CN113808087A - 钢板表面的缺陷管控方法、装置及计算机可读存储介质 - Google Patents
钢板表面的缺陷管控方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113808087A CN113808087A CN202111029412.4A CN202111029412A CN113808087A CN 113808087 A CN113808087 A CN 113808087A CN 202111029412 A CN202111029412 A CN 202111029412A CN 113808087 A CN113808087 A CN 113808087A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- steel plate
- preset
- gray
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 214
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 106
- 239000010959 steel Substances 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007726 management method Methods 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 239000002994 raw material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 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
-
- G06T5/70—
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
Abstract
本发明公开了一种钢板表面的缺陷管控方法、装置及计算机可读存储介质，其中，该方法包括：基于预设的图像采集参数对钢板表面的图像帧进行采集，得到表面原始图像；对所述表面原始图像进行灰度化处理，得到灰度图像；将所述灰度图像通过均值滤波处理，得到均值滤波图像；将所述均值滤波图像的灰度值与所述灰度图像的灰度值进行差值运算，得到差值集；判断所述差值集中是否存在大于预设阀值的灰度值；若所述差值集中存在大于预设阈值的灰度值，则控制钢板所在的生产线或工位停止运行，并输出预警提示信息。本发明提高了钢板表面缺陷的识别效率，以对钢板表面的质量进行良好管控。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种钢板表面的缺陷管控方法、装置及计算机可读存储介质。
背景技术
热轧钢板以连铸板坯或初轧板坯为原料，经步进式加热炉加热，除鳞，经过粗轧机、精轧机、层流冷却、卷取机卷取，最后切头切尾、矫直、平整、切板或重卷后的产品。热轧钢板由于成型温度较高，成型所需力比冷轧成型要小，但成型后板材缺陷较多。板材缺陷的多少直接影响到产品的质量，故在实际生产线上对钢板质量做实时检测、把关以及管控至关重要。
目前大部分钢厂仍然采用人工肉眼识别热轧钢板表面缺陷的方法，由于钢板表面的缺陷位置具有很大的随机性，非常不易识别，从而导致很难对热轧钢板表面缺陷进行良好管控，漏检风险大，进而严重影响产品质量。
发明内容
本发明的主要目的是提供一种钢板表面的缺陷管控方法、装置及计算机可读存储介质，旨在解决现有技术中钢板表面缺陷的识别效率低的技术问题。
为实现上述目的，本发明提供一种钢板表面的缺陷管控方法，该方法包括：
基于预设的图像采集参数对钢板表面的图像帧进行采集，得到表面原始图像；
对所述表面原始图像进行灰度化处理，得到灰度图像；
将所述灰度图像通过均值滤波处理，得到均值滤波图像；
将所述均值滤波图像的灰度值与所述灰度图像的灰度值进行差值运算，得到差值集；
判断所述差值集中是否存在大于预设阀值的灰度值；
若所述差值集中存在大于预设阈值的灰度值，则控制钢板所在的生产线或工位停止运行，并输出预警提示信息。
可选地，所述输出预警提示信息的步骤之后，包括：
将所述差值集中大于预设阈值的灰度值进行阈值分割处理，得到阈值分割图像，以凸显出缺陷特征；
将所述缺陷强化图像叠加至所述灰度图像上，得到缺陷强化图像，以定位出各缺陷特征的位置。
可选地，所述得到缺陷强化图像的步骤之后，还包括：
计算所述缺陷强化图像中的各缺陷特征的轮廓面积；
将各缺陷特征的轮廓面积与预设面积阈值进行比较；
将所述轮廓面积大于预设面积阈值的缺陷特征，标记为大缺陷特征；
将所述轮廓面积小于或等于预设面积阈值的缺陷特征，标记为小缺陷特征；
统计所述大缺陷特征和所述小缺陷特征的数量，作为缺陷摘要信息；
将所述缺陷摘要信息添加至所述缺陷强化图像。
可选地，所述将所述轮廓面积大于预设面积阈值的缺陷特征，标记为大缺陷特征的步骤包括：
将所述轮廓面积大于预设面积阈值的缺陷特征进行彩绘标识，并标记为大缺陷特征。
可选地，所述得到缺陷强化图像的步骤之后，还包括：
获取当前的实时时间，将所述实时时间作为时间戳信息；
将所述时间戳信息添加至所述缺陷强化图像。
可选地，所述基于预设的图像采集参数对钢板表面的图像帧进行采集，得到表面原始图像的步骤之前包括：
获取输入的图像采集参数调试指令，显示预设的参数调试界面；
接收基于所述参数调试界面而输入的操控指令；
根据所述操控指令对初始图像采集参数进行调试，得到调试后的图像采集参数，并将所述调试后的图像采集参数作为预设的图像采集参数。
可选地，所述基于预设的图像采集参数对钢板表面的图像帧进行采集的步骤包括：
基于所述图像采集参数确定图像帧的采集时间间隔；
根据所述采集时间间隔对钢板表面的图像帧进行采集。
可选地，所述基于预设的图像采集参数对钢板表面的图像帧进行采集的步骤包括：
基于所述图像采集参数确定聚焦区域；
根据所述聚焦区域对钢板表面的图像帧进行采集
本发明提供了一种缺陷管控装置，包括存储器、处理器、以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，所述计算机程序被处理器执行时实现如上述的钢板表面的缺陷管控方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述钢板表面的缺陷管控方法的步骤。
本发明通过基于预设的图像采集参数对钢板表面的图像帧进行采集，得到表面原始图像的步骤，来采集生产线或工位上钢板表面的实时图像，再通过对所述表面原始图像进行灰度化处理，得到灰度图像，将所述灰度图像通过均值滤波处理，得到均值滤波图像的步骤，对所采集的表面原始图像进行平滑处理，并进一步通过将所述均值滤波图像的灰度值与所述灰度图像的灰度值进行差值运算，得到差值集，判断所述差值集中是否存在大于预设阀值的灰度值的步骤，来判断当前帧图像中的钢板表面是否存在缺陷特征，若所述差值集中存在大于预设阈值的灰度值，则确定当前帧图像中的钢板表面存在缺陷特征，此时控制钢板所在的生产线或工位停止运行，从而避免缺陷逃逸，实现生产线联动的功能，并进一步通过输出预警提示信息的步骤，及时提醒工作人员当前钢板表面存在缺陷，使工作人员采取进一步的应对措施。本发明通过自动采集图像、图像预处理和图像识别技术进行钢板表面缺陷的自动识别，一旦识别到缺陷就立即拉停生产线或工位，解决了钢板表面的缺陷位置随机性大，不易识别的问题，进而提高了钢板表面缺陷的识别效率，以对钢板表面的质量进行良好管控。
附图说明
图1是本发明实施例缺陷管控装置的模块结构示意图；
图2为本发明钢板表面的缺陷管控方法第一实施例的流程示意图；
图3为本发明钢板表面的缺陷管控方法第二实施例的流程示意图；
图4为本发明钢板表面的缺陷管控方法第三实施例的流程示意图；
图5为本发明第一实施中的参数调试界面；
图6为本发明第二实施中的参数调试界面；
图7为本发明一实施例中缺陷强化图像与对应的灰度图像并排布置的对比图像；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
请参照图1，图1为本发明各个实施例中所提供的缺陷管控装置的模块结构示意图。所述缺陷管控装置包括通信模块01、存储器02及处理器03等部件。本领域技术人员可以理解，图1中所示出的缺陷管控装置还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中，所述处理器03分别与所述存储器02和所述通信模块01连接，所述存储器02上存储有计算机程序，所述计算机程序同时被处理器03执行。
通信模块01，可通过网络与外部设备连接。通信模块01可以接收外部设备发出的数据，还可发送数据、指令及信息至所述外部设备，所述外部设备可以是数据管理终端、手机、平板电脑、笔记本电脑和台式电脑等电子设备。
存储器02，可用于存储软件程序以及各种数据。存储器02可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储被控缺陷管控装置的运行情况和行驶环境以及信号机的相位变化所创建的数据或信息等。此外，存储器02可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器03，是缺陷管控装置的控制中心，利用各种接口和线路连接整个缺陷管控装置的各个部分，通过运行或执行存储在存储器02内的软件程序和/或模块，以及调用存储在存储器02内的数据，执行缺陷管控装置的各种功能和处理数据。处理器03可包括一个或多个处理单元；优选的，处理器03可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器03中。
本领域技术人员可以理解，图1中示出的缺陷管控装置模块结构并不构成对缺陷管控装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
根据上述模块结构，提出本发明方法各个实施例。
参照图2，图2为本发明钢板表面的缺陷管控方法第一实施例的流程示意图，所述缺陷管控方法包括：
步骤S100，基于预设的图像采集参数对钢板表面的图像帧进行采集，得到表面原始图像；
其中，可通过摄像头对钢板表面的图像帧进行采集。
在一具体实施例中，具体应用场景可以是对钢厂的工业生产线上的热轧钢板进行表面缺陷检测。本具体实施例所涉及到的终端有服务器和图像采集终端，该图像采集终端例如为4K相机，其中图像采集终端用于采集生产线上的热轧钢板表面的图像帧，作为表面原始图像，然后服务器调用识别程序，识别该表面原始图像中各子区域是否存在缺陷，从而实现对热轧钢板表面缺陷的检测和识别。其中，以热轧钢板的宽度为参考，若热轧钢板的宽度为0.6m，在工业生产线的正上方水平放置一个4K相机即可，4K相机的靶面与热轧钢板的钢板平面平行，依据相机焦距调整相机高度，使4K相机的画面上成像长度与热轧钢板的宽度相等；若热轧钢板的宽度为3.6m，则需在生产线的正上方宽度方向上等距并列6个4K摄像头。考虑到热轧钢板的移动速度为5m/s，若4K相机的帧率固定设置为20帧，则钢板每平均移动0.25m即可拍到一张快照，当然，可以理解的是，4K相机进行拍摄的时间间隔，本领域技术人员可根据生产线的实际移动速度进行设置，以在满足对钢板表面的图像进行完整抓取、无遗漏缺陷特征的基础上，减少4K相机的拍摄运行负荷。同时，对于4K相机而言，画面图片大小为4096x2160，每个像素的大小对应到现实世界的钢板大小0.6m/4096≈0.15mm，即10mmx10mm的缺陷对应的像素数为4660个像素，即使1mmx1mm的缺陷也可以有46个像素，可以满足识别的最低需求。
进一步地，所述步骤S100之前包括：
步骤a，获取输入的图像采集参数调试指令，显示预设的参数调试界面；
步骤b，接收基于所述参数调试界面而输入的操控指令；
步骤c，根据所述操控指令对初始图像采集参数进行调试，得到调试后的图像采集参数，并将所述调试后的图像采集参数作为预设的图像采集参数。
可以理解的是，图像采集参数可包括图像帧的采集时间间隔、图像帧的聚焦区域和图像帧的分辨率等等。该图像采集参数，本领域技术人员不作具体的限定，以更好的识别钢板表面的缺陷为准。
其中，用户可通过在交互设备上进行操控完成该图像采集参数调试指令的输入，输入该图像采集参数调试指令后，交互设备的显示界面上会显示该预设的参数调试界面，其中，该参数调试界面以更好的方便用户对图像采集参数进行调试为准，本实施例不作具体的限定。
本实施例通过获取输入的图像采集参数调试指令，显示预设的参数调试界面；接收基于所述参数调试界面而输入的操控指令；根据所述操控指令对图像采集参数进行调试的步骤，便于用户更新图像采集参数，对图像采集参数进行调试，从而能适用于不同生产线或工位上钢板表面的缺陷识别，适用于不同的应用场景，自定义满足用户不同的应用需求，提高本发明实施例缺陷管控方法的适应性和鲁棒性。
进一步地，在一实施例中，所述基于预设的图像采集参数对钢板表面的图像帧进行采集的步骤包括：
步骤d，基于所述图像采集参数确定图像帧的采集时间间隔；
步骤e，根据所述采集时间间隔对钢板表面的图像帧进行采集。
在一具体实施例中，请参照图5，图5为本发明第一实施中的参数调试界面，通过采用直接输入时间间隔数值的方式，设置图像帧的采集时间间隔。通过在参数调试界面上操纵滑轮的方式，对“灵敏度”和“范围广度”进行调节，该“灵敏度”代表识别钢板表面的缺陷特征的灵敏度，该“范围广度”采用正方式矩阵，对所采集的图像帧进行区域分割，“范围广度”越大，分割区域的数量越多，然后分别通过对各分割区域的进行图像预处理后，再进行缺陷识别。例如广度设置为25，则均值大小为25＊25正方形，“范围广度”越大，则缺陷识别精度降低，根据实际推荐值为35左右为较佳参数。
本实施例通过基于所述图像采集参数确定图像帧的采集时间间隔；根据所述采集时间间隔对钢板表面的图像帧进行采集的步骤，从而能适用于不同生产线或工位的移动速度，满足不同的生产节奏，提高本发明实施例缺陷管控方法的适应性。
在另一实施例中，所述基于预设的图像采集参数对钢板表面的图像帧进行采集的步骤包括：
步骤f，基于所述图像采集参数确定聚焦区域；
步骤g，根据所述聚焦区域对钢板表面的图像帧进行采集。
其中，可通过鼠标框选的方式，也可通过直接输入聚焦区域的坐标的方式，实现聚焦区域设置。
进一步地，请参照图6，图6为本发明第二实施中的参数调试界面，触发图6中的“截屏区域设定”的按钮指令可进入当前图像采集装置所采集的图像界面，再进一步在该所采集的图像界面中，通过鼠标框选的方式实现对图像帧中聚焦区域的确定，可以理解的是，所框选的区域内即为聚焦区域。当然该参数调试界面还包括“单次截屏测试”、“启动自动检测”等按钮功能，其中触发“启动自动检测”按钮指令，则可在已定义好聚焦区域的情况下，自动对拍摄的图像进行缺陷识别。而触发“单次截屏测试”按钮指令，则是在已定义好聚焦区域的情况下，仅对当前次拍摄的图像进行缺陷识别。
本发明通过基于所述图像采集参数确定聚焦区域；根据所述聚焦区域对钢板表面的图像帧进行采集的步骤，从而能满足不同应用场景下钢板表面的拍摄区域需求，调整图像帧的聚焦区域，以更清晰、无遗漏的对钢板表面的缺陷特征进行捕获，提高钢板表面缺陷的识别率。
步骤S200，对所述表面原始图像进行灰度化处理，得到灰度图像；
可以理解的是，摄像机所获取的图像可能包含与待检测钢板无关的背景、例如生产线上的其他设备的一部分等，为了便于缺陷检测，在对表面原始图像进行灰度化处理之前，可以对图像进行预处理，例如可以将与待检测钢板无关的背景去除掉，只留下待检测钢板的图像。另外，为了便于缺陷检测，可以在预处理过程中将待检测的图像统一规格。例如，摄像机获取的图像大小可能是1000×500像素，可以将其进行压缩或者扩展，成为600×300像素或1500×750像素的图像。
步骤S300，将所述灰度图像通过均值滤波处理，得到均值滤波图像；
本领域技术人员可知的是，该均值滤波处理是利用像素点邻域的像素值来计算像素点的值，去掉像素本身，将其邻域像素点相加然后取平均值即为该像素点的新的像素值。
本实施例通过该将所述灰度图像通过均值滤波处理，得到均值滤波图像，从而达到对该灰度图像进行平滑处理的目的。
步骤S400，将所述均值滤波图像的灰度值与所述灰度图像的灰度值进行差值运算，得到差值集；
需要说明的是，将所述均值滤波图像与所述灰度图像的灰度值进行相减，如果得到的灰度值是负数，则应该还对该灰度值进行绝对值运算，即该差值运算不仅包括相减运算，还包括绝对值运算。
步骤S500，判断所述差值集中是否存在大于预设阀值的灰度值；
其中，预设阈值越大，则识别缺陷灵敏度越低，预设阈值越小，则识别缺陷灵敏度越高，同时缺陷的误识别率也越高，该预设阈值本领域技术人员可根据实际情况进行设置，以更好的识别缺陷为准。
可以理解的是，该预设阈值的取值范围为0至255，例如在一实施例中，预设阈值为8，在另一实施例中，预设阈值为16。
若所述差值集中存在大于预设阈值的灰度值，则执行步骤S600：控制钢板所在的生产线或工位停止运行，并输出预警提示信息。
其中，本领域技术人员可以理解的是，当表面原始图像中存在缺陷特征时，那么对该表面原始图像进行灰度化处理，得到的灰度图像仍然会存在缺陷特征，再通过均值滤波处理得到的均值滤波图像，往往会将灰度图像中的缺陷特征进行平滑处理，滤掉该缺陷特征或者将该缺陷特征模糊化，因此，此时从灰度图像转变到均值滤波图像的过程中，灰度值发生了较大的改变。而如果表面原始图像中不存在缺陷特征时，那么对该表面原始图像进行灰度化处理，得到的灰度图像仍然不会存在缺陷特征，再通过均值滤波处理得到的均值滤波图像，也仍然与原来的该灰度图像几乎一致，因此，此时从灰度图像转变到均值滤波图像的过程中，灰度值未发生改变或发生了较小的改变。所以，通过判断所述差值集中是否存在大于预设阀值的灰度值，若所述差值集中存在大于预设阈值的灰度值，则可确定存在缺陷特征，本发明实施例巧妙的运用了该原理，从而可以准确、快速的判断出当前钢板表面是否存在缺陷，提高了钢板表面缺陷的识别效率，进而实现了对钢板表面质量进行良好管控。
本实施例通过基于预设的图像采集参数对钢板表面的图像帧进行采集，得到表面原始图像的步骤，来采集生产线或工位上钢板表面的实时图像。再通过对所述表面原始图像进行灰度化处理，得到灰度图像，将所述灰度图像通过均值滤波处理，得到均值滤波图像的步骤，对所采集的表面原始图像进行平滑处理。再进一步通过将所述均值滤波图像的灰度值与所述灰度图像的灰度值进行差值运算，得到差值集，判断所述差值集中是否存在大于预设阀值的灰度值的步骤，来判断当前帧图像中的钢板表面是否存在缺陷特征，若所述差值集中存在大于预设阈值的灰度值，则确定当前帧图像中的钢板表面存在缺陷特征，此时控制钢板所在的生产线或工位停止运行，从而避免缺陷逃逸，实现生产线联动的功能，并进一步通过输出预警提示信息的步骤，及时提醒工作人员当前钢板表面存在缺陷，使工作人员采取进一步的应对措施。本实施例通过自动采集图像、图像预处理和图像识别技术进行钢板表面缺陷的自动识别，一旦识别到缺陷就立即拉停生产线或工位，解决了钢板表面的缺陷位置随机性大，不易识别的问题，进而提高了钢板表面缺陷的识别效率，以对钢板表面的质量进行良好管控。
进一步地，参照图3，图3为本发明第二实施例的流程示意图，基于第一实施例，所述步骤S600之后包括：
步骤S610，将所述差值集中大于预设阈值的灰度值进行阈值分割处理，得到阈值分割图像，以凸显出缺陷特征；
本领域技术人员可知的是，阈值分割后的输出图像只有两种灰度值：255和0，所以阈值分割处理又常称为图像的二值化处理。阈值分割处理主要是根据灰度值信息提取目标特征，所以对目标特征与背景有较强对比度的图像的分割特别有用。在本发明实施例中，钢板表面出现的缺陷特征即为目标特征。
而在进行阈值分割的过程中，预设阈值不宜设置的过大或者过小，都会大大影响分割的效果，可以采用现有的最小误差阈值、最大方差阈值、最佳阈值法，以及差别分析法来确定，现有技术中对该预设阈值的计算方法，已具有一定深入的研究，在此不再赘述。
步骤S620，将所述缺陷强化图像叠加至所述灰度图像上，得到缺陷强化图像，以定位出各缺陷特征的位置；
可通过Opencv开源程序将缺陷强化图像，重叠在灰度图像上，从而凸显缺陷样貌。
为了使生产人员更方便地对钢板生产进行监控，如果检测结果是检测合格，则可不作处理，而如果检测结果是钢板存在缺陷，则需要通知工作人员，因此通过输出预警提示信息，以提示工作人员当前钢板表面存在缺陷。
本实施例通过所述差值集中大于预设阈值的灰度值进行阈值分割处理，得到阈值分割图像，以凸显出缺陷特征；将所述缺陷强化图像叠加至所述灰度图像上，得到缺陷强化图像，以定位出各缺陷特征的位置的步骤，将当前钢板表面的缺陷的特征和位置，以图像作载体，清晰的显示给工作人员，供其参考，以便工作人员根据该缺陷强化图像，在钢板的实物上找到对应的缺陷所在位置，并采取进一步应对措施。
进一步地，所述得到缺陷强化图像的步骤之后，还包括：
步骤h，获取当前的实时时间，将所述实时时间作为时间戳信息；
步骤i，将所述时间戳信息添加至所述缺陷强化图像。
本实施例通过获取当前的实时时间，将所述实时时间作为时间戳信息；将所述时间戳信息添加至所述缺陷强化图像的步骤，从而便于工作人员直观、明确的得知钢板表面出现缺陷特征的时间，同时也相应得知了生产线或工位出现报警和拉停的时间，因为一旦识别到缺陷，就立即控制拉停了生产线或工位，并生成了预警提示信息。
进一步地，参照图4，图4为本发明第三实施例的流程示意图，基于第二实施例，所述步骤S620之后，还包括：
步骤S710，计算所述缺陷强化图像中的各缺陷特征的轮廓面积；
步骤S720，将各缺陷特征的轮廓面积与预设面积阈值进行比较；
步骤S730，将所述轮廓面积大于预设面积阈值的缺陷特征，标记为大缺陷特征；
步骤S740，将所述轮廓面积小于或等于预设面积阈值的缺陷特征，标记为小缺陷特征；
其中，当在缺陷强化图像中存在若干数量个相互独立的缺陷特征时，识别程序计算该若干数量个缺陷特征的轮廓面积，并根据各对应的轮廓面积对各缺陷特征进行大缺陷特征和小缺陷特征的标记。
进一步地，所述将所述轮廓面积大于预设面积阈值的缺陷特征，标记为大缺陷特征的步骤包括：
步骤j，将所述轮廓面积大于预设面积阈值的缺陷特征进行彩绘标识，并标记为大缺陷特征。
进一步地，所述将所述轮廓面积大于预设面积阈值的缺陷特征进行彩绘标识的步骤包括：
步骤K，对各所述大缺陷特征进行第一预设颜色的彩绘标识；
所述将所述轮廓面积小于或等于预设面积阈值的缺陷特征，标记为小缺陷特征的步骤包括：
步骤L，将所述轮廓面积小于或等于预设面积阈值的缺陷特征进行第二预设颜色的彩绘标识，并标记为小缺陷特征。
需要说明的是，第一预设颜色区别于第二预设颜色，例如第一预设颜色为红色，则第二预设颜色则不能为红色，可为蓝色、黄色和橙色等。
本实施例通过对各所述大缺陷特征进行第一预设颜色的彩绘标识；对各所述小缺陷特征进行第二预设颜色的彩绘标识的步骤，使工作人员更直观、清晰的得知大缺陷特征和所述小缺陷特征的位置和数量。
步骤S750，统计所述大缺陷特征和所述小缺陷特征的数量，作为缺陷摘要信息；
步骤S760，将所述缺陷摘要信息添加至所述缺陷强化图像。
本实施例通过计算所述缺陷强化图像中的各缺陷特征的轮廓面积；将各缺陷特征的轮廓面积与预设面积阈值进行比较的步骤，从而确定区分出各缺陷特征为大缺陷特征和小缺陷特征，并进行标记。再进一步通过统计所述大缺陷特征和所述小缺陷特征的数量，作为缺陷摘要信息；将所述缺陷摘要信息添加至所述缺陷强化图像的步骤，从而便于工作人员直观、明确的得知钢板表面大缺陷特征和所述小缺陷特征的数量，以使工作人员能根据该大缺陷特征和所述小缺陷特征的数量评估该钢板的质量，并进一步根据该钢板的质量采取相应的处置措施。
进一步的，请参照图7，其中，左边的图像帧为灰度图像，右边的图像帧为左边该灰度图像对应的缺陷强化图像，其中，该灰度图像中添加有“20190915132537”的时间戳信息，该缺陷强化图像中添加有缺陷摘要信息，该缺陷摘要信息中的“Big NG2”代表大缺陷特征的数量为2，以及“Small NG2”代表小缺陷特征的数量为2。通过将缺陷强化图像与原来的灰度图像并排布置，得到对应的对比图像，以方便工作人员进行对比，通过本实施例这一处理方式，从而进一步使工作人员更直观、清晰的确定缺陷特征的大小和数量，提高识别缺陷的速度和准确度。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图1的终端中的存储器02，也可以是如ROM(Read－Only Memory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干信息用以使得终端执行本发明各个实施例所述的方法。
本发明计算机可读存储介质的具体实施例与上述钢板表面的缺陷管控方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种钢板表面的缺陷管控方法，其特征在于，所述缺陷管控方法包括：
基于预设的图像采集参数对钢板表面的图像帧进行采集，得到表面原始图像；
对所述表面原始图像进行灰度化处理，得到灰度图像；
将所述灰度图像通过均值滤波处理，得到均值滤波图像；
将所述均值滤波图像的灰度值与所述灰度图像的灰度值进行差值运算，得到差值集；
判断所述差值集中是否存在大于预设阀值的灰度值；
若所述差值集中存在大于预设阈值的灰度值，则控制钢板所在的生产线或工位停止运行，并输出预警提示信息。
2.如权利要求1所述的缺陷管控方法，其特征在于，所述输出预警提示信息的步骤之后，包括：
将所述差值集中大于预设阈值的灰度值进行阈值分割处理，得到阈值分割图像，以凸显出缺陷特征；
将所述缺陷强化图像叠加至所述灰度图像上，得到缺陷强化图像，以定位出各缺陷特征的位置。
3.如权利要求2所述的缺陷管控方法，其特征在于，所述得到缺陷强化图像的步骤之后，还包括：
计算所述缺陷强化图像中的各缺陷特征的轮廓面积；
将各缺陷特征的轮廓面积与预设面积阈值进行比较；
将所述轮廓面积大于预设面积阈值的缺陷特征，标记为大缺陷特征；
将所述轮廓面积小于或等于预设面积阈值的缺陷特征，标记为小缺陷特征；
统计所述大缺陷特征和所述小缺陷特征的数量，作为缺陷摘要信息；
将所述缺陷摘要信息添加至所述缺陷强化图像。
4.如权利要求3所述的缺陷管控方法，其特征在于，所述将所述轮廓面积大于预设面积阈值的缺陷特征，标记为大缺陷特征的步骤包括：
将所述轮廓面积大于预设面积阈值的缺陷特征进行彩绘标识，并标记为大缺陷特征。
5.如权利要求2所述的缺陷管控方法，其特征在于，所述得到缺陷强化图像的步骤之后，还包括：
获取当前的实时时间，将所述实时时间作为时间戳信息；
将所述时间戳信息添加至所述缺陷强化图像。
6.如权利要求1所述的缺陷管控方法，其特征在于，所述基于预设的图像采集参数对钢板表面的图像帧进行采集，得到表面原始图像的步骤之前包括：
获取输入的图像采集参数调试指令，显示预设的参数调试界面；
接收基于所述参数调试界面而输入的操控指令；
根据所述操控指令对初始图像采集参数进行调试，得到调试后的图像采集参数，并将所述调试后的图像采集参数作为预设的图像采集参数。
7.如权利要求1所述的缺陷管控方法，其特征在于，所述基于预设的图像采集参数对钢板表面的图像帧进行采集的步骤包括：
基于所述图像采集参数确定图像帧的采集时间间隔；
根据所述采集时间间隔对钢板表面的图像帧进行采集。
8.如权利要求1至7任一项所述的缺陷管控方法，其特征在于，所述基于预设的图像采集参数对钢板表面的图像帧进行采集的步骤包括：
基于所述图像采集参数确定聚焦区域；
根据所述聚焦区域对钢板表面的图像帧进行采集。
9.一种缺陷管控装置，其特征在于，包括存储器、处理器、以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，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述钢板表面的缺陷管控方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述钢板表面的缺陷管控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111029412.4A CN113808087A (zh) | 2021-09-02 | 2021-09-02 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111029412.4A CN113808087A (zh) | 2021-09-02 | 2021-09-02 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113808087A true CN113808087A (zh) | 2021-12-17 |
Family
ID=78942342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111029412.4A Pending CN113808087A (zh) | 2021-09-02 | 2021-09-02 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808087A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330789A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊歌尔电子有限公司 | 屏幕缺陷检测方法、装置、设备和可读存储介质 |
| CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694472A (zh) * | 2009-10-23 | 2010-04-14 | 郭震 | 缺陷孔图像识别方法 |
| CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
| CN104091327A (zh) * | 2014-06-19 | 2014-10-08 | 华南理工大学 | 铸件的枝状缩松缺陷仿真图像的生成方法及系统 |
| CN104102911A (zh) * | 2014-07-09 | 2014-10-15 | 宁波摩视光电科技有限公司 | 一种基于aoi的子弹表观缺陷检测系统的图像处理算法 |
| CN106097361A (zh) * | 2016-06-20 | 2016-11-09 | 昆山国显光电有限公司 | 一种缺陷区域检测方法及装置 |
| CN107525813A (zh) * | 2017-09-21 | 2017-12-29 | 常州有恒智能装备科技有限公司 | 钢板缺陷在线智能视觉检测系统 |
| CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
| CN109142366A (zh) * | 2018-06-13 | 2019-01-04 | 广东拓斯达科技股份有限公司 | 球形外壳缺陷检测方法、装置及计算机可读存储介质 |
| CN110544231A (zh) * | 2019-07-24 | 2019-12-06 | 华南理工大学 | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 |
| CN111272768A (zh) * | 2020-02-28 | 2020-06-12 | 苏州杰锐思智能科技股份有限公司 | 一种陶瓷管检测方法 |
| CN111462056A (zh) * | 2020-03-20 | 2020-07-28 | 深圳科瑞技术股份有限公司 | 工件表面缺陷检测方法、装置、设备及存储介质 |
| US20200311417A1 (en) * | 2019-03-29 | 2020-10-01 | Cal-Comp Big Data, Inc. | Method of detecting defects on face automatically |
| CN111882541A (zh) * | 2020-07-28 | 2020-11-03 | 广州柔视智能科技有限公司 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
| CN112419291A (zh) * | 2020-11-30 | 2021-02-26 | 佛山职业技术学院 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
-
2021
- 2021-09-02 CN CN202111029412.4A patent/CN113808087A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694472A (zh) * | 2009-10-23 | 2010-04-14 | 郭震 | 缺陷孔图像识别方法 |
| CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
| CN104091327A (zh) * | 2014-06-19 | 2014-10-08 | 华南理工大学 | 铸件的枝状缩松缺陷仿真图像的生成方法及系统 |
| CN104102911A (zh) * | 2014-07-09 | 2014-10-15 | 宁波摩视光电科技有限公司 | 一种基于aoi的子弹表观缺陷检测系统的图像处理算法 |
| CN106097361A (zh) * | 2016-06-20 | 2016-11-09 | 昆山国显光电有限公司 | 一种缺陷区域检测方法及装置 |
| CN107525813A (zh) * | 2017-09-21 | 2017-12-29 | 常州有恒智能装备科技有限公司 | 钢板缺陷在线智能视觉检测系统 |
| CN109142366A (zh) * | 2018-06-13 | 2019-01-04 | 广东拓斯达科技股份有限公司 | 球形外壳缺陷检测方法、装置及计算机可读存储介质 |
| CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
| US20200311417A1 (en) * | 2019-03-29 | 2020-10-01 | Cal-Comp Big Data, Inc. | Method of detecting defects on face automatically |
| CN110544231A (zh) * | 2019-07-24 | 2019-12-06 | 华南理工大学 | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 |
| CN111272768A (zh) * | 2020-02-28 | 2020-06-12 | 苏州杰锐思智能科技股份有限公司 | 一种陶瓷管检测方法 |
| CN111462056A (zh) * | 2020-03-20 | 2020-07-28 | 深圳科瑞技术股份有限公司 | 工件表面缺陷检测方法、装置、设备及存储介质 |
| CN111882541A (zh) * | 2020-07-28 | 2020-11-03 | 广州柔视智能科技有限公司 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
| CN112419291A (zh) * | 2020-11-30 | 2021-02-26 | 佛山职业技术学院 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 徐帅华 等: "视觉显著性模型在带钢缺陷动态检测中的应用", 《西安工程大学学报》, vol. 28, no. 6, pages 1 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330789A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊歌尔电子有限公司 | 屏幕缺陷检测方法、装置、设备和可读存储介质 |
| CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10691947B2 (en) | Monitoring device | |
| CN113808087A (zh) | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 | |
| CN110738135A (zh) | 一种工人作业工步规范视觉识别判定与指导方法及系统 | |
| CN107895362B (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
| CN111783744A (zh) | 一种操作现场安全防护检测方法及装置 | |
| CN109559304A (zh) | 用于工业视觉检测的图像品质在线评估方法、装置及应用 | |
| CN111047568A (zh) | 一种漏汽缺陷检测识别方法及系统 | |
| CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
| 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 | |
| CN111311670B (zh) | 一种基于图像识别的冷床冲顶识别方法、系统及设备 | |
| CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
| CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
| CN105957300B (zh) | 一种智慧金睛识别可疑张贴遮蔽报警方法和装置 | |
| CN104749801B (zh) | 高精度自动光学检测方法和系统 | |
| CN109724776A (zh) | 一种烧结机台车的篦条损坏程度的确定方法及装置 | |
| CN109954854B (zh) | 连铸机结晶器漏钢监测方法、装置、存储介质及电子终端 | |
| CN115620192A (zh) | 一种高空作业安全绳穿戴检测的方法和装置 | |
| CN115171361A (zh) | 一种基于计算机视觉的危险行为智能检测预警方法 | |
| CN111028209B (zh) | 一种电话机丝印质量检测方法及系统 | |
| CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
| CN116189038A (zh) | 一种画面异常判定方法、装置、设备及存储介质 | |
| CN115984973A (zh) | 一种用于防偷窥屏幕的人体异常行为监测方法 | |
| CN112104838A (zh) | 图像分辨方法及其监控摄像机与监控摄像系统 | |
| CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统 | |
| CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 |
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 |