CN114937035B - 基于图像处理的电力变压器硅钢片质量检测方法及系统 - Google Patents

基于图像处理的电力变压器硅钢片质量检测方法及系统 Download PDF

Info

Publication number
CN114937035B
CN114937035B CN202210844396.2A CN202210844396A CN114937035B CN 114937035 B CN114937035 B CN 114937035B CN 202210844396 A CN202210844396 A CN 202210844396A CN 114937035 B CN114937035 B CN 114937035B
Authority
CN
China
Prior art keywords
illumination
abnormal
silicon steel
final
steel sheet
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
CN202210844396.2A
Other languages
English (en)
Other versions
CN114937035A (zh
Inventor
陈铎闻
楚振五
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.)
Jiangsu Suneng Senyuan Electric Co ltd
Original Assignee
Jiangsu Suneng Senyuan Electric 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 Jiangsu Suneng Senyuan Electric Co ltd filed Critical Jiangsu Suneng Senyuan Electric Co ltd
Priority to CN202210844396.2A priority Critical patent/CN114937035B/zh
Publication of CN114937035A publication Critical patent/CN114937035A/zh
Application granted granted Critical
Publication of CN114937035B publication Critical patent/CN114937035B/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
    • G06T7/0002—Inspection of images, e.g. flaw 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
    • G06T7/11—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及基于图像处理的电力变压器硅钢片质量检测方法及系统，其获取不同光照角度下的硅钢片RGB图像，得到对应的光照分布图；通过滑窗计算各光照分布图各像素点的光照异常程度，得到对应的异常光照分布图；计算不同光照角度下光照异常分布图的各像素点的权重；依据权重，将对应的像素点在不同光照角度下的光照异常程度进行融合，得到像素点的最终光照异常程度，得到异常光照融合图；对异常光照融合图进行区域划分，得到最终形变区域，计算各最终形变区域的特征值；将大于特征值阈值的最终变形区域作为缺陷区域；计算所有缺陷区域的面积和，将面积和大于面积阈值对应的硅钢片判定为缺陷硅钢片。即本发明能够准确检测硅钢片的质量。

Description

基于图像处理的电力变压器硅钢片质量检测方法及系统
技术领域
本发明涉及图像处理领域，具体涉及基于图像处理的电力变压器硅钢片质量检测方法及系统。
背景技术
在电力的输出过程中，电力变压器是最重要的媒介，没有电力变压器电力就无法输送，人们也就无法正常使用电，因此，在电力变压器的生产环节做好制造监督工作，可以有效的提高电力变压器的质量，确保电力的正常输送。
由于硅钢片是组成电力变压器铁芯的重要组成元件，硅钢片的质量直接影响电力变压器的质量，因此，需要对硅钢片进行检测。硅钢片具有铁损低、磁感应强度高等特点，经过化学涂膜处理后的硅钢片还具有良好的绝缘性、防锈等特点。但是硅钢片在轧延及退火技术中会使硅钢片发生变形，在运输储藏时的磕碰也会使硅钢片发生变形，产生变形的硅钢片表面不再平坦，变形的硅钢片会影响后续的冲片作业和变压器组装作业，电力变压器若使用了变形的硅钢片组成铁芯，不利于电力变压器长时间稳定运行，影响变压器的使用寿命。因此为了确保变压器的质量需要对硅钢片的表面变形进行实时检测。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像处理的电力变压器硅钢片质量检测方法及系统，所采用的技术方案具体如下：
本发明的一种基于图像处理的电力变压器硅钢片质量检测方法的技术方案，
获取不同光照角度下的硅钢片RGB图像，对各硅钢片RGB图像进行图像转换得到对应的光照分布图；
构建M×M大小的滑窗，根据滑窗内所有像素点的灰度值，建立包含若干个子高斯模型的高斯混合模型，计算任意两子高斯模型的差异，根据所述差异计算处于滑窗中心位置像素点的光照异常程度，得到光照分布图中所有像素点的光照异常程度，将各光照异常程度作为对应像素点的值，得到异常光照分布图，进而得到不同光照角度下光照分布图对应的异常光照分布图；
将异常光照分布图进行区域划分，得到各形变区域，依据各形变区域得到形变区域在对应光照分布图上对应的连通域，利用灰度共生矩阵对所述连通域进行计算，得到该连通域的对比度，将所述对比度作为对应形变区域中的任一像素点的权重，继而得到不同光照角度下光照异常分布图的各像素点的权重；
依据各像素点的权重，将对应的像素点在不同光照角度下的光照异常程度进行融合，得到对应像素点的最终光照异常程度；将各最终光照异常程度作为对应像素点的值，得到异常光照融合图；
对所述异常光照融合图进行区域划分，得到最终形变区域，计算各最终形变区域的特征值；判断所述特征值与特征值阈值的大小，将大于特征值阈值对应的最终变形区域作为缺陷区域；
计算所有缺陷区域的面积和，判断所述面积和与面积阈值的大小，将大于面积阈值对应的硅钢片判定为缺陷硅钢片。
进一步地，所述特征值为：
Figure DEST_PATH_IMAGE001
其中，
Figure 132803DEST_PATH_IMAGE002
为最终形变区域内所有像素点的最终光照异常程度的均值，
Figure 499324DEST_PATH_IMAGE003
为不同光照角度的总个数，
Figure 730585DEST_PATH_IMAGE004
为最终形变区域的对比度，
Figure 240064DEST_PATH_IMAGE005
为最终形变区域对应第i个光照角度下光照分布图连通域的对比度，
Figure 652241DEST_PATH_IMAGE006
为最终形变区域对应第i-1个光照角度下光照分布图连通域的对比度，
Figure 224167DEST_PATH_IMAGE007
为
Figure 242808DEST_PATH_IMAGE005
对应的灰度共生矩阵与
Figure 747739DEST_PATH_IMAGE006
对应的灰度共生矩阵的差值绝对值的L2范数。
进一步地，所述光照异常程度为：
Figure 203253DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为像素点p在第i个光照角度下的光照分布图中对应的光照异常程度，
Figure 134912DEST_PATH_IMAGE010
为子高斯模型的总个数，
Figure 973555DEST_PATH_IMAGE011
为第j个子高斯模型，
Figure 723206DEST_PATH_IMAGE012
为第h个子高斯模型，
Figure 474255DEST_PATH_IMAGE013
为第h个子高斯模型的权值，
Figure 551932DEST_PATH_IMAGE014
为第j个子高斯模型的权值，
Figure 787742DEST_PATH_IMAGE015
为第h个子高斯模型的均值，
Figure 767066DEST_PATH_IMAGE016
为第j个子高斯模型的均值，
Figure 938285DEST_PATH_IMAGE017
为
Figure 627892DEST_PATH_IMAGE018
的L2范数，
Figure 293491DEST_PATH_IMAGE019
为归一化系数。
进一步地，所述最终光照异常程度为：
Figure 361941DEST_PATH_IMAGE020
其中，
Figure 953328DEST_PATH_IMAGE021
为像素点p在第i个光照角度下光照异常分布图中对应的权重，
Figure 628767DEST_PATH_IMAGE009
为像素点p在第i个光照角度下光照分布图中对应的光照异常程度，
Figure 81745DEST_PATH_IMAGE003
为不同光照角度的总个数。
本发明还提供了一种基于图像处理的电力变压器硅钢片质量检测系统的技术方案，
图像获取模块，获取不同光照角度下的硅钢片RGB图像，对各硅钢片RGB图像进行图像转换得到对应的光照分布图；
图像处理模块，构建M×M大小的滑窗，根据滑窗内所有像素点的灰度值，建立包含若干个子高斯模型的混合高斯模型，计算任意两子高斯模型的差异，根据所述差异计算处于滑窗中心位置像素点的光照异常程度，得到光照分布图中所有像素点的光照异常程度，将各光照异常程度作为对应像素点的值，得到异常光照分布图，进而得到不同光照角度下光照分布图对应的异常光照分布图；
数据分析模块，将异常光照分布图进行区域划分，得到各形变区域，依据各形变区域得到形变区域在对应光照分布图上对应的连通域，利用灰度共生矩阵对所述连通域进行计算，得到该连通域的对比度，将所述对比度作为对应形变区域中的任一像素点的权重，继而得到不同光照角度下光照异常分布图的各像素点的权重；
图像融合模块，依据各像素点的权重，将对应的像素点在不同光照角度下的光照异常程度进行融合，得到对应像素点的最终光照异常程度；将各最终光照异常程度作为对应像素点的值，得到异常光照融合图；
比较模块，对所述异常光照融合图进行区域划分，得到最终形变区域，计算各最终形变区域的特征值；判断所述特征值与特征值阈值的大小，将大于特征值阈值对应的最终变形区域作为缺陷区域；
缺陷检测模块，计算所有缺陷区域的面积和，判断所述面积和与面积阈值的大小，将大于面积阈值对应的硅钢片判定为缺陷硅钢片。
进一步地，所述特征值为：
Figure 253969DEST_PATH_IMAGE022
其中，
Figure 766990DEST_PATH_IMAGE002
为最终形变区域内所有像素点的最终光照异常程度的均值，
Figure 667075DEST_PATH_IMAGE003
为不同光照角度的总个数，
Figure 173012DEST_PATH_IMAGE004
为最终形变区域的对比度，
Figure 216054DEST_PATH_IMAGE005
为最终形变区域对应第i个光照角度下光照分布图连通域的对比度，
Figure 388059DEST_PATH_IMAGE006
为最终形变区域对应第i-1个光照角度下光照分布图连通域的对比度，
Figure 539555DEST_PATH_IMAGE007
为
Figure 334335DEST_PATH_IMAGE005
对应的灰度共生矩阵与
Figure 982617DEST_PATH_IMAGE006
对应的灰度共生矩阵的差值绝对值的L2范数。
进一步地，所述光照异常程度为：
Figure 103019DEST_PATH_IMAGE023
其中，
Figure 476232DEST_PATH_IMAGE009
为像素点p在第i个光照角度下光照分布图中对应的光照异常程度，
Figure 822506DEST_PATH_IMAGE010
为子高斯模型的总个数，
Figure 840141DEST_PATH_IMAGE011
为第j个子高斯模型，
Figure 256079DEST_PATH_IMAGE012
为第h个子高斯模型，
Figure 477107DEST_PATH_IMAGE013
为第h个子高斯模型的权值，
Figure 269482DEST_PATH_IMAGE014
为第j个子高斯模型的权值，
Figure 141623DEST_PATH_IMAGE015
为第h个子高斯模型的均值，
Figure 80193DEST_PATH_IMAGE016
为第j个子高斯模型的均值，
Figure 37784DEST_PATH_IMAGE017
为
Figure 368272DEST_PATH_IMAGE018
的L2范数，
Figure 265558DEST_PATH_IMAGE019
为归一化系数。
进一步地，所述最终光照异常程度为：
Figure 147932DEST_PATH_IMAGE024
其中，
Figure 953340DEST_PATH_IMAGE021
为像素点p在第i个光照角度下光照异常分布图中对应的权重，
Figure 415414DEST_PATH_IMAGE009
为像素点p在第i个光照角度下光照分布图中对应的光照异常程度，
Figure 156755DEST_PATH_IMAGE003
为不同光照角度的总个数。
本发明实施例至少具有如下有益效果：
本发明通过获取不同光照角度下对应硅钢片的RGB图像，得到对应的光照分布图，进而得到光照分布图中各像素点的光照异常程度，将光照异常程度作为对应像素点的值得到异常光照分布图；通过对对应像素点的光照异常程度进行加权求和得到同一位置像素点的最终光照异常程度，根据最终光照异常程度得到各最终变形区域，计算各最终变形区域的特征值，通过特征值判断硅钢片的质量；即本发明通过不同光照角度获取硅钢片的RGB图像，能够从多个图像信息上得到硅钢片同一位置的不同信息，提高了后续硅钢片检测的准确性；本发明通过对对应像素点的光照异常程度进行加权求和得到同一位置像素点的最终光照异常程度，能够得到更准确的最终光照异常程度，进而提高了划分出的各最终变形区域的精度。
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为本发明的一种基于图像处理的电力变压器硅钢片质量检测方法实施例的步骤流程图；
图2为硅钢片表面变形示意图；
图3为本发明的一种基于图像处理的电力变压器硅钢片质量检测系统实施例的程序流程图。
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一种基于图像处理的电力变压器硅钢片质量检测方法及系统，其具体实施方式、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。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的电力变压器硅钢片质量检测方法的步骤流程图，该方法包括以下步骤：
步骤1，获取不同光照角度下的硅钢片RGB图像，对各硅钢片RGB图像进行图像转换得到对应的光照分布图。
本实施例中在获取的不同光照角度下的硅钢片RGB图像时，相机部署在硅钢片正上方，相机的视野俯视向下，硅钢片平放在检测台上，以相机为中心在其周围安置N个光源，每个光源距相机的距离相等，且所有光源处于同一平面上，所有光源以同样的俯视角度朝向硅钢片。
具体地，光源依次发射出平行光，相机依次采集RGB图像，即每当一个光源发射出平行光时，相机就会采集一张硅钢片RGB图像；本实施例中，安置了30个光源即N=30。
需要说明的是，硅钢片的变形导致硅钢片表面不再平坦，则会进一步导致硅钢片表面的光照规律发生变化，所以本发明根据硅钢片表面的光照特征获取硅钢片最终形变区域的特征值，但是由于硅钢片变形的不确定性，单个光源方向无法获得准确的变形情况。
具体地，将硅钢片RGB图像转换到HSV空间，并提取V通道的图像信息得到对应的光照分布图。
需要说明的是，由于硅钢片表面较为平整，没有明显的纹理细节，那么V通道的图像信息就可以表示硅钢片表面的光照信息，所以，本实施例将V通道的图像信息作为光照分布图，并依据光照分布图进行后续的分析计算。
进一步地，由于硅钢片表面会存在脏污，所以上述步骤中获取的光照分布图会存在脏污信息对光照的干扰，为了获取更准确的光照分布图，则需要去除硅钢片表面的赃污信息，具体做法为：利用快速傅里叶变换算法将光照分布图变换到频域空间，获得频谱图，在频谱图上，获取一个圆形ROI区域（圆形ROI区域的半径为：频谱图宽度的五分之一），然后保证频谱图上的圆形ROI区域内的像素点的灰度值不变，圆形ROI区域之外的所有像素点的灰度值置为0，处理之后的频谱图称为低频频谱图，然后利用快速反傅里叶变换算法将低频频谱图变换到空域空间，获得光照分布图（去除了高频信息的光照分布图，高频信息包括噪声和脏污信息）。
步骤2，构建M×M大小的滑窗，根据滑窗内所有像素点的灰度值，建立包含若干个子高斯模型的高斯混合模型，计算任意两子高斯模型的差异，根据差异计算处于滑窗中心位置像素点的光照异常程度，得到光照分布图中所有像素点的光照异常程度，将各光照异常程度作为对应像素点的值，得到异常光照分布图，进而得到不同光照角度下光照分布图对应的异常光照分布图。
本实施例中，设定滑窗的大小为17×17，实施者可根据具体情况进行适当调整。
具体地，利用EM算法对滑窗内所有像素点的灰度值建立高斯混合模型，其中，EM算法为公知技术，不再阐述具体过程。
本实施例中，光照异常程度为：
Figure 695183DEST_PATH_IMAGE025
其中，
Figure 876635DEST_PATH_IMAGE009
为像素点p在第i个光照角度下的光照分布图中对应的光照异常程度，
Figure 158712DEST_PATH_IMAGE010
为子高斯模型的总个数，
Figure 486050DEST_PATH_IMAGE011
为第j个子高斯模型，
Figure 710227DEST_PATH_IMAGE012
为第h个子高斯模型，
Figure 864128DEST_PATH_IMAGE013
为第h个子高斯模型的权值，
Figure 838644DEST_PATH_IMAGE014
为第j个子高斯模型的权值，
Figure 909237DEST_PATH_IMAGE015
为第h个子高斯模型的均值，
Figure 55047DEST_PATH_IMAGE016
为第j个子高斯模型的均值，
Figure 322343DEST_PATH_IMAGE017
为
Figure 195490DEST_PATH_IMAGE018
的L2范数，
Figure 871322DEST_PATH_IMAGE019
为归一化系数。
上述归一化系数是为了让任意两子高斯模型的权重和的取值范围在0和1之间。
本实施例中，高斯混合模型由若干个子高斯模型构成，子高斯模型的个数可以根据实际情况进行设定，本实施例中，子高斯模型的个数为5。
上式中，
Figure 906860DEST_PATH_IMAGE017
表示第j个子高斯模型与第h个子高斯模型的差异，
Figure 19041DEST_PATH_IMAGE017
的值越大，第j个子高斯模型与第h个子高斯模型分布的越远；
Figure 712191DEST_PATH_IMAGE009
越大，说明该滑窗内的光照分布存在较明显的突变。
需要说明的是，若滑窗对应的硅钢片上的区域是平坦、无变形的，则区域表面的光照是按照一定规律平滑渐变的，子高斯模型会集中分布在一起；若滑窗对应的硅钢片上的区域是不平坦的、有变形的，则区域表面的光照存在一定的突变，子高斯模型是离散分布的，所以利用各子高斯模型间的差异计算像素点的光照异常程度。
步骤3，将异常光照分布图进行区域划分，得到各形变区域，依据各形变区域得到形变区域在对应光照分布图上对应的连通域，利用灰度共生矩阵对所述连通域进行计算，得到该连通域的对比度，将所述对比度作为对应形变区域中的任一像素点的权重，继而得到不同光照角度下光照异常分布图的各像素点的权重。
进一步地，在进行区域划分之前，需要去除各异常光照分布图上的噪声，具体方法为：对每个异常光照分布图进行闭运算处理，去除掉灰度值低的噪声，然后对图像进行高斯滤波处理，去除噪声，使图像平滑，至此，得到去除噪声后的各异常光照分布图。
具体地，采用分水岭分割算法进行区域划分，分水岭分割算法为公知技术，不过多阐述。
本实施例中，一张光照分布图对应一张异常光照分布图，像素点在每张异常光照分布图上都有一个权重，像素点p在第i个光照角度下对应异常光照分布图的权重的获取方法为：
具体地，确定像素点p在第i个光照角度下对应的异常光照分布图上的形变区域，依据形变区域得到形变区域在对应光照分布图上对应的连通域，根据连通域内所有像素点的灰度值生成灰度共生矩阵，根据灰度共生矩阵得到像素点p在第i个光照角度下对应的异常光照分布图的权重，权重为：
Figure 727682DEST_PATH_IMAGE026
。
上式中，
Figure 339929DEST_PATH_IMAGE027
为连通域内所有像素点的灰度值生成的灰度共生矩阵，
Figure 221298DEST_PATH_IMAGE028
为
Figure 341307DEST_PATH_IMAGE027
的行数或列数，
Figure 240999DEST_PATH_IMAGE029
为归一化系数，本实施例中，
Figure 633934DEST_PATH_IMAGE028
取10；
Figure 628697DEST_PATH_IMAGE030
为
Figure 912917DEST_PATH_IMAGE027
上的一个行列坐标，
Figure 152268DEST_PATH_IMAGE031
为
Figure 610712DEST_PATH_IMAGE027
在
Figure 450361DEST_PATH_IMAGE032
处的值，表示光照分布图上灰度级为x的像素值和灰度级为y的像素值一同出现的概率；上述权重公式为现有技术，在此不过多阐述。
上述中的归一化系数是为了让像素点权重的取值在0到1之间。
同样的，可得到第i个光照角度下对应的异常光照分布图上所有像素点的权重，进而可得到不同光照角度下光照异常分布图的各像素点的权重。
步骤4，依据各像素点的权重，将对应的像素点在不同光照角度下的光照异常程度进行融合，得到对应像素点的最终光照异常程度；将各最终光照异常程度作为对应像素点的值，得到异常光照融合图。
上述步骤中，像素点在每张异常光照分布图中都有对应的权重和对应的异常光照程度。
像素点p的最终光照异常程度为：
Figure 23425DEST_PATH_IMAGE033
，其中，
Figure 743381DEST_PATH_IMAGE021
为像素点p在第i个光照角度下对应的异常光照分布图的权重，
Figure 258545DEST_PATH_IMAGE009
为像素点p在第i个光照角度下对应的异常光照分布图的光照异常程度，
Figure 70643DEST_PATH_IMAGE003
为光照角度的总个数。
上式中，
Figure 336146DEST_PATH_IMAGE021
越大说明对应光照分布图上连通域的光照差异越大，光照明暗对比越明显，
Figure 799358DEST_PATH_IMAGE009
误差越小，即
Figure 970576DEST_PATH_IMAGE009
的值越可靠。
同样的，得到所有像素点的最终光照异常程度。
需要说明的是，
Figure 896069DEST_PATH_IMAGE034
为像素点p的最终光照异常程度，表示的是对不同光照角度下像素点p的光照异常程度的加权融合，使得像素点p的光照异常程度更加准确，避免出现因过暗的阴影或过亮的高光导致光照异常程度计算不准的问题，保证了后续最终形变区域获取的准确性以及特征值计算的准确性。
需要说明的是，所有光照角度下对应异常光照分布图的各形变区域，在理想情况下，每个光照角度下对应异常光照分布图的各形变区域是一样的，这是由于硅钢片上产生变形的区域是固定不变的；但是由于在不同光照角度下，对应的异常光照分布图的各形变区域对光的反射特征不一样，这导致上述计算的光照异常程度具有较大的误差，使得不同光照角度下对应异常光照分布图的各形变区域差别较大；例如，有些形变区域在有些光照角度下过亮或过暗，或者光照对比不明显，不能很好的区分出光照的突变情况，导致不同光照角度下对应异常光照分布图的各形变区域不一样。
步骤5，对异常光照融合图进行区域划分，得到最终形变区域，计算各最终形变区域的特征值；判断特征值与特征值阈值的大小，将大于特征值阈值对应的最终变形区域作为缺陷区域。
具体地，将异常光照融合图进行高斯模糊后采用分水岭分割算法得到最终变形区域，其中，高斯模糊和分水岭算法均为公知技术，在此不做阐述。
本实施例中，以一个最终形变区域对应的特征值的计算过程进行说明，特征值为：
Figure 60203DEST_PATH_IMAGE022
其中，
Figure 128653DEST_PATH_IMAGE002
为最终形变区域内所有像素点的最终光照异常程度的均值，
Figure 353661DEST_PATH_IMAGE003
为不同光照角度的总个数，
Figure 389619DEST_PATH_IMAGE004
为最终形变区域的对比度，
Figure 842597DEST_PATH_IMAGE005
为最终形变区域对应第i个光照角度下光照分布图连通域的对比度，
Figure 781866DEST_PATH_IMAGE006
为最终形变区域对应第i-1个光照角度下光照分布图连通域的对比度，
Figure 685100DEST_PATH_IMAGE007
为
Figure 959086DEST_PATH_IMAGE005
对应的灰度共生矩阵与
Figure 963558DEST_PATH_IMAGE006
对应的灰度共生矩阵的差值绝对值的L2范数。
上式中，
Figure 131234DEST_PATH_IMAGE004
的获取方法为：根据最终形变区域中所有像素点的最终光照异常程度生成灰度共生矩阵，将该灰度共生矩阵记为
Figure 80736DEST_PATH_IMAGE035
，则
Figure 327171DEST_PATH_IMAGE036
，
Figure 512165DEST_PATH_IMAGE028
为
Figure 409714DEST_PATH_IMAGE035
的行数或列数，
Figure 18200DEST_PATH_IMAGE029
为归一化系数，本实施例中，
Figure 266778DEST_PATH_IMAGE028
的值取10。其中，
Figure 255463DEST_PATH_IMAGE004
为现有技术，在此不过多阐述。
上述中的归一化系数是让各最终变形区域的
Figure 758251DEST_PATH_IMAGE004
的取值在0到1之间。
Figure 49555DEST_PATH_IMAGE037
的获取方法为：确定最终形变区域对应在第i个光照角度下光照分布图的连通域，根据连通域中所有像素点的灰度值生成灰度共生矩阵，将该灰度共生矩阵记为
Figure 910063DEST_PATH_IMAGE038
，则
Figure 60029DEST_PATH_IMAGE039
，
Figure 56803DEST_PATH_IMAGE028
为
Figure 784588DEST_PATH_IMAGE038
的行数或列数，
Figure 492912DEST_PATH_IMAGE029
为归一化系数，本实施例中，
Figure 557820DEST_PATH_IMAGE028
的值取10。其中
Figure 284468DEST_PATH_IMAGE037
的获取为现有技术，在此不过多阐述。
上述中的归一化系数是让各最终形变区域对应在第i个光照角度下光照分布图连通域的
Figure 948534DEST_PATH_IMAGE037
的取值在0到1之间。
Figure 252477DEST_PATH_IMAGE006
的获取方法为：确定最终形变区域对应在第i-1个光照角度下光照分布图的连通域，根据连通域中所有像素点的灰度值生成灰度共生矩阵，将该灰度共生矩阵记为
Figure 262021DEST_PATH_IMAGE040
，则
Figure 859487DEST_PATH_IMAGE041
。
Figure 522549DEST_PATH_IMAGE028
为
Figure 454733DEST_PATH_IMAGE040
的行数或列数，
Figure 484613DEST_PATH_IMAGE029
为归一化系数，本实施例中，
Figure 185852DEST_PATH_IMAGE028
的值取10。其中
Figure 285396DEST_PATH_IMAGE006
的获取为现有技术，在此不过多阐述。
上述中的归一化系数是让各最终形变区域对应在第i-1个光照角度下光照分布图连通域的对比度的取值在0到1之间。
Figure 455608DEST_PATH_IMAGE007
的获取方法为：
Figure 541376DEST_PATH_IMAGE042
，
Figure 221756DEST_PATH_IMAGE007
为
Figure 386808DEST_PATH_IMAGE043
的L2范数，
Figure 418217DEST_PATH_IMAGE044
。
需要说明的是，
Figure 42097DEST_PATH_IMAGE002
的值越大，说明该最终形变区域内的平均最终光照异常程度较大，说明该最终形变区域对应的硅钢片的变形区域的整体变形程度越大，是对最终形变区域对应硅钢片的变形区域的整体评估。
Figure 468661DEST_PATH_IMAGE004
的值越大，说明最终形变区域内不同像素点的最终光照异常程度差异越大，说明该最终形变区域对应硅钢片的变形区域局部不平坦、有小幅度的凸起或凹陷（如图2中的变形区域4），说明该最终形变区域对应硅钢片的变形区域的形变程度越大。
Figure 910007DEST_PATH_IMAGE043
表示最终形变区域在相邻两个光照角度下光照分布图对应连通域的光照分布情况的差异，若
Figure 38500DEST_PATH_IMAGE043
中元素的值都是趋近于0的，说明最终形变区域对应硅钢片的变形区域整体是平坦的、水平的（如图2中的变形区域1），即该最终形变区域对应硅钢片的变形区域没有发生形变；若
Figure 479452DEST_PATH_IMAGE043
中元素的值都较大时，说明该最终形变区域对应硅钢片的变形区域不平坦，最终形变区域对应硅钢片的变形区域整个是倾斜的（如图2中的变形区域2和变形区域3）。
Figure 400004DEST_PATH_IMAGE007
的值越大说明最终形变区域在相邻两个光照角度下光照分布图对应连通域的光照分布越大，说明该最终形变区域对应硅钢片的变形区域的变形越严重、越不平整。
Figure 153196DEST_PATH_IMAGE045
的值越大就越关注
Figure 254138DEST_PATH_IMAGE007
的大小，因为最小的对比度越大，说明最终形变区域在相邻两个光照角度下光照分布图对应连通域的光照分布都具有明显的对比度，选取
Figure 954241DEST_PATH_IMAGE046
两者中的最小值可以避免过亮的高光或过暗的阴影对特征值的干扰，使得特征值得计算结果更准确。
Figure 322774DEST_PATH_IMAGE047
越大，说明该最终形变区域对应硅钢片的变形区域会整个凸起来，和水平面有倾角；
Figure 450130DEST_PATH_IMAGE048
越小，说明最终形变区域对应硅钢片的区域，整个是水平的，
Figure 29580DEST_PATH_IMAGE047
用于描述最终形变区域的整体特性。
本实施例中，特征值阈值设置为0.3，在实际操作过程中，实施者可根据实际需求设置特征值阈值。
步骤6，计算所有缺陷区域的面积和，判断面积和与面积阈值的大小，将大于面积阈值对应的硅钢片判定为缺陷硅钢片。
本实施例中，面积阈值设置为0.5；在实际操作过程中，实施者可根据实际需求设置特征值阈值。缺陷硅钢片不能直接参与后续电力变压器的制造。
本发明还提供了一种基于图像处理的电力变压器硅钢片质量检测系统的系统实施例（如图3所示），包括：
图像获取模块，获取不同光照角度下的硅钢片RGB图像，对各硅钢片RGB图像进行图像转换得到对应的光照分布图；
图像处理模块，构建M×M大小的滑窗，根据滑窗内所有像素点的灰度值，建立包含若干个子高斯模型的混合高斯模型，计算任意两子高斯模型的差异，根据所述差异计算处于滑窗中心位置像素点的光照异常程度，得到光照分布图中所有像素点的光照异常程度，将各光照异常程度作为对应像素点的值，得到异常光照分布图，进而得到不同光照角度下光照分布图对应的异常光照分布图；
数据分析模块，将异常光照分布图进行区域划分，得到各形变区域，依据各形变区域得到形变区域在对应光照分布图上对应的连通域，利用灰度共生矩阵对所述连通域进行计算，得到该连通域的对比度，将所述对比度作为对应形变区域中的任一像素点的权重，继而得到不同光照角度下光照异常分布图的各像素点的权重；
图像融合模块，依据各像素点的权重，将对应的像素点在不同光照角度下的光照异常程度进行融合，得到对应像素点的最终光照异常程度；将各最终光照异常程度作为对应像素点的值，得到异常光照融合图；
比较模块，对所述异常光照融合图进行区域划分，得到最终形变区域，计算各最终形变区域的特征值；判断所述特征值与特征值阈值的大小，将大于特征值阈值对应的最终变形区域作为缺陷区域；
缺陷检测模块，计算所有缺陷区域的面积和，判断所述面积和与面积阈值的大小，将大于面积阈值对应的硅钢片判定为缺陷硅钢片。
该系统实施例的实现原理及产生的技术效果和前述方法实施例相同，为简要描述，本实施例部分未提及之处，可参考前述方法实施例中相应内容。
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 (4)

1.一种基于图像处理的电力变压器硅钢片质量检测方法，其特征在于，该方法包括以下步骤：
获取不同光照角度下的硅钢片RGB图像，对各硅钢片RGB图像进行图像转换得到对应的光照分布图；
构建M×M大小的滑窗，根据滑窗内所有像素点的灰度值，建立包含若干个子高斯模型的高斯混合模型，计算任意两子高斯模型的差异，根据所述差异计算处于滑窗中心位置像素点的光照异常程度，得到光照分布图中所有像素点的光照异常程度，将各光照异常程度作为对应像素点的值，得到异常光照分布图，进而得到不同光照角度下光照分布图对应的异常光照分布图；
所述光照异常程度为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为像素点p在第i个光照角度下的光照分布图中对应的光照异常程度，
Figure DEST_PATH_IMAGE006
为子高斯模型的总个数，
Figure DEST_PATH_IMAGE008
为第j个子高斯模型，
Figure DEST_PATH_IMAGE010
为第h个子高斯模型，
Figure DEST_PATH_IMAGE012
为第h个子高斯模型的权值，
Figure DEST_PATH_IMAGE014
为第j个子高斯模型的权值，
Figure DEST_PATH_IMAGE016
为第h个子高斯模型的均值，
Figure DEST_PATH_IMAGE018
为第j个子高斯模型的均值，
Figure DEST_PATH_IMAGE020
为
Figure DEST_PATH_IMAGE022
的L2范数，
Figure DEST_PATH_IMAGE024
为归一化系数；
将异常光照分布图进行区域划分，得到各形变区域，依据各形变区域得到形变区域在对应光照分布图上对应的连通域，利用灰度共生矩阵对所述连通域进行计算，得到该连通域的对比度，将所述对比度作为对应形变区域中的任一像素点的权重，继而得到不同光照角度下光照异常分布图的各像素点的权重；
依据各像素点的权重，将对应的像素点在不同光照角度下的光照异常程度进行融合，得到对应像素点的最终光照异常程度；将各最终光照异常程度作为对应像素点的值，得到异常光照融合图；
对所述异常光照融合图进行区域划分，得到最终形变区域，计算各最终形变区域的特征值；判断所述特征值与特征值阈值的大小，将大于特征值阈值对应的最终变形区域作为缺陷区域；
所述特征值为：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为最终形变区域内所有像素点的最终光照异常程度的均值，
Figure DEST_PATH_IMAGE030
为不同光照角度的总个数，
Figure DEST_PATH_IMAGE032
为最终形变区域的对比度，
Figure DEST_PATH_IMAGE034
为最终形变区域对应第i个光照角度下光照分布图连通域的对比度，
Figure DEST_PATH_IMAGE036
为最终形变区域对应第i-1个光照角度下光照分布图连通域的对比度，
Figure DEST_PATH_IMAGE038
为
Figure 321255DEST_PATH_IMAGE034
对应的灰度共生矩阵与
Figure 300712DEST_PATH_IMAGE036
对应的灰度共生矩阵的差值绝对值的L2范数；
计算所有缺陷区域的面积和，判断所述面积和与面积阈值的大小，将大于面积阈值对应的硅钢片判定为缺陷硅钢片。
2.根据权利要求1所述的一种基于图像处理的电力变压器硅钢片质量检测方法，其特征在于，所述最终光照异常程度为：
Figure DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE042
为像素点p在第i个光照角度下光照异常分布图中对应的权重，
Figure 64138DEST_PATH_IMAGE004
为像素点p在第i个光照角度下光照分布图中对应的光照异常程度，
Figure 193768DEST_PATH_IMAGE030
为不同光照角度的总个数。
3.一种基于图像处理的电力变压器硅钢片质量检测系统，其特征在于，包括：
图像获取模块，获取不同光照角度下的硅钢片RGB图像，对各硅钢片RGB图像进行图像转换得到对应的光照分布图；
图像处理模块，构建M×M大小的滑窗，根据滑窗内所有像素点的灰度值，建立包含若干个子高斯模型的混合高斯模型，计算任意两子高斯模型的差异，根据所述差异计算处于滑窗中心位置像素点的光照异常程度，得到光照分布图中所有像素点的光照异常程度，将各光照异常程度作为对应像素点的值，得到异常光照分布图，进而得到不同光照角度下光照分布图对应的异常光照分布图；
所述光照异常程度为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 195091DEST_PATH_IMAGE004
为像素点p在第i个光照角度下光照分布图中对应的光照异常程度，
Figure 814291DEST_PATH_IMAGE006
为子高斯模型的总个数，
Figure 894373DEST_PATH_IMAGE008
为第j个子高斯模型，
Figure 952328DEST_PATH_IMAGE010
为第h个子高斯模型，
Figure 667212DEST_PATH_IMAGE012
为第h个子高斯模型的权值，
Figure 394997DEST_PATH_IMAGE014
为第j个子高斯模型的权值，
Figure 211643DEST_PATH_IMAGE016
为第h个子高斯模型的均值，
Figure 496125DEST_PATH_IMAGE018
为第j个子高斯模型的均值，
Figure 81827DEST_PATH_IMAGE020
为
Figure 643431DEST_PATH_IMAGE022
的L2范数，
Figure 681794DEST_PATH_IMAGE024
为归一化系数；
数据分析模块，将异常光照分布图进行区域划分，得到各形变区域，依据各形变区域得到形变区域在对应光照分布图上对应的连通域，利用灰度共生矩阵对所述连通域进行计算，得到该连通域的对比度，将所述对比度作为对应形变区域中的任一像素点的权重，继而得到不同光照角度下光照异常分布图的各像素点的权重；
图像融合模块，依据各像素点的权重，将对应的像素点在不同光照角度下的光照异常程度进行融合，得到对应像素点的最终光照异常程度；将各最终光照异常程度作为对应像素点的值，得到异常光照融合图；
比较模块，对所述异常光照融合图进行区域划分，得到最终形变区域，计算各最终形变区域的特征值；判断所述特征值与特征值阈值的大小，将大于特征值阈值对应的最终变形区域作为缺陷区域；
所述特征值为：
Figure DEST_PATH_IMAGE044
其中，
Figure 143868DEST_PATH_IMAGE028
为最终形变区域内所有像素点的最终光照异常程度的均值，
Figure 849656DEST_PATH_IMAGE030
为不同光照角度的总个数，
Figure 919243DEST_PATH_IMAGE032
为最终形变区域的对比度，
Figure 195635DEST_PATH_IMAGE034
为最终形变区域对应第i个光照角度下光照分布图连通域的对比度，
Figure 336766DEST_PATH_IMAGE036
为最终形变区域对应第i-1个光照角度下光照分布图连通域的对比度，
Figure 943066DEST_PATH_IMAGE038
为
Figure 511451DEST_PATH_IMAGE034
对应的灰度共生矩阵与
Figure 196510DEST_PATH_IMAGE036
对应的灰度共生矩阵的差值绝对值的L2范数；
缺陷检测模块，计算所有缺陷区域的面积和，判断所述面积和与面积阈值的大小，将大于面积阈值对应的硅钢片判定为缺陷硅钢片。
4.根据权利要求3所述的一种基于图像处理的电力变压器硅钢片质量检测系统，其特征在于，所述最终光照异常程度为：
Figure DEST_PATH_IMAGE040A
其中，
Figure 593862DEST_PATH_IMAGE042
为像素点p在第i个光照角度下光照异常分布图中对应的权重，
Figure 680767DEST_PATH_IMAGE004
为像素点p在第i个光照角度下光照分布图中对应的光照异常程度，
Figure 436364DEST_PATH_IMAGE030
为不同光照角度的总个数。
CN202210844396.2A 2022-07-19 2022-07-19 基于图像处理的电力变压器硅钢片质量检测方法及系统 Active CN114937035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210844396.2A CN114937035B (zh) 2022-07-19 2022-07-19 基于图像处理的电力变压器硅钢片质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210844396.2A CN114937035B (zh) 2022-07-19 2022-07-19 基于图像处理的电力变压器硅钢片质量检测方法及系统

Publications (2)

Publication Number Publication Date
CN114937035A CN114937035A (zh) 2022-08-23
CN114937035B true CN114937035B (zh) 2022-10-04

Family

ID=82869271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210844396.2A Active CN114937035B (zh) 2022-07-19 2022-07-19 基于图像处理的电力变压器硅钢片质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN114937035B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410016B (zh) * 2022-10-27 2023-01-24 南通海阳节能环保科技有限公司 基于图像频域分析的微生物污水池污水高效处理方法
CN117152140B (zh) * 2023-10-30 2024-02-13 汉中禹龙科技新材料有限公司 基于图像处理的钢绞线质量检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338521B (zh) * 2016-09-22 2019-04-12 华中科技大学 增材制造表面及内部缺陷与形貌复合检测方法及装置
CN110006912A (zh) * 2019-04-26 2019-07-12 上海电气集团股份有限公司 一种用于发电机的硅钢片表面质量检测系统及运行方法
CN112215821A (zh) * 2020-10-13 2021-01-12 郭燕 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统
CN112508826B (zh) * 2020-11-16 2022-03-01 哈尔滨工业大学（深圳） 一种印刷品缺陷检测方法
CN113470767B (zh) * 2021-06-16 2022-04-12 特变电工衡阳变压器有限公司 基于硅钢片性能的分类方法、系统、计算机和存储介质

Also Published As

Publication number Publication date
CN114937035A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN114937035B (zh) 基于图像处理的电力变压器硅钢片质量检测方法及系统
Liu et al. Steel surface defect detection using a new Haar–Weibull-variance model in unsupervised manner
CN114862849B (zh) 一种基于图像处理的铝合板覆膜效果评估方法
US7274813B2 (en) Defect inspection method and apparatus
CN113689428A (zh) 基于图像处理的机械零件应力腐蚀检测方法及系统
CN115147414B (zh) 一种双极型功率晶体管表面击穿缺陷检测方法
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN115937204A (zh) 一种焊管生产质量检测方法
CN115797342B (zh) 一种工业控制电容触摸lcd显示总成缺陷检测方法
CN115841434A (zh) 一种用于气体浓度分析的红外图像增强方法
CN116721107B (zh) 一种电缆生产质量智能监控系统
CN116542972B (zh) 基于人工智能的墙板表面缺陷快速检测方法
CN115984272B (zh) 基于计算机视觉的半挂车车桥缺陷识别方法
CN116703910A (zh) 一种混凝土预制底板质量智能检测方法
CN117011292B (zh) 一种复合板表面质量快速检测方法
CN116402810B (zh) 基于图像处理的润滑油抗磨粒质量检测方法
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN117351019A (zh) 一种焊接缺陷检测方法
CN115330646A (zh) 一种用于健身器材喷漆工艺的金属构件检查方法
CN117173176B (zh) 基于图像处理的多晶层光刻工艺热点检测方法
CN116612112B (zh) 一种水桶表面缺陷视觉检测方法
CN116205923B (zh) 基于x-ray的汽车轮毂内部缺陷无损检测方法
CN115029704B (zh) 一种用于不锈钢酸洗工艺的智能控制方法及装置
CN115205165B (zh) 用于工业机械外壳的防腐材料喷涂方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Quality inspection method and system for silicon steel sheet of power transformer based on image processing

Effective date of registration: 20221126

Granted publication date: 20221004

Pledgee: Jiangsu Haimen Rural Commercial Bank Co.,Ltd.

Pledgor: Jiangsu suneng Senyuan Electric Co.,Ltd.

Registration number: Y2022320010737

PE01 Entry into force of the registration of the contract for pledge of patent right