CN114862843A - 一种基于滤波器融合的金属带材表面缺陷快速检测方法 - Google Patents

一种基于滤波器融合的金属带材表面缺陷快速检测方法 Download PDF

Info

Publication number
CN114862843A
CN114862843A CN202210634180.3A CN202210634180A CN114862843A CN 114862843 A CN114862843 A CN 114862843A CN 202210634180 A CN202210634180 A CN 202210634180A CN 114862843 A CN114862843 A CN 114862843A
Authority
CN
China
Prior art keywords
pass
pass filter
fourier
filter
band
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
Application number
CN202210634180.3A
Other languages
English (en)
Other versions
CN114862843B (zh
Inventor
李勇
李家栋
徐豫
韩冰
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210634180.3A priority Critical patent/CN114862843B/zh
Publication of CN114862843A publication Critical patent/CN114862843A/zh
Application granted granted Critical
Publication of CN114862843B publication Critical patent/CN114862843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20056Discrete and fast Fourier transform, [DFT, FFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30136Metal
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种基于滤波器融合的金属带材表面缺陷快速检测方法,所述方法包括:获取金属带材表面原始图像;通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,对所述傅里叶频谱图进行中心化;基于高通滤波器和带通滤波器,构建高通‑带通融合滤波器;通过高通‑带通融合滤波器对中心化后的傅里叶频谱图像进行增强处理;基于增强处理后的傅里叶频谱图像,通过傅里叶逆变换获取对应的空间域图像,基于所述空间域图像获取金属带材表面缺陷信息。针对金属带材表面不同特征的缺陷,本申请基于上述方法,可以仅通过一次滤波过程,即可获取所有金属带材表面缺陷信息,进而缩短了处理步骤,节省了处理时间,提升了处理效率。

Description

一种基于滤波器融合的金属带材表面缺陷快速检测方法
技术领域
本申请属于金属表面缺陷检测技术领域,具体涉及一种基于滤波器融合的金属带材表面缺陷快速检测方法。
背景技术
对于铜带、铝带、钢带等金属带材的加工生产,往往存在幅面尺寸大,生产过程节奏快的特点。在对金属带材进行处理的过程中,由于执行工艺、生产设备、周边环境等诸多因素,进而会导致带材存在多种表面缺陷,例如划痕、灼伤、凹坑、鼓包等,缺陷类型不同,成像特征表现各异。
表面缺陷是评价产品质量的重要指标,需要在生产环节中进行必要的检测,进而控制产品质量。目前,对于带材表面缺陷质量的检测,主要采用机器视觉的非接触式检测方式,其工作原理是:采用工业相机配合辅助光源实时采集带材表面图像,然后将图像数据传递给检测系统进行检测处理,识别结果通过人机界面、统计报表等方式反馈给用户。表面缺陷检测主要基于图形学的检测方法:通过降噪、滤波、边缘提取、轮廓检测等手段提取带材表面中表现异常的部分,然后通过机器学习中分类模型将缺陷分类处理,从而实现缺陷的检测,由于带材表面缺陷特征各异,提取异常部分时需要针对每种缺陷制定不同的处理步骤和相关设定参数。
目前,随着下游终端产品制造企业对带材表面质量要求的日益提高,要求表面检测系统具备更高的检测精度以及更快的检测速度。传统的检测系统可以通过更换工业相机提升精度,但高精度图像分辨率高、信息量大,需要进行图像处理的时间也就更长,传统系统处理方式难以满足新的检测需求。
鉴于此,本申请提供一种基于滤波器融合的金属带材表面缺陷快速检测方法,针对金属带材不同类型缺陷,仅需要执行一次过滤过程,即可检测出带材表面的不同特征的缺陷,提升了处理效率。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本申请提供一种基于滤波器融合的金属带材表面缺陷快速检测方法。
(二)技术方案
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供一种基于滤波器融合的金属带材表面缺陷快速检测方法,包括:
S1、获取金属带材表面原始图像;
S2、通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,对所述傅里叶频谱图进行中心化;
所述傅里叶频谱图为与金属带材表面原始图像相同尺寸的二维矩阵;
S3、基于高通滤波器和带通滤波器,构建高通-带通融合滤波器;
所述高通滤波器和带通滤波器为:通过设置区间[0,1]内的通量,获得的与所述傅里叶频谱图尺寸大小相同的二维矩阵;其中,所述通量为滤波器中的坐标位置对应的数值;
所述高通-带通融合滤波器为:根据高通滤波器和带通滤波器对应的通量,构建的与所述傅里叶频谱图尺寸大小相同的二维矩阵;
所述高通-带通融合滤波器用于:基于高通-带通融合滤波器对应的通量,抑制傅里叶频谱图中的低频能量,并放行傅里叶频谱图中的中频及高频能量;
S4、通过高通-带通融合滤波器对中心化后的傅里叶频谱图像进行增强处理;
S5、基于增强处理后的傅里叶频谱图像,通过傅里叶逆变换获取对应的空间域图像,基于所述空间域图像获取金属带材表面缺陷信息。
可选的,所述S2中的通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,包括:
对金属带材表面原始图像进行傅里叶变换,具体为:
Figure BDA0003679857250000031
式中,f(x,y)代表金属带材表面原始图像对应的M×N矩阵,其中, x=0,1,2,…,M-1,y=0,1,2,…,N-1;F(u,v)表示f(x,y)的傅里叶变换。
可选的,所述S2中的通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,对所述傅里叶频谱图进行中心化,包括:
S2-1、以傅里叶频谱图中心点为界限,将所述傅里叶频谱图平均分成左上、右上、左下和右下四个区域;
S2-2、将傅里叶频谱图中的左上区域与右下区域进行位置对换,并将傅里叶频谱图中的右上区域与左下区域进行位置对换,获取中心化后的傅里叶频谱图。
可选的,所述S3中的基于高通滤波器和带通滤波器,构建高通-带通融合滤波器,包括:
S3-1、基于第一高通滤波器获得第二高通滤波器;
所述第一高通滤波器为理想高通滤波器,所述理想高通滤波器为通量仅为0或1的高通滤波器;
所述理想高通滤波器用于:根据理想高通滤波器对应的通量,完全抑制低频能量,并完全放行高频能量;
S3-2、将所述第二高通滤波器与巴特沃斯带通滤波器进行叠加,构建高通-带通融合滤波器。
可选的,所述S3-1中的基于第一高通滤波器获得第二高通滤波器,包括:
所述第一高通滤波器表示为:
Figure BDA0003679857250000041
式中,u对应于傅里叶频谱图的横坐标,v对应于傅里叶频谱图的纵坐标,dis(u,v)表示傅里叶频谱图中的坐标点(u,v)至傅里叶频谱图中心点的距离,D0表示高通滤波图像的半径。
可选的,所述S3-1中的基于第一高通滤波器获得第二高通滤波器,包括:
将通过第一高通滤波器的傅里叶频谱图像的半径大小设定为10像素,并对第一高通滤波器进行通道削弱处理,获得第二高通滤波器,所述第二高通滤波器表示为:
Figure BDA0003679857250000042
式中,C为金属带材表面原始图像的长边和宽边的数值加和。
可选的,所述S3-2中的将所述第二高通滤波器与巴特沃斯带通滤波器进行叠加,构建高通-带通融合滤波器,包括:
所述巴特沃斯带通滤波器表示为:
Figure BDA0003679857250000043
式中,W表示带通宽度,n表示边缘梯度平滑程度。
可选的,所述S3-2中的将所述第二高通滤波器与巴特沃斯带通滤波器进行叠加,构建高通-带通融合滤波器,包括:
将第二高通滤波器和巴特沃斯带通滤波器中的坐标位置对应的数值作为通量;基于第二高通滤波器和巴特沃斯带通滤波器的通量,构建高通-带通融合滤波器;
其中,针对坐标位置对应的数值,0表示能量阻塞不通,1表示能量全部通过,(0,1)区间之间表示能量部分通过。
可选的,所述S5中的基于增强处理后的傅里叶频谱图像,通过傅里叶逆变换获取对应的空间域图像,基于所述空间域图像获取金属带材表面缺陷信息,包括:
S5-1、对增强处理后的傅里叶频谱图像进行逆傅里叶变换,获得空间域图像,具体为:
Figure BDA0003679857250000051
式中,f'(x,y)表示F(u,v)的逆傅里叶变换;
S5-2、对获得的空间域图像进行二值化处理,获得二值-空间域图像;
所述二值-空间域图像为通过数值0和255表示的空间域图像;
S5-3、基于二值-空间域图像获取金属带材表面缺陷信息。
可选的,所述S5中的基于所述傅里叶频谱图像获取金属带材表面缺陷信息,包括:
所述金属带材表面缺陷信息包括辊印、擦划伤、鼓包、黑条和孔洞。
(三)有益效果
本申请通过将高通滤波器和带通滤波器进行融合,构建高通-带通融合滤波器,进而可以实现:仅通过一次滤波过程,即可获取所有类型的金属带材表面缺陷信息;进一步地,缩短了缺陷检测的处理步骤,节省了缺陷检测的处理时间,提升了缺陷检测的处理效率。
附图说明
本申请借助于以下附图进行描述:
图1为基于滤波器融合的金属带材表面缺陷快速检测方法的流程示意图;
图2为傅里叶频谱图低频中心化的过程示意图;
图3-1为原始二维傅里叶频谱图;
图3-2为经过中心化处理后的二维傅里叶频谱图;
图4为理想高通滤波器示意图;
图5-1为基于理想高通滤波器获得的效果示意图;
图5-2为基于理想高通滤波器获得的二值化效果示意图;
图6为带通滤波器示意图;
图7-1为基于带通滤波器获得的效果示意图;
图7-2为基于带通滤波器获得的二值化效果示意图;
图8为高通-带通融合滤波器示意图;
图9-1为基于高通-带通融合滤波器获得的效果示意图;
图9-2为基于高通-带通融合滤波器获得的二值化效果示意图;
图10为金属带材表面包括的缺陷信息示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。可以理解的是,以下所描述的具体的实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合;为了便于描述,附图中仅示出了与发明相关的部分。
实施例一提供一种基于滤波器融合的金属带材表面缺陷快速检测方法,如图1所示,具体方法步骤如下:
S1、获取金属带材表面原始图像。
S2、通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,对所述傅里叶频谱图进行中心化。
本实施例中,傅里叶频谱图为与金属带材表面原始图像相同尺寸的二维矩阵。
S3、基于高通滤波器和带通滤波器,构建高通-带通融合滤波器。
本实施例中,高通滤波器和带通滤波器为:通过设置区间[0,1]内的通量,获得的与傅里叶频谱图尺寸大小相同的二维矩阵;其中,所述通量为滤波器中的坐标位置对应的数值。
本实施例中,高通-带通融合滤波器为:根据高通滤波器和带通滤波器对应的通量,构建的与傅里叶频谱图尺寸大小相同的二维矩阵。
本实施例中,高通-带通融合滤波器用于:基于高通-带通融合滤波器对应的通量,抑制傅里叶频谱图中的低频能量,并放行傅里叶频谱图中的中频及高频能量。
S4、通过高通-带通融合滤波器对中心化后的傅里叶频谱图像进行增强处理。
S5、基于增强处理后的傅里叶频谱图像,通过傅里叶逆变换获取对应的空间域图像,基于所述空间域图像获取金属带材表面缺陷信息。
本实施例中,金属带材表面缺陷信息包括辊印、擦划伤、鼓包、黑条和孔洞,需要说明的是:包括但不仅限于上述5种缺陷信息。
基于实施例一中的基于滤波器融合的金属带材表面缺陷快速检测方法,通过将高通滤波器和带通滤波器进行融合,构建高通-带通融合滤波器,进而可以实现:仅通过一次滤波过程,即可获取所有类型的金属带材表面缺陷信息;进一步缩短了缺陷检测的处理步骤,节省了缺陷检测的处理时间,提升了缺陷检测的处理效率。
实施例二提供一种基于滤波器融合的金属带材表面缺陷快速检测方法,具体方法步骤如下:
S1、获取金属带材表面原始图像。
基于上述步骤S1,可以选择使用工业相机来获取金属带材表面原始图像。
S2、通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,对所述傅里叶频谱图进行中心化。
基于上述步骤S2,对于傅里叶变换过程,需要说明的是:
傅里叶变换的思想是任何函数均可以很精确地接近无穷个正弦函数和余弦函数的和,金属带材表面原始图像的傅里叶变换过程可以基于下面公式(1)实现,具体为:
Figure BDA0003679857250000081
公式(1)中,f(x,y)代表金属带材表面原始图像对应的M×N矩阵,其中,x=0,1,2,…,M-1,y=0,1,2,…,N-1;F(u,v)表示f(x,y)的傅里叶变换。
基于上述步骤S2,对于傅里叶频谱图,需要说明的是:
傅里叶频谱图为一个与金属带材表面原始图像尺寸相同的二维矩阵,具体通过频率、幅值等参数来对图像信息进行描述,频率分为高频和低频;其中,高频部分描述了图像中的边缘信息,低频部分描述了图像的基本轮廓;幅值为傅里叶频谱图中任意点的数值,幅值描述了原始图像在任意点上的能量,具体的,幅值越高,表明原始图像中处于该频率的信息就越多。
基于上述步骤S2,对于傅里叶频谱图的中心化,需要说明的是:
以傅里叶频谱图中心点为界限,将傅里叶频谱图平均分成左上、右上、左下和右下四个区域;然而,对于傅里叶频谱图而言,通常会出现“能量低频部分分别分布在傅里叶频谱图的左上、右上、左下、右下4 个位置,而能量高频部分处于傅里叶频谱图的中心位置”这种情况,进而导致傅里叶频谱图不能直接利用高通滤波器和带通滤波器进行滤波处理,进而需要将能量低频部分移动至傅里叶频谱图的中心位置,该过程即为傅里叶频谱图的中心化过程。
对于傅里叶频谱图的中心化,一种可选的处理过程为:将傅里叶频谱图沿水平方向平均分割为两部分,并沿垂直方向平均分割为两部分,对应获得前述的左上、右上、左下和右下四个区域,将左上、右上、左下和右下四个区域分别标记为A、B、C、D,如图2所示,将A区域和 D区域的位置进行对换,并将B区域和C区域的位置进行对换,基于上述区域位置的调整,将能量低频部分移动至傅里叶频谱图的中心位置,进而完成傅里叶频谱图的中心化。
为了更加清楚地描述上述傅里叶频谱图的中心化过程,下面进一步进行举例说明,对于二维傅里叶频谱图的中心化,如图3-1和图3-2所示,其中,图3-1为原始二维傅里叶频谱图,图3-2为经过中心化处理后的二维傅里叶频谱图,u表示垂直方向,v表示水平方向;在图3-1中,中间部分颜色较深的部分为傅里叶频谱的高频区域,四周边缘处颜色较浅的部分为傅里叶频谱的低频区域;通过对图3-1所示的原始二维傅里叶频谱图进行中心化后,得到如图3-2所示的二维傅里叶频谱图,通过图3-2可以看到,经过中心化处理后的二维傅里叶频谱图中,中间部分颜色较浅的部分为傅里叶频谱的低频区域,四周边缘处颜色较深的部分为傅里叶频谱的高频区域,也就是说,原来傅里叶频谱的低频区域被已经转移到了傅里叶频谱图的中心位置。
S3、基于高通滤波器和带通滤波器,构建高通-带通融合滤波器。
基于上述步骤S3,需要说明的是,对于高通-带通融合滤波器的构建,一种可选的处理过程为:
S3-1、基于第一高通滤波器获得第二高通滤波器。
基于前述步骤S3-1,针对第一高通滤波器,需要说明的是:
由于金属带材表面背景单一,除极少量噪声和缺陷外,图像灰度值均集中在一个较小的范围内,在傅里叶频谱图中,背景区域的频率基本在中心点上,因此在本实施例中,可以将理想高通滤波器作为第一高通滤波器,基于理想高通滤波器获得的图像的特点在于图像边缘梯度陡峭,没有平滑过渡区域,进而,理想高通滤波器适合对金属带材表面的划伤、黑点等缺陷信息的边缘进行分割。
进一步的,理想高通滤波器为通量仅为0或1的高通滤波器,具体的,理想高通滤波器具体可以通过下面公式(2)进行表示:
Figure BDA0003679857250000091
公式(2)中,u对应于傅里叶频谱图的横坐标,v对应于傅里叶频谱图的纵坐标,dis(u,v)表示傅里叶频谱图中的坐标点(u,v)至傅里叶频谱图中心点的距离,D0表示高通滤波图像的半径。
本实施例中,理想高通滤波器用于:根据理想高通滤波器对应的通量,完全抑制低频能量,并完全放行高频能量。
基于前述公式(2),需要说明的是:对于傅里叶频谱图中的半径大于D0的点(u,v),H(u,v)取值为1;对于傅里叶频谱图中的半径小于D0的点(u,v),H(u,v)取值为0;在进行滤波的过程中,H(u,v)取值为0的点直接被过滤掉,进而实现只保留傅里叶频谱图中的高频部分;
另外,需要说明的是:针对背景相对单纯的带材表面,低频区域相当集中,进而将D0设置为常量1即可,具体的,D0为1的理想高通滤波器如图4所示,基于D0为1的理想高通滤波器处理获得的效果图如图5-1 所示;由于图5-1所示的效果图为灰度图,为了进一步对金属板材表面缺陷进行提取,针对图5-1进行二值阈值处理,进而获得如图5-2所示的基于理想高通滤波器获得的二值化效果示意图;
通过前述图5-2可以得知:图中的黑点缺陷部分可以被识别并提取出来,即使将D0设为最小单位值1,依旧没有检测出凹坑和鼓包,进而需要进一步对滤波器进行优化调整。
基于前述步骤S3-1,针对第二高通滤波器的获取,一种可选的处理过程如下:
将通过第一高通滤波器的傅里叶频谱图像的半径大小设定为10像素,并对第一高通滤波器进行通道削弱处理,获得第二高通滤波器,第二高通滤波器可以通过下面公式(3)进行表示:
Figure BDA0003679857250000101
公式(3)中,C为金属带材表面原始图像的长边和宽边的数值加和。
本实施例中,通过傅里叶变换获得的傅里叶频谱图与金属带材表面原始图像的尺寸一致,进而可能为具备长边和宽边的矩形图像。
S3-2、将所述第二高通滤波器与巴特沃斯带通滤波器进行叠加,构建高通-带通融合滤波器。
基于前述步骤S3-2,需要说明的是,巴特沃斯带通滤波器对应的频带内曲线最大限度平坦,没有纹波,利于提取缺陷轮廓,进而,在本实施例中,使用巴特沃斯带通滤波器处理尺度相对较大、边缘较为模糊且频率不高的缺陷。
基于前述步骤S3-2,需要说明的是,巴特沃斯带通滤波器可以通过下面公式(4)进行表示:
Figure BDA0003679857250000111
公式(4)中,W表示带通宽度,n表示边缘梯度平滑程度。
基于前述公式(4),需要说明的是,n的数值越大表示梯度越陡峭, n的数值取最小值1时梯度最平滑;由于处于中、低频的缺陷边缘相对模糊,经过平滑处理有助于提取缺陷轮廓,进而,在本实施例中,n取值为 1。
基于前述步骤S3-2,当D0取值为10,W取值为8时,巴特沃斯带通滤波器如图6所示,以及,基于巴特沃斯带通滤波器处理获得的效果图如图7-1所示;由于图7-1所示的效果图为灰度图,为了进一步对金属板材表面缺陷进行提取,针对图7-1进行二值阈值处理,进而获得如图7-2 所示的基于带通滤波器获得的二值化效果示意图。
基于前述图7-2可以获知:基于巴特沃斯带通滤波器可以检测出凹坑和鼓包等缺陷,但是对于大部分的小黑条缺陷信息仍旧无法识别,进而需要对滤波器作出进一步的调整和完善。
基于前述步骤S3-2,对于高通-带通融合滤波器的构建,需要说明的是:
本实施例中,将第二高通滤波器和巴特沃斯带通滤波器中的坐标位置对应的数值作为通量;基于第二高通滤波器和巴特沃斯带通滤波器的通量,构建高通-带通融合滤波器;具体的,基于第二高通滤波器和巴特沃斯带通滤波器中坐标位置对应的通量,进行二者通量的彼此两两相乘操作处理,并基于相乘处理获得的新的通量,构建高通-带通融合滤波器。
本实施例中,针对坐标位置对应的数值,0表示能量阻塞不通,1表示能量全部通过,(0,1)区间之间表示能量部分通过。
基于前述步骤S3-2,构建出的高通-带通融合滤波器如图8所示,且高通-带通融合滤波器的效果图如图9-1所示;由于图9-1所示的效果图为灰度图,为了进一步对金属板材表面缺陷进行提取,针对图9-1进行二值阈值处理,进而获得如图9-2所示的基于高通-带通融合滤波器获得的二值化效果示意图。
基于前述图9-2,可以得知:图像中的凹坑、鼓包及小黑点部分均被检测出来。
S4、通过高通-带通融合滤波器对中心化后的傅里叶频谱图像进行增强处理。
S5、基于增强处理后的傅里叶频谱图像,通过傅里叶逆变换获取对应的空间域图像,基于所述空间域图像获取金属带材表面缺陷信息。
本实施例中,针对金属带材表面缺陷信息的获取,如图10所示,金属带材表面包括的缺陷信息包括凹坑、小黑点及鼓包。
基于前述步骤S5,对于空间域图像的获取过程,需要说明的是:
S5-1、对增强处理后的傅里叶频谱图像进行逆傅里叶变换,获得空间域图像,具体为:
Figure BDA0003679857250000121
公式(5)中,f'(x,y)表示F(u,v)的逆傅里叶变换。
S5-2、对获得的空间域图像进行二值化处理,获得二值-空间域图像。
本实施例中,二值-空间域图像为通过数值0和255表示的空间域图像。
S5-3、基于二值-空间域图像获取金属带材表面缺陷信息。
基于实施例二中的基于滤波器融合的金属带材表面缺陷快速检测方法,通过将高通滤波器和带通滤波器进行融合,构建高通-带通融合滤波器,进而可以实现:仅通过一次滤波过程,即可获取所有类型的金属带材表面缺陷信息;进一步缩短了缺陷检测的处理步骤,节省了缺陷检测的处理时间,提升了缺陷检测的处理效率。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例做出另外的变更和修改。所以,权利要求应该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修改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,则本发明也应该包含这些修改和变型在内。

Claims (10)

1.一种基于滤波器融合的金属带材表面缺陷快速检测方法,其特征在于,所述快速检测方法包括:
S1、获取金属带材表面原始图像;
S2、通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,对所述傅里叶频谱图进行中心化;
所述傅里叶频谱图为与金属带材表面原始图像相同尺寸的二维矩阵;
S3、基于高通滤波器和带通滤波器,构建高通-带通融合滤波器;
所述高通滤波器和带通滤波器为:通过设置区间[0,1]内的通量,获得的与所述傅里叶频谱图尺寸大小相同的二维矩阵;其中,所述通量为滤波器中的坐标位置对应的数值;
所述高通-带通融合滤波器为:根据高通滤波器和带通滤波器对应的通量,构建的与所述傅里叶频谱图尺寸大小相同的二维矩阵;
所述高通-带通融合滤波器用于:基于高通-带通融合滤波器对应的通量,抑制傅里叶频谱图中的低频能量,并放行傅里叶频谱图中的中频及高频能量;
S4、通过高通-带通融合滤波器对中心化后的傅里叶频谱图像进行增强处理;
S5、基于增强处理后的傅里叶频谱图像,通过傅里叶逆变换获取对应的空间域图像,基于所述空间域图像获取金属带材表面缺陷信息。
2.根据权利要求1所述的快速检测方法,其特征在于,所述S2中的通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,包括:
对金属带材表面原始图像进行傅里叶变换,具体为:
Figure FDA0003679857240000011
式中,f(x,y)代表金属带材表面原始图像对应的M×N矩阵,其中,x=0,1,2,…,M-1,y=0,1,2,…,N-1;F(u,v)表示f(x,y)的傅里叶变换。
3.根据权利要求1所述的快速检测方法,其特征在于,所述S2中的通过傅里叶变换,将所述金属带材表面原始图像转化为傅里叶频谱图,对所述傅里叶频谱图进行中心化,包括:
S2-1、以傅里叶频谱图中心点为界限,将所述傅里叶频谱图平均分成左上、右上、左下和右下四个区域;
S2-2、将傅里叶频谱图中的左上区域与右下区域进行位置对换,并将傅里叶频谱图中的右上区域与左下区域进行位置对换,获取中心化后的傅里叶频谱图。
4.根据权利要求1所述的快速检测方法,其特征在于,所述S3中的基于高通滤波器和带通滤波器,构建高通-带通融合滤波器,包括:
S3-1、基于第一高通滤波器获得第二高通滤波器;
所述第一高通滤波器为理想高通滤波器,所述理想高通滤波器为通量仅为0或1的高通滤波器;
所述理想高通滤波器用于:根据理想高通滤波器对应的通量,完全抑制低频能量,并完全放行高频能量;
S3-2、将所述第二高通滤波器与巴特沃斯带通滤波器进行叠加,构建高通-带通融合滤波器。
5.根据权利要求4所述的快速检测方法,其特征在于,所述S3-1中的基于第一高通滤波器获得第二高通滤波器,包括:
所述第一高通滤波器表示为:
Figure FDA0003679857240000021
式中,u对应于傅里叶频谱图的横坐标,v对应于傅里叶频谱图的纵坐标,dis(u,v)表示傅里叶频谱图中的坐标点(u,v)至傅里叶频谱图中心点的距离,D0表示高通滤波图像的半径。
6.根据权利要求5所述的快速检测方法,其特征在于,所述S3-1中的基于第一高通滤波器获得第二高通滤波器,包括:
将通过第一高通滤波器的傅里叶频谱图像的半径大小设定为10像素,并对第一高通滤波器进行通道削弱处理,获得第二高通滤波器,所述第二高通滤波器表示为:
Figure FDA0003679857240000031
式中,C为金属带材表面原始图像的长边和宽边的数值加和。
7.根据权利要求5所述的快速检测方法,其特征在于,所述S3-2中的将所述第二高通滤波器与巴特沃斯带通滤波器进行叠加,构建高通-带通融合滤波器,包括:
所述巴特沃斯带通滤波器表示为:
Figure FDA0003679857240000032
式中,W表示带通宽度,n表示边缘梯度平滑程度。
8.根据权利要求4所述的快速检测方法,其特征在于,所述S3-2中的将所述第二高通滤波器与巴特沃斯带通滤波器进行叠加,构建高通-带通融合滤波器,包括:
将第二高通滤波器和巴特沃斯带通滤波器中的坐标位置对应的数值作为通量;基于第二高通滤波器和巴特沃斯带通滤波器的通量,构建高通-带通融合滤波器;
其中,针对坐标位置对应的数值,0表示能量阻塞不通,1表示能量全部通过,(0,1)区间之间表示能量部分通过。
9.根据权利要求1所述的快速检测方法,其特征在于,所述S5中的基于增强处理后的傅里叶频谱图像,通过傅里叶逆变换获取对应的空间域图像,基于所述空间域图像获取金属带材表面缺陷信息,包括:
S5-1、对增强处理后的傅里叶频谱图像进行逆傅里叶变换,获得空间域图像,具体为:
Figure FDA0003679857240000041
式中,f'(x,y)表示F(u,v)的逆傅里叶变换;
S5-2、对获得的空间域图像进行二值化处理,获得二值-空间域图像;
所述二值-空间域图像为通过数值0和255表示的空间域图像;
S5-3、基于二值-空间域图像获取金属带材表面缺陷信息。
10.根据权利要求1所述的快速检测方法,其特征在于,所述S5中的基于所述傅里叶频谱图像获取金属带材表面缺陷信息,包括:
所述金属带材表面缺陷信息包括辊印、擦划伤、鼓包、黑条和孔洞。
CN202210634180.3A 2022-06-06 2022-06-06 一种基于滤波器融合的金属带材表面缺陷快速检测方法 Active CN114862843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210634180.3A CN114862843B (zh) 2022-06-06 2022-06-06 一种基于滤波器融合的金属带材表面缺陷快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210634180.3A CN114862843B (zh) 2022-06-06 2022-06-06 一种基于滤波器融合的金属带材表面缺陷快速检测方法

Publications (2)

Publication Number Publication Date
CN114862843A true CN114862843A (zh) 2022-08-05
CN114862843B CN114862843B (zh) 2024-11-01

Family

ID=82624171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210634180.3A Active CN114862843B (zh) 2022-06-06 2022-06-06 一种基于滤波器融合的金属带材表面缺陷快速检测方法

Country Status (1)

Country Link
CN (1) CN114862843B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661725A (zh) * 2022-12-26 2023-01-31 浙江鹏信信息科技股份有限公司 Deepfake视频检测方法、系统及可读存储介质
CN115880256A (zh) * 2022-12-15 2023-03-31 中国电子科技集团公司第四十一研究所 一种用于烟包透明纸散包检测的空模盒识别方法
CN116823821A (zh) * 2023-08-29 2023-09-29 成都中科卓尔智能科技集团有限公司 基于相位恢复的芯片掩模版瑕疵检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130083324A1 (en) * 2011-09-30 2013-04-04 3M Innovative Properties Company Web inspection calibration system and related methods
WO2021017588A1 (zh) * 2019-07-31 2021-02-04 茂莱(南京)仪器有限公司 一种基于傅立叶频谱提取的图像融合方法
CN112330633A (zh) * 2020-11-05 2021-02-05 哈尔滨市科佳通用机电股份有限公司 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
CN112488940A (zh) * 2020-11-30 2021-03-12 哈尔滨市科佳通用机电股份有限公司 一种铁路机车部件图像边缘增强方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130083324A1 (en) * 2011-09-30 2013-04-04 3M Innovative Properties Company Web inspection calibration system and related methods
WO2021017588A1 (zh) * 2019-07-31 2021-02-04 茂莱(南京)仪器有限公司 一种基于傅立叶频谱提取的图像融合方法
CN112330633A (zh) * 2020-11-05 2021-02-05 哈尔滨市科佳通用机电股份有限公司 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
CN112488940A (zh) * 2020-11-30 2021-03-12 哈尔滨市科佳通用机电股份有限公司 一种铁路机车部件图像边缘增强方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880256A (zh) * 2022-12-15 2023-03-31 中国电子科技集团公司第四十一研究所 一种用于烟包透明纸散包检测的空模盒识别方法
CN115661725A (zh) * 2022-12-26 2023-01-31 浙江鹏信信息科技股份有限公司 Deepfake视频检测方法、系统及可读存储介质
CN115661725B (zh) * 2022-12-26 2023-03-21 浙江鹏信信息科技股份有限公司 Deepfake视频检测方法、系统及可读存储介质
CN116823821A (zh) * 2023-08-29 2023-09-29 成都中科卓尔智能科技集团有限公司 基于相位恢复的芯片掩模版瑕疵检测方法
CN116823821B (zh) * 2023-08-29 2023-12-15 成都中科卓尔智能科技集团有限公司 基于相位恢复的芯片掩膜板瑕疵检测方法

Also Published As

Publication number Publication date
CN114862843B (zh) 2024-11-01

Similar Documents

Publication Publication Date Title
CN114862843A (zh) 一种基于滤波器融合的金属带材表面缺陷快速检测方法
CN106157310B (zh) 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN103488988B (zh) 基于无人机巡线可见光影像的电力设备中绝缘子的提取方法
Choi et al. Detection of pinholes in steel slabs using Gabor filter combination and morphological features
CN106247969B (zh) 一种基于机器视觉的工业磁芯元件的形变检测方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN104134211B (zh) 一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法
CN103345755A (zh) 一种基于Harris算子的棋盘格角点亚像素提取方法
CN101334837A (zh) 一种多方法融合的车牌图像定位方法
CN104198752B (zh) 基于机器视觉的高温钢坯运动状态的多率检测方法
CN102496161A (zh) 一种印刷电路板图像的轮廓提取方法
CN112669265B (zh) 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法
CN115096206A (zh) 一种基于机器视觉的零件尺寸高精度测量方法
CN107749057A (zh) 一种太阳能电池片外观漏浆缺陷检测的方法
CN104156913A (zh) 金属圆柱工件表观缺陷自动光学检测方法
CN107967681A (zh) 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法
CN107133952A (zh) 一种融合时频特征的表面裂痕识别方法
CN112489042A (zh) 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法
CN105787912B (zh) 一种基于分类的阶跃型边缘亚像素定位方法
CN108537787A (zh) 一种人脸图像的质量判定方法
CN106355562A (zh) 一种基于机器视觉的钢轨检测图像的去噪方法
WO2020114134A1 (zh) 一种识别金刚砂颗粒的视觉处理方法
CN101216893B (zh) 视频运动阴影检测方法
CN111476792B (zh) 一种板带钢图像轮廓的提取方法

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