CN112200808A - 一种基于局部基尼系数的带钢表面缺陷检测方法 - Google Patents

一种基于局部基尼系数的带钢表面缺陷检测方法 Download PDF

Info

Publication number
CN112200808A
CN112200808A CN202011413453.9A CN202011413453A CN112200808A CN 112200808 A CN112200808 A CN 112200808A CN 202011413453 A CN202011413453 A CN 202011413453A CN 112200808 A CN112200808 A CN 112200808A
Authority
CN
China
Prior art keywords
local
coefficient
strip steel
sliding window
window
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
Application number
CN202011413453.9A
Other languages
English (en)
Other versions
CN112200808B (zh
Inventor
李小刚
孙维芳
黄豪驰
林苏奔
陈景云
伏建友
邵正鹏
顾王林
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.)
Liaiwei Innovative Intelligent System Zhejiang Co ltd
Original Assignee
Liaiwei Innovative Intelligent System Zhejiang Co ltd
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 Liaiwei Innovative Intelligent System Zhejiang Co ltd filed Critical Liaiwei Innovative Intelligent System Zhejiang Co ltd
Priority to CN202011413453.9A priority Critical patent/CN112200808B/zh
Publication of CN112200808A publication Critical patent/CN112200808A/zh
Application granted granted Critical
Publication of CN112200808B publication Critical patent/CN112200808B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于局部基尼系数的带钢表面缺陷检测方法，其特征在于，按下述步骤进行：S1：设置滑动窗口宽度为w，则形成窗口大小为w×w；S2：将滑动窗口移动至获取到的带钢图像左上角，计算当前窗口内的局部基尼系数；S3：将滑动窗口向右移动一个像素，计算当前窗口内元素的局部尼基系数；S4：继续遍历当前图像所有像素，形成局部基尼系数序列；S5：设置基尼系数阈值，若局部基尼系数大于该阈值，则该像素点为缺陷特征。本发明能够利用局部基尼系数进行带钢表面缺陷的检测，具有抗噪声干扰能力强的特点。

Description

一种基于局部基尼系数的带钢表面缺陷检测方法
技术领域
本发明涉及产品表面质量检测技术领域，特别涉及一种基于局部基尼系数的带钢表面缺陷检测方法。
背景技术
带钢表面缺陷是影响质量的重要因素之一，其表面缺陷的实时检测是保证产品供给质量的重要前提。在常见带钢表面视觉检测系统中，因光源的不均匀照明,环境光干扰等原因，实际获取的图像常常受到光照不均因素的影响导致图像原始灰度信息的丢失，难以保障带钢表面缺陷检测的精准检测。空间滤波、频率滤波、形态学滤波是实现带钢表面缺陷检测的常规手段，然而，采集的表面图像光照不均匀且变化的表面反射率使带钢表面缺陷检测成为视觉检测系统的难点。
发明内容
本发明的目的在于，提供一种基于局部基尼系数的带钢表面缺陷检测方法。本发明能够利用局部基尼系数进行带钢表面缺陷的检测，具有抗噪声干扰能力强的特点。
本发明的技术方案：
一种基于局部基尼系数的带钢表面缺陷检测方法，其特征在于，按下述步骤进行：
S1：设置滑动窗口宽度为w，则形成窗口大小为w×w；
S2：将滑动窗口移动至获取到的带钢图像左上角，计算当前窗口内的局部基尼系数；
S3：将滑动窗口向右移动一个像素，计算当前窗口内元素的局部尼基系数；
S4：继续遍历当前图像所有像素，形成局部基尼系数序列；
S5：设置基尼系数阈值，若局部基尼系数大于该阈值，则该像素点为缺陷特征。
前述的基于局部基尼系数的带钢表面缺陷检测方法中，
所述的步骤S3中, 局部基尼系数的算法为：
Figure 100002_DEST_PATH_IMAGE001
其中
Figure 287258DEST_PATH_IMAGE002
为从小到大排列的滑动窗口内像素点灰度值，
Figure 100002_DEST_PATH_IMAGE003
为滑动窗口内所有元素的个 数，
Figure 142082DEST_PATH_IMAGE004
为滑动窗口内元素对应序号，
Figure 100002_DEST_PATH_IMAGE005
为所求的局部基尼系数。
前述的基于局部基尼系数的带钢表面缺陷检测方法中，
所述的步骤S5中,缺陷判断的算法为：
Figure 108770DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像 素点不含有缺陷信息，
Figure 707241DEST_PATH_IMAGE008
和
Figure 100002_DEST_PATH_IMAGE009
为分别为图像行列数，
Figure 459297DEST_PATH_IMAGE005
为当前像素点对应的基尼系 数，
Figure 498403DEST_PATH_IMAGE010
为预设的缺陷阈值，
Figure DEST_PATH_IMAGE011
为局部窗口序号。
与现有技术相比，本发明具有以下有益效果：
本发明首先设置宽度形成固定大小的滑动窗口；其次将滑动窗口移动至带钢图像左上角，计算当前窗口内的局部基尼系数；随后将滑动窗口向右移动一个像素，计算当前窗口内元素的局部尼基系数；随后遍历当前图片所有像素，形成局部基尼系数序列；最终通过设置基尼系数阈值进行判断，若局部基尼系数大于该阈值，则该像素点为缺陷特征。本发明提出了一种基于局部稀疏测度（基尼系数）的方法进行带钢表面的缺陷检测，较之常规机器学习方法，无需获取大量样本即可进行带钢缺陷的检测。此外由于尼基系数范围在0到1之间，因此其阈值选择具有一定程度的通用性。
附图说明
图1是本发明的流程图；
图2是本发明的实施例1中使用的带钢表面照片；
图3是本发明的实施例1中滑动窗口示意图，其中窗口边长为3；
图4是本发明的实施例1中计算的局部基尼系数；
图5是本发明中实施例1中缺陷定位的结果，其中阈值为所有局部基尼系数平均值的3倍。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例：一种基于局部基尼系数的带钢表面缺陷检测方法，其特征在于，按下述步骤进行：
S1：设置滑动窗口宽度为w，则形成窗口大小为w×w；
S2：将滑动窗口移动至获取到的带钢图像左上角，计算当前窗口内的局部基尼系数；
S3：将滑动窗口向右移动一个像素，计算当前窗口内元素的局部尼基系数；
S4：继续遍历当前图像所有像素，形成局部基尼系数序列；
S5：设置基尼系数阈值，若局部基尼系数大于该阈值，则该像素点为缺陷特征；
所述的步骤S3中, 局部基尼系数的算法为：
Figure 703120DEST_PATH_IMAGE001
其中
Figure 370862DEST_PATH_IMAGE002
为从小到大排列的滑动窗口内像素点灰度值，
Figure 23429DEST_PATH_IMAGE003
为滑动窗口内所有元素的个 数，
Figure 485634DEST_PATH_IMAGE004
为滑动窗口内元素对应序号，
Figure 708805DEST_PATH_IMAGE005
为所求的局部基尼系数；
所述的步骤S5中,缺陷判断的算法为：
Figure 914658DEST_PATH_IMAGE006
其中，
Figure 657618DEST_PATH_IMAGE007
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像 素点不含有缺陷信息，
Figure 821883DEST_PATH_IMAGE008
和
Figure 532350DEST_PATH_IMAGE009
为分别为图像行列数，
Figure 276315DEST_PATH_IMAGE005
为当前像素点对应的基尼系数，
Figure 388627DEST_PATH_IMAGE012
为预设的缺陷阈值，
Figure 707482DEST_PATH_IMAGE011
为局部窗口序号。
下面结合具体案例对本发明进一步说明，其流程图如图1所示，包括以下步骤，
① 获取到的带钢表面图片如附图2所示；
②设置滑动窗口宽度为3，则形成窗口大小为3×3，如附图3所示；
③将滑动窗口移动至获取到的带钢图像左上角，计算当前窗口内的局部基尼系数，其中，局部基尼系数的算法为：
Figure 905245DEST_PATH_IMAGE001
其中
Figure 452901DEST_PATH_IMAGE002
为从小到大排列的滑动窗口内像素点灰度值，即
Figure DEST_PATH_IMAGE013
，
Figure 154141DEST_PATH_IMAGE003
为滑动窗口内所有元素的个数，
Figure 142432DEST_PATH_IMAGE004
为滑动窗口内元素 对应序号，
Figure 561912DEST_PATH_IMAGE005
为所求的局部基尼系数；
Figure 913259DEST_PATH_IMAGE014
为滑动窗口内第
Figure 164DEST_PATH_IMAGE004
个像素点灰度值；
Figure DEST_PATH_IMAGE015
为滑动窗口内所有像素点灰度值构成的向量的1范数。
④将滑动窗口向右移动一个像素（为方便展示，附图3逆时针旋转了90度），计算当前窗口内元素的局部尼基系数；
⑤继续遍历当前图片所有像素，形成局部基尼系数序列，如附图4所示；
⑥设置基尼系数阈值，若局部基尼系数大于该阈值，则该像素点为缺陷特征，其结果如附图5所示，具体算法为：
Figure 129663DEST_PATH_IMAGE006
其中，
Figure 36439DEST_PATH_IMAGE016
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像 素点不含有缺陷信息，
Figure DEST_PATH_IMAGE017
和
Figure 660318DEST_PATH_IMAGE018
为分别为图像行列数，
Figure 352462DEST_PATH_IMAGE005
为当前像素点对应的基尼系数，
Figure 934753DEST_PATH_IMAGE012
为预设的缺陷阈值，
Figure 594404DEST_PATH_IMAGE011
为局部窗口序号。

Claims (3)

1.一种基于局部基尼系数的带钢表面缺陷检测方法，其特征在于，按下述步骤进行：
S1：设置滑动窗口宽度为w，则形成窗口大小为w×w；
S2：将滑动窗口移动至获取到的带钢图像左上角，计算当前窗口内的局部基尼系数；
S3：将滑动窗口向右移动一个像素，计算当前窗口内元素的局部尼基系数；
S4：继续遍历当前图像所有像素，形成局部基尼系数序列；
S5：设置基尼系数阈值，若局部基尼系数大于该阈值，则该像素点为缺陷特征。
2.根据权利要求1所述的基于局部基尼系数的带钢表面缺陷检测方法，其特征在于：
所述的步骤S3中, 局部基尼系数的算法为：
Figure DEST_PATH_IMAGE001
其中
Figure 974636DEST_PATH_IMAGE002
为从小到大排列的滑动窗口内像素点灰度值，
Figure DEST_PATH_IMAGE003
为滑动窗口内所有元素的个 数，
Figure 455558DEST_PATH_IMAGE004
为滑动窗口内元素对应序号，
Figure DEST_PATH_IMAGE005
为所求的局部基尼系数。
3.根据权利要求1所述的基于局部基尼系数的带钢表面缺陷检测方法，其特征在于，
所述的步骤S5中,缺陷判断的算法为：
Figure 32033DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为当前像素点的缺陷判断结果，值为1表示当前像素点为缺陷位置，值为0表 示当前像素点不含有缺陷信息，
Figure 489559DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
为分别为图像行列数，
Figure 366249DEST_PATH_IMAGE005
为当前像素点对应 的基尼系数，
Figure 657553DEST_PATH_IMAGE010
为预设的缺陷阈值。
CN202011413453.9A 2020-12-07 2020-12-07 一种基于局部基尼系数的带钢表面缺陷检测方法 Active CN112200808B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011413453.9A CN112200808B (zh) 2020-12-07 2020-12-07 一种基于局部基尼系数的带钢表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011413453.9A CN112200808B (zh) 2020-12-07 2020-12-07 一种基于局部基尼系数的带钢表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112200808A true CN112200808A (zh) 2021-01-08
CN112200808B CN112200808B (zh) 2021-06-15

Family

ID=74033814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011413453.9A Active CN112200808B (zh) 2020-12-07 2020-12-07 一种基于局部基尼系数的带钢表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112200808B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693684A (zh) * 2022-06-01 2022-07-01 领伟创新智能系统(浙江)有限公司 一种机载式风机叶片缺陷检测方法
CN114782446A (zh) * 2022-06-22 2022-07-22 领伟创新智能系统(浙江)有限公司 一种光伏组件蜗牛纹视觉检测方法
CN115131322A (zh) * 2022-07-04 2022-09-30 浙江省武林建筑装饰集团有限公司 一种建筑外立面铝板表面缺陷检测方法
CN118015021A (zh) * 2024-04-07 2024-05-10 安徽农业大学 基于滑动窗口的主动域自适应跨模态医学图像分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780455A (zh) * 2016-12-07 2017-05-31 五邑大学 一种基于滑动的局部邻域窗口的产品表面检测方法
CN105139388B (zh) * 2015-08-12 2017-12-15 武汉大学 一种倾斜航空影像中建筑物立面损毁检测的方法和装置
CN109239073A (zh) * 2018-07-28 2019-01-18 西安交通大学 一种用于汽车车身的表面缺陷检测方法
CN109297689A (zh) * 2018-09-11 2019-02-01 中国水利水电科学研究院 一种引入权重因子的大型水力机械智能诊断方法
CN112001919A (zh) * 2020-10-20 2020-11-27 领伟创新智能系统(浙江)有限公司 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139388B (zh) * 2015-08-12 2017-12-15 武汉大学 一种倾斜航空影像中建筑物立面损毁检测的方法和装置
CN106780455A (zh) * 2016-12-07 2017-05-31 五邑大学 一种基于滑动的局部邻域窗口的产品表面检测方法
CN109239073A (zh) * 2018-07-28 2019-01-18 西安交通大学 一种用于汽车车身的表面缺陷检测方法
CN109297689A (zh) * 2018-09-11 2019-02-01 中国水利水电科学研究院 一种引入权重因子的大型水力机械智能诊断方法
CN112001919A (zh) * 2020-10-20 2020-11-27 领伟创新智能系统(浙江)有限公司 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693684A (zh) * 2022-06-01 2022-07-01 领伟创新智能系统(浙江)有限公司 一种机载式风机叶片缺陷检测方法
CN114782446A (zh) * 2022-06-22 2022-07-22 领伟创新智能系统(浙江)有限公司 一种光伏组件蜗牛纹视觉检测方法
CN115131322A (zh) * 2022-07-04 2022-09-30 浙江省武林建筑装饰集团有限公司 一种建筑外立面铝板表面缺陷检测方法
CN118015021A (zh) * 2024-04-07 2024-05-10 安徽农业大学 基于滑动窗口的主动域自适应跨模态医学图像分割方法
CN118015021B (zh) * 2024-04-07 2024-07-09 安徽农业大学 基于滑动窗口的主动域自适应跨模态医学图像分割方法

Also Published As

Publication number Publication date
CN112200808B (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN112200808B (zh) 一种基于局部基尼系数的带钢表面缺陷检测方法
CN111563889B (zh) 基于计算机视觉的液晶屏幕Mura缺陷检测方法
CN109345528B (zh) 一种基于人眼视觉特性的显示屏缺陷检测方法及装置
CN107678192B (zh) 一种基于机器视觉的Mura缺陷检测方法
CN108876768B (zh) 导光板暗影缺陷检测方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN112053376B (zh) 一种基于深度信息的工件焊缝识别方法
CN114998314B (zh) 一种基于计算机视觉的pcb电路板缺陷检测方法
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
CN113034464B (zh) 一种多背景下的液晶显示器缺陷视觉实时检测方法
KR20160006852A (ko) 비전 검사 장치 및 이의 얼룩 검출 방법
CN114881915A (zh) 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
CN104637067A (zh) 一种纹理表面的缺陷检测方法
CN111833371B (zh) 一种基于pq-mean稀疏测度的图像边缘检测方法
CN114757913A (zh) 一种显示屏缺陷检测方法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN116912248A (zh) 基于计算机视觉的不规则五金件表面缺陷检测方法
CN111539927A (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法
CN109886914A (zh) 基于局部亮度不变性先验的纸张缺陷检测方法
CN113838043A (zh) 金属箔材制造中基于机器视觉的质量分析方法
CN115272256A (zh) 亚像素级传感光纤路径高斯提取方法及系统
CN116228768A (zh) 一种电子元器件表面划痕检测方法
JP2005172559A (ja) パネルの線欠陥検出方法及び装置
CN116883412A (zh) 一种石墨烯远红外电热设备故障检测方法

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
GR01 Patent grant
GR01 Patent grant