CN114862754A - 钢材锈蚀程度的辨识方法、系统及存储介质 - Google Patents
钢材锈蚀程度的辨识方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114862754A CN114862754A CN202210267466.2A CN202210267466A CN114862754A CN 114862754 A CN114862754 A CN 114862754A CN 202210267466 A CN202210267466 A CN 202210267466A CN 114862754 A CN114862754 A CN 114862754A
- Authority
- CN
- China
- Prior art keywords
- steel
- corrosion
- point
- pixel point
- pixel
- 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 108
- 239000010959 steel Substances 0.000 title claims abstract description 108
- 238000005260 corrosion Methods 0.000 title claims abstract description 67
- 230000007797 corrosion Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 43
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 18
- 230000009191 jumping Effects 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000009972 noncorrosive effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种钢材锈蚀程度的辨识方法、系统及存储介质，方法包括如下步骤：S1：读取钢材照片中的每一个像素点的RGB三通道值并记录；S2：判断像素点是否为背景点，若是则背景点计数nb加1，并跳转至步骤S5；S3：判断该像素点的RGB三通道值Ri，Gi和Bi的值是否满足Ri>Gi>Bi，若否则跳转至步骤S5；S4：计算该像素点的Ri‑Bi的值bi，若bi大于预设的锈蚀点临界值，则锈蚀点计数nr加1；S5：判断钢材照片中是否所有像素点都被遍历，若否则读取下一像素点，并返回步骤S3；S6：计算钢材的锈蚀百分比为nr/(w×h–nb)，w和h分别为钢材照片的像素宽度及像素高度。上述方法能辨识并量化钢材在正常存储或运输过程中形成的均匀分布的锈蚀，计算量小，简单且易于实施。
Description
技术领域
本发明属于钢材分析与测试技术领域，特别涉及一种钢材锈蚀程度的辨识方法、系统及存储介质。
背景技术
钢材在仓储、运输的过程中，不可避免会产生表面锈蚀，锈蚀按照其严重程度可能不同程度影响钢材的使用性能。因此，评价钢材的锈蚀程度对于产品质量管控具有十分重要意义。
图像处理技术是将钢材的锈蚀程度的视觉评价进行量化的有效途径，但是现有的钢材锈蚀的图像处理技术，仅能处理对钢材零散分布的锈蚀面积的分析，无法对锈蚀面积均匀的钢材的锈蚀程度进行量化，且处理技术复杂。
发明内容
发明目的：本发明的目的是提出一种钢材锈蚀程度的辨识方法，可以对仓储或运输过程中钢材表面均匀分布的锈蚀情况进行量化，且处理过程计算量简单，易于实施。
本发明的另一目的是提出一种可以实施上述方法的钢材锈蚀程度的辨识系统及存储有上述辨识方法实例化的计算机程序的存储介质。
技术方案：本发明所述的钢材锈蚀程度的辨识方法，包括如下步骤：
S1：读取钢材照片中的每一个像素点的RGB三通道值并记录；
S2：读取一个像素点，判断像素点是否为背景点，若是则背景点计数nb加1，并跳转至步骤S5；
S3：判断该像素点的RGB三通道值Ri，Gi和Bi的值是否满足Ri>Gi>Bi，若否则跳转至步骤S5；
S4：计算该像素点的Ri-Bi的值bi，若bi大于预设的锈蚀点临界值，则锈蚀点计数nr加1；
S5：判断钢材照片中是否所有像素点都被遍历，若否则读取下一像素点，并返回步骤S3；
S6：计算钢材的锈蚀百分比为nr/(w×h–nb)，w和h分别为钢材照片的像素宽度及像素高度。
进一步的，所述步骤S3包括：
S3.1：计算该像素点的RGB三通道值Ri，Gi和Bi三个值中最大值与最小值的平均值；
S3.2：判断该平均值是否在预设的背景像素区间内，若是则该像素点为背景点，背景点计数nb加1，并跳转至步骤S5。
所述步骤S1前还包括：
S1.1：将钢材照片转换为RGB24标准格式。
进一步的，所述步骤S4中的锈蚀点临界值为15。
进一步的，所述步骤S3.2中的背景像素区间为小于30或大于254。
进一步的，所述步骤S6后还包括：
S7：根据钢材的锈蚀百分比对钢材的锈蚀程度进行分级。
本发明所述的钢材锈蚀程度的辨识系统，包括：图像采集及预处理模块，用于采集钢材照片并对钢材照片进行预处理，获取钢材照片每个像素点的RGB三通道值；背景点判别模块，用于遍历钢材照片的每个像素点，并根据每个像素点的RGB三通道值判断像素点是否为背景点；锈蚀点判别模块，用于遍历钢材照片的每个像素点，并根据每个像素点的RGB三通道值判别像素点是否为锈蚀点；锈蚀程度辨识模块，用于计算各钢材照片中锈蚀点与钢材像素点的比作为钢材的锈蚀程度。
本发明所述的存储介质，存储有计算机程序，所述计算机程序被设置为执行时实现上述钢材锈蚀程度的辨识方法。
有益效果：与现有技术相比，本发明具有如下优点：1、对钢材照片的每个像素进行遍历，可以识别常规运输或存储中钢材表面产生的均匀分布的锈蚀情况。2、辨识过程仅需要对每个像素的RGB值进行简单的比较及差值计算，数据计算处理过程简单，易于实施。
附图说明
图1为本发明实施例的钢材锈蚀程度的辨识方法的流程图；
图2为典型锈蚀钢材照片像素点的RGB分布统计图；
图3为典型锈蚀钢材照片像素点的RGB散点图；
图4为图3在GB面上的投影；
图5为图3在RG面上的投影；
图6为典型非锈蚀钢材照片像素点的RGB分布统计图；
图7为典型非锈蚀照片像素点的RGB散点图；
图8为图7在GB面上的投影；
图9为图7在RG面上的投影；
图10为典型锈蚀钢材照片满足R>G>B的R-B值统计分布；
图11为典型非锈蚀钢材照片满足R>G>B的R-B值统计分布；
图12为实施例1的钢材的原始图片；
图13为图12经本发明实施例的辨识方法处理后的图片；
图14为实施例2的钢材的原始图片；
图15为图14经本发明实施例的辨识方法处理后的图片。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1，根据本发明实施例的钢材锈蚀程的辨识方法，包括如下步骤：
S1：读取钢材照片中的每一个像素点的RGB三通道值并记录；
S2：判断像素点是否为背景点，若是则背景点计数nb加1，并跳转至步骤S5；
S3：判断该像素点的RGB三通道值Ri，Gi和Bi的值是否满足Ri>Gi>Bi，若否则跳转至步骤S5；
S4：计算该像素点的Ri-Bi的值bi，若bi大于预设的锈蚀点临界值，则锈蚀点计数nr加1；
S5：判断钢材照片中是否所有像素点都被遍历，若否则读取下一像素点，并返回步骤S3，；
S6：计算钢材的锈蚀百分比为nr/(w×h–nb)，w和h分别为钢材照片的像素宽度及像素高度。
根据上述技术方案的辨识方法，仅通过对钢材照片的每个像素点的RGB三通道分量进行一定的比较和差值计算，即可辨别出像素点是否为锈蚀点，计算过程简单，计算量小且易于实施。常规运输过程中及储藏中，锈蚀分布更加均匀，无法形成连通的大面积的锈蚀区域。而发明实施例的辨识方法，由于对钢材照片的每一个像素点均进行遍历和判断，相对于锈蚀区域的边界进行边缘识别，计算边界围成的面积作为锈蚀面积，更适用于运输过程中或者储藏过程中产生的均匀分布的锈蚀面积的辨识，辨识结果更加准确。
其中步骤S3和步骤S4中判别像素点是否为锈蚀点的条件，由对多张典型钢材锈蚀照片进行统计分析而总结获得。如图2所示，图中颜色最深的柱型条为典型锈蚀钢材照片中像素点在B通道上的分量值的数量分布，颜色较浅的柱型条代表G通道上的分量值的数量分布，颜色最浅的柱型条代表R通道上的分量值的数值分布。有图可知，其中R上的分量值均值最大，G次之，B最小。
对典型锈蚀钢铁的照片像素的RGB数据，以R、G和B通道分量作为三维点绘制散点图，如图3所示，其在GB面和RG面的投影分别如图4和图5所示，从图中可以看出，绝大部分像素点(经统计占比为99％)满足R>B>G(图中经过原点的45度直线上方)，所以该条件可以作为判别条件之一。
对典型的非锈蚀钢材照片的像素点分别绘制RGB通道的分量值的数值统计图和散点图，如图6至9所示，可以看出非锈蚀像素点与锈蚀部位像素点的RGB分布情况有明显区别，非锈蚀像素点的R、G和B分布基本重合，但仍有一部分非锈蚀像素点满足R>B>G条件，所以不能仅以该条件作为判断锈蚀的唯一条件。
由锈蚀钢材和非锈蚀钢材的散点图对比可知，非锈蚀部分的散点更收敛于经过原点的45度直线附近，所以为进一步区分锈蚀与非锈蚀像素点的颜色特征，筛选出满足R>G>B条件的锈蚀钢材的像素点和非锈蚀钢材的像素点，分别对这些像素点的R-B的差值作分布统计，统计结果如图10和图11所示，锈蚀部分的R-B分布的均值为50左右，非锈蚀部分的R-B分布的均值为8左右。为定量区分二者，结合两者分布的峰宽度，锈蚀像素点与非锈蚀像素点的R-B的差值存在临界点。在本实施例的统计中，锈蚀部分中R-B<15所占比例仅为0.9％，非锈蚀部分中R-B>15所占比例仅为4％，均可以忽略不计，所以R-B的临界值bc可以优选为15。不同钢材种类和不同拍摄条件下，锈蚀部分和非锈蚀部分的临界值可能存在偏差，临界值bc可以根据实际统计结果适应性选择。
实际中，钢材照片中的像素点可以通过以钢材像素点的先验知识训练弱分类器集合投票判断，如boosting或随机森林方法。实际实施中通常采用三原色或三原色的混合形成的纯色作为背景，为了进一步降低计算量，可以通过判断像素点的RGB三个分量值中的最大值和最小值的均值是否接近0或255来判断像素是否为背景点，可以辨别出钢材照片中的少量背景点。
在本实施例中，参照国标GB/T 8923.1-2011-涂覆涂料前钢材表面处理-表面清洁度的目视评定-第1部分：未涂覆过的钢材表面和全面清除原有涂层后的钢材表面的锈蚀等级和处理等级对辨识的钢材的锈蚀程度进行分级，锈蚀百分比在20％以下的为1类，1类的外观特点是钢材表面整体呈现黑青色。20％至40％之间为2类，2类的外观特点是钢材肉眼观察可见一定程度的锈蚀，但仍主要呈现黑青色。40％至60％之间为3类，3类的外观特点是钢材主要呈现黄褐色，但仍可观察到黑青色部位。60％以上为4类，4类的外观特点是钢材表面整体呈现黄褐色。
参照图12和图13，在实施例1中，钢筋的照片宽度为1279像素，高度为1706个像素，先将照片转换为RGB24标准格式，再遍历图片中的所有像素点，将像素点的RGB分量值中最大值和最小值的平均值mi满足mi<30或mi>254的像素点辨别为背景点，锈蚀点临界值bc取15，将图12中的背景点和锈蚀点分别用白色和黑色表示，背景点计数nb＝61696，锈蚀点计数nr＝711000。计算所得的锈蚀百分比为34％，锈蚀分类为2类。
参照图14及图15，在实施例2中，取了一张拍摄锈蚀程度更严重的照片，宽度和高度分别为1279个像素和1706个像素，背景点和锈蚀点识别过程中的临界值选择与实施例1相同，背景点和锈蚀点在图15中分别用白色和黑色表示，背景点计数nb＝71539，锈蚀点计数nr＝1702944。计算所得的锈蚀百分比为81％，锈蚀分级类4类。
本发明实施例的钢材锈蚀程度的辨识系统，可以实施上述辨识方法，包括图像采集及预处理模块、背景点判别模块、锈蚀点判别模块及锈蚀程度辨识模块。其中图像采集及预处理模块，用于采集钢材照片并对钢材照片进行预处理，获取钢材照片每个像素点的RGB三通道值；背景点判别模块，用于遍历钢材照片的每个像素点，并根据每个像素点的RGB三通道值判断像素点是否为背景点；锈蚀点判别模块，用于遍历钢材照片的每个像素点，并根据每个像素点的RGB三通道值判别像素点是否为锈蚀点；锈蚀程度辨识模块，用于计算各钢材照片中锈蚀点与钢材像素点的比作为钢材的锈蚀程度。本发明实施例的存储介质，存储有上述钢材锈蚀程度的辨识方法实例化的计算机程序。
Claims (8)
1.一种钢材锈蚀程度的辨识方法，其特征在于包括如下步骤：
S1：读取钢材照片中的每一个像素点的RGB三通道值并记录；
S2：读取一个像素点，判断像素点是否为背景点，若是则背景点计数nb加1，并跳转至步骤S5；
S3：判断该像素点的RGB三通道值Ri，Gi和Bi的值是否满足Ri>Gi>Bi，若否则跳转至步骤S5；
S4：计算该像素点的Ri-Bi的值bi，若bi大于预设的锈蚀点临界值，则锈蚀点计数nr加1；
S5：判断钢材照片中是否所有像素点都被遍历，若否则读取下一像素点，并返回步骤S3；
S6：计算钢材的锈蚀百分比为nr/(w×h–nb)，w和h分别为钢材照片的像素宽度及像素高度。
2.根据权利要求1所述的钢材锈蚀程度的辨识方法，其特征在于，所述步骤S3包括：
S3.1：计算该像素点的RGB三通道值Ri，Gi和Bi三个值中最大值与最小值的平均值；
S3.2：判断该平均值是否在预设的背景像素区间内，若是则该像素点为背景点，背景点计数nb加1，并跳转至步骤S5。
3.根据权利要求1所述的钢材锈蚀程度的辨识方法，其特征在于，所述步骤S1前还包括：
S1.1：将钢材照片转换为RGB24标准格式。
4.根据权利要求1所述的钢材锈蚀程度的辨识方法，其特征在于，所述步骤S4中的锈蚀点临界值为15。
5.根据权利要求2所述的钢材锈蚀程度的辨识方法，其特征在于，所述步骤S3.2中的背景像素区间为小于30或大于254。
6.根据权利要求1所述的钢材锈蚀程度的辨识方法，其特征在于，所述步骤S6后还包括：
S7：根据钢材的锈蚀百分比对钢材的锈蚀程度进行分级。
7.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被设置为运行时实现根据权利要求1至6任一项所述的钢材锈蚀程度的辨识方法。
8.一种根据权利要求1至6任一项所述的钢材锈蚀程度的辨识方法的辨识系统，其特征在于，包括：
图像采集及预处理模块，用于采集钢材照片并对钢材照片进行预处理，获取钢材照片每个像素点的RGB三通道值；
背景点判别模块，用于遍历钢材照片的每个像素点，并根据每个像素点的RGB三通道值判断像素点是否为背景点；
锈蚀点判别模块，用于遍历钢材照片的每个像素点，并根据每个像素点的RGB三通道值判别像素点是否为锈蚀点；
锈蚀程度辨识模块，用于计算各钢材照片中锈蚀点与钢材像素点的比作为钢材的锈蚀程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210267466.2A CN114862754A (zh) | 2022-03-18 | 2022-03-18 | 钢材锈蚀程度的辨识方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210267466.2A CN114862754A (zh) | 2022-03-18 | 2022-03-18 | 钢材锈蚀程度的辨识方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862754A true CN114862754A (zh) | 2022-08-05 |
Family
ID=82627144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210267466.2A Pending CN114862754A (zh) | 2022-03-18 | 2022-03-18 | 钢材锈蚀程度的辨识方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862754A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952965A (zh) * | 2024-03-26 | 2024-04-30 | 陕西惠延机械有限公司 | 一种隧道衬砌台车钢结构稳定性质量检测方法 |
-
2022
- 2022-03-18 CN CN202210267466.2A patent/CN114862754A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952965A (zh) * | 2024-03-26 | 2024-04-30 | 陕西惠延机械有限公司 | 一种隧道衬砌台车钢结构稳定性质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
| CN104732227B (zh) | 一种基于清晰度和亮度评估的车牌快速定位方法 | |
| CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
| CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及系统 | |
| CN114926463A (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
| CN105719291A (zh) | 品种可选择的表面缺陷图像分类系统 | |
| CN104408429A (zh) | 一种视频代表帧提取方法及装置 | |
| CN115690108A (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
| CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
| CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
| CN114862754A (zh) | 钢材锈蚀程度的辨识方法、系统及存储介质 | |
| CN114202532A (zh) | 一种喷涂缺陷的检测方法、装置、设备及存储介质 | |
| CN114897773A (zh) | 一种基于图像处理的扭曲木材检测方法及系统 | |
| CN109741406A (zh) | 一种监控场景下的车身颜色识别方法 | |
| CN114359267A (zh) | 基于直方图的金属货架的钣金漆面鼓包识别方法及系统 | |
| CN112634200A (zh) | 钢中带状组织评价方法 | |
| CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
| Agustin et al. | Automatic milled rice quality analysis | |
| CN114494205B (zh) | 一种基于自适应的颜色分级的门窗锈蚀程度判定方法 | |
| CN114677670A (zh) | 一种身份证篡改自动识别与定位的方法 | |
| US7660462B2 (en) | Method and apparatus for analyzing image data |
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 |