CN113155839A - 一种基于机器视觉的钢板外表面缺陷在线检测方法 - Google Patents
一种基于机器视觉的钢板外表面缺陷在线检测方法 Download PDFInfo
- Publication number
- CN113155839A CN113155839A CN202110011412.5A CN202110011412A CN113155839A CN 113155839 A CN113155839 A CN 113155839A CN 202110011412 A CN202110011412 A CN 202110011412A CN 113155839 A CN113155839 A CN 113155839A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- defects
- image
- pixel
- stripes
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 122
- 239000010959 steel Substances 0.000 title claims abstract description 122
- 230000007547 defect Effects 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G06T5/70—
-
- 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
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本发明属于数字图像处理、条纹投影技术领域，公开了一种基于机器视觉的钢板外表面缺陷在线检测方法，包括：根据设备的检测原理，进行检测环境的搭建；通过外界触发，工业CCD相机实时完成对钢板外表面图像的采集；通过对图像进行滤波处理，利用Prewitt边缘提取算法提取条纹的特征信息；通过对提取条纹的特征信息进行计算，判断此钢板外表面是否存在缺陷。本发明利用线激光器倾斜照射在钢板表面，通过CCD工业相机垂直拍摄钢板表面的条纹，通过利用图像处理算法快速判断条纹的畸变情况，判定钢板表面是否存在缺陷，充分利用工业光源与工业相机，采用机器视觉的测量方法，实现对钢板外表面进行快速准确测量，并把数据进行实时处理。
Description
技术领域
本发明属于数字图像处理、条纹投影技术领域，尤其涉及一种基于机器视觉的钢板外表面缺陷在线检测方法。
背景技术
目前，当今社会工业化和城市化进程发展迅速，钢板作为现代化工业的重要原材料，在航空航天、轮船、机械、化工、汽车、家电等领域存在广泛应用，钢板的年需求量逐步增加随着科技的发展。市场竞争不断加剧，人们对钢板质量的要求更加严格，要求企业对钢板表面质量的检测更加严格。但是钢板在生产当中，因为原材料的产地、生产设备老化、轧制工业改进等因素的影响，导致钢板外表面出现划痕、凹坑、孔洞等致命缺陷，这些缺陷将会直接对钢板的使用者造成质量问题，因缺陷的存在，对钢板的抗疲劳性、抗腐蚀性、耐磨性、电磁性等主要特征存在影响，影响设备的使用寿命。
目前常用的钢板外表面缺陷的检测方法主要有涡流探伤检测、视觉检测。其中涡流检测主要利用电磁原理对钢板表面进行检测，因检测的原理导致检测范围较小，无法满足工业现场在线快速检测。视觉检测利用工业CCD相机拍摄钢板外表面，利用图像处理技术提取缺陷的位置，但是无法检测钢板外表面缺陷的高度信息。因此，亟需一种新的钢板外表面缺陷在线检测方法。
通过上述分析，现有技术存在的问题及缺陷为：
(1)常用的钢板外表面缺陷的检测方法中，其中涡流检测因检测的原理导致检测范围较小，无法满足工业现场在线快速检测。
(2)视觉检测利用工业CCD相机拍摄钢板外表面，利用图像处理技术提取缺陷的位置，但是无法检测钢板外表面缺陷的高度信息。
解决以上问题及缺陷的难度为：
钢板在生产当中，因为原材料的产地、生产设备老化、轧制工业改进等因素的影响，导致钢板外表面出现划痕、凹坑、孔洞等致命缺陷，其缺陷的位置、形态以及面积大小均存在差异。本文提出检测方法，适应于各种类似缺陷，其位置、形态以及大小均可以适应。通过计算条纹在钢板表面的畸变情况，判断钢板表面是否存在缺陷。
解决以上问题及缺陷的意义为：
考虑到传统人工检测方式以及传统视觉的检测方式，采用本文提出的检测方法可以适应不同位置、形态以及面积大小的缺陷，降低了传统方式的检出要求，提高了检测的效率，并且根据条纹的畸变情况，计算处此钢板是否属于缺陷件。
发明内容
针对现有技术存在的问题，本发明提供了一种基于机器视觉的钢板外表面缺陷在线检测方法，尤其涉及一种基于机器视觉检测系统的针对钢板在线检测方法。
本发明是这样实现的，一种基于机器视觉的钢板外表面缺陷在线检测方法，所述基于机器视觉的钢板外表面缺陷在线检测方法包括以下步骤：
步骤一，根据设备的检测原理，进行检测环境的搭建；
步骤二，通过外界触发，工业CCD相机实时完成对钢板外表面图像的采集；
步骤三，通过对图像进行滤波处理，利用Prewitt边缘提取算法提取条纹的特征信息；
步骤四，通过对提取条纹的特征信息进行计算，判断此钢板外表面是否存在缺陷。
进一步，步骤一中，所述根据设备检测原理，进行检测环境搭建，包括：
(1)线激光器将以一定的角度投影到钢板外表面上，通过利用工业CCD 相机在垂直于钢板的方向进行图像的采集；
(2)利用外界触发，动态的拍摄钢板外表面的缺陷，保证采集效率以及钢板外表面每一处均可以被采集到。
进一步，步骤一中，若被测钢板外表面没有缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现水平状态；若被测钢板外表面凸缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现凸起来状态；若被测钢板外表面凹缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现凹进去状态。
进一步，步骤二中，所述通过外界触发，工业CCD相机实时完成对钢板外表面图像的采集，包括：
通过计算工业CCD相机拍摄的视野、相机的采集帧率、钢板的运动速度、以及相邻两次采集图像的重叠率，得出钢板运动距离L进行一张图采集，采集的得到相邻两张图。
进一步，步骤三中，所述通过对图像进行滤波处理，包括：
(1)利用数字图像处理算法中的滤波算子对采集到的图像进行滤波；采用中值滤波的方法，把图像中某点像素的灰度值被该点领域内像素的灰度中值替换，使目标像素点的灰度值与产品表面实际的真实值更加接近，数学表达式为：
G(x,y)＝med(f(m,n))；
其中，f(m,n)表示原始图像的像素灰度值；G(x,y)表示中值滤波后的像素灰度值。
(2)把经过改进后的中值滤波处理的图像，进行色彩转换，把三通道的图像转为单通道的灰度图像。
进一步，步骤三中，当该点像素灰度值为其领域的中像素点灰度值的最值，则该像素点将由其领域内像素点的灰度中值进行替代；当该点像素灰度值不是其领域的中像素点灰度值的最值，则该像素点将不被其领域内像素点的灰度中值进行替代，即不做任何处理。
进一步，步骤三中，所述利用Prewitt边缘提取算法提取条纹的特征信息，包括：
Prewitt边缘提取算法一种离散的一阶空域微分算子，所述Prewitt边缘提取算法采用2个方向的模板与图像中每个像素点进行卷积操作，计算得到图像的梯度值的表达式为：
Gx＝f(x+1,y-1)-f(x-1,y-1)+f(x+1,y)
-f(x-1,y)+f(x+1,y+1)-f(x-1,y+1)；
Gy＝f(x-1,y+1)-f(x-1,y-1)+f(x,y+1)
-f(x,y-1)+f(x+1,y+1)-f(x-1,y-1)；
P(x,y)＝max{|Gx|,|Gy|}；
其中，Gx表示水平方向的差分值；Gy表示垂直方向的差分值；P(x,y)表示 Prewitt算子梯度幅值；f(x,y)表示点(x,y)处的像素灰度值；
利用方程求解P(x,y)的梯度幅值，通过比较与设定梯度阈值T进行比较，当 P(x,y)<T时，则点(x,y)为图像的边缘点，规定此点的灰度值为0；当P(x,y)>T 时，则点(x,y)为图像的非边缘点，规定此点的灰度值为255，并根据灰度的变化提取图像中条纹中心线信息。
进一步，步骤四中，所述通过对提取条纹的特征信息进行计算，判断此钢板外表面是否存在缺陷，包括：
根据提取到的条纹特征信息，如线条的整体长度是否满足规定的尺寸要求，因为当产品表面无缺陷时，条纹是不会存在任何断裂，在相机视野中，是一整条线段；若产品表面存在缺陷时，条纹存在断裂，在相机视野中，线段被分割为多条；因此利用线段的长度信息以及个数信息，判断此处是否存在缺陷。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的基于机器视觉的钢板外表面缺陷在线检测方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的基于机器视觉的钢板外表面缺陷在线检测方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于机器视觉的钢板外表面缺陷在线检测方法，利用线激光器倾斜照射在钢板表面，通过CCD工业相机垂直拍摄钢板表面的条纹，通过利用图像处理算法快速判断条纹的畸变情况，进一步判定钢板表面是否存在缺陷，充分利用工业光源与工业相机，采用机器视觉的测量方法，实现了对钢板外表面进行快速并准确地测量，并把数据进行实时处理。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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是本发明实施例提供的基于机器视觉的钢板外表面缺陷在线检测方法流程图。
图2是本发明实施例提供的产品检测结构简图。
图3是本发明实施例提供的线激光器投影到钢板外表面的简图。
图4(a)是本发明实施例提供的钢板外表面无任何缺陷的示意图。
图4(b)是本发明实施例提供的工业CCD相机呈现理论图。
图5(a)是本发明实施例提供的钢板外表面存在凸缺陷的示意图。
图5(b)是本发明实施例提供的工业CCD相机呈现理论图。
图6(a)是本发明实施例提供的钢板外表面存在凹缺陷的示意图。
图6(b)是本发明实施例提供的工业CCD相机呈现理论图。
图7是本发明实施例提供的基于中值滤波改进后的算法流程图。
图8(a)是本发明实施例提供的中值滤波改进前的原图。
图8(b)是本发明实施例提供的基于中值滤波改进后处理结果示意图。
图8(c)是本发明实施例提供的中值滤波改进前的原图局部放大图。
图8(d)是本发明实施例提供的基于中值滤波改进后处理的局部放大图。
图9是本发明实施例提供的求三通道色彩图转为单通道的灰度图。
图10(a)是本发明实施例提供的Prewitt边缘提取算法X方向模板图。
图10(b)是本发明实施例提供的Prewitt边缘提取算法Y方向模板图。
图11(a)是本发明实施例提供的单通道灰度图。
图11(b)是本发明实施例提供的Prewitt处理后的示意图。
图11(c)是本发明实施例提供的Prewitt中心线提取图。
图12(a)是本发明实施例提供的条纹中心线示意图。
图12(b)是本发明实施例提供的条纹中心线长度变化图。
图13是本发明实施例提供的光栅投影三角测量法原理图。
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。
针对现有技术存在的问题，本发明提供了一种基于机器视觉的钢板外表面缺陷在线检测方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于机器视觉的钢板外表面缺陷在线检测方法包括以下步骤：
S101，根据设备的检测原理，进行检测环境的搭建；
S102，通过外界触发，工业CCD相机实时完成对钢板外表面图像的采集；
S103，通过对图像进行滤波处理，利用Prewitt边缘提取算法提取条纹的特征信息；
S104，通过对提取条纹的特征信息进行计算，判断此钢板外表面是否存在缺陷。
下面结合实施例对本发明作进一步描述。
本发明实施例中的技术方案，总体思路如下：利用线激光器倾斜照射在钢板表面，通过CCD工业相机垂直拍摄钢板表面的条纹，通过利用图像处理算法快速判断条纹的畸变情况，进一步判定钢板表面是否存在缺陷。
下面结合图1对本申请提供的基于机器视觉的钢板外表面缺陷在线检测方法进行详细介绍：
首先执行步骤S101，根据设备的检测原理，进行检测环境的搭建。
具体地，上述根据设备的检测原理，进行检测环境的搭建，具体包括：线激光器将以一定的角度投影到钢板外表面上，通过利用工业CCD相机在垂直于钢板的方向进行图像的采集。为保证采集效率以及钢板外表面每一处均可以被采集到，利用外界触发，动态的拍摄钢板外表面的缺陷。设备结构简图如图2 所示。线激光器投影到钢板外表面的简图如图3所示。
若被测钢板外表面没有缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现水平状态，如图4所示；
若被测钢板外表面凸缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现凸起来状态，如图5所示；
若被测钢板外表面凹缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现凹进去状态，如图6所示；
然后执行步骤S102：通过外界触发，工业CCD相机实时完成对钢板外表面图像的采集。
具体地，通过计算工业CCD相机拍摄的视野、相机的采集帧率、钢板的运动速度、以及相邻两次采集图像的重叠率，得出钢板运动距离L进行一张图采集。采集的得到相邻两张图；
然后执行步骤S103：通过对图像进行滤波处理，利用Prewitt边缘提取算法提取条纹的特征信息。
具体地，为准确求取钢板外表面的缺陷特征，在利用激光器把条纹投影到钢板外表面时，不可避免的收到随机噪声或者系统噪声的影响，对条纹的提取产生一定的干扰，降低了设备的检测能力，因此需要利用数字图像处理算法中的滤波算子对采集到的图像进行滤波，降低随机噪声和系统噪声的影响。
经过多次测试实验，采用中值滤波的方法，其基本原理是把图像中某点像素的灰度值被该点领域内像素的灰度中值替换，使目标像素点的灰度值与产品表面实际的真实值更加接近。其数学表达式为：
G(x,y)＝med(f(m,n))；
其中，f(m,n)：原始图像的像素灰度值；
G(x,y)：中值滤波后的像素灰度值。
在实际操作中，当某些像素点灰度值与其周围的像素点灰度值存在较大差异时，该像素点将与其领域的相关性变小。如果整张图像均采用此方法进行处理，就会导致在滤除噪声的同时，也会改变图像其他位置的灰度值，造成图像的失真，丢失原始的细节。基于中值滤波的却线性，本发明将对其方法进行改进。当该点像素灰度值为其领域的中像素点灰度值的最值，则该像素点将由其领域内像素点的灰度中值进行替代；当该点像素灰度值不是其领域的中像素点灰度值的最值，则该像素点将不被其领域内像素点的灰度中值进行替代，即不做任何处理，其算法流程如图7所示。
经过改进后的中值滤波后，其处理结果如图8所示。
把经过改进后的中值滤波处理的图像，进行色彩转换，把三通道的图像转为单通道的灰度图像，如图9所示。
Prewitt边缘提取算法一种离散的一阶空域微分算子，Prewitt边缘提取算法通常采用2个方向的模板与图像中每个像素点进行卷积操作，其2个方向的模板如图10所示；
用图10提及到的2个方向模板对图像中的像素进行卷积操纵，计算得到图像的梯度值的表达式为：
Gx＝f(x+1,y-1)-f(x-1,y-1)+f(x+1,y)
-f(x-1,y)+f(x+1,y+1)-f(x-1,y+1)；
Gy＝f(x-1,y+1)-f(x-1,y-1)+f(x,y+1)
-f(x,y-1)+f(x+1,y+1)-f(x-1,y-1)；
P(x,y)＝max{|Gx|,|Gy|}；
式中：Gx：水平方向的差分值；
Gy：垂直方向的差分值；
P(x,y)：Prewitt算子梯度幅值；
f(x,y)：点(x,y)处的像素灰度值。
利用以上方程求解P(x,y)的梯度幅值，通过比较与设定梯度阈值T进行比较，当P(x,y)<T时，则点(x,y)为图像的边缘点，规定此点的灰度值为0；当 P(x,y)>T时，则点(x,y)为图像的非边缘点，规定此点的灰度值为255。根据灰度的变化提取图像中条纹中心线信息，如图11所示。
然后执行步骤S104：通过对提取条纹的特征信息进行计算，判断此钢板外表面是否存在缺陷。
根据提取到的条纹特征信息，如线条的整体长度是否满足规定的尺寸要求，因为当产品表面无缺陷时，条纹是不会存在任何断裂，在相机视野中，是一整条线段；
若产品表面存在缺陷时，条纹存在断裂，在相机视野中，线段被分割为多条；因此利用线段的长度信息以及个数信息，判断此处是否存在缺陷，如图12所示。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的钢板外表面缺陷在线检测方法，其特征在于，所述基于机器视觉的钢板外表面缺陷在线检测方法包括以下步骤：
步骤一，根据设备的检测原理，进行检测环境的搭建；
步骤二，通过外界触发，工业CCD相机实时完成对钢板外表面图像的采集；
步骤三，通过对图像进行滤波处理，利用Prewitt边缘提取算法提取条纹的特征信息；
步骤四，通过对提取条纹的特征信息进行计算，判断此钢板外表面是否存在缺陷。
2.如权利要求1所述的基于机器视觉的钢板外表面缺陷在线检测方法，其特征在于，步骤一中，所述根据设备检测原理，进行检测环境搭建，包括：
(1)线激光器将以一定的角度投影到钢板外表面上，通过利用工业CCD相机在垂直于钢板的方向进行图像的采集；
(2)利用外界触发，动态的拍摄钢板外表面的缺陷，保证采集效率以及钢板外表面每一处均可以被采集到。
3.如权利要求1所述的基于机器视觉的钢板外表面缺陷在线检测方法，其特征在于，步骤一中，若被测钢板外表面没有缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现水平状态；若被测钢板外表面凸缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现凸起来状态；若被测钢板外表面凹缺陷时，线激光器投影到钢板外表面时，条纹在钢板外表面呈现凹进去状态。
4.如权利要求1所述的基于机器视觉的钢板外表面缺陷在线检测方法，其特征在于，步骤二中，所述通过外界触发，工业CCD相机实时完成对钢板外表面图像的采集，包括：
通过计算工业CCD相机拍摄的视野、相机的采集帧率、钢板的运动速度、以及相邻两次采集图像的重叠率，得出钢板运动距离L进行一张图采集，采集的得到相邻两张图。
5.如权利要求1所述的基于机器视觉的钢板外表面缺陷在线检测方法，其特征在于，步骤三中，所述通过对图像进行滤波处理，包括：
(1)利用数字图像处理算法中的滤波算子对采集到的图像进行滤波；采用中值滤波的方法，把图像中某点像素的灰度值被该点领域内像素的灰度中值替换，使目标像素点的灰度值与产品表面实际的真实值更加接近，数学表达式为：
G(x,y)＝med(f(m,n))；
其中，f(m,n)表示原始图像的像素灰度值；G(x,y)表示中值滤波后的像素灰度值；
(2)把经过改进后的中值滤波处理的图像，进行色彩转换，把三通道的图像转为单通道的灰度图像。
6.如权利要求1所述的基于机器视觉的钢板外表面缺陷在线检测方法，其特征在于，步骤三中，当该点像素灰度值为其领域的中像素点灰度值的最值，则该像素点将由其领域内像素点的灰度中值进行替代；当该点像素灰度值不是其领域的中像素点灰度值的最值，则该像素点将不被其领域内像素点的灰度中值进行替代，即不做任何处理。
7.如权利要求1所述的基于机器视觉的钢板外表面缺陷在线检测方法，其特征在于，步骤三中，所述利用Prewitt边缘提取算法提取条纹的特征信息，包括：
Prewitt边缘提取算法一种离散的一阶空域微分算子，所述Prewitt边缘提取算法采用2个方向的模板与图像中每个像素点进行卷积操作，计算得到图像的梯度值的表达式为：
Gx＝f(x+1,y-1)-f(x-1,y-1)+f(x+1,y)-f(x-1,y)+f(x+1,y+1)-f(x-1,y+1)；
Gy＝f(x-1,y+1)-f(x-1,y-1)+f(x,y+1)-f(x,y-1)+f(x+1,y+1)-f(x-1,y-1)；
P(x,y)＝max{|Gx|,|Gy|}；
其中，Gx表示水平方向的差分值；Gy表示垂直方向的差分值；P(x,y)表示Prewitt算子梯度幅值；f(x,y)表示点(x,y)处的像素灰度值；
利用方程求解P(x,y)的梯度幅值，通过比较与设定梯度阈值T进行比较，当P(x,y)<T时，则点(x,y)为图像的边缘点，规定此点的灰度值为0；当P(x,y)>T时，则点(x,y)为图像的非边缘点，规定此点的灰度值为255，并根据灰度的变化提取图像中条纹中心线信息。
8.如权利要求1所述的基于机器视觉的钢板外表面缺陷在线检测方法，其特征在于，步骤四中，所述通过对提取条纹的特征信息进行计算，判断此钢板外表面是否存在缺陷，包括：
根据提取到的条纹特征信息，如线条的整体长度是否满足规定的尺寸要求，因为当产品表面无缺陷时，条纹是不会存在任何断裂，在相机视野中，是一整条线段；若产品表面存在缺陷时，条纹存在断裂，在相机视野中，线段被分割为多条；因此利用线段的长度信息以及个数信息，判断此处是否存在缺陷。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～8任意一项所述的基于机器视觉的钢板外表面缺陷在线检测方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～8任意一项所述的基于机器视觉的钢板外表面缺陷在线检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110011412.5A CN113155839A (zh) | 2021-01-06 | 2021-01-06 | 一种基于机器视觉的钢板外表面缺陷在线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110011412.5A CN113155839A (zh) | 2021-01-06 | 2021-01-06 | 一种基于机器视觉的钢板外表面缺陷在线检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113155839A true CN113155839A (zh) | 2021-07-23 |
Family
ID=76878608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110011412.5A Pending CN113155839A (zh) | 2021-01-06 | 2021-01-06 | 一种基于机器视觉的钢板外表面缺陷在线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113155839A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793321A (zh) * | 2021-09-14 | 2021-12-14 | 浙江大学滨江研究院 | 基于机器视觉的铸件表面缺陷动态检测方法及装置 |
| CN114113145A (zh) * | 2021-11-15 | 2022-03-01 | 天津大学 | 一种小口径内壁微米级别缺陷检测方法、检测装置、应用 |
| CN116203031A (zh) * | 2023-03-24 | 2023-06-02 | 苏州电光波工业智能科技有限公司 | 基于微波与机器视觉技术的工业品缺陷智能检测系统 |
| CN116952838A (zh) * | 2023-07-19 | 2023-10-27 | 西南林业大学 | 一种基于机器视觉的板材表面图像采集装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE202009013865U1 (de) * | 2008-10-14 | 2010-02-18 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Konzept zum Auswählen eines optimierten Bewertungsmerkmalsteilsatzes für eine Inspektion von Freiformoberflächen und Konzept zum Inspizieren einer Freiformoberfläche |
| CN109115785A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种铸件打磨质量检测方法、装置及其使用方法 |
| CN110827235A (zh) * | 2019-09-24 | 2020-02-21 | 苏州苏相机器人智能装备有限公司 | 钢板表面缺陷检测方法 |
| CN112150441A (zh) * | 2020-09-24 | 2020-12-29 | 菲特（天津）检测技术有限公司 | 一种基于机器视觉的光滑漆面表面缺陷检测方法 |
-
2021
- 2021-01-06 CN CN202110011412.5A patent/CN113155839A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE202009013865U1 (de) * | 2008-10-14 | 2010-02-18 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Konzept zum Auswählen eines optimierten Bewertungsmerkmalsteilsatzes für eine Inspektion von Freiformoberflächen und Konzept zum Inspizieren einer Freiformoberfläche |
| CN109115785A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种铸件打磨质量检测方法、装置及其使用方法 |
| CN110827235A (zh) * | 2019-09-24 | 2020-02-21 | 苏州苏相机器人智能装备有限公司 | 钢板表面缺陷检测方法 |
| CN112150441A (zh) * | 2020-09-24 | 2020-12-29 | 菲特（天津）检测技术有限公司 | 一种基于机器视觉的光滑漆面表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨光辉: "《热轧带钢板形控制与检测》", 31 July 2015, 冶金工业出版社 * |
| 段晓杰: "基于数字条纹投影的钢板表面三维缺陷检测", 《钢铁研究学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793321A (zh) * | 2021-09-14 | 2021-12-14 | 浙江大学滨江研究院 | 基于机器视觉的铸件表面缺陷动态检测方法及装置 |
| CN113793321B (zh) * | 2021-09-14 | 2024-01-23 | 浙江大学滨江研究院 | 基于机器视觉的铸件表面缺陷动态检测方法及装置 |
| CN114113145A (zh) * | 2021-11-15 | 2022-03-01 | 天津大学 | 一种小口径内壁微米级别缺陷检测方法、检测装置、应用 |
| CN116203031A (zh) * | 2023-03-24 | 2023-06-02 | 苏州电光波工业智能科技有限公司 | 基于微波与机器视觉技术的工业品缺陷智能检测系统 |
| CN116952838A (zh) * | 2023-07-19 | 2023-10-27 | 西南林业大学 | 一种基于机器视觉的板材表面图像采集装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113155839A (zh) | 一种基于机器视觉的钢板外表面缺陷在线检测方法 | |
| US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
| CN109870461B (zh) | 一种电子元器件质量检测系统 | |
| CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
| CN114943739B (zh) | 一种铝管质量检测方法 | |
| CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
| CN107490582B (zh) | 一种流水线工件检测系统 | |
| CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN103674968A (zh) | 材料外观腐蚀形貌特征机器视觉原值检测评价方法及装置 | |
| CN115841434A (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
| CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
| CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
| CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
| CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
| CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
| Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
| Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
| Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
| CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
| CN114820611B (zh) | 基于人工智能的机械零件质量评估方法及系统 | |
| CN114638822B (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及系统 | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
| CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
| CN114004812A (zh) | 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210723 |
|
| WD01 | Invention patent application deemed withdrawn after publication |