CN115035106A - 一种带钢缺陷智能检测方法 - Google Patents
一种带钢缺陷智能检测方法 Download PDFInfo
- Publication number
- CN115035106A CN115035106A CN202210952650.0A CN202210952650A CN115035106A CN 115035106 A CN115035106 A CN 115035106A CN 202210952650 A CN202210952650 A CN 202210952650A CN 115035106 A CN115035106 A CN 115035106A
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- strip steel
- image
- gray value
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 79
- 239000010959 steel Substances 0.000 claims abstract description 79
- 230000011218 segmentation Effects 0.000 claims abstract description 78
- 230000009466 transformation Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 5
- 238000005096 rolling process Methods 0.000 description 7
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000003672 processing method Methods 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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 Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种带钢缺陷智能检测方法，涉及缺陷检测领域。所述方法包括：获取带钢表面第一灰度直方图；得到每个灰度值的变换指标值获取变化后的第二灰度直方图的隶属度函数，结合带钢表面灰度图像的大小计算带钢表面灰度图像的模糊度；调整隶属度函数中的模糊窗口窗宽计算带钢表面灰度图像的模糊度；获取带钢表面灰度图像的模糊度最大时的模糊窗口窗宽对应的分割阈值参考指标得到分割阈值进行阈值分割得到麻点形成的缺陷区域。本发明对带钢表面灰度图像中高频信息的频数进行变换得到变换后的灰度值的隶属度函数，根据隶属度函数确定带钢表面灰度图像的分割阈值对带钢表面灰度图像进行阈值分割得到缺陷区域，减少计算量的同时提高检测精确度。
Description
技术领域
本发明涉及缺陷检测领域，具体涉及一种带钢缺陷智能检测方法。
背景技术
带钢是各类轧钢企业为了适应不同工业部门工业化生产各类金属或机械产品的需要而生产的一种窄而长的钢板。热轧带钢在生产过程中，需要经辊道进入粗轧除磷机对板坯所产生的氧化铁皮进行处理，接着进入粗轧轧制机组对带钢的宽度和厚度进行轧制，再由辊道输送至精轧除磷机对带钢表面所产生的氧化铁皮进行处理，在这个过程中，轧辊温度比较高时，氧化铁皮粘附在轧辊上，轧制时压入板面使带钢表面出现麻点，或者由于轧辊材质差或温度高造成轧辊磨损严重，轧制时带钢板面也可能出现麻点，而带有麻点的带钢，在冷轧酸洗的过程中很难清洗干净带钢表面的麻点，带钢表面质量作为判断钢板整体质量的重要因素之一，若带钢表面质量出现麻点缺陷，不仅对产品的外观产生了影响，而且还会对带钢的疲劳强度、耐磨性能、抗腐蚀性等机械性能造成严重影响，因此针对带钢的麻点缺陷的检测也是非常重要的工作。
现有技术利用模糊控制方法对带钢表面上的麻点缺陷进行检测，在检测时需要对带钢表面灰度图像进行阈值分割，得到麻点区域，但是由于带钢表面的麻点是分散分布，麻点在带钢表面呈黑褐色，比较圆细，并且麻点缺陷的灰度值与带钢表面的灰度值差异较小，由于麻点缺陷所占区域较小，因此再进行阈值分割时，分割不准确，得不到准确的麻点区域，对后续判断麻点区域在带钢表面的缺陷检测的准确性。
发明内容
针对上述技术问题，本发明提供了一种带钢缺陷智能检测方法，根据模糊S型隶属度函数确定带钢表面灰度图像的分割阈值。通过对图像的灰度直方图进行变换，将带钢表面的微小缺陷的直方图统计量放大，突出缺陷的统计元素，然后对其建立模糊S型隶属度函数，根据调整模糊窗口的窗宽确定最佳分割阈值，从而根据最佳分割阈值对带钢表面灰度图像进行阈值分割达到检测带钢表面麻点缺陷的目的，具体包括：
S1：获取带钢表面灰度图像的第二灰度直方图：
获取光照均匀下的带钢表面灰度图像和带钢表面灰度图像的第一灰度直方图；
根据带钢表面灰度图像中每个像素点的灰度值以及第一灰度直方图得到第一灰度直方图中每个灰度值的变换指标值；
利用第一灰度直方图每个灰度值频数直方图变换的变换指标值计算各灰度值变换后的频数，根据各灰度值变换后的频数得到带钢表面灰度图像的第二灰度直方图；
S2：获取不同模糊窗口的窗宽对应的带钢表面灰度图像的模糊度：
S201：设置初始模糊窗口的窗宽，根据带钢表面灰度图像的第二灰度直方图中的灰度值设置S型隶属度函数参数；
S202：根据隶属度参数与模糊窗口的窗宽确定分割阈值参考指标，所述分割阈值参考指标即第二灰度直方图中的灰度值频数，根据S型隶属度函数参数与分割阈值参考指标构建S型隶属度函数；
S203：根据第二灰度直方图中每个灰度值频数与隶属度，以及带钢表面灰度图像的大小计算带钢表面灰度图像的模糊度；
S204：在模糊窗口的窗宽的取值范围中调整S型隶属度函数中模糊窗口的窗宽得到调整后的分割阈值参考指标，根据调整后的分割阈值重复S202-S203得到不同分割阈值参考指标对应的模糊度；
S3：获取带钢表面灰度图像的最大模糊度对应的分割阈值参考指标，将该分割阈值参考指标对应的第二灰度直方图中的灰度值作为分割阈值；
S4：根据分割阈值对带钢表面灰度图像进行阈值分割得到麻点区域。
进一步地，根据S型隶属度函数参数与分割阈值参考指标构建S型隶属度函数的表达式如下:
式中：
为第二灰度直方图对应的S型隶属度函数，即灰度值频数Hk的隶属度，Hk表示带钢表面灰度图像的第二灰度直方图中的第k个灰度值频数，a、c为的S型隶属度函数的参数，根据带钢表面灰度图像的灰度值确定，b表示分割阈值参考指标。
进一步地，所述计算带钢表面灰度图像的模糊度的过程如下：
根据S型隶属度函数中每个灰度值的隶属度计算目标隶属度或背景隶属度的最小值，根据每个灰度值以及目标隶属度或背景隶属度的最小值计算带钢表面灰度图像的模糊度，计算公式如下：
式中：
表示带钢表面灰度图像的模糊度，
为带钢表面灰度图像的尺寸，Hk表示带钢表面灰度图像的第二灰度直方图中的第k个灰度值频数，
表示第k个灰度值频数目标隶属度或背景隶属度的最小值，L表示不同灰度值的数量，即灰度值的种类。
进一步地，所述目标隶属度或背景隶属度的最小值的计算方法为：
获取S型隶属度函数中每个灰度值的隶属度，并计算数值1和该灰度值的隶属度的差值作为背景隶属度，选择该灰度值的隶属度与背景隶属度中最小的值作为该灰度值对应的目标隶属度或背景隶属度的最小值；
根据上述方法得到每个灰度值对应的目标隶属度或背景隶属度的最小值。
进一步地，所述变换后各灰度值频数的计算方法如下：
获取第一灰度直方图中每个灰度值频数以及该灰度值对应的变换指标值，根据每个灰度值的变换指标值以及该灰度值对应的像素点数量设置该灰度值的权重值；
将该灰度值频数、该灰度值对应的变换指标值以及该灰度值的权重值之积作为该灰度值变换后的频数；
根据上述方法得到每个灰度值变换后的频数。
进一步地，所述每个灰度值的变换指标值的获取方法如下：
分别获取第一灰度直方图中灰度值的最大灰度值和最小灰度值；
计算第一灰度直方图中每个灰度值与最大灰度值的最大差值绝对值，将该最大差值绝对值作为该灰度值的最大灰度值差值；
计算第一灰度直方图中每个灰度值与最小灰度值的最小差值绝对值，将该最小差值绝对值作为该灰度值的最小灰度值差值；
将该灰度值的最大灰度值差值与最小灰度值差值之差作为该灰度值的变换指标值，根据此方法得到第一灰度直方图中每个灰度值的变换指标值。
进一步地，所述灰度值的权重值的计算公式如下：
获取带钢表面灰度图像中所有像素点的灰度值均值作为带钢表面灰度图像的灰度值均值，计算带钢表面灰度图像的第二灰度直方图中每个灰度值与带钢表面灰度图像的灰度值均值的差值绝对值；
获取每个灰度值对应的所有像素点的梯度值，计算该灰度值对应的所有像素点的梯度值均值作为该灰度值的梯度值均值；
将得到的该灰度值的梯度值均值与带钢表面灰度图像的灰度值均值的差值绝对值之积作为该灰度值的权重值；
根据上述方法得到带钢表面灰度图像的第二灰度直方图中每个灰度值对应的权重值。
相比于现有技术，本发明实施例的有益效果在于：
1.本发明根据麻点缺陷的特点，构建模糊阈值分割模型，通过直方图变换获得微小缺陷的较大范围的直方图，然后确定分割阈值，能够将微小缺陷准确的分割出来，并且构建的分割模型简单，计算量小，适用于快速缺陷检测，达到了带钢缺陷的智能检测的目的。
2.构建的模糊阈值分割模型中，在直方图变换中不是将直方图进行简单的拉伸，而是对含有缺陷区域的灰度直方图的波峰进行扩大，使得缺陷的像素频率增大，然后通过对隶属函数的分割阈值参考指标进行调整，以获得最佳分割阈值，达到最佳的分割效果。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种带钢缺陷智能检测方法提供的方法流程图；
图2为本发明实施例一种带钢缺陷智能检测方法提供的麻点缺陷示意图；
图3为本发明实施例一种带钢缺陷智能检测方法提供的第一灰度直方图示意图；
图4为本发明实施例一种带钢缺陷智能检测方法提供的第二灰度直方图示意图；
图5为本发明实施例一种带钢缺陷智能检测方法提供的S型隶属度函数曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示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一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种带钢缺陷智能检测方法，如图1所示，具体内容包括：
步骤一：获取带钢表面灰度图像的第二灰度直方图：
S101、获取带钢表面灰度图像以及第一灰度直方图。
本实施例通过图像处理的方法获取带钢表面灰度图像，根据带钢表面灰度图像确定带钢表面灰度图像的S型隶属度函数，从而根据S型隶属度函数确定带钢表面灰度图像的分割阈值对带钢表面灰度图像进行阈值分割对带钢表面的麻点缺陷进行智能检测，带钢表面麻点缺陷图如图2所示，因此需要先采集带钢的图像，将获取的带钢表面图像作为基础图像进行后续处理。
1.采集带钢表面灰度图像；
设置工业相机采集带钢表面图像，由于带钢的金属特性，带钢表面会发生光的反射，直接采集图像会出现反射光的情况，对于后续根据灰度值进行分析产生一定的影响，会造成对带钢表面的缺陷检测结果误差较大的影响，因此在采集带钢表面图像时，需要对带钢进行均匀光照，利用工业相机拍摄光照均匀的带钢表面图像。
对拍摄的带钢表面图像进行灰度化处理得到带钢表面灰度图像。
2.获取带钢表面灰度图像的第一灰度直方图；
统计带钢表面灰度图像中每种灰度值频数，根据带钢表面灰度图像中每种灰度值频数绘制带钢表面灰度图像的第一灰度直方图，如图3所示。
S102、得到带钢表面灰度图像的第二灰度直方图。
由于麻点区域的灰度值与带钢表面灰度值的差异较小，但是麻点区域占带钢表面极少部分，因此针对麻点像素点对应的灰度值频数进行分析，本实施例将第一灰度直方图中麻点区域对应的灰度值的曲线部分进行拉伸，将第一灰度直方图中带钢表面对应的灰度值的曲线部分进行收缩，使得变换后的第二灰度直方图中表示麻点区域的灰度值对应的波峰变大，而带钢表面区域对应的灰度值对应的波峰变小，目的是突出直方图中波峰较小的区域，减少波峰较大的区域，因为波峰较大的区域为图像中没有缺陷的区域，便于后续通过S型隶属度函数确定模糊窗口的窗宽。
1.计算第一灰度直方图中灰度值频数的变换指标值；
将第一灰度直方图中所有灰度值中最大灰度值差值绝对值减去最小的灰度差值绝对值作为灰度值频数的变换指标值，根据灰度值频数的变换指标值对第一灰度直方图中各灰度值频数进行变换，则表示小波峰的灰度差值会增大，而大波峰的灰度差值会变小，因此就能使得直方图的小波峰变大，大波峰变小，实现直方图的变换。
分别获取第一灰度直方图中灰度值的最大灰度值和最小灰度值；
计算第一灰度直方图中每个灰度值与最大灰度值的差值绝对值
，将得到的所有差值绝对值中的最大值作为最大灰度值差值绝对值
；
计算第一灰度直方图中每个灰度值与最小灰度值的差值绝对值
，将得到的差值绝对值中的最小值作为最小灰度值差值绝对值
；
将最大灰度值差值绝对值与最小灰度值差值绝对值之差作为灰度值频数的变换指标值，根据此方法得到第一灰度直方图中灰度值频数的变换指标值。
变换指标值表达式如下：
式中：
表示第一灰度直方图中灰度值频数的变换指标值，{k}表示第一灰度直方图中灰度值的灰度值集合，k表示带钢表面灰度图像中第k个灰度值。
2计算每个灰度值变换后的频数；
获取第一灰度直方图中每个灰度值频数以及灰度值频数的变换指标值，根据灰度值频数的变换指标值以及该灰度值对应的像素点数量设置该灰度值的权重值；
将该灰度值频数、该灰度值对应的变换指标值以及该灰度值的权重值之积作为该灰度值变换后的频数；
每个灰度值变换后的频数的计算公式如下：
式中：Hk表示带钢表面灰度图像中第k个灰度值变换后的频数，hk表示带钢表面灰度图像中第k个灰度值变换前的频数，
表示带钢表面灰度图像中第k个灰度值的权重值，
表示带钢表面灰度图像中灰度值频数的变换指标值。
因此每个灰度值的权重值的计算方法如下：
获取带钢表面灰度图像中所有像素点的灰度值均值作为带钢表面灰度图像的灰度值均值，计算带钢表面灰度图像的第一灰度直方图中每个灰度值与带钢表面灰度图像的灰度值均值的差值绝对值；
获取每个灰度值对应的所有像素点的梯度值，计算该灰度值对应的所有像素点的梯度值均值作为该灰度值的梯度值均值；
将得到的该灰度值的梯度值均值与带钢表面灰度图像的灰度值均值的差值绝对值之积作为该灰度值的权重值；
计算公式如下：
式中：
表示带钢表面灰度图像中的第k个灰度值的权重值，
表示带钢表面灰度图像的第一灰度直方图中的第k个灰度值频数，
为带钢表面灰度图像中所有像素点的灰度值均值，q表示带钢表面灰度图像中灰度值为第k个灰度值的像素点的数量，p表示带钢表面灰度图像中灰度值为第k个灰度值的像素点的序号，Gp表示带钢表面灰度图像中灰度值为第k个灰度值的第p个像素点的梯度值。
根据上述方法得到每个灰度值变换后的频数，根据每个灰度值变换后的频数绘制带钢表面灰度图像的第二灰度直方图。
其中，带钢表面灰度图像中第k个灰度值的权重值的计算方法如下：
因为在带钢表面灰度图像中，正常的像素点占绝大多数，其灰度值相近，而麻点区域的缺陷像素点占比较小，且麻点区域的像素点的灰度值与周围的正常像素点的灰度有一定的差异，所以缺陷边缘的梯度值较大，所以本实施例结合每个灰度值对应的像素点的梯度值计算每个灰度值的权重值，且灰度值对应的像素点的梯度值越大，则该灰度值的权重越大。
3.得到变换后的第二灰度直方图；
根据S102中的步骤2得到的带钢表面灰度图像中每个灰度值变换后的频数，根据每个灰度值变换后的频数绘制带钢表面灰度图像的第二灰度直方图，如图4所示。
步骤二：获取不同模糊窗口的窗宽对应的带钢表面灰度图像的模糊度：
S103、获取第二灰度直方图的S型隶属度函数。
由于本实施例是基于图像处理结合模糊S型隶属度函数确定带钢表面灰度图像的分割阈值，因此需要获取带钢表面灰度图像的第二灰度直方图的S型隶属度函数，本实施例选取S型隶属度函数作为该方案的隶属度函数。
因此，带钢表面灰度图像的灰度值的S型隶属度函数表达式如下：
式中：
为第二灰度直方图对应的S型隶属度函数，即灰度值频数Hk的隶属度，Hk表示带钢表面灰度图像的第二灰度直方图中的第k个灰度值频数，a、c为的S型隶属度函数的参数，根据带钢表面灰度图像的灰度值确定，b表示分割阈值参考指标。
函数的范围为
，根据S型隶属度函数图像可知，
和
为图像的非模糊区域，其中，
表示S型隶属度函数的取值范围最小值，即第二灰度直方图中灰度值频数的最小值，
表示S型隶属度函数的取值范围最大值，即第二灰度直方图中灰度值频数的最大值，[a,c]为图像的模糊区域。因此a、c的值，根据S型隶属度函数的图像确定，S型隶属度函数图像如图5所示。
需要说明的是，由于初始窗宽为0，因此S型隶属度函数的初始分割阈值参考指标为
，即此时
。
S104、计算带钢表面灰度图像的模糊度。
因为隶属函数影响模糊曲线，从而影响分割阈值，而对于确定的隶属函数，窗口的宽度直接影响隶属函数的变化，所以窗宽对分割阈值参考指标起到了关键作用，首先计算带钢表面灰度图像的模糊度，根据带钢表面灰度图像的模糊度确定分割阈值。
带钢表面灰度图像的模糊度计算公式如下：
式中：
表示带钢表面灰度图像的模糊度，
为带钢表面灰度图像的尺寸，Hk表示带钢表面灰度图像的第二灰度直方图中灰度值k的频数，
表示灰度值频数Hk对应的目标隶属度或背景隶属度的最小值，L表示不同灰度值的数量。
其中，目标隶属度或背景隶属度的最小值表示为：
式中：
表示灰度值频数Hk对应的目标隶属度或背景隶属度的最小值，
表示灰度值Hk对应的隶属度。
当k为目标灰度值（即麻点区域对应的像素点的灰度值）时，
即为带钢表面灰度图像中目标的隶属度，则
即为带钢表面灰度图像中背景的隶属度；
当k为背景灰度值（即带钢表面正常区域对应的像素点的灰度值）时，即
为带钢表面灰度图像中背景的隶属度，则
即为带钢表面灰度图像中目标的隶属度；
因此选取目标隶属度或背景隶属度的最小值来计算带钢表面灰度图像的模糊度。
步骤三：获取带钢表面灰度图像的最大模糊度对应的分割阈值参考指标，将该分割阈值参考指标对应的第二灰度直方图中的灰度值作为分割阈值：
S105、确定带钢表面灰度图像的分割阈值。
1.调整窗宽后计算带钢表面灰度图像的模糊度；
不同窗宽的模糊窗口对应的阈值分割的效果不同，因此需要调整模糊窗口的窗宽确定最佳的模糊窗口进行阈值分割。
调整模糊窗口的窗宽，则对应的分割阈值参考指标也会对应改变，分割阈值参考指标的改变会影响不同灰度值的隶属度，而图像模糊度是根据不同灰度值的隶属度计算得到的，所以计算调整模糊窗口的窗宽对应的模糊度，计算方法与S104中带钢表面灰度图像的模糊度的计算方法相同。
其中，分割阈值参考指标与模糊窗口的窗宽的关系表达式如下：
式中：
为模糊窗口的窗宽，且
，b表示分割阈值参考指标，a、c为S型隶属度函数的参数，也是分割阈值参考指标的取值范围。
2. 确定带钢表面灰度图像的分割阈值；
因此分割阈值参考指标的表达式如下：
式中：b表示分割阈值参考指标，bi表示调整的第i个分割阈值参考指标，
表示调整的窗宽指标对应的模糊度最大值，bi属于分割阈值参考指标的取值范围，即
。
获取分割阈值参考指标对应在第二灰度直方图中的频数，将该频数对应的灰度值作为带钢表面灰度图像的分割阈值。
步骤四：根据分割阈值对带钢表面灰度图像进行阈值分割得到麻点区域：
S106、对带钢表面灰度图像进行缺陷检测。
根据S105得到的带钢表面灰度图像的分割阈值对带钢表面灰度图像进行阈值分割，得到带钢表面图像的麻点区域完成针对带钢表面的麻点的缺陷检测。
本实施例中的缺陷检测方法是根据带钢表面灰度图像的灰度值及其频率以及各像素点的梯度值进行分析确定分割阈值的，因此对于不同的带钢进行缺陷检测时，需要分析不同的带钢表面灰度图像的灰度值及其频率以及各像素点的梯度值确定分割阈值进行阈值分割，根据阈值分割的结果对不同的带钢进行自适应阈值分割完成对带钢的缺陷检测。
以上所述仅为本发明的较佳实施例而已，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)
1.一种带钢缺陷智能检测方法，其特征在于，包括：
步骤一：获取带钢表面灰度图像的第二灰度直方图：
获取光照均匀下的带钢表面灰度图像和带钢表面灰度图像的第一灰度直方图；
根据带钢表面灰度图像中每个像素点的灰度值以及第一灰度直方图得到第一灰度直方图中每个灰度值的变换指标值；
利用第一灰度直方图每个灰度值频数直方图变换的变换指标值计算各灰度值变换后的频数，根据各灰度值变换后的频数得到带钢表面灰度图像的第二灰度直方图；
步骤二：获取不同模糊窗口的窗宽对应的带钢表面灰度图像的模糊度：
S201：设置初始模糊窗口的窗宽，根据带钢表面灰度图像的第二灰度直方图中的灰度值设置S型隶属度函数参数；
S202：根据隶属度参数与模糊窗口的窗宽确定分割阈值参考指标，所述分割阈值参考指标即第二灰度直方图中的灰度值频数，根据S型隶属度函数参数与分割阈值参考指标构建S型隶属度函数；
S203：根据第二灰度直方图中每个灰度值频数与隶属度，以及带钢表面灰度图像的大小计算带钢表面灰度图像的模糊度；
S204：在模糊窗口的窗宽的取值范围中调整S型隶属度函数中模糊窗口的窗宽得到调整后的分割阈值参考指标，根据调整后的分割阈值重复S202-S203得到不同分割阈值参考指标对应的模糊度；
步骤三：获取带钢表面灰度图像的最大模糊度对应的分割阈值参考指标，将该分割阈值参考指标对应的第二灰度直方图中的灰度值作为分割阈值；
步骤四：根据分割阈值对带钢表面灰度图像进行阈值分割得到麻点区域。
2.根据权利要求1所述的一种带钢缺陷智能检测方法，其特征在于，所述根据S型隶属度函数参数与分割阈值参考指标构建S型隶属度函数的表达式如下：
式中：
为第二灰度直方图对应的S型隶属度函数，即灰度值频数Hk的隶属度，Hk表示带钢表面灰度图像的第二灰度直方图中的第k个灰度值频数，a、c为的S型隶属度函数的参数，根据带钢表面灰度图像的灰度值确定，b表示分割阈值参考指标。
3.根据权利要求1所述的一种带钢缺陷智能检测方法，其特征在于，所述计算带钢表面灰度图像的模糊度的过程如下：
根据S型隶属度函数中每个灰度值的隶属度计算目标隶属度或背景隶属度的最小值，根据每个灰度值以及目标隶属度或背景隶属度的最小值计算带钢表面灰度图像的模糊度，计算公式如下：
式中：
表示带钢表面灰度图像的模糊度，
为带钢表面灰度图像的尺寸，Hk表示带钢表面灰度图像的第二灰度直方图中的第k个灰度值频数，
表示第k个灰度值频数目标隶属度或背景隶属度的最小值，L表示不同灰度值的数量，即灰度值的种类。
4.根据权利要求3所述的一种带钢缺陷智能检测方法，其特征在于，所述目标隶属度或背景隶属度的最小值的计算方法为：
获取S型隶属度函数中每个灰度值的隶属度，并计算数值1和该灰度值的隶属度的差值作为背景隶属度，选择该灰度值的隶属度与背景隶属度中最小的值作为该灰度值对应的目标隶属度或背景隶属度的最小值；
根据上述方法得到每个灰度值对应的目标隶属度或背景隶属度的最小值。
5.根据权利要求1所述的一种带钢缺陷智能检测方法，其特征在于，所述变换后各灰度值频数的计算方法如下：
获取第一灰度直方图中每个灰度值频数以及该灰度值对应的变换指标值，根据每个灰度值的变换指标值以及该灰度值对应的像素点数量设置该灰度值的权重值；
将该灰度值频数、该灰度值对应的变换指标值以及该灰度值的权重值之积作为该灰度值变换后的频数；
根据上述方法得到每个灰度值变换后的频数。
6.根据权利要求1所述的一种带钢缺陷智能检测方法，其特征在于，所述每个灰度值的变换指标值的获取方法如下：
分别获取第一灰度直方图中灰度值的最大灰度值和最小灰度值；
计算第一灰度直方图中每个灰度值与最大灰度值的最大差值绝对值，将该最大差值绝对值作为该灰度值的最大灰度值差值；
计算第一灰度直方图中每个灰度值与最小灰度值的最小差值绝对值，将该最小差值绝对值作为该灰度值的最小灰度值差值；
将该灰度值的最大灰度值差值与最小灰度值差值之差作为该灰度值的变换指标值，根据此方法得到第一灰度直方图中每个灰度值的变换指标值。
7.根据权利要求5所述的一种带钢缺陷智能检测方法，其特征在于，所述灰度值的权重值的计算公式如下：
获取带钢表面灰度图像中所有像素点的灰度值均值作为带钢表面灰度图像的灰度值均值，计算带钢表面灰度图像的第二灰度直方图中每个灰度值与带钢表面灰度图像的灰度值均值的差值绝对值；
获取每个灰度值对应的所有像素点的梯度值，计算该灰度值对应的所有像素点的梯度值均值作为该灰度值的梯度值均值；
将得到的该灰度值的梯度值均值与带钢表面灰度图像的灰度值均值的差值绝对值之积作为该灰度值的权重值；
根据上述方法得到带钢表面灰度图像的第二灰度直方图中每个灰度值对应的权重值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210952650.0A CN115035106B (zh) | 2022-08-10 | 2022-08-10 | 一种带钢缺陷智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210952650.0A CN115035106B (zh) | 2022-08-10 | 2022-08-10 | 一种带钢缺陷智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115035106A true CN115035106A (zh) | 2022-09-09 |
| CN115035106B CN115035106B (zh) | 2022-11-08 |
Family
ID=83129979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210952650.0A Active CN115035106B (zh) | 2022-08-10 | 2022-08-10 | 一种带钢缺陷智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115035106B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
| CN115797342A (zh) * | 2023-02-06 | 2023-03-14 | 深圳市鑫旭飞科技有限公司 | 一种工业控制电容触摸lcd显示总成缺陷检测方法 |
| CN115802056A (zh) * | 2023-01-31 | 2023-03-14 | 南通凯沃智能装备有限公司 | 用于移动终端的用户数据压缩存储方法 |
| CN116071316A (zh) * | 2023-01-05 | 2023-05-05 | 中国重型机械研究院股份公司 | 一种基于图像识别的带钢缺陷检测方法 |
| CN116703888A (zh) * | 2023-07-28 | 2023-09-05 | 菏泽城建新型工程材料有限公司 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
| CN117876330A (zh) * | 2024-01-11 | 2024-04-12 | 广东粤电科试验检测技术有限公司 | 基于x射线图像识别的耐张线夹压接缺陷检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7298897B1 (en) * | 2004-02-11 | 2007-11-20 | United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Optimal binarization of gray-scaled digital images via fuzzy reasoning |
| CN105654501A (zh) * | 2016-02-22 | 2016-06-08 | 北方工业大学 | 基于模糊阈值的自适应图像分割方法 |
| CN107610119A (zh) * | 2017-09-26 | 2018-01-19 | 河北工业大学 | 基于直方图分解的带钢表面缺陷精准检测方法 |
| CN109461165A (zh) * | 2018-09-29 | 2019-03-12 | 佛山市云米电器科技有限公司 | 基于图像三色分割的厨房油烟浓度划分标识方法 |
| CN109727233A (zh) * | 2018-12-18 | 2019-05-07 | 武汉精立电子技术有限公司 | 一种lcd缺陷检测方法 |
-
2022
- 2022-08-10 CN CN202210952650.0A patent/CN115035106B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7298897B1 (en) * | 2004-02-11 | 2007-11-20 | United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Optimal binarization of gray-scaled digital images via fuzzy reasoning |
| CN105654501A (zh) * | 2016-02-22 | 2016-06-08 | 北方工业大学 | 基于模糊阈值的自适应图像分割方法 |
| CN107610119A (zh) * | 2017-09-26 | 2018-01-19 | 河北工业大学 | 基于直方图分解的带钢表面缺陷精准检测方法 |
| CN109461165A (zh) * | 2018-09-29 | 2019-03-12 | 佛山市云米电器科技有限公司 | 基于图像三色分割的厨房油烟浓度划分标识方法 |
| CN109727233A (zh) * | 2018-12-18 | 2019-05-07 | 武汉精立电子技术有限公司 | 一种lcd缺陷检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| JINHUI LAN等: "Multi-threshold image segmentation using maximum fuzzy entropy based on a new 2D histogram", 《OPTIK》 * |
| 周莹: "基于模糊逻辑的图像分割算法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 张永梅等: "基于模糊阈值的自适应图像分割方法", 《计算机测量与控制》 * |
| 曹伟明: "基于模糊熵和ABC算法的SAR图像分割的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
| CN115311292B (zh) * | 2022-10-12 | 2023-01-17 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
| CN116071316A (zh) * | 2023-01-05 | 2023-05-05 | 中国重型机械研究院股份公司 | 一种基于图像识别的带钢缺陷检测方法 |
| CN115802056A (zh) * | 2023-01-31 | 2023-03-14 | 南通凯沃智能装备有限公司 | 用于移动终端的用户数据压缩存储方法 |
| CN115797342A (zh) * | 2023-02-06 | 2023-03-14 | 深圳市鑫旭飞科技有限公司 | 一种工业控制电容触摸lcd显示总成缺陷检测方法 |
| CN115797342B (zh) * | 2023-02-06 | 2023-04-21 | 深圳市鑫旭飞科技有限公司 | 一种工业控制电容触摸lcd显示总成缺陷检测方法 |
| CN116703888A (zh) * | 2023-07-28 | 2023-09-05 | 菏泽城建新型工程材料有限公司 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
| CN116703888B (zh) * | 2023-07-28 | 2023-10-20 | 菏泽城建新型工程材料有限公司 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
| CN117876330A (zh) * | 2024-01-11 | 2024-04-12 | 广东粤电科试验检测技术有限公司 | 基于x射线图像识别的耐张线夹压接缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115035106B (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115035106A (zh) | 一种带钢缺陷智能检测方法 | |
| CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
| CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
| CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
| Chen et al. | The defect detection of 3D-printed ceramic curved surface parts with low contrast based on deep learning | |
| CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
| CN114549441B (zh) | 基于图像处理的吸管缺陷检测方法 | |
| CN116228768B (zh) | 一种电子元器件表面划痕检测方法 | |
| CN114998322B (zh) | 基于计算机视觉的轧机智能控制方法及系统 | |
| CN114565563B (zh) | 基于人工智能的彩钢板表面异常检测方法 | |
| CN116071316A (zh) | 一种基于图像识别的带钢缺陷检测方法 | |
| CN107993219A (zh) | 一种基于机器视觉的船板表面缺陷检测方法 | |
| CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
| CN112597865A (zh) | 热轧带钢边部缺陷智能识别方法 | |
| CN111724376A (zh) | 一种基于纹理特征分析的纸病检测方法 | |
| CN114998354A (zh) | 基于图形滤波的钢带辊印检测方法 | |
| CN116416252A (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
| CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
| CN115115624B (zh) | 一种电缆桥架的防腐涂层滚轧损伤检测方法 | |
| CN104515473A (zh) | 一种漆包线直径的在线检测方法 | |
| CN118549466A (zh) | 一种用于增粘单元的光刻胶均匀性评估方法 | |
| CN112986277B (zh) | 一种热轧带钢精轧辊印的检测方法 | |
| Niu et al. | Application of cem algorithm in the field of tunnel crack identification | |
| CN118691667B (zh) | 一种机器视觉定位方法 | |
| CN119205773B (zh) | 一种轧辊锻件表面缺陷检测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250324 Address after: No. 1 Rongsheng Street, Lingang Economic Park, Fengnan District Economic Development Zone, Tangshan City, Hebei Province (Workshop 6 of Tangshan Darunda Machinery Equipment Manufacturing (Group) Co., Ltd.) Patentee after: Tangshan Shuangzhou Building Materials Technology Co.,Ltd. Country or region after: China Address before: 273500 no.1888, West Outer Ring Road, Zoucheng City, Jining City, Shandong Province Patentee before: Zoucheng Tianhui Software Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |