像素点的数目；
其中，缺陷区域图像的灰度范围表示为：
R＝max(gi)-min(gi)
其中，R为缺陷区域图像的灰度范围；数列gi为按灰度值从小到大的顺序排列得到的缺陷区域图像的灰度值数列；
其中，缺陷区域图像灰度值分布的偏离情况表示为：
D＝Me-μ
Figure FDA0004112876980000021
Figure FDA0004112876980000022
其中，D表示缺陷区域图像灰度值分布的偏离情况；Me为中位数，即数列gi中间位置的灰度值；μ为缺陷区域图像全部像素点灰度值的均值；m为缺陷区域图像内全部像素点的数目；数列gi为按灰度值从小到大的顺序排列得到的缺陷区域图像的灰度值数列；
其中，缺陷区域图像的灰度分布情况表示为：
Figure FDA0004112876980000023
其中，Lp为数列gi中某一百分位置p％上灰度值与中位数之比，用于描述缺陷区域图像的灰度分布情况；
Figure FDA0004112876980000024
表示数列序号数值向下取整；数列gi为按灰度值从小到大的顺序排列得到的缺陷区域图像的灰度值数列。
2.根据权利要求1所述的基于图像灰度值的热轧带钢表面缺陷分级方法，其特征在于，在获取某类缺陷区域图像中每个像素点的灰度值，根据得到的灰度值确定缺陷的形态特征之前，所述方法包括：
通过表检系统获得具有某类表面缺陷的带钢图像及其缺陷区域几何信息；其中，
所述缺陷区域几何信息包括：缺陷区域位置坐标、缺陷区域规格和缺陷区域距离边界位置。
3.根据权利要求1所述的基于图像灰度值的热轧带钢表面缺陷分级方法，其特征在于，所述根据缺陷区域几何信息及缺陷形态特征，通过随机抽样重复训练、测试缺陷分级模型，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集包括：
H1，从缺陷区域图像的几何信息及形态特征中选择若干维度，构建整体样本数据集；
H2，保持整体样本数据集每个等级样本数量相同的情况下，从中等比等量随机抽取数据构建训练数据集与测试数据集；
H3，将训练数据集输入k-临近分类算法进行分级训练，得到缺陷分级模型，并利用测试数据集对得到的缺陷分级模型进行测试；
H4，重复多次步骤H2、H3的操作，选择各等级下缺陷预测准确率大于预设阈值的测试样本作为相应等级下的典型样本集。
4.根据权利要求1所述的基于图像灰度值的热轧带钢表面缺陷分级方法，其特征在于，所述根据各等级下的典型样本集，确定相应等级的质心包括：
根据某等级下的典型样本集，确定相应等级下每一维度特征的数据质心表示为：
Figure FDA0004112876980000031
其中，zjl表示第j维特征Sj在l等级下的典型样本质心，nl为l等级下典型样本的数量，Sjk表示第k个典型样本中第j维特征Sj的值；
将l等级下全部特征的数据质心联合得到l等级的质心Zl(z1l,z2l,......,zjl)。
5.根据权利要求4所述的基于图像灰度值的热轧带钢表面缺陷分级方法，其特征在于，待分级的区域缺陷图像的缺陷特征Zx(s1x,s2x,......,sjx)与各等级质心Zl(z1l,z2l,......,zjl)之间的距离dx-l表示为：
Figure FDA0004112876980000032
CN202010184159.9A 2020-03-17 2020-03-17 一种基于图像灰度值的热轧带钢表面缺陷分级方法 Active CN111402236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010184159.9A CN111402236B (zh) 2020-03-17 2020-03-17 一种基于图像灰度值的热轧带钢表面缺陷分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010184159.9A CN111402236B (zh) 2020-03-17 2020-03-17 一种基于图像灰度值的热轧带钢表面缺陷分级方法

Publications (2)

Publication Number Publication Date
CN111402236A CN111402236A (zh) 2020-07-10
CN111402236B true CN111402236B (zh) 2023-04-28

Family

ID=71428921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010184159.9A Active CN111402236B (zh) 2020-03-17 2020-03-17 一种基于图像灰度值的热轧带钢表面缺陷分级方法

Country Status (1)

Country Link
CN (1) CN111402236B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114199879A (zh) * 2021-11-23 2022-03-18 北京科技大学 一种冷轧带钢表面聚集型缺陷的识别方法
CN115100188A (zh) * 2022-07-28 2022-09-23 北京科技大学 一种层次化缺陷分析的钢板表面质量自动分级与判定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
CN103745234A (zh) * 2014-01-23 2014-04-23 东北大学 一种带钢表面缺陷的特征提取与分类方法
CN107796826A (zh) * 2017-09-27 2018-03-13 浙江大学 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110363253A (zh) * 2019-07-25 2019-10-22 安徽工业大学 一种基于卷积神经网络的热轧带钢表面缺陷分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
CN103745234A (zh) * 2014-01-23 2014-04-23 东北大学 一种带钢表面缺陷的特征提取与分类方法
CN107796826A (zh) * 2017-09-27 2018-03-13 浙江大学 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法
CN110349126A (zh) * 2019-06-20 2019-10-18 武汉科技大学 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN110363253A (zh) * 2019-07-25 2019-10-22 安徽工业大学 一种基于卷积神经网络的热轧带钢表面缺陷分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于遗传算法的带钢表面缺陷特征降维优化选择;汤勃等;《钢铁研究学报》(第09期);63-66 *
带钢表面缺陷图像的可拓分类算法;陈跃等;《计算机工程与应用》(第21期);28-32 *
机器视觉表面缺陷检测综述;汤勃等;《中国图象图形学报》(第12期);22-45 *

Also Published As

Publication number Publication date
CN111402236A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN111815572B (zh) 一种基于卷积神经网络对锂电池焊接质量的检测方法
CN115082467A (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN111402236B (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN103221807B (zh) 快速处理和检测幅材型材料中的不均匀因素
CN115082418A (zh) 一种汽车零部件精密识别方法
CN115797354B (zh) 用于检测激光焊接焊缝外观缺陷的方法
CN113487533B (zh) 一种基于机器学习的零件装配质量数字化检测系统及方法
CN112017204A (zh) 一种基于边缘标记图神经网络的刀具状态图像分类方法
CN115619708A (zh) 基于图像识别主轴轴承润滑油油质变化判断故障的方法
CN116758491A (zh) 应用于3d打印的打印监控图像分析方法及系统
CN105631481B (zh) 基于遗传编程的铁谱磨粒复合特征构造方法
Wu et al. Research on approaches for computer aided detection of casting defects in X-ray images with feature engineering and machine learning
CN114565314A (zh) 一种基于数字孪生的热轧钢卷端面质量管控系统及方法
CN114299059A (zh) 一种热轧带钢表面未分类铸坯划伤缺陷的判定方法
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN114972353B (zh) 一种金属高压特种管件质量评估方法及系统
CN115082444B (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN114782362B (zh) 一种基于深度迁移学习的焊接智能检测系统
CN115457323A (zh) 基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法
CN115546108A (zh) 基于边云协同和ar的汽车轮胎外观质量智能检测方法
CN115292887A (zh) 基于病斑面积比率的植物病害严重度评估方法及装置
CN115239947A (zh) 基于无监督学习的小麦条锈病严重度评估方法及装置
CN112767365A (zh) 一种探伤方法

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
GR01 Patent grant
GR01 Patent grant