CN113284154B - 钢卷端面图像分割方法、装置及电子设备 - Google Patents

钢卷端面图像分割方法、装置及电子设备 Download PDF

Info

Publication number
CN113284154B
CN113284154B CN202110569887.6A CN202110569887A CN113284154B CN 113284154 B CN113284154 B CN 113284154B CN 202110569887 A CN202110569887 A CN 202110569887A CN 113284154 B CN113284154 B CN 113284154B
Authority
CN
China
Prior art keywords
steel coil
face image
face
edge
image
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
CN202110569887.6A
Other languages
English (en)
Other versions
CN113284154A (zh
Inventor
张雪荣
董茂松
陈燕才
赵雪松
程礼
布昭元
张俊
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.)
Wuhan Iron and Steel Co Ltd
Original Assignee
Wuhan Iron and Steel 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 Wuhan Iron and Steel Co Ltd filed Critical Wuhan Iron and Steel Co Ltd
Priority to CN202110569887.6A priority Critical patent/CN113284154B/zh
Publication of CN113284154A publication Critical patent/CN113284154A/zh
Application granted granted Critical
Publication of CN113284154B publication Critical patent/CN113284154B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种钢卷端面图像分割方法、装置及电子设备，通过获取包含背景区域以及部分钢卷端面区域的目标钢卷端面图像，然后基于目标钢卷端面图像中的钢卷边缘类型确定扫描方向，扫描方向为从背景区域向钢卷端面扫描的方向，分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对二值化的端面图像进行扫描、对比以及曲线拟合处理，确定钢卷端面边缘线；进而基于钢卷端面边缘线，从目标钢卷端面图像中确定钢卷端面区域，并进一步分割钢卷端面区域得到多个钢卷端面子图像。该过程简单高效，有利于提高钢卷端面图像的分割效率和准确度，满足生产现场在线高速端面缺陷检测要求。

Description

钢卷端面图像分割方法、装置及电子设备
技术领域
本发明涉及图像识别技术领域，尤其涉及一种钢卷端面图像分割方法、装置及电子设备。
背景技术
热轧钢卷端面质量是热连轧卷取区域最重要的质量指标，带钢卷取过程中，存在着边损、毛刺、折叠、花边纹等质量问题，若发现不及时，会造成较大质量异议损失。
图像分割指的是将数字图像细分为多个图像子区域的过程，即把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。它是由图像处理到图像分析的关键步骤。
热轧钢卷端面缺陷检测过程中，无论是几何、尺寸、边缘缺陷，还是纹理缺陷，首先均要对钢卷端面图像进行分割、提取，方便后期对缺陷目标进行定位、分类以及识别。因此，图像分割效率是影响钢卷端面缺陷检测的重要因素。
发明内容
本说明书实施例提供了一种钢卷端面图像分割方法、装置及电子设备，能够较高效地实现钢卷端面图像的分割，有利于满足生产现场在线高速端面缺陷检测要求。
第一方面，本说明书实施例提供了一种钢卷端面图像分割方法，所述方法包括：
获取目标钢卷端面图像，并基于所述目标钢卷端面图像中的钢卷边缘类型确定扫描方向，其中，所述目标钢卷端面图像中包含背景区域以及部分钢卷端面区域，所述扫描方向为从背景区域向钢卷端面扫描的方向，每组扫描方向包括行扫描方向和列扫描方向；
对所述目标钢卷端面图像进行边缘检测，得到二值化的端面图像；
分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对所述二值化的端面图像进行扫描，直至扫描到边缘像素点，将按照所述行扫描方向每行扫描到的边缘像素点作为第一基准像素点，将按照所述列扫描方向每列扫描到的边缘像素点作为第二基准像素点；
将按照同一组扫描方向得到的所述第一基准像素点和所述第二基准像素点进行对比，确定同一组扫描方向扫描到的位置相同的边缘像素点，并对所述位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线；
基于所述钢卷端面边缘线，从所述目标钢卷端面图像中确定钢卷端面区域，并按照预设分割网格对所确定的钢卷端面区域进行分割，得到多个钢卷端面子图像。
进一步地，所述基于所述目标钢卷端面图像中的钢卷边缘类型确定扫描方向，包括：
获取所述目标钢卷端面图像的标识信息；
基于所述标识信息确定所述目标钢卷端面图像中的钢卷边缘类型，并基于所述钢卷边缘类型以及预设对应关系，确定所述目标钢卷端面图像的扫描方向，其中，所述预设对应关系包括多种不同边缘类型的钢卷端面图像对应的扫描方向。
进一步地，所述目标钢卷端面图像中的钢卷边缘类型为第一类型，所述目标钢卷端面图像的扫描方向为一组，其中，所述第一类型的钢卷端面图像中包含一条钢卷端面边缘线。
进一步地，所述目标钢卷端面图像中的钢卷边缘类型为第二类型，所述目标钢卷端面图像的扫描方向为两组，其中，所述第二类型的钢卷端面图像中包含两条钢卷端面边缘线，分别为内边缘线和外边缘线；
所述对所述位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线，包括：
分别对两组扫描方向中每组扫描方向得到的位置相同的边缘像素点进行曲线拟合，得到两条拟合曲线，将所述两条拟合曲线对应作为钢卷端面区域的内边缘线和外边缘线。
进一步地，所述对所述二值化的端面图像进行扫描处理之前，还包括：
对所述二值化的端面图像进行膨胀处理，以对膨胀处理后的端面图像执行所述扫描处理。
进一步地，所述基于所述钢卷端面边缘线，从所述目标钢卷端面图像中确定钢卷端面区域，包括：
根据所述钢卷端面边缘线进行漫水填充处理，得到用于界定钢卷端面区域的填充区域图；
基于所述填充区域图，从所述目标钢卷端面图像中确定钢卷端面区域。
进一步地，所述得到多个钢卷端面子图像之后，还包括：
对所述多个钢卷端面子图像进行展示并保存，以利用所述多个钢卷端面子图像进行钢卷端面缺陷检测。
进一步地，所述获取目标钢卷端面图像，包括：
获取带钢生产线传输的钢卷物料信息标识；
基于所述钢卷物料信息标识，从预设图像库中选择相对应的钢卷端面图像，将所选择的钢卷端面图像作为目标钢卷端面图像，其中，所述预设图像库中存储有通过预先布设在钢卷生产线上的摄像头采集的各钢卷物料的端面图像以及相对应的钢卷物料信息标识。
第二方面，本说明书实施例提供了一种钢卷端面图像分割装置，所述装置包括：
获取模块，用于获取目标钢卷端面图像，并基于所述目标钢卷端面图像中的钢卷边缘类型确定扫描方向，其中，所述目标钢卷端面图像中包含背景区域以及部分钢卷端面区域，所述扫描方向为从背景区域向钢卷端面扫描的方向，每组扫描方向包括行扫描方向和列扫描方向；
边缘检测模块，用于对所述目标钢卷端面图像进行边缘检测，得到二值化的端面图像；
扫描模块，用于分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对所述二值化的端面图像进行扫描，直至扫描到边缘像素点，将按照所述行扫描方向每行扫描到的边缘像素点作为第一基准像素点，将按照所述列扫描方向每列扫描到的边缘像素点作为第二基准像素点；
边缘线确定模块，用于将按照同一组扫描方向得到的所述第一基准像素点和所述第二基准像素点进行对比，确定同一组扫描方向扫描到的位置相同的边缘像素点，并对所述位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线；
分割模块，用于基于所述钢卷端面边缘线，从所述目标钢卷端面图像中确定钢卷端面区域，并按照预设分割网格对所确定的钢卷端面区域进行分割，得到多个钢卷端面子图像。
第三方面，本说明书实施例提供了一种电子设备，所述电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面提供的钢卷端面图像分割方法的步骤。
本说明书实施例提供的钢卷端面图像分割方法、装置及电子设备，通过获取包含背景区域以及部分钢卷端面区域的目标钢卷端面图像，然后基于目标钢卷端面图像中的钢卷边缘类型确定扫描方向，扫描方向为从背景区域向钢卷端面扫描的方向，每组扫描方向包括行扫描方向和列扫描方向，对目标钢卷端面图像进行边缘检测，得到二值化的端面图像，然后分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对二值化的端面图像进行扫描，直至扫描到边缘像素点，将按照行扫描方向每行扫描到的边缘像素点作为第一基准像素点，将按照列扫描方向每列扫描到的边缘像素点作为第二基准像素点，接着，将按照同一组扫描方向得到的第一基准像素点和第二基准像素点进行对比，确定同一组扫描方向扫描到的位置相同的边缘像素点，并对位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线；进而基于钢卷端面边缘线，从目标钢卷端面图像中确定钢卷端面区域，并按照预设分割网格对所确定的钢卷端面区域进行分割，得到多个钢卷端面子图像。该分割过程简单高效，能够快速并较准确地定位图像中的钢卷端面边缘线，有利于提高钢卷端面图像的分割效率和准确度，进而提高钢卷端面缺陷检测的效率，有利于满足生产现场在线高速端面缺陷检测要求。
附图说明
为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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示出了本说明书实施例第一方面提供的一种钢卷端面图像分割方法的结构示意图；
图2示出了本说明书实施例中传动侧钢卷端面图像的一种示例性分布图；
图3示出了本说明书实施例中操作侧钢卷端面图像的一种示例性分布图；
图4示出了本说明书实施例中子类型0-3的简化示意图；
图5示出了本说明书实施例中子类型4-7的简化示意图；
图6示出了本说明书实施例中一种示例性第一类型钢卷端面图像的灰度示意图；
图7示出了对图6进行边缘检测后得到的效果图；
图8示出了对图7进行膨胀处理后的效果图；
图9示出了另一示例性图像的扫描结果示意图；
图10示出了对图8进行扫描以及基准像素点对比后得到的效果图；
图11示出了基于图10中白色像素点进行曲线拟合以及漫水填充后得到的效果图；
图12示出了从图6中确定的钢卷端面区域的效果图；
图13示出了示例性钢卷端面子图像的效果图；
图14示出了本说明书实施例中一种示例性第二类型钢卷端面图像的扫描示意图；
图15示出了图14的漫水填充效果图；
图16示出了从图14中确定的钢卷端面区域的效果图；
图17示出了本说明书实施例第二方面提供的一种钢卷端面图像分割装置的模块框图；
图18示出了本说明书实施例第三方面提供的一种电子设备的结构示意图。
具体实施方式
由于钢卷图像是现场在线拍摄，对钢卷边部拍照得到照片后，照片的尺寸一般比较巨大，需要对其进行分割以得到详细明确的局部图像，这也是钢卷质量检测过程图像处理的起点和数据来源。但钢卷端面图像分割过程中存在以下难点：第一，缺陷图像与本体的相似度高，边部的背景和缺陷图像交叉在一起，相互重叠，给图像的分割带来了较大的难度；第二，钢卷体积非常大，而缺陷的尺寸很小，存在较大的倍数的比例差，同时受到拍照设备、灯光、噪声等客观条件的影响，获取局部完整图像非常困难；第三，现有的边部图像分割技术在速度和质量两者之间存在严重的矛盾，人工分割图像可获得较好的分类效果但无法实现自动化。第四，传统的图像分割方法主要有按阈值分割、按边缘分割、按区域分割等三种。由于钢卷边部的图像为薄层圈状，图形密实，颜色区分度小，灰度阈值和边缘检测都无法将彻底分开。按区域分割的普通切割算法过度依赖于图像凹陷边界，不能有效利用图像的全局信息，因此难以取得满意的分割效果。
考虑到这些困难，发明人进行了长期的研究，提供了一种钢卷端面图像分割方法，能够快速并较准确地定位图像中的钢卷端面边缘线，有利于提高钢卷端面图像的分割效率和准确度，达到较好的分割效果，进而提高钢卷端面缺陷检测的效率，满足生产现场在线高速端面缺陷检测要求
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“多个”包括两个以及大于两个的情况。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
第一方面，本说明书实施例提供了一种钢卷端面图像分割方法，用于对钢卷端面图像进行分割，以进一步实现钢卷端面质量检测，例如，可以应用于热轧板材生产线钢卷质量在线检测中。如图1所示，该方法可以包括以下步骤：
步骤S101，获取目标钢卷端面图像，并基于所述目标钢卷端面图像中的钢卷边缘类型确定扫描方向；
步骤S102，对所述目标钢卷端面图像进行边缘检测，得到二值化的端面图像；
步骤S103，分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对所述二值化的端面图像进行扫描，直至扫描到边缘像素点，将按照所述行扫描方向每行扫描到的边缘像素点作为第一基准像素点，将按照所述列扫描方向每列扫描到的边缘像素点作为第二基准像素点；
步骤S104，将按照同一组扫描方向得到的所述第一基准像素点和所述第二基准像素点进行对比，确定同一组扫描方向扫描到的位置相同的边缘像素点，并对所述位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线；
步骤S105，基于所述钢卷端面边缘线，从所述目标钢卷端面图像中确定钢卷端面区域，并按照预设分割网格对所确定的钢卷端面区域进行分割，得到多个钢卷端面子图像。
在步骤S101中，目标钢卷端面图像为需要进行分割的钢卷端面图像。目标钢卷端面图像中包含部分钢卷端面区域以及背景区域。背景区域与钢卷端面区域由钢卷边缘分隔。可以通过预先布设在钢卷生产线上的摄像头采集钢卷端面的图像，作为目标钢卷端面图像。可以理解的是，由于钢卷端面尺寸较大，且摄像头与钢卷端面之间的距离即物距布设距离有限，在钢卷端面质量检测在线检测中，摄像头拍摄到的图像通常为部分钢卷端面的图像，需要针对同一钢卷端面拍摄的多个不同位置的图像进行拼接，才能得到完整的钢卷图像。
具体实施时，可以先获取带钢生产线传输的钢卷物料信息标识；基于钢卷物料信息标识，从预设图像库中选择相对应的钢卷端面图像，将所选择的钢卷端面图像作为目标钢卷端面图像。进而，就可以对每个目标钢卷端面图像分别执行上述步骤S101至步骤S105的图像分割处理过程。其中，预设图像库中存储有通过预先布设在钢卷生产线上的摄像头采集的各钢卷物料的端面图像以及相对应的钢卷物料信息标识。例如，钢卷物料信息标识可以为预先配置的物料信息编号。需要说明的是，若预设图像库中不存在与所获取的钢卷物料信息标识对应的钢卷端面图像，则可以输出报错信息，重新进行下一轮的目标钢卷端面图像获取。
举例来讲，可以在带钢生产线的传动侧和操作侧分别布设摄像头，采集传动侧的钢卷端面图像和操作侧的钢卷端面图像，然后与相应钢卷的物料信息编号对应存储在预设图像库中。例如，拍摄到的传动侧的钢卷端面图像如图2所示，拍摄到的操作侧的钢卷端面图像如图3所示。图2中的(1)至(8)图分别为传动侧的钢卷端面不同位置的图像，按照图2示出的分布方式拼接可以得到完整的传动侧的钢卷端面。图3中的(a)至(h)图分别为操作侧的钢卷端面不同位置的图像，按照图3示出的分布方式拼接可以得到完整的操作侧的钢卷端面。需要说明的是，相邻钢卷端面图像之间可以存在重叠区域。例如，具体实施时，可以将每个位置的图像如图2中(1)至(8)图以及图3中的(a)至(h)图依次作为目标钢卷端面图像。
具体实施过程中，可以预先按照钢卷端面图像中包含的钢卷边缘类型对拍摄到的钢卷端面图像进行分类。具体可以分为第一类型和第二类型，第一类型为只拍摄到一条边的图像，也就是钢卷端面图像中包含一条钢卷端面边缘线，如图2中的(1)、(2)、(7)和(8)图、图3中的(a)、(b)、(g)和(h)图所示。例如，第一类型的钢卷端面图像中的钢卷边缘可以简化为图4中(1)至(4)图示出的四种子类型。第二类型为拍摄到两条边的图像，也就是钢卷端面图像中包含两条钢卷端面边缘线，分别为内边缘线和外边缘线，如图2中的(3)、(4)、(5)和(6)图、图3中的(c)、(d)、(e)和(f)图所示。例如，第二类型的钢卷端面图像中的钢卷边缘可以简化为图5中(1)至(4)图示出的四种子类型。
获取到目标钢卷端面图像后，可以先确定目标钢卷端面图像中的钢卷边缘类型，再基于类型确定扫描方向。作为一种实施方式，可以获取目标钢卷端面图像的标识信息；基于标识信息确定目标钢卷端面图像中的钢卷边缘类型，并基于钢卷边缘类型以及预设对应关系，确定目标钢卷端面图像的扫描方向。每个钢卷端面图像均对应有唯一标识信息，该标识信息能够反映出该钢卷端面图像对应的钢卷信息以及位置信息，例如，拍摄方向如是传动侧还是操作侧，摄像头位置即是哪一个摄像头拍摄的图像以及拍摄位置即是摄像头拍摄的钢卷端面哪一个位置的图像等。
例如，在一种应用场景中，位置信息可以采用格式：Si_Cj_Pk表示，其中，i取1、2，S1表示传动侧，S2表示操作侧，Cj表示Si侧的第j台摄像头，j的取值根据摄像头的布设台数确定，Pk表示Cj摄像头拍摄的位置，如每个摄像头拍摄四张图像，即四个不同位置的图像，则k取1、2、3、4。例如，图2中的(1)至(8)图的位置信息可以依次对应表示为：S1_C2_P4、S1_C1_P4、S1_C2_P3、S1_C1_P3、S1_C2_P2、S1_C1_P2、S1_C2_P1以及S1_C1_P1。图3中的(a)至(h)图的位置信息可以依次对应表示为：S2_C2_P4、S2_C1_P4、S2_C2_P3、S2_C1_P3、S2_C2_P2、S2_C1_P2、S2_C2_P1以及S2_C1_P1。
例如，将图4中(1)至(4)图示出的子类型依次对应设置为子类型0、子类型1、子类型2和子类型3，将将图5中(5)至(8)图示出的子类型依次对应设置为子类型4、子类型5、子类型6和子类型7。
可以理解的是，基于每个位置的钢卷端面图像中的边缘分布情况，即可确定拍摄的每个位置的钢卷端面图像的钢卷边缘类型。可以预先建立钢卷端面图像的位置与钢卷边缘类型的对应关系，例如，图2中的(8)图以及图3中的(h)图对应于子类型0；图2中的(2)图以及图3中的(b)图对应于子类型1；图2中的(7)图以及图3中的(g)图对应于子类型2；图2中的(1)图以及图3中的(a)图对应于子类型3；而图2中的(6)图以及图3中的(f)图对应于子类型4，图2中的(4)图以及图3中的(d)图对应于子类型5，图2中的(5)图以及图3中的(e)图对应于子类型6，图2中的(3)图以及图3中的(c)图对应于子类型7。
这样在获取到目标钢卷端面图像的标识信息后，就可以通过解析标识信息，根据上述位置与钢卷边缘类型的对应关系，确定目标钢卷端面图像的钢卷边缘类型。
进一步，就可以基于钢卷边缘类型以及预先构建的预设对应关系，确定目标钢卷端面图像的扫描方向。预设对应关系包括多种不同边缘类型的钢卷端面图像对应的扫描方向。
本实施例中，对于目标钢卷端面图像来说，所确定的扫描方向为从背景区域向钢卷端面扫描的方向。本实施例中，目标钢卷端面图像中扫描方向的组数与钢卷边缘线的数量相同。对于包含一条钢卷边缘线的第一类型图像，对应的扫描方向为一组，对于包含两条钢卷边缘线即内、外边缘线的第二类型图像，对应的扫描方向为两组。每组扫描方向包括行扫描方向和列扫描方向，其中，行扫描方向为在水平方向上从背景区域到钢卷端面的扫描方向，列扫描方向为在竖直方向上从背景区域到钢卷端面的扫描方向。
例如，对于拍摄到的钢卷端面图像，以水平方向为x轴，竖直方向为y轴，构建图像坐标系x-y，如图2和图3所示，以图2、3中示出的坐标轴方向为例：
子类型0(如图2中的(8)图以及图3中的(h)图)对应的扫描方向：行扫描方向：从x轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从右往左方向)，以及列扫描方向：从y轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从下往上方向)。
子类型1(如图2中的(2)图以及图3中的(b)图)对应的扫描方向为：行扫描方向：从x轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从右往左方向)，以及列扫描方向：从y轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从上往下方向)。
子类型2(如图2中的(7)图以及图3中的(g)图)对应的扫描方向为：行扫描方向：从x轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从左往右方向)，以及列扫描方向：从y轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从下往上方向)。
子类型3(如图2中的(1)图以及图3中的(a)图)对应的扫描方向为：行扫描方向：从x轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从左往右方向)，以及列扫描方向：从y轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从上往下方向)。
对于第二类型的钢卷端面图像，对应的扫描方向有两组，分别为第一组扫描方向和第二组扫描方向。其中，第一组扫描方向对应于钢卷端面的外边缘线，第二组扫描方向对应于钢卷端面的内边缘线。
具体来讲，子类型4(如图2中的(6)图以及图3中的(f)图)对应的扫描方向可以包括：
第一组扫描方向：行扫描方向：从x轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从右往左方向)，以及列扫描方向：从y轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从下往上方向)；
第二组扫描方向：行扫描方向：从x轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从左往右方向)，以及列扫描方向：从y轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从上往下方向)。
子类型5(如图2中的(4)图以及图3中的(d)图)对应的扫描方向可以包括：
第一组扫描方向：行扫描方向：从x轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从右往左方向)，以及列扫描方向：从y轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从上往下方向)；
第二组扫描方向：行扫描方向：从x轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从左往右方向)，以及列扫描方向：从y轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从下往上方向)。
子类型6(如图2中的(5)图以及图3中的(e)图)对应的扫描方向可以包括：
第一组扫描方向：行扫描方向：从x轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从左往右方向)，以及列扫描方向：从y轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从下往上方向)；
第二组扫描方向：行扫描方向：从x轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从右往左方向)，以及列扫描方向：从y轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从上往下方向)。
子类型7(如图2中的(3)图以及图3中的(c)图)对应的扫描方向可以包括：
第一组扫描方向：行扫描方向：从x轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从左往右方向)，以及列扫描方向：从y轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从上往下方向)；
第二组扫描方向：行扫描方向：从x轴正半轴往负半轴方向(可以理解为按照图2、3示出方位的从右往左方向)，以及列扫描方向：从y轴负半轴往正半轴方向(可以理解为按照图2、3示出方位的从下往上方向)。
在执行步骤S102之前，可以先对目标钢卷端面图像进行预处理，如灰度处理以及去噪处理等，以便进一步对图像进行分析。例如，若目标钢卷端面图像为RGB图像，可以先对目标钢卷端面图像进行灰度处理，转换为灰度图，然后再对经过灰度处理的目标钢卷端面图像进行边缘检测，得到二值化的端面图像。例如，可以设置边缘检测阈值，可以将像素灰度值大于阈值的像素点判定为边缘像素点，灰度值设为255(即白色)，将低于阈值的像素点判定为背景像素点，灰度值设为0(即黑色)。具体实施时，可以采用Canny边缘检测算法，如Canny边缘检测阈值可以设置为200，或者，也可以采用其他的边缘检测算法，此处不作限制。以图6所示的目标钢卷端面图像为例，经过边缘检测后，可以得到如图7所示的图片。显然，背景区域的边缘信息相比于钢卷端面较不明显，通过边缘检测可以实现对图像背景区域的初步去除。
考虑到经过边缘检测后得到的钢卷端面边缘线对应的边缘像素点可能会存在较大间隙，为了提高后续扫描结果的准确性以进一步提高曲线拟合效果，在一种可选的实施方式中，在执行步骤S103之前，本说明书实施例提供的图像分割方法还可以包括：对二值化的端面图像进行膨胀处理，也就是对白色像素区域进行扩张，以对膨胀处理后的端面图像执行步骤S103所述的扫描处理。例如，对图7示出的图片进行膨胀处理可以得到如图8所示的图片。这样能够减小边缘像素点之间的间隙，使得边缘像素点更连贯，从而减小后续扫描误差，降低扫描出除钢卷端面边缘线对应的边缘像素点以外多余点的概率，有利于得到更好的边缘曲线拟合效果，从而提高图像分割结果的准确性。
在确定好扫描方向以及二值化的端面图像后，在步骤S103中，就可以按照所确定的扫描方向，分行扫描方向和列扫描方向对二值化的端面图像进行扫描。为了便于理解，以图8所示的二值化的钢卷端面图像为例进行说明。如图8所示，该图中包括一部分的钢卷端面801、一条钢卷端面边缘线802以及背景区域803。分别从行扫描方向对该图像的每行像素进行扫描，直至扫描到边缘像素点(如图8示出的白色像素点)，则停止对该行像素的扫描，以及从列扫描方向对该图像的每列像素进行扫描，直至扫描到边缘像素点(如图8示出的白色像素点)，则停止对该列像素的扫描。将每行扫描到的边缘像素点作为第一基准像素点，将每列扫描到的边缘像素点作为第二基准像素点。
这样基于同一组扫描方向，就可以得到一组第一基准像素点和一组第二基准像素点。对于包含一条钢卷端面边缘线的第一类型图像，其对应一组扫描方向，就可以得到与该条边缘线对应的一组第一基准像素点和一组第二基准像素点。对于包含两条钢卷端面边缘线的第二类型图像，其对应两组扫描方向，就可以得到与外边缘线对应的一组第一基准像素点和一组第二基准像素点，以及与内边缘线对应的一组第一基准像素点和一组第二基准像素点。
为了便于理解，再以图9中示出的(a)图为例(图9(a)中白色表面边缘像素点，黑色为背景像素点)，按照图示行扫描方向扫描到的第一基准像素点如图9中的(b)图所示，按照图示列扫描方向扫描到的第二基准像素点如图9中的(c)图所示。需要说明的是，图9中(a)图中的第一基准像素点和第二基准像素点均为白色像素点，为了便于展示说明，这里用了黑色线段表示。
举例来讲，确定同一组扫描方向对应的第一基准像素点和第二基准像素点后，就可以针对同一组扫描方向，将得到的第一基准像素点与第二基准像素点进行对比，选取像素坐标相同的像素点添加到该组扫描方向对应的拟合像素点集合中。对拟合像素点集合中的像素点进行曲线拟合，就可以得到该组扫描方向对应的钢卷端面边缘线。
如图10中示出的白色像素点即为按照图8示出扫描方向进行扫描并通过上述对比后，得到的像素坐标相同的像素点。对这些像素点进行曲线拟合即可得到拟合曲线。
通过上述的扫描以及对比处理，能够较准确地确定出图像中的钢卷端面边缘像素点，有效地剔除背景区域中一些遗留的杂散边缘像素点区域的影响，如能够剔除图9的(a)图中位于背景区域的两块白色像素区域对曲线拟合结果的影响，有利于提高钢卷端面边缘线的准确性，从而提高钢卷端面区域分割结果的准确性。
进一步地，就可以执行步骤S105对图像中的钢卷端面区域进行提取以及分割。基于钢卷端面边缘线就可以从目标钢卷端面图像中确定钢卷端面区域。
在一种可选的实施方式中，可以先根据钢卷端面边缘线进行漫水填充处理，得到用于界定钢卷端面区域的填充区域图，如图11所示，然后就可以基于该填充区域图，从目标钢卷端面图像中确定钢卷端面区域。
进一步地，按照预设分割网格120对所确定的钢卷端面区域进行分割，如图12所示，得到多个钢卷端面子图像，以方便后期对钢卷端面缺陷进行定位、分类以及识别等分析。需要说明的是，钢卷端面区域边缘对应的子图像包含了部分背景区域，以使得钢卷端面区域边缘分布在一部分子图像内，对这部分子图像进行缺陷检测就可以得到钢卷端面边缘的缺陷情况。如图13所示，(a)图和(b)图示出了两幅带有缺陷的钢卷端面子图像作为示例。具体来讲，预设分割网格的形状为方形，尺寸大小可以根据实际应用场景的需要如缺陷尺寸、计算机处理能力等因素确定，例如，可以设置为506(像素)×506(像素)。
上述过程主要以第一类型的钢卷端面图像为例进行的说明，下面对第二类型的钢卷端面图像进行说明。可以理解的是，若目标钢卷端面图像中的钢卷边缘类型为第二类型，就可以按照上述过程分别对两组扫描方向中每组扫描方向得到的位置相同的边缘像素点进行曲线拟合，得到两条拟合曲线，将两条拟合曲线对应作为钢卷端面区域的内边缘线和外边缘线。
需要说明的是，对于第二类型的钢卷端面图像，也就是上述子类型4、5、6和7的钢卷端面图像，按照上述第一组扫描方向进行上述扫描、对比以及曲线拟合处理，得到的拟合曲线可以对应作为钢卷端面区域的外边缘线，按照上述第二组扫描方向进行上述扫描、对比以及曲线拟合处理，得到的拟合曲线可以对应作为钢卷端面区域的内边缘线。
以图2中的(6)图为例，经过边缘检测以及膨胀处理后的图像如图14所示。图14中，实线箭头方向表示用于进行钢卷端面外边缘线检测的第一组扫描方向，虚线箭头方向表示用于进行钢卷端面内边缘线检测的第二组扫描方向。分别按照第一组扫描方向中的行扫描方向和列扫描方向对该图像进行上述扫描、对比以及曲线拟合处理，就可以得到拟合曲线1。分别按照第二组扫描方向中的行扫描方向和列扫描方向对该图像进行上述扫描、对比以及曲线拟合处理，就可以得到拟合曲线2。根据拟合曲线1进行漫水填充，就可以获得漫水填充图a，如图15中的(a)图所示，根据拟合曲线2进行漫水填充，就可以获得漫水填充图b，如图15中的(b)图所示。进一步，将漫水填充图a中的白色区域填充到漫水填充图b中，就可以获得最终需要的漫水填充图，如图15中的(c)图所示。可以理解的是，最终得到的漫水填充图即对应于图2的(6)图中的钢卷端面区域。根据该漫水填充图就可以从图2的(6)图中确定钢卷端面区域。
同理，按照预设分割网格160对所确定的钢卷端面区域进行上述分割处理，如图16所示，即可得到多个钢卷端面子图像。
在一种可选的实施方式中，得到多个钢卷端面子图像之后，本说明书实施例提供的钢卷端面图像分割方法进一步还可以包括：对多个钢卷端面子图像进行展示并保存，以利用多个钢卷端面子图像进行钢卷端面缺陷检测。例如，可以在电子设备如计算机的屏幕上对这些子图像进行显示，实现分割结果的可视化，以便相关工作人员在需要时可以查看这些子图像，直观地从这些分割后的子图像中了解缺陷情况，例如从图13中就可以直观地看到钢卷端面的该区域处存在缺陷。例如，也可以生成每个子图像对应的唯一标识，将所生成的标识与相应子图像对应存储，这样就可以以该标识作为索引在相应库中查找子图像。
在一种应用场景中，具体实施时，可以根据热带带钢生产线传输过来的物料信息编号，从预设图像库中选择相对应的钢卷端面图像，并对其进行灰度处理，边缘检测和膨胀处理；然后，根据该图像的边缘线类型即包含一条钢卷端面边缘线还是两条钢卷端面边缘线，确定相应的扫描方向。其中一条边的选择子类型0、1、2或3对应的扫描方向，两条边的选择子类型4、5、6或7对应的扫描方向，按照所确定的扫描方向对这些图像进行扫描，然后进行对比以及曲线拟合处理。最后对这些拟合后的图像进行漫水填充、提取图像及图像可视化操作，最终实现钢卷图像的有效、快速分割。
这样能够在高温、高速、复杂的图像背景下，通过对钢卷端面图像灰度处理、边缘监测、膨胀处理、图像扫描、可视化处理等一系列图像分割流程，通过简单高效的处理流程，实现了生产场景中采集的钢卷端面图像的有效分割，使得钢卷端面图像更容易理解和分析，能够快速、清晰的定位图像中的物体和边界(如曲线)，提高了钢卷端面图像的分割效率和准确度。
第二方面，本说明书实施例还提供了一种钢卷端面图像分割装置，如图17所示，所述钢卷端面图像分割装置170包括：
获取模块171，用于获取目标钢卷端面图像，并基于所述目标钢卷端面图像中的钢卷边缘类型确定扫描方向，其中，所述目标钢卷端面图像中包含背景区域以及部分钢卷端面区域，所述扫描方向为从背景区域向钢卷端面扫描的方向，每组扫描方向包括行扫描方向和列扫描方向；
边缘检测模块172，用于对所述目标钢卷端面图像进行边缘检测，得到二值化的端面图像；
扫描模块173，用于分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对所述二值化的端面图像进行扫描，直至扫描到边缘像素点，将按照所述行扫描方向每行扫描到的边缘像素点作为第一基准像素点，将按照所述列扫描方向每列扫描到的边缘像素点作为第二基准像素点；
边缘线确定模块174，用于将按照同一组扫描方向得到的所述第一基准像素点和所述第二基准像素点进行对比，确定同一组扫描方向扫描到的位置相同的边缘像素点，并对所述位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线；
分割模块175，用于基于所述钢卷端面边缘线，从所述目标钢卷端面图像中确定钢卷端面区域，并按照预设分割网格对所确定的钢卷端面区域进行分割，得到多个钢卷端面子图像。
作为一种可选的实施方式，上述获取模块171用于：
获取所述目标钢卷端面图像的标识信息；
基于所述标识信息确定所述目标钢卷端面图像中的钢卷边缘类型，并基于所述钢卷边缘类型以及预设对应关系，确定所述目标钢卷端面图像的扫描方向，其中，所述预设对应关系包括多种不同边缘类型的钢卷端面图像对应的扫描方向。
作为一种可选的实施方式，所述目标钢卷端面图像中的钢卷边缘类型为第一类型，所述目标钢卷端面图像的扫描方向为一组，其中，所述第一类型的钢卷端面图像中包含一条钢卷端面边缘线。
作为一种可选的实施方式，所述目标钢卷端面图像中的钢卷边缘类型为第二类型，所述目标钢卷端面图像的扫描方向为两组，其中，所述第二类型的钢卷端面图像中包含两条钢卷端面边缘线，分别为内边缘线和外边缘线。此时，上述边缘线确定模块174用于：分别对两组扫描方向中每组扫描方向得到的位置相同的边缘像素点进行曲线拟合，得到两条拟合曲线，将所述两条拟合曲线对应作为钢卷端面区域的内边缘线和外边缘线。
作为一种可选的实施方式，上述图像分割装置170还包括：
膨胀模块，用于对所述二值化的端面图像进行膨胀处理，以对膨胀处理后的端面图像执行所述扫描处理。
作为一种可选的实施方式，上述分割模块175，用于：
根据所述钢卷端面边缘线进行漫水填充处理，得到用于界定钢卷端面区域的填充区域图；
基于所述填充区域图，从所述目标钢卷端面图像中确定钢卷端面区域。
作为一种可选的实施方式，上述钢卷端面图像分割装置170还包括：
展示与保存模块，用于对所述多个钢卷端面子图像进行展示并保存，以利用所述多个钢卷端面子图像进行钢卷端面缺陷检测。
作为一种可选的实施方式，上述获取模块171用于：
获取带钢生产线传输的钢卷物料信息标识；
基于所述钢卷物料信息标识，从预设图像库中选择相对应的钢卷端面图像，将所选择的钢卷端面图像作为目标钢卷端面图像，其中，所述预设图像库中存储有通过预先布设在钢卷生产线上的摄像头采集的各钢卷物料的端面图像以及相对应的钢卷物料信息标识。
需要说明的是，本说明书实施例所提供的钢卷端面图像分割装置170，其中各个模块执行操作的具体方式已经在上述第一方面提供的方法实施例中进行了详细描述，具体实施过程可以参照上述第一方面提供的方法实施例，此处将不做详细阐述说明。
第三方面，本说明书实施例还提供了一种电子设备，如图18所示，该电子设备180包括：存储器181、处理器182及存储在存储器181上并可在处理器182上运行的计算机程序，所述处理器192执行所述程序时实现上述第一方面提供的钢卷端面图像分割方法的任一实施方式的步骤。具体实施过程可以参照上述第一方面提供的方法实施例，此处将不做详细阐述说明。当然，除了上述部件以外，该电子设备180还可以包括更多的部件，例如，还可以包括显示屏，以便进一步实现图像分割结果的可视化。举例来讲，该电子设备可以是服务器，或者，也可以是计算机(PC)、笔记本电脑、PDA(Personal Digital Assistant，掌上电脑)等具有数据处理功能的终端设备。
综上所述，本说明书实施例提供的钢卷端面图像分割方法、装置以及电子设备，通过目标钢卷端面图像中的钢卷边缘类型确定扫描方向，然后分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对二值化的端面图像进行扫描，直至扫描到边缘像素点，将按照所述行扫描方向每行扫描到的边缘像素点与按照所述列扫描方向每列扫描到的边缘像素点进行对比，然后再对相同边缘像素点进行拟合，能够快速并较准确地定位图像中的钢卷端面边缘线，有利于提高钢卷端面图像的分割效率和准确度，进而提高钢卷端面缺陷检测的效率，有利于满足生产现场在线高速端面缺陷检测要求。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种钢卷端面图像分割方法，其特征在于，所述方法包括：
获取目标钢卷端面图像，并基于所述目标钢卷端面图像中的钢卷边缘类型确定扫描方向，其中，所述目标钢卷端面图像中包含背景区域以及部分钢卷端面区域，所述扫描方向为从背景区域向钢卷端面扫描的方向，每组扫描方向包括行扫描方向和列扫描方向；
对所述目标钢卷端面图像进行边缘检测，得到二值化的端面图像；
分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对所述二值化的端面图像进行扫描，直至扫描到边缘像素点，将按照所述行扫描方向每行扫描到的边缘像素点作为第一基准像素点，将按照所述列扫描方向每列扫描到的边缘像素点作为第二基准像素点；
将按照同一组扫描方向得到的所述第一基准像素点和所述第二基准像素点进行对比，确定同一组扫描方向扫描到的位置相同的边缘像素点，并对所述位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线；
基于所述钢卷端面边缘线，从所述目标钢卷端面图像中确定钢卷端面区域，并按照预设分割网格对所确定的钢卷端面区域进行分割，得到多个钢卷端面子图像。
2.如权利要求1所述的方法，其特征在于，所述基于所述目标钢卷端面图像中的钢卷边缘类型确定扫描方向，包括：
获取所述目标钢卷端面图像的标识信息；
基于所述标识信息确定所述目标钢卷端面图像中的钢卷边缘类型，并基于所述钢卷边缘类型以及预设对应关系，确定所述目标钢卷端面图像的扫描方向，其中，所述预设对应关系包括多种不同边缘类型的钢卷端面图像对应的扫描方向。
3.如权利要求1所述的方法，其特征在于，所述目标钢卷端面图像中的钢卷边缘类型为第一类型，所述目标钢卷端面图像的扫描方向为一组，其中，所述第一类型的钢卷端面图像中包含一条钢卷端面边缘线。
4.如权利要求1所述的方法，其特征在于，所述目标钢卷端面图像中的钢卷边缘类型为第二类型，所述目标钢卷端面图像的扫描方向为两组，其中，所述第二类型的钢卷端面图像中包含两条钢卷端面边缘线，分别为内边缘线和外边缘线；
所述对所述位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线，包括：
分别对两组扫描方向中每组扫描方向得到的位置相同的边缘像素点进行曲线拟合，得到两条拟合曲线，将所述两条拟合曲线对应作为钢卷端面区域的内边缘线和外边缘线。
5.如权利要求1所述的方法，其特征在于，所述对所述二值化的端面图像进行扫描处理之前，还包括：
对所述二值化的端面图像进行膨胀处理，以对膨胀处理后的端面图像执行所述扫描处理。
6.如权利要求1所述的方法，其特征在于，所述基于所述钢卷端面边缘线，从所述目标钢卷端面图像中确定钢卷端面区域，包括：
根据所述钢卷端面边缘线进行漫水填充处理，得到用于界定钢卷端面区域的填充区域图；
基于所述填充区域图，从所述目标钢卷端面图像中确定钢卷端面区域。
7.如权利要求1所述的方法，其特征在于，所述得到多个钢卷端面子图像之后，还包括：
对所述多个钢卷端面子图像进行展示并保存，以利用所述多个钢卷端面子图像进行钢卷端面缺陷检测。
8.如权利要求1所述的方法，其特征在于，所述获取目标钢卷端面图像，包括：
获取带钢生产线传输的钢卷物料信息标识；
基于所述钢卷物料信息标识，从预设图像库中选择相对应的钢卷端面图像，将所选择的钢卷端面图像作为目标钢卷端面图像，其中，所述预设图像库中存储有通过预先布设在钢卷生产线上的摄像头采集的各钢卷物料的端面图像以及相对应的钢卷物料信息标识。
9.一种钢卷端面图像分割装置，其特征在于，所述装置包括：
获取模块，用于获取目标钢卷端面图像，并基于所述目标钢卷端面图像中的钢卷边缘类型确定扫描方向，其中，所述目标钢卷端面图像中包含背景区域以及部分钢卷端面区域，所述扫描方向为从背景区域向钢卷端面扫描的方向，每组扫描方向包括行扫描方向和列扫描方向；
边缘检测模块，用于对所述目标钢卷端面图像进行边缘检测，得到二值化的端面图像；
扫描模块，用于分别根据所确定的扫描方向中的行扫描方向和列扫描方向，对所述二值化的端面图像进行扫描，直至扫描到边缘像素点，将按照所述行扫描方向每行扫描到的边缘像素点作为第一基准像素点，将按照所述列扫描方向每列扫描到的边缘像素点作为第二基准像素点；
边缘线确定模块，用于将按照同一组扫描方向得到的所述第一基准像素点和所述第二基准像素点进行对比，确定同一组扫描方向扫描到的位置相同的边缘像素点，并对所述位置相同的边缘像素点进行曲线拟合，确定钢卷端面边缘线；
分割模块，用于基于所述钢卷端面边缘线，从所述目标钢卷端面图像中确定钢卷端面区域，并按照预设分割网格对所确定的钢卷端面区域进行分割，得到多个钢卷端面子图像。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
CN202110569887.6A 2021-05-25 2021-05-25 钢卷端面图像分割方法、装置及电子设备 Active CN113284154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110569887.6A CN113284154B (zh) 2021-05-25 2021-05-25 钢卷端面图像分割方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110569887.6A CN113284154B (zh) 2021-05-25 2021-05-25 钢卷端面图像分割方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113284154A CN113284154A (zh) 2021-08-20
CN113284154B true CN113284154B (zh) 2022-04-26

Family

ID=77281424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110569887.6A Active CN113284154B (zh) 2021-05-25 2021-05-25 钢卷端面图像分割方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113284154B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114383506B (zh) * 2022-01-12 2024-03-19 江苏沙钢高科信息技术有限公司 一种基于红外技术的高速线材盘卷形状与位置检测方法
CN115035117B (zh) * 2022-08-11 2023-05-09 南通宏大实验仪器有限公司 基于人工智能的带钢重叠检测分析方法与系统
TWI826106B (zh) * 2022-11-08 2023-12-11 中國鋼鐵股份有限公司 檢測系統與檢測方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007172397A (ja) * 2005-12-22 2007-07-05 Seiko Epson Corp エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置
CN101334263A (zh) * 2008-07-22 2008-12-31 东南大学 圆形目标的圆心定位方法
CN101459843A (zh) * 2008-12-31 2009-06-17 浙江师范大学 一种精确提取视频序列中损坏内容区域的方法
CN101477685A (zh) * 2009-01-15 2009-07-08 西安交通大学 具有景深零件加工质量的亚像素级图像检测方法
CN102411788A (zh) * 2011-08-24 2012-04-11 复旦大学 基于四向扫描方式的区域填充算法
CN104077756A (zh) * 2014-07-16 2014-10-01 中电海康集团有限公司 一种基于车道线置信度的方向滤波方法
CN105069799A (zh) * 2015-08-13 2015-11-18 深圳市华汉伟业科技有限公司 一种角点定位方法及装置
CN106651837A (zh) * 2016-11-14 2017-05-10 中国科学院自动化研究所 白玻璃板表面崩边缺陷检测方法
CN110136152A (zh) * 2019-04-24 2019-08-16 邯郸职业技术学院 一种基于主动轮廓的钢卷边部图像分割方法
CN112686919A (zh) * 2020-12-29 2021-04-20 上海闻泰信息技术有限公司 物体边界线确定方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007172397A (ja) * 2005-12-22 2007-07-05 Seiko Epson Corp エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置
CN101334263A (zh) * 2008-07-22 2008-12-31 东南大学 圆形目标的圆心定位方法
CN101459843A (zh) * 2008-12-31 2009-06-17 浙江师范大学 一种精确提取视频序列中损坏内容区域的方法
CN101477685A (zh) * 2009-01-15 2009-07-08 西安交通大学 具有景深零件加工质量的亚像素级图像检测方法
CN102411788A (zh) * 2011-08-24 2012-04-11 复旦大学 基于四向扫描方式的区域填充算法
CN104077756A (zh) * 2014-07-16 2014-10-01 中电海康集团有限公司 一种基于车道线置信度的方向滤波方法
CN105069799A (zh) * 2015-08-13 2015-11-18 深圳市华汉伟业科技有限公司 一种角点定位方法及装置
CN106651837A (zh) * 2016-11-14 2017-05-10 中国科学院自动化研究所 白玻璃板表面崩边缺陷检测方法
CN110136152A (zh) * 2019-04-24 2019-08-16 邯郸职业技术学院 一种基于主动轮廓的钢卷边部图像分割方法
CN112686919A (zh) * 2020-12-29 2021-04-20 上海闻泰信息技术有限公司 物体边界线确定方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Subpixel-precise Edge Extraction Algorithm Based on Facet Model;ZHAO Ping 等;《2012 Fourth International Conference on Computational and Information Sciences》;20121231;86-89 *
基于机器视觉的带钢表面缺陷图像处理与识别;许豪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215(第02期);I138-1455 *
基于机器视觉的带钢表面质量在线检测技术研究;李敏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170615(第06期);I138-1163 *

Also Published As

Publication number Publication date
CN113284154A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113284154B (zh) 钢卷端面图像分割方法、装置及电子设备
EP4280153A1 (en) Defect detection method, apparatus and system
CN114140679A (zh) 一种缺陷融合方法、装置、识别系统及存储介质
CN103593663B (zh) 一种钞券印版的图像定位方法
CN111524154B (zh) 一种基于影像的隧道管片自动化分割方法
CN114926385A (zh) 一种面板缺陷检测方法、存储介质及终端设备
CN104749801B (zh) 高精度自动光学检测方法和系统
CN111415364A (zh) 一种计算机视觉中图像分割样本的转换方法、系统及存储介质
CN113066088A (zh) 工业检测中的检测方法、检测装置和存储介质
CN115535525A (zh) 基于图像匹配的输送带纵向撕裂检测系统及方法
US20160125590A1 (en) Wafer Appearance Inspection Apparatus
CN117115171B (zh) 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法
CN116681879B (zh) 一种光学图像边界层转捩位置的智能判读方法
CN113705564A (zh) 一种指针式仪表识别读数方法
US9305235B1 (en) System and method for identifying and locating instances of a shape under large variations in linear degrees of freedom and/or stroke widths
CN116109633B (zh) 一种轴承保持器的窗口检测方法及设备
CN110031471B (zh) 大口径光学元件表面缺陷增长分析方法、系统、装置
CN115908988B (zh) 一种缺陷检测模型生成方法、装置、设备以及存储介质
CN117078677A (zh) 一种用于始极片的缺陷检测方法及系统
CN115578362A (zh) 电极涂层的缺陷检测方法、装置、电子设备及介质
CN112861861B (zh) 识别数码管文本的方法、装置及电子设备
Gao et al. Development of OLED panel defect detection system through improved Otsu algorithm
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
JP2009236550A (ja) 欠陥検出方法
CN117173185B (zh) 轧制板材的区域检测方法及装置、存储介质、计算机设备

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