CN113706531A - 基于机器视觉的金属板腐蚀程度判定方法及系统 - Google Patents
基于机器视觉的金属板腐蚀程度判定方法及系统 Download PDFInfo
- Publication number
- CN113706531A CN113706531A CN202111261077.0A CN202111261077A CN113706531A CN 113706531 A CN113706531 A CN 113706531A CN 202111261077 A CN202111261077 A CN 202111261077A CN 113706531 A CN113706531 A CN 113706531A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- area
- degree
- metal plate
- region
- 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
Links
- 238000005260 corrosion Methods 0.000 title claims abstract description 434
- 230000007797 corrosion Effects 0.000 title claims abstract description 433
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 239
- 239000002184 metal Substances 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003628 erosive effect Effects 0.000 claims description 30
- 238000005520 cutting process Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 18
- 238000009826 distribution Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000002905 metal composite material Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100313471 Streptomyces sp getA gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910000510 noble metal Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于机器视觉的金属板腐蚀程度判定方法及系统，包括：获取待检测金属板和各类标准金属板灰度图像；将待检测金属板划分为多个区域，并分别与标准金属板进行比较，得到各个区域的腐蚀情况；根据各个区域中的腐蚀区域的可切分度判断腐蚀区域能否再次划分，将可再次划分的腐蚀区域重复上述步骤，直至划分后的腐蚀区域达到最小划分区域尺寸或者不能再次划分为止，得到各个未腐蚀区域、不能再次划分的各个腐蚀区域以及达到最小划分区域尺寸的各个腐蚀区域，进而最终确定待检测金属板中的不同区域的腐蚀情况。本发明通过对金属板灰度图像进行分块，并与标准金属板进行比较，腐蚀程度判定适用范围更广。
Description
技术领域
本申请涉及机器视觉技术领域，具体涉及一种基于机器视觉的金属板腐蚀程度判定方法及系统。
背景技术
金属复合板是利用各种复合技术将性能不同的金属在界面上实现冶金结合而形成的复合材料。通过合适的材料选择以及合理的结构设计，金属复合板能够极大地改善单一金属材料的强度、韧性、耐磨损性能等诸多性能，因而被广泛地应用到石油、化工、船舶、冶金、电力、水利、制药等工业领域。金属复合板除了具有结构性和功能性的特征之外，还可以节省贵金属的使用，显著降低各种装备材料的成本。
然而金属板腐蚀却是普遍存在的现象，腐蚀所造成的危害非常严重，腐蚀会造成重大的直接或间接损失，会造成灾难性的重大事故，甚至危及人身安全。因腐蚀而造成的生产设备或管道的跑、冒、滴、漏等会影响生产装置的生产周期和设备寿命，增加生产成本，同时还会因有毒物质的泄露而污染环境，危及人类健康。
目前，常用的金属板腐蚀程度检测技术有涡流检测技术、射线照相技术和热像显示技术等。然而以上各种检测技术虽在测量对象、测量速度、测量方式、测量质量等方面各有优点，但有些检测的条件非常苛刻，并且检测的方式对人体存在伤害，存在腐蚀程度判定适用范围小等不足之处。
发明内容
本发明的目的在于提出一种基于机器视觉的金属板腐蚀程度判定方法及系统，用于解决现有金属板检测适用范围小的问题。
为解决上述技术问题，本发明提供了一种基于机器视觉的金属板腐蚀程度判定方法，包括以下步骤：
图像获取步骤：获取待检测金属板表面图像、标准未腐蚀金属板表面图像、腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，并对获取的各个金属板表面图像分别进行灰度化处理，得到各个金属板表面图像的灰度图像；
图像划分步骤：将待检测金属板表面图像的灰度图像划分为M个区域，将划分后的各个区域的灰度图像分别与标准未腐蚀金属板表面图像的灰度图像进行比较，确定出各个未腐蚀区域和腐蚀区域；根据各个腐蚀区域的灰度图像，计算各个腐蚀区域的可切分度，分别判断各个腐蚀区域的可切分度是否满足不再切分条件，若腐蚀区域的可切分度不满足不再切分条件且未达到最小划分区域尺寸，则将腐蚀区域的灰度图像进一步划分为M个区域，并重复上述图像划分步骤，直至划分后得到的腐蚀区域满足不再切分条件或达到最小划分区域尺寸，从而得到各个未腐蚀区域、可切分度满足不再切分条件的各个腐蚀区域以及达到最小划分区域尺寸的各个腐蚀区域；
腐蚀判定步骤：根据可切分度满足不再切分条件的各个腐蚀区域、达到最小划分区域尺寸的腐蚀区域以及腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，确定可切分度满足不再切分条件的各个腐蚀区域和达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度，从而得到灰度图像中的各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域；
腐蚀确定步骤：根据灰度图像中的各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域，得到待检测金属板的未腐蚀区域、轻度腐蚀区域和重度腐蚀区域。
进一步的，计算各个腐蚀区域的可切分度的步骤包括：
根据各个腐蚀区域的灰度图像，确定各个腐蚀区域的所有像素点中的腐蚀像素点和正常像素点；
根据各个腐蚀区域中的腐蚀像素点和正常像素点的坐标，对各个腐蚀区域的所有像素点进行聚类，从而得到每个腐蚀区域中的各个金属腐蚀簇区域；
分别计算每个腐蚀区域中的各个金属腐蚀簇区域各自对应的逆差矩，并根据每个腐蚀区域中的各个金属腐蚀簇区域各自对应的逆差矩，确定该腐蚀区域的可切分度。
进一步的，可切分度的表达式为：
其中，
为腐蚀区域的可切分度，
为腐蚀区域中的金属腐蚀簇区域的总数目，
为第
个金属腐蚀簇区域对应的逆差矩。
进一步的，确定可切分度满足不再切分条件的各个腐蚀区域和达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度的步骤包括：
根据达到最小划分区域尺寸的各个腐蚀区域的灰度图像，计算达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，根据达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，确定达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度；
根据可切分度满足不再切分条件的各个腐蚀区域的灰度图像以及腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，确定可切分度满足不再切分条件的各个腐蚀区域的腐蚀程度；
根据达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度和可切分度满足不再切分条件的各个腐蚀区域的腐蚀程度，从而得到各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域。
进一步的，计算达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度的步骤包括：
根据达到最小划分区域尺寸的各个腐蚀区域的灰度图像，获取达到最小划分区域尺寸的各个腐蚀区域所对应的对比度和熵值；
根据达到最小划分区域尺寸的各个腐蚀区域的对比度和熵值，计算达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度。
进一步的，金属综合腐蚀度的表达式为：
其中，
为达到最小划分区域尺寸的腐蚀区域的金属综合腐蚀度，
为达到最小划分区域尺寸的腐蚀区域所对应的对比度，
为达到最小划分区域尺寸的腐蚀区域所对应的熵值，
和
分别为对比度和熵值所对应的第一权值和第二权值。
进一步的，根据达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，确定达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度，包括以下步骤：
将达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度分别与设定第一金属综合腐蚀度阈值和设定第二金属综合腐蚀度阈值进行比较；
若达到最小划分区域尺寸的腐蚀区域的金属综合腐蚀度小于设定第一金属综合腐蚀度阈值，则将该达到最小划分区域尺寸的腐蚀区域判定为未腐蚀区域，若达到最小划分区域尺寸的腐蚀区域的金属综合腐蚀度小于设定第二金属综合腐蚀度阈值，则将该达到最小划分区域尺寸的腐蚀区域判定为轻度腐蚀区域，否则，将该腐蚀区域判定为重度腐蚀区域。
进一步的，第一腐蚀度阈值和第二腐蚀度阈值的确定步骤包括：
根据腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，计算腐蚀程度均匀的标准轻度腐蚀金属板和标准重度腐蚀金属板的金属综合腐蚀度；
根据腐蚀程度均匀的标准轻度腐蚀金属板和标准重度腐蚀金属板的金属综合腐蚀度，确定第一腐蚀度阈值和第二腐蚀度阈值。
进一步的，确定不再切分条件的步骤包括：
根据腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，计算腐蚀程度均匀的标准轻度腐蚀金属板和标准重度腐蚀金属板的可切分度；
根据腐蚀程度均匀的标准轻度腐蚀金属板和标准重度腐蚀金属板的可切分度，确定可切分度阈值，并将各个腐蚀区域的可切分度不大于可切分度阈值作为不再切分条件。
本发明还提供了一种基于机器视觉的金属板腐蚀程度判定系统，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的基于机器视觉的金属板腐蚀程度判定方法。
本发明和现有技术相比有如下有益效果：
本发明通过获取不同的标准金属板表面图像以及待检测金属板表面图像，并将待检测金属板划分为多个区域，将划分后的多个区域分别与标准未腐蚀金属板进行比较，得到未腐蚀区域和腐蚀区域，并计算腐蚀区域的可切分度，并根据可切分度判断腐蚀区域是否满足不再切分条件，将不满足切分条件的腐蚀区域重复以上划分步骤，直到腐蚀区域达到最小划分区域尺寸为止，得到各个未腐蚀区域、不能再次划分的各个腐蚀区域以及达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度，最后得到待检测金属板中的不同的腐蚀区域。本发明通过对待检测金属板图像进行分块处理，并与标准各类金属板进行比较，得到不同区域的腐蚀程度，与现有技术相比，仅通过拍摄图像的方法就能得知金属板的腐蚀程度，适用各种场景的金属板腐蚀程度检测，腐蚀程度检测的适用范围更广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中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它附图。
图1为本发明实施例提供的基于机器视觉的金属板腐蚀程度判定方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
为了让本领域技术人员更好的理解本发明，下面结合实施例和附图对本发明展开描述。
本实施例提供了一种基于机器视觉的金属板腐蚀程度判定方法，其对应的流程图如图1所示，具体包括以下步骤：
（1）图像获取步骤：获取待检测金属板表面图像、标准未腐蚀金属板表面图像、腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，并对获取的各个金属板表面图像分别进行灰度化处理，得到各个金属板表面图像的灰度图像。
设置相机与待检测金属板平行，拍摄待检测金属板、标准未腐蚀金属板、腐蚀程度均匀的标准轻度腐蚀金属板以及腐蚀程度均匀的标准重度腐蚀金属板（后续为了方便称之为标准未腐蚀金属板、标准轻度腐蚀金属板、标准重度腐蚀金属板）表面图像，并将拍摄到的各个金属板的表面图像采集到计算机内部，对各个金属板表面图像进行灰度化处理，得到各个金属板表面图像的灰度图像。本实施例以标准未腐蚀金属板、标准轻度腐蚀金属板、标准重度腐蚀金属板的表面图像的灰度图像作为模板用于后续对比，通过对待检测金属板表面图像的灰度图像进行处理和分析，得到待检测金属板的不同腐蚀区域。
（2）图像划分步骤：将待检测金属板表面图像的灰度图像划分为M个区域，将划分后的各个区域的灰度图像分别与标准未腐蚀金属板表面图像的灰度图像进行比较，确定出各个未腐蚀区域和腐蚀区域。
为了方便对待检测金属板腐蚀程度的判定，本实施例通过将待检测金属板灰度图像进行分块处理，可以大大降低运算量。由于本实施例中待检测金属板表面图像的灰度图像的形状为一个矩形，因此本实施例将得到的待检测金属板表面图像的灰度图像沿着其图像的长、宽中间的位置进行划分，将整个待检测金属板表面图像的灰度图像划分为尺寸相同的
个区域。灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率，灰度直方图表示划分后的区域的灰度图像中具有某种灰度级的像素的个数，反映了划分后的区域的灰度图像中某种灰度级出现的频率。本实施例首先获得划分后的各个区域的灰度图像与标准未腐蚀金属板表面图像的灰度图像的灰度直方图，进而根据灰度直方图得到各个区域的灰度图像与标准未腐蚀金属板表面图像之间的直方图相似度，通过直方图相似度判定划分后的各个区域是腐蚀区域还是未腐蚀区域。得到直方图相似度的过程如下：
定义划分后的任一区域的灰度图像的灰度直方图为
，标准未腐蚀金属板表面图像的灰度图像的灰度直方图为
，其中
为灰度直方图维数，由于灰度值取值范围为
，所以本实施例中灰度直方图维数
，划分后的任一区域的灰度图像的灰度直方图
和标准未腐蚀金属板表面图像的灰度图像的灰度直方图
均以灰度值
为横坐标，以灰度值
分别出现的概率
和
为纵坐标。将概率值
和
进行归一化处理，并将归一化处理后的概率值作为最终的概率值。由划分后的任一区域的灰度图像的灰度直方图
和标准未腐蚀金属板表面图像的灰度图像的灰度直方图
，得到相应的直方图欧式距离相似度的公式为：
其中，
为划分后的任一区域的灰度图像的灰度直方图
和标准未腐蚀金属板表面图像的灰度图像的灰度直方图
之间的直方图欧氏距离相似度，
为灰度直方图维数，本实施例中
，
分别为划分后的任一区域的灰度图像的灰度直方图S和标准未腐蚀金属板表面图像的灰度图像的灰度直方图M中灰度值
所出现的概率归一化之后的概率值，即
，
。对直方图欧式距离相似度
归一化处理，即得到划分后的任一区域的灰度图像的灰度直方图
与标准未腐蚀金属板表面图像的灰度图像的灰度直方图
之间的直方图相似度的公式为：
其中，
为划分后的任一区域的灰度图像的灰度直方图
和标准未腐蚀金属板表面图像的灰度图像的灰度直方图
之间的直方图相似度，
为取
中最大值的函数，
为灰度直方图维数，本实施例中
。
需要说明的是，灰度直方图反映的是各个区域的灰度图像中灰度值的概率分布，直方图相似度反映的是灰度值分布的相似性，取值范围为[0,1]，直方图相似度越大，则划分后的区域和标准未腐蚀金属板表面图像的灰度图像的灰度值分布越相似，即划分后的区域为未腐蚀区域的可能性越大。本实施例中设置直方图相似度阈值为0.8，当直方图相似度
时，则判定对应划分后的区域为未腐蚀区域，当直方图相似度
时，则判定对应划分后的区域为腐蚀区域。
（3）根据各个腐蚀区域的灰度图像，计算各个腐蚀区域的可切分度，分别判断各个腐蚀区域的可切分度是否满足不再切分条件，若腐蚀区域的可切分度不满足不再切分条件且未达到最小划分区域尺寸，则将腐蚀区域的灰度图像进一步划分为M个区域，并重复上述步骤（2）和步骤（3），直至划分后得到的腐蚀区域满足不再切分条件或达到最小划分区域尺寸，从而得到各个未腐蚀区域、可切分度满足不再切分条件的各个腐蚀区域以及达到最小划分区域尺寸的各个腐蚀区域。
由上述步骤（2）可以分割出多个区域，将划分后的各个区域的灰度图像分别与标准未腐蚀金属板表面图像的灰度图像进行比较，可以得到多个腐蚀区域和未腐蚀区域，但是腐蚀区域是否均匀以及腐蚀区域的腐蚀程度是否与标准的腐蚀金属板表面图像的灰度图像类似却是未知的，仅凭直方图相似度不能直接反映出腐蚀区域和标准的腐蚀金属板表面图像的灰度图像中的腐蚀像素点的空间分布差异和复杂程度差异，因此不能仅通过腐蚀区域和标准的腐蚀金属板表面图像的灰度图像之间的直方图相似度判断腐蚀区域为轻度腐蚀区域还是重度腐蚀区域。本实施例首先确定腐蚀区域是否为均匀腐蚀区域，再对腐蚀区域进行进一步的判断，减小了判定的误差。具体步骤如下：
（3.1）根据各个腐蚀区域的灰度图像，确定各个腐蚀区域的所有像素点中的腐蚀像素点和正常像素点。
本实施例采用全卷积神经网络FCN对各个腐蚀区域的灰度图像的像素点进行语义分割，将各个腐蚀区域的灰度图像输入到计算机内部的全卷积神经网络FCN中，从而得到各个腐蚀区域的灰度图像的二值图像，该各个腐蚀区域的灰度图像的二值图像中的所有像素点标记为1或者0。当然，该全卷积神经网络FCN是预先训练好的，其对应的训练过程如下：
构建全卷积神经网络FCN，该全卷积神经网络FCN为Encoder-Decoder编码解码的结构，所采用的loss函数为交叉熵损失函数，使用一阶优化算法Adam优化全卷积神经网络FCN。
在构建好全卷积神经网络FCN后，通过收集大量的金属板表面灰度图像，获取训练数据集，该训练数据集分为训练集和验证集，其中训练集和验证集的图像数量比为7：3。由于金属板表面灰度图像的未腐蚀部分和腐蚀部分的差异较大，按照腐蚀部分与未腐蚀部分将所有像素点分为2类，即正常像素点以及腐蚀像素点。将训练数据集中各个金属板表面灰度图像中的正常像素点值人工标注为0，将腐蚀像素点值人工标注为1。在对训练数据集标注完成之后，采用该训练数据集对构建的全卷积神经网络FCN进行训练，从而得到训练好的全卷积神经网络FCN。由于构建全卷积神经网络FCN以及其对应的训练过程均属于现有技术，此处不再赘述。
使用该全卷积神经网络FCN即可把各个腐蚀区域的灰度图像中所有像素点分为正常像素点、腐蚀像素点两类，作为后续步骤（3.2）均值漂移聚类的基础。经过该全卷积神经网络FCN输出为只有0和1的二值图像，其中腐蚀像素点标记为1，正常像素点标记为0。
（3.2）根据各个腐蚀区域中的腐蚀像素点和正常像素点的坐标，对各个腐蚀区域的所有像素点进行聚类，从而得到每个腐蚀区域中的各个金属腐蚀簇区域。
均值漂移聚类是基于滑动窗口的算法，本实施例根据得出的腐蚀区域中的腐蚀像素点和正常像素点的坐标，通过各个滑动窗口内腐蚀像素点的情况，根据均值漂移聚类定位各个腐蚀区域中的各个聚类中心点，最终形成各个聚类中心点集及相应的各个金属腐蚀簇。均值漂移聚类的过程为：
a. 选取滑动窗口：首先随机选取一个点C作为圆形滑动窗口的圆心，并设定圆形滑动窗口的半径为r，本实施例中设定圆形滑动窗口的半径r为10个像素点的长度，并根据圆心C在二值图像区域内等间隔取点，将各个等间隔取的点作为各个圆形滑动窗口的圆心，并且使每个圆互不相交。根据要求，各个圆形滑动窗口的半径均为r，并且各个圆形滑动窗口的圆心之间的间隔要大于2r。
b. 偏移均值运算：经过上述步骤a，根据在设置的半径为r的圆形滑动窗口空间内所有的腐蚀像素点
与各个圆形滑动窗口的中心点C的向量，得到整个圆形滑动窗口空间内的所有向量的平均值，进而在每个圆形滑动窗口内均得到一个偏移均值。其中偏移均值的表达式为：
其中，
为偏移均值，
表示以
为中心点、r为半径的圆形滑动窗口区域，k表示圆形滑动窗口区域
范围内腐蚀像素点的总个数，
表示圆形滑动窗口区域
范围内的第
个腐蚀像素点。
c. 移动滑动窗口：经过上述步骤b得到的偏移均值，将各个半径为r的圆形滑动窗口的中心点移动到新的位置，并重复上述求取偏移均值并移动圆形滑动窗口的步骤，并计算各个圆形滑动窗口内的密度，圆形滑动窗口的密度即窗口中的腐蚀像素点的个数，直到不存在窗口内可以容纳更多的点的偏移方向，即一直移动到窗口内的密度不再增加为止，至此，停止移动滑动窗口。其中，根据偏移均值将中心点移动到新的位置的表达式为：
其中，
为
状态下的圆形滑动窗口中心点的位置，
为t状态下的圆形滑动窗口中心点的位置，
为t状态下求得的偏移均值。
d. 得到聚类中心：通过步骤a到步骤c会产生很多个圆形滑动窗口，当多个圆形滑动窗口重叠时，保留圆形滑动窗口的密度最大即包含最多腐蚀点的圆形滑动窗口，将密度最大的圆形滑动窗口的中心作为聚类中心。由于腐蚀区域不仅仅只包含一个聚类中心，设定聚类中心的个数为N，则由聚类中心形成的聚类类别数也为N。然后根据各个聚类中心所在的圆形滑动窗口进行聚类，将腐蚀区域中的腐蚀像素点聚类为N个不同的金属腐蚀簇，从而得到腐蚀金属板中腐蚀像素点的密集区域。
（3.3）分别计算每个腐蚀区域中的各个金属腐蚀簇区域各自对应的逆差矩。
通过上述步骤（3.2）仅仅得到每个腐蚀区域中的各个金属腐蚀簇，而并未得知各个金属腐蚀簇内的腐蚀像素点分布是否均匀，本步骤通过求取各个金属腐蚀簇的基于灰度共生矩阵的逆差矩，来判断腐蚀区域内的腐蚀像素点分布是否均匀。首先将各个金属腐蚀簇进行单独分割，将单独分割的金属腐蚀簇的二值图像与腐蚀区域做乘运算，得到单个金属腐蚀簇的灰度图像，并求出每个金属腐蚀簇灰度图像的灰度共生矩阵，灰度共生矩阵指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法，求取灰度共生矩阵的目的是便于后续求其纹理特征。求取灰度共生矩阵的过程为现有技术，此处不再赘述。再根据灰度共生矩阵求取金属腐蚀簇的逆差矩，逆差矩的表达式为：
其中，
为金属腐蚀簇的逆差矩，
表示像素点在灰度共生矩阵中的坐标，
表示灰度共生矩阵中
位置的值出现的频率，
为灰度共生矩阵的维度，本实施例中
。逆差矩反映图像纹理的同质性，度量图像纹理局部变化的多少，逆差矩的值越大则说明金属腐蚀簇灰度图像中相邻像素点的灰度值差异越小，即金属腐蚀簇灰度图像的区域内缺少变化，也就是金属腐蚀簇区域内的腐蚀像素点分布越均匀。
（3.4）根据每个腐蚀区域中的各个金属腐蚀簇区域各自对应的逆差矩，确定该腐蚀区域的可切分度。
至此，可根据每个腐蚀区域中的各个金属腐蚀簇区域各自对应的逆差矩，表征各个腐蚀区域的腐蚀分布情况是否均匀，腐蚀分布情况越均匀的腐蚀区域可切分度越小，腐蚀分布情况越复杂的腐蚀区域可切分度越大。构建的腐蚀区域的可切分度的表达式为：
其中，
为腐蚀区域的可切分度，
为腐蚀区域中的金属腐蚀簇区域的总数目，
为第
个金属腐蚀簇区域对应的逆差矩。腐蚀区域的可切分度D越大，则表示腐蚀区域中包含的金属腐蚀簇越多，并且金属腐蚀簇内的腐蚀像素点的分布情况越复杂、不规律，即腐蚀区域的可切分度越大，则可能需要进行分块处理的次数就更多，根据腐蚀区域的可切分度大小可以为计算机系统预分配资源的多少提供依据。当腐蚀区域的可切分度足够小时，则无需进行分块处理，可直接根据将腐蚀区域与标准轻度腐蚀金属板和标准重度腐蚀金属板之间的直方图相似度对腐蚀区域进行腐蚀程度判定。
（3.5）判断各个腐蚀区域的可切分度是否满足不再切分条件，若腐蚀区域的可切分度不满足不再切分条件且未达到最小划分区域尺寸，则将腐蚀区域的灰度图像进一步划分为M个区域，并重复图像划分步骤，直至划分后得到的腐蚀区域满足不再切分条件或达到最小划分区域尺寸。
本实施例根据标准轻度腐蚀金属板表面图像、标准重度腐蚀金属板表面图像，计算标准轻度腐蚀金属板和标准重度腐蚀金属板的可切分度。首先根据上述步骤（3.1）-步骤（3.4）的方法，求取标准轻度腐蚀金属板的可切分度为
，标准重度腐蚀金属板的可切分度为
，设定可切分度阈值
来判定腐蚀区域的腐蚀情况是否足够均匀。可切分度阈值
的取值为：
本实施例将各个腐蚀区域的可切分度D不大于可切分度阈值C作为不再切分条件。若满足不再切分条件，即当
时，说明腐蚀区域的腐蚀分布情况较为均匀，此时认为腐蚀区域无需继续分块；若不满足不再切分条件，即
时，说明此时腐蚀区域的腐蚀像素点分布情况较为复杂，并且当腐蚀区域的长度或宽度大于最小划分区域尺寸时，此时认为腐蚀区域仍需继续分块。本实施例设定最小划分区域尺寸为20个像素点的长度，即当腐蚀区域的长度或宽度大于20个像素点的尺寸时，此时再次对其进行上述分块和腐蚀程度判断的步骤，同样的将腐蚀区域的灰度图像进一步划分为M=4个区域。
若该腐蚀区域的腐蚀像素点分布情况过于复杂，一直满足上述分块和腐蚀程度判断的步骤，而上述
的条件一直没有满足，我们设定当所划分腐蚀区域的长度和宽度均不大于最小划分区域尺寸时，即当腐蚀区域的长度和宽度均不大于20个像素点的尺寸时，立即停止分块，再对最后生成的各个达到最小划分区域尺寸的腐蚀区域分别计算其腐蚀程度，至此，得到达到最小划分区域尺寸的各个腐蚀区域。
（4）腐蚀判定步骤：根据可切分度满足不再切分条件的各个腐蚀区域、达到最小划分区域尺寸的腐蚀区域以及腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，确定可切分度满足不再切分条件的各个腐蚀区域和达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度，从而得到灰度图像中的各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域。
（4.1）根据可切分度满足不再切分条件的各个腐蚀区域的灰度图像以及腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，确定可切分度满足不再切分条件的各个腐蚀区域的腐蚀程度。
对于满足上述步骤（3.5）中的
的腐蚀区域，可认为该腐蚀区域的腐蚀程度均匀，此时可将该腐蚀区域与标准轻度腐蚀金属板和标准重度腐蚀金属板进行直方图相似度的计算，将得到的两个直方图相似度值进行比较，将最大的直方图相似度值所对应的标准金属板的腐蚀程度作为该腐蚀区域的腐蚀程度，计算直方图相似度的方法在上述步骤（2）中做了详细介绍，此处不再赘述。至此，可以得到可切分度满足不再切分条件的各个腐蚀区域的腐蚀程度。
（4.2）根据达到最小划分区域尺寸的各个腐蚀区域的灰度图像，计算达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，根据达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，确定达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度。
对于上述步骤（3.5）中达到最小划分区域尺寸的各个腐蚀区域的灰度图像，对于这些腐蚀区域的均匀程度未知，此时生成达到最小划分区域尺寸的各个腐蚀区域的灰度共生矩阵。由于求取灰度共生矩阵的过程为现有技术，此处不再赘述。基于灰度共生矩阵求取达到最小划分区域尺寸的各个腐蚀区域的对比度和熵值，进而根据达到最小划分区域尺寸的各个腐蚀区域的对比度和熵值求取达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度。
（4.2.1）根据达到最小划分区域尺寸的各个腐蚀区域的灰度图像，获取达到最小划分区域尺寸的各个腐蚀区域所对应的对比度和熵值。
a. 求取达到最小划分区域尺寸的各个腐蚀区域所对应的对比度的表达式为：
其中，
为达到最小划分区域尺寸的腐蚀区域所对应的对比度，
表示像素点在灰度共生矩阵中的坐标，
表示灰度共生矩阵中
位置的值出现的频率，
为灰度共生矩阵的维度,本实施例中
。对比度反映了达到最小划分区域尺寸的腐蚀区域的清晰度和纹理沟纹深浅的程度，即达到最小划分区域尺寸的腐蚀区域的腐蚀程度越深，纹理沟纹越深，视觉效果越清晰，对比度B越大；即达到最小划分区域尺寸的腐蚀区域的腐蚀程度越浅，纹理沟纹越浅，视觉效果越模糊，对比度B越小。
b. 求取达到最小划分区域尺寸的各个腐蚀区域所对应的熵值的表达式为：
其中，S为达到最小划分区域尺寸的腐蚀区域所对应的熵值，
表示像素点在灰度共生矩阵中的坐标，
表示灰度共生矩阵中
位置的值出现的频率，
为灰度共生矩阵的维度,本实施例中
。熵是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，它表示了图像中纹理的非均匀程度或复杂程度。熵值S越大则图像纹理越复杂。在腐蚀金属板图像中，腐蚀像素区域纹理相对复杂，而腐蚀的程度与纹理的复杂程度成正相关。因此，熵值S越大达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度越深，熵值S越小达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度越浅。
（4.2.2）根据达到最小划分区域尺寸的各个腐蚀区域的对比度和熵值，计算达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，公式为：
其中，
为达到最小划分区域尺寸的腐蚀区域的金属综合腐蚀度，
为达到最小划分区域尺寸的腐蚀区域所对应的对比度，
为达到最小划分区域尺寸的腐蚀区域所对应的熵值，
和
分别为对比度和熵值所对应的第一权值和第二权值，本实施例中
，
。金属综合腐蚀度Z的值越大，则达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度越严重。
（4.2.3）根据达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，确定达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度。
利用上述方法，可以计算出标准轻度腐蚀金属板的金属综合腐蚀度
，以及标准重度腐蚀金属板的金属综合腐蚀度
。则根据
和
设置第一金属综合腐蚀度阈值为
，第二金属综合腐蚀度阈值为
，第一金属综合腐蚀度阈值和第二金属综合腐蚀度阈值可根据实际调整，并且第二金属综合腐蚀度阈值不小于第一金属综合腐蚀度阈值。
当金属综合腐蚀度满足
时，判定该达到最小划分区域尺寸的腐蚀区域为未腐蚀区域；当金属综合腐蚀度满足
时，判定该达到最小划分区域尺寸的腐蚀区域为轻度腐蚀区域；当金属综合腐蚀度满足
时，判定该达到最小划分区域尺寸的腐蚀区域为重度腐蚀区域。至此，可根据达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度，得到各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域。
（5）腐蚀确定步骤：根据灰度图像中的各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域，得到待检测金属板的未腐蚀区域、轻度腐蚀区域和重度腐蚀区域。
至此，通过上述分块步骤可以求出每块腐蚀区域的腐蚀程度，虽然这些腐蚀区域可能区域大小不同，但各块腐蚀区域的腐蚀程度可知。根据上述方法即可求得整幅金属板灰度图像中的所有未腐蚀区域、轻度腐蚀区域和重度腐蚀区域，完成了所有区域的分类，根据所有区域的类别，可以判断待检测金属板不同区域的腐蚀程度。本实施例不对金属板做整体腐蚀性判定，只对不同腐蚀程度的腐蚀区域进行判断，后续希望实现的是，根据不同区域腐蚀程度，确定不同的去腐蚀处理强度，并根据确定的去腐蚀处理强度对不同区域进行不同强度的除锈。
本实施例还提供了一种基于机器视觉的金属板腐蚀程度判定系统，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的基于机器视觉的金属板腐蚀程度判定方法。由于该基于机器视觉的金属板腐蚀程度判定方法已经在上述内容中进行了详细介绍，此处不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于机器视觉的金属板腐蚀程度判定方法，其特征在于，包括以下步骤：
图像获取步骤：获取待检测金属板表面图像、标准未腐蚀金属板表面图像、腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，并对获取的各个金属板表面图像分别进行灰度化处理，得到各个金属板表面图像的灰度图像；
图像划分步骤：将待检测金属板表面图像的灰度图像划分为M个区域，将划分后的各个区域的灰度图像分别与标准未腐蚀金属板表面图像的灰度图像进行比较，确定出各个未腐蚀区域和腐蚀区域；根据各个腐蚀区域的灰度图像，计算各个腐蚀区域的可切分度，分别判断各个腐蚀区域的可切分度是否满足不再切分条件，若腐蚀区域的可切分度不满足不再切分条件且未达到最小划分区域尺寸，则将腐蚀区域的灰度图像进一步划分为M个区域，并重复上述图像划分步骤，直至划分后得到的腐蚀区域满足不再切分条件或达到最小划分区域尺寸，从而得到各个未腐蚀区域、可切分度满足不再切分条件的各个腐蚀区域以及达到最小划分区域尺寸的各个腐蚀区域；
腐蚀判定步骤：根据可切分度满足不再切分条件的各个腐蚀区域、达到最小划分区域尺寸的腐蚀区域以及腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，确定可切分度满足不再切分条件的各个腐蚀区域和达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度，从而得到灰度图像中的各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域；
腐蚀确定步骤：根据灰度图像中的各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域，得到待检测金属板的未腐蚀区域、轻度腐蚀区域和重度腐蚀区域；
计算各个腐蚀区域的可切分度的步骤包括：
根据各个腐蚀区域的灰度图像，确定各个腐蚀区域的所有像素点中的腐蚀像素点和正常像素点；
根据各个腐蚀区域中的腐蚀像素点和正常像素点的坐标，对各个腐蚀区域的所有像素点进行聚类，从而得到每个腐蚀区域中的各个金属腐蚀簇区域；
分别计算每个腐蚀区域中的各个金属腐蚀簇区域各自对应的逆差矩，并根据每个腐蚀区域中的各个金属腐蚀簇区域各自对应的逆差矩，确定该腐蚀区域的可切分度；
确定不再切分条件的步骤包括：
根据腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，计算腐蚀程度均匀的标准轻度腐蚀金属板和标准重度腐蚀金属板的可切分度；
根据腐蚀程度均匀的标准轻度腐蚀金属板和标准重度腐蚀金属板的可切分度，确定可切分度阈值，并将各个腐蚀区域的可切分度不大于可切分度阈值作为不再切分条件。
2.根据权利要求1所述的基于机器视觉的金属板腐蚀程度判定方法，其特征在于，可切分度的表达式为：
其中，
为腐蚀区域的可切分度，
为腐蚀区域中的金属腐蚀簇区域的总数目，
为第
个金属腐蚀簇区域对应的逆差矩。
3.根据权利要求1所述的基于机器视觉的金属板腐蚀程度判定方法，其特征在于，确定可切分度满足不再切分条件的各个腐蚀区域和达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度的步骤包括：
根据达到最小划分区域尺寸的各个腐蚀区域的灰度图像，计算达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，根据达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，确定达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度；
根据可切分度满足不再切分条件的各个腐蚀区域的灰度图像以及腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，确定可切分度满足不再切分条件的各个腐蚀区域的腐蚀程度；
根据达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度和可切分度满足不再切分条件的各个腐蚀区域的腐蚀程度，从而得到各个未腐蚀区域、轻度腐蚀区域和重度腐蚀区域；
计算达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度的步骤包括：
根据达到最小划分区域尺寸的各个腐蚀区域的灰度图像，获取达到最小划分区域尺寸的各个腐蚀区域所对应的对比度和熵值；
根据达到最小划分区域尺寸的各个腐蚀区域的对比度和熵值，计算达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度。
4.根据权利要求3所述的基于机器视觉的金属板腐蚀程度判定方法，其特征在于，金属综合腐蚀度的表达式为：
其中，
为达到最小划分区域尺寸的腐蚀区域的金属综合腐蚀度，
为达到最小划分区域尺寸的腐蚀区域所对应的对比度，
为达到最小划分区域尺寸的腐蚀区域所对应的熵值，
和
分别为对比度和熵值所对应的第一权值和第二权值。
5.根据权利要求3所述的基于机器视觉的金属板腐蚀程度判定方法，其特征在于，根据达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度，确定达到最小划分区域尺寸的各个腐蚀区域的腐蚀程度，包括以下步骤：
将达到最小划分区域尺寸的各个腐蚀区域的金属综合腐蚀度分别与设定第一金属综合腐蚀度阈值和设定第二金属综合腐蚀度阈值进行比较；
若达到最小划分区域尺寸的腐蚀区域的金属综合腐蚀度小于设定第一金属综合腐蚀度阈值，则将该达到最小划分区域尺寸的腐蚀区域判定为未腐蚀区域，若达到最小划分区域尺寸的腐蚀区域的金属综合腐蚀度小于设定第二金属综合腐蚀度阈值，则将该达到最小划分区域尺寸的腐蚀区域判定为轻度腐蚀区域，否则，将该腐蚀区域判定为重度腐蚀区域。
6.根据权利要求5所述的基于机器视觉的金属板腐蚀程度判定方法，其特征在于，第一腐蚀度阈值和第二腐蚀度阈值的确定步骤包括：
根据腐蚀程度均匀的标准轻度腐蚀金属板表面图像和标准重度腐蚀金属板表面图像，计算腐蚀程度均匀的标准轻度腐蚀金属板和标准重度腐蚀金属板的金属综合腐蚀度；
根据腐蚀程度均匀的标准轻度腐蚀金属板和标准重度腐蚀金属板的金属综合腐蚀度，确定第一腐蚀度阈值和第二腐蚀度阈值。
7.一种基于机器视觉的金属板腐蚀程度判定系统，其特征在于，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现如权利要求1-6中任一项所述的基于机器视觉的金属板腐蚀程度判定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111261077.0A CN113706531B (zh) | 2021-10-28 | 2021-10-28 | 基于机器视觉的金属板腐蚀程度判定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111261077.0A CN113706531B (zh) | 2021-10-28 | 2021-10-28 | 基于机器视觉的金属板腐蚀程度判定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706531A true CN113706531A (zh) | 2021-11-26 |
| CN113706531B CN113706531B (zh) | 2022-02-08 |
Family
ID=78647294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111261077.0A Active CN113706531B (zh) | 2021-10-28 | 2021-10-28 | 基于机器视觉的金属板腐蚀程度判定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706531B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
| CN114882265A (zh) * | 2022-07-12 | 2022-08-09 | 济宁昆仑石油化工有限公司 | 一种成品油质量检测方法 |
| CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104952076A (zh) * | 2015-06-18 | 2015-09-30 | 哈尔滨工程大学 | 基于分块相似性度量的图像分割方法 |
| CN107610125A (zh) * | 2017-10-16 | 2018-01-19 | 云南电网有限责任公司临沧供电局 | 一种远距离激光除锈实时监控与反馈方法、装置及系统 |
| CN112669305A (zh) * | 2021-01-05 | 2021-04-16 | 三峡大学 | 一种金属表面抗锈性能测试台及抗锈性能测评方法 |
| CN113538424A (zh) * | 2021-09-15 | 2021-10-22 | 江苏景瑞农业科技发展有限公司 | 基于人工智能的木板节子分类数据识别方法 |
-
2021
- 2021-10-28 CN CN202111261077.0A patent/CN113706531B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104952076A (zh) * | 2015-06-18 | 2015-09-30 | 哈尔滨工程大学 | 基于分块相似性度量的图像分割方法 |
| CN107610125A (zh) * | 2017-10-16 | 2018-01-19 | 云南电网有限责任公司临沧供电局 | 一种远距离激光除锈实时监控与反馈方法、装置及系统 |
| CN112669305A (zh) * | 2021-01-05 | 2021-04-16 | 三峡大学 | 一种金属表面抗锈性能测试台及抗锈性能测评方法 |
| CN113538424A (zh) * | 2021-09-15 | 2021-10-22 | 江苏景瑞农业科技发展有限公司 | 基于人工智能的木板节子分类数据识别方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
| CN114882265A (zh) * | 2022-07-12 | 2022-08-09 | 济宁昆仑石油化工有限公司 | 一种成品油质量检测方法 |
| CN114882265B (zh) * | 2022-07-12 | 2022-09-06 | 济宁昆仑石油化工有限公司 | 一种成品油质量检测方法 |
| CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
| CN117455907B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706531B (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113706531B (zh) | 基于机器视觉的金属板腐蚀程度判定方法及系统 | |
| CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
| CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
| CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
| CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
| CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
| CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
| CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
| CN116703898B (zh) | 一种精密机械轴承端面的质量检测方法 | |
| CN115496692B (zh) | 一种润滑油磨粒图像增强方法 | |
| CN115018845B (zh) | 一种润滑油磨粒质量检测方法 | |
| CN115131356B (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
| CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
| Wang et al. | Application of gradient-based Hough transform to the detection of corrosion pits in optical images | |
| CN118334028B (zh) | 基于图像处理的无缝钢管质量检测方法 | |
| CN116137036A (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| CN118096761B (zh) | 一种基于图像处理的电池箱生产缺陷检测方法 | |
| CN118014999A (zh) | 一种新能源汽车冲压精密件断裂区域快速检测方法 | |
| CN115841491A (zh) | 一种多孔金属材料的质量检测方法 | |
| CN116152749A (zh) | 基于数字孪生的齿轮磨损智能监测方法 | |
| CN116342586A (zh) | 基于机器视觉的路面质量检测方法 | |
| CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN113658250B (zh) | 漂浮物位置预测方法及装置 | |
| CN117237350B (zh) | 一种铸钢件质量实时检测方法 | |
| CN117124139B (zh) | 一种智能机床刀具磨损视觉检测方法 |
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 |