CN115049656A - 硅钢轧制过程中缺陷的显著性识别与分类方法 - Google Patents
硅钢轧制过程中缺陷的显著性识别与分类方法 Download PDFInfo
- Publication number
- CN115049656A CN115049656A CN202210971178.5A CN202210971178A CN115049656A CN 115049656 A CN115049656 A CN 115049656A CN 202210971178 A CN202210971178 A CN 202210971178A CN 115049656 A CN115049656 A CN 115049656A
- Authority
- CN
- China
- Prior art keywords
- defect
- texture
- silicon steel
- region
- significance
- 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.)
- Withdrawn
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
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理与识别领域,具体涉及硅钢轧制过程中缺陷的显著性识别与分类方法。方法包括:利用电子设备对硅钢表面图像进行图形识别,得到疑似缺陷区域的图像;对疑似缺陷区域进行数据处理,得到缺陷内侧对应的区域和缺陷外侧对应的区域;根据缺陷内侧区域的熵图像、包围缺陷边缘的环形区域像素点的梯度方向和缺陷内侧区域像素点的灰度值,计算纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标;根据这三个指标识别缺陷类别。该方法是一种利用可见光图像测试或者分析硅钢的方法,具体是测试硅钢表面缺陷的存在。该方法可以实现新材料检测、计量、相关标准化、认证认可服务等。本发明能够对硅钢缺陷进行准确识别与分类。
Description
技术领域
本发明涉及数据处理与识别技术领域,具体涉及硅钢轧制过程中缺陷的显著性识别与分类方法。
背景技术
硅钢具有导磁率高、矫顽力低、电阻系数大等特性,它主要应用于电力电子、军事和工业生产等重要领域。硅钢作为一种重要的软磁合金,具有脆性大、延展性低等特点,并由于轧制工艺缺陷,乳化液等原因,轧后产品容易出现不同类型的表面缺陷,缺陷的存在可能会降低产品的使用寿命和性能。在电机类产品生产中,对硅钢表面质量的要求很高,即使是微小缺陷也可能会影响产品的性能,因此对硅钢表面的缺陷检测是非常重要的环节之一。
发明内容
为了解决现有方法存在的难以准确提取硅钢表面图像中的缺陷区域并对缺陷进行分类的问题,本发明的目的在于提供一种硅钢轧制过程中缺陷的显著性识别与分类方法,所采用的技术方案具体如下:
本发明提供了一种硅钢轧制过程中缺陷的显著性识别与分类方法,该方法包括以下步骤:
获取待检测的硅钢表面图像;
根据所述待检测的硅钢表面图像,得到疑似缺陷区域的图像;对所述疑似缺陷区域的图像进行超像素分割,根据各超像素块内像素点的灰度均值,得到缺陷内侧对应的区域和缺陷外侧对应的区域;
根据缺陷内侧对应的区域对应的熵图像,计算缺陷区域的纹理纯度显著度指标;获取包围缺陷边缘的环形区域;根据所述环形区域内各像素点的梯度方向,计算缺陷边界的纹理方向显著性指标;根据缺陷内侧对应的区域内各像素点的灰度值,计算缺陷区域的纹理颜色显著性指标;
根据所述纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标,判断待检测的硅钢表面图像的缺陷类别。
优选的,所述根据所述待检测的硅钢表面图像,得到疑似缺陷区域的图像,包括:
计算待检测的硅钢表面图像中各像素点的纹理方向角;
利用设定大小的滑窗对待检测的硅钢表面图像进行检测,计算滑窗对应的待检测的硅钢表面图像各区域像素点的灰度均值;
根据所述各像素点的纹理方向角和各区域像素点的灰度均值,得到疑似缺陷区域的图像。
优选的,所述根据缺陷内侧对应的区域对应的熵图像,计算缺陷区域的纹理纯度显著度指标,包括:
根据标准硅钢表面图像对应的熵图像中各元素对应的熵值,得到标准纹理熵值;
计算缺陷内侧对应的区域对应的熵图像中各元素对应的熵值与所述标准纹理熵值的欧氏距离;根据所述欧氏距离,得到缺陷区域的纹理纯度显著性指标。
优选的,所述获取包围缺陷边缘的环形区域,包括:
根据缺陷内侧对应的区域内像素点的数量计算跨度值;
以缺陷内侧对应的区域的边缘线为中心,根据所述跨度值,得到包围缺陷边缘的环形区域的第一边界和第二边界;
根据所述环形区域的第一边界和第二边界,得到包围缺陷边缘的环形区域。
优选的,所述根据所述环形区域内各像素点的梯度方向,计算缺陷边界的纹理方向显著性指标,包括:
将包围缺陷边缘的环形区域划分为设定个数的区域,对于任一区域:根据该区域中各像素点的梯度方向,得到该区域对应的方向梯度直方图;根据该区域中各像素点的纹理方向角,得到该区域的平均纹理主方向;
根据标准的硅钢表面图像中各像素点的梯度方向,得到标准硅钢表面图像对应的方向梯度直方图;根据标准的硅钢表面图像中各像素点的纹理方向角,得到标准纹理主方向;
根据环形区域的各区域对应的方向梯度直方图、环形区域的各区域的平均纹理主方向、标准硅钢表面图像对应的方向梯度直方图和标准纹理主方向,计算缺陷边界的纹理方向显著性指标。
优选的,采用如下公式计算缺陷边界的纹理方向显著性指标:
其中, 为缺陷边界的纹理方向显著性指标,为缺陷边界环形区域中第个区域的方向梯度直方图中第个灰度区间对应的频率,为缺陷边界环形中第个区域的平均纹理主方向,为标准纹理主方向,为标准硅钢表面图像对应的方向梯度直方图中第个灰度区间对应的频率,为第一权重,为第二权重,为结构相似度的调节参数。
优选的,所述根据缺陷内侧对应的区域内各像素点的灰度值,计算缺陷区域的纹理颜色显著性指标,包括:
根据缺陷内侧对应的区域内各像素点的灰度值,分别计算缺陷内侧对应的区域对应的方差、均值、峭度、歪度、熵和能量,构建缺陷内侧对应的区域纹理的六维灰度特征向量;所述缺陷内侧对应的区域纹理的六维灰度特征向量中的元素分别为方差、均值、峭度、歪度、熵和能量;
根据标准的硅钢表面图像中各像素点的灰度值,分别计算标准的硅钢表面图像对应的方差、均值、峭度、歪度、熵和能量,构建标准的硅钢表面图像纹理的六维灰度特征向量;所述标准的硅钢表面图像纹理的六维灰度特征向量中的元素分别为方差、均值、峭度、歪度、熵和能量;
根据所述缺陷内侧对应的区域纹理的六维灰度特征向量和标准的硅钢表面图像纹理的六维灰度特征向量,计算缺陷区域的纹理颜色显著性指标。
优选的,采用如下公式计算缺陷区域的纹理颜色显著性指标:
其中,为缺陷区域的纹理颜色显著性指标,为六维灰度特征向量中第个元素,为缺陷内侧对应的区域纹理的六维灰度特征向量中的第个元素,为标准的硅钢表面图像纹理的六维灰度特征向量中的第个元素,为结构相似度的调节参数。
优选的,所述根据所述纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标,判断待检测的硅钢表面图像的缺陷类别,包括:
将所述纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标输入到目标神经网络中,得到待检测的硅钢表面图像的缺陷类别;
所述目标神经网络的训练过程为:
获取多个不同类别的样本缺陷对应的图像;根据各样本缺陷对应的图像,得到各样本缺陷对应的图像的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标;
对各样本缺陷对应的图像进行打标签处理,将各样本缺陷对应的图像的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标作为目标神经网络的输入,对目标神经网络进行训练,得到训练好的目标神经网络。
本发明具有如下有益效果:本发明根据硅钢表面不同缺陷的不同特征,对待检测的硅钢的缺陷种类进行判断。首先根据待检测的硅钢表面图像,得到疑似缺陷区域的图像;然后采用超像素分割算法得到缺陷内侧对应的区域和缺陷外侧对应的区域;接下来本发明根据缺陷内侧对应的区域对应的熵图像,计算缺陷区域的纹理纯度显著度指标;获取包围缺陷边缘的环形区域;根据环形区域内各像素点的梯度方向,计算缺陷边界的纹理方向显著性指标;根据缺陷内侧对应的区域内各像素点的灰度值,计算缺陷区域的纹理颜色显著性指标;最后根据纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标,判断待检测的硅钢表面图像的缺陷类别。该方法是一种利用光学手段(具体是利用可见光图像),测试或者分析硅钢表面的方法,具体是测试硅钢表面缺陷的存在。该方法能够应用于新材料相关服务,可以实现新材料检测、计量、相关标准化、认证认可服务等。本发明提供的方法能够根据不同缺陷的不同特征,对缺陷进行准确分类。
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为本发明所提供的一种硅钢轧制过程中缺陷的显著性识别与分类方法的流程图。
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硅钢轧制过程中缺陷的显著性识别与分类方法进行详细说明如下。
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。
下面结合附图具体的说明本发明所提供的一种硅钢轧制过程中缺陷的显著性识别与分类方法的具体方案。
硅钢轧制过程中缺陷的显著性识别与分类方法实施例
现有方法存在难以准确提取硅钢表面图像中的缺陷区域并对缺陷进行分类的问题。为了解决上述问题,本实施例提出了硅钢轧制过程中缺陷的显著性识别与分类方法,如图1所示,本实施例的硅钢轧制过程中缺陷的显著性识别与分类方法包括以下步骤:
步骤S1,获取待检测的硅钢表面图像。
在生产过程中,常见的硅钢表面缺陷主要有异物压入表面、凹痕和孔洞等。异物压入表面缺陷是指外界异物粘附在硅钢表面经轧制、挤压形成的点状、线状、块状缺陷,异物压入表面缺陷是在一个小范围内发生了突起,在这个小范围内,纹理发生了中断,突起处颜色较深,不包含纹理信息。凹痕缺陷边缘处的纹理方向发生轻微的偏转,且边缘较细,凹痕内包含纹理信息,但是凹痕内的纹理要比凹痕外的纹理颜色深。孔洞缺陷形成的原因:一是连铸生产工序不合理,导致铸坯出现皮下卷渣、夹渣、气泡、针状气孔等夹杂缺陷,使钢板局部区域强度弱化,在轧制过程中形成孔洞;二是轧制生产工序不恰当,如板坯跑偏造成局部区域边部折叠或板形不良造成粘辊和变形不均匀,导致孔洞的产生,孔洞边缘处的纹理方向发生了较强烈的偏转,且边缘较粗,偏转后的纹理终止于孔洞内侧。
本实施例利用工业相机采集待检测的硅钢图像,并对该图像进行灰度化处理,然后对灰度图像进行去噪处理,最终得到待检测的硅钢表面图像。图像灰度化、图像去噪均为现有技术,此处不再赘述。
步骤S2,根据所述待检测的硅钢表面图像,得到疑似缺陷区域的图像;对所述疑似缺陷区域的图像进行超像素分割,根据各超像素块内像素点的灰度均值,得到缺陷内侧对应的区域和缺陷外侧对应的区域。
本实施例首先判断待检测的硅钢表面图像是否存在缺陷,若存在缺陷,则先找到缺陷的粗略位置,再根据缺陷像素点的特征,判断缺陷的类别。
该步骤的目的是获取待检测的硅钢表面图像的缺陷区域的粗略位置。具体过程如下:首先对于待检测的硅钢表面图像中任一像素点,计算该像素点对应的矩阵,根据该像素点对应的矩阵,采用算法计算该像素点的主成分方向的角度,该角度表征该像素点的纹理方向,因此将该角度作为该像素点的纹理方向角,将该像素点的纹理方向角和基准纹理方向角的差值的绝对值作为该像素点的纹理方向偏角,即,其中基准纹理方向角的获取过程为:对于无缺陷的标准硅钢表面图像:计算该图像中像素点的纹理方向角的均值,并将该均值作为基准纹理方向角;设置纹理方向偏角阈值。然后本实施例选取大小的滑动窗口,为设定值,设置滑动窗口滑动步长,滑动窗口在待检测硅钢表面图像上滑动的时候对滑动窗口内部进行灰度均值的求取和纹理方向的判定,计算滑动窗口内对应的像素点的灰度均值,同时计算无缺陷的标准硅钢表面图像中像素点的灰度均值,然后计算滑动窗口内对应的像素点的灰度均值与的差值的绝对值,设置灰度阈值,判断是否大于,或者出现个像素的纹理方向偏角时,则判定滑动窗口对应的区域为疑似缺陷区域,对所有疑似缺陷区域求并集得到缺陷区域的粗略位置。在具体应用中,、和的值根据具体情况进行设置。
本实施例采用超像素分割算法对疑似缺陷区域的图像进行超像素块分割,设定超像素块的个数,得到100个超像素块。超像素分割算法为现有方法,此处不再赘述。本实施例对得到的超像素块进行聚类,区分缺陷外侧和缺陷内侧两部分,由于缺陷内侧相对于缺陷外侧的灰度值较小,而且缺陷外侧和缺陷内侧区域内的灰度值变化都不大,因此本实施例基于超像素块的颜色距离和空间距离将超像素块重新聚成两类和,具体过程为:对于任一超像素块:根据该超像素块中各像素点的灰度值,计算该超像素块的灰度均值;将灰度均值最小的超像素块作为初始的中心超像素块,同时将灰度均值最大的超像素块作为初始的中心超像素块,然后对于除超像素块和之外的任一超像素块:分别计算该超像素块与中心超像素块和该超像素块与中心超像素块的颜色距离和空间距离的大小;根据颜色距离和空间距离的大小将超像素块分到或类;然后对得到的或类中分别将灰度均值为中值的超像素块作为和类的中心超像素块和,继续上述步骤,直到和类的中心超像素块不再发生改变。至此,得到两类超像素块,其中,类为疑似缺陷外侧对应的区域,类为疑似缺陷内侧对应的区域。
步骤S3,根据缺陷内侧对应的区域对应的熵图像,计算缺陷区域的纹理纯度显著度指标;获取包围缺陷边缘的环形区域;根据所述环形区域内各像素点的梯度方向,计算缺陷边界的纹理方向显著性指标;根据缺陷内侧对应的区域内各像素点的灰度值,计算缺陷区域的纹理颜色显著性指标。
异物的缺陷内侧区域内颜色比较深,且无硅钢表面纹理,在异物边缘处(和交界处)的纹理几乎没有弯曲;凹痕在其缺陷内侧区域内纹理颜色比较深,且有硅钢表面纹理,在凹痕边缘处的纹理有轻微程度地弯曲;孔洞的缺陷内侧区域内颜色比较深,且无硅钢表面纹理,在孔洞边缘处的纹理的弯曲程度较大。基于上述分析,本实施例分别对缺陷内侧区域进行纹理纯度显著性检测和纹理颜色显著性检测,对缺陷外侧和缺陷内侧区域的交界区域进行纹理方向显著性检测,进而区分异物、凹痕和孔洞三类硅钢表面缺陷。
步骤S3-1,根据缺陷内侧对应的区域对应的熵图像,计算缺陷区域的纹理纯度显著度指标。
纹理纯度显著性表征纹理出现的频率,硅钢表面纹理有一定的方向,本实施例采用灰度共生矩阵在缺陷内侧区域提取纹理信息。具体的,对于缺陷内侧区域中的任一像素点:将该像素点和与该像素点设定距离的像素点作为一组点对,分别以像素点和像素点为中心点,建立大小的窗口,分别计算这两个窗口中缺陷内侧区域的像素点的灰度共生矩阵,将这组点对中两个像素点对应的灰度值和组成一组灰度点对,在大小的窗口内统计每种灰度点对出现的频率,异物和孔洞这两类缺陷内侧区域的纹理相对于无缺陷的标准硅钢表面图像的纹理来说,纹理非均匀程度更高,本实施例采用对灰度共生矩阵求取熵值来衡量纹理的非均匀程度,即:
在得到缺陷内侧区域上熵图像后,计算熵图像上每个元素对应的熵值与标准纹理熵值的欧氏距离,根据每个元素对应的熵值与标准纹理熵值的欧氏距离,计算欧氏距离的均值,本实施例将欧氏距离的均值作为缺陷区域的纹理纯度显著度指标。其中,标准纹理熵值的计算方法为:采用上述方法得到标准硅钢表面图像对应的标准熵图像,根据标准熵图像上每个元素对应的熵值,计算熵值的均值,将熵值的均值作为标准纹理熵值。熵的计算方法为公知方法,此处不再详细赘述。
步骤S3-2,获取包围缺陷边缘的环形区域;根据所述环形区域内各像素点的梯度方向,计算缺陷边界的纹理方向显著性指标。
本实施例在缺陷外侧区域和缺陷内侧区域的边缘交界处以跨度分别在和内求取包围缺陷边缘的环形区域的两个边界,将区域外侧的边界记为第一边界,将区域内侧的边界记为第二边界,根据第一边界和第二边界得到第一边界和第二边之间的环形区域,其中,缺陷外侧区域和缺陷内侧区域的边缘交界为区域的边缘,即缺陷边缘,为缺陷内侧区域的像素点数量,本实施例以环形区域的中心像素作为起点,分别在方向,,,,,,,上画射线,将边缘线分为(),(),(),(),(),(),(),()八个等角度的环形区域,分别计算中的每个区域内每个像素点的梯度方向,。对于任一环形区域:对于该区域的任一像素点:其水平方向上的梯度,竖直方向上的梯度,该像素点的梯度方向为。根据该区域每个像素点的梯度方向,得到该区域对应的方向梯度直方图,其中方向梯度直方图采用个区间(每划分一个区间),将该区域内的每个像素的梯度方向分配给这个区间;同理,获取无缺陷的标准硅钢表面图像对应的方向梯度直方图。然后对于该区域内的任一像素点:获取该像素点对应的矩阵,根据该像素点对应的矩阵,采用算法得到该像素点的主成分方向的角度,将该角度作为该像素点的纹理方向角。对该区域所有像素点的纹理主方向求取完毕后,计算所有像素点的主成分方向的角度的均值,将该均值作为该区域的平均纹理主方向。方向梯度直方图表征对应区域内纹理方向的总体分布情况,纹理主方向表征对应区域内纹理方向的总体走势,本实施例基于方向梯度直方图和纹理主方向,计算缺陷边界的纹理方向显著性指标,即:
其中,为缺陷边界的纹理方向显著性指标,为缺陷边界环形区域中第个区域的方向梯度直方图中第个灰度区间对应的频率,为缺陷边界环形中第个区域的平均纹理主方向,为标准纹理主方向,为标准硅钢表面图像对应的方向梯度直方图中第个灰度区间对应的频率, 为第一权重,为第二权重,为结构相似度的调节参数,本实施例设置,在具体应用中,、和的值根据具体情况进行设置。
步骤S3-3,根据缺陷内侧对应的区域内各像素点的灰度值,计算缺陷区域的纹理颜色显著性指标。
纹理颜色显著性表征区域内的纹理颜色相对于标准硅钢纹理图像的纹理深浅程度。本实施例基于缺陷内侧区域像素点的灰度值,得到缺陷内侧区域对应的方差、均值、峭度、歪度、熵和能量,然后根据该区域对应的方差、均值、峭度、歪度、熵和能量,构建缺陷区域对应的纹理的六维灰度特征向量。该区域对应的方差、均值、峭度、歪度、熵和能量的计算公式为:
同理,获取标准硅钢表面图像对应的纹理的六维灰度特征向量,根据待检测的硅钢表面图像中缺陷区域对应的纹理的六维灰度特征向量和标准硅钢表面图像对应的纹理的六维灰度特征向量,计算缺陷内侧区域的纹理与标准硅钢纹理的整体灰度相似度,并将其作为缺陷区域的纹理颜色显著度指标,即:
其中,为缺陷区域的纹理颜色显著度指标,为结构相似度的调节参数,为六维灰度特征向量中第个元素,为缺陷内侧对应的区域纹理的六维灰度特征向量中的第个元素,为标准的硅钢表面图像纹理的六维灰度特征向量中的第个元素,本实施例设置,在具体应用中,的值根据具体情况进行设定。
至此,得到了待检测的硅钢表面图像对应的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著度指标。
步骤S4,根据所述纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标,判断待检测的硅钢表面图像的缺陷类别。
本实施例根据待检测的硅钢表面图像对应的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著度指标,对缺陷进行分类。如果较大,较大, 较小,则判定缺陷为异物;如果较小,较大,较大,则判定缺陷为凹痕;如果较大,较小,较小,则判定为孔洞。在对缺陷进行分类的过程中,这些特征值的具体划分比较困难,因此本实施例利用全连接神经网络对缺陷进行分类。
全连接神经网络的训练过程为:获取多个不同种类的样本缺陷对应的图像;根据各样本缺陷对应的图像,得到各样本缺陷对应的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标;给各样本缺陷打上标签,将各样本缺陷图像对应的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标作为全连接神经网络的输入,对全连接神经网络进行训练,得到训练好的全连接神经网络,训练神经网络的损失函数为交叉熵损失函数。
将待检测的硅钢表面图像对应的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著度指标输入到训练好的神经网络中,得到待检测的硅钢的缺陷类别。神经网络可以采用ResNet、VGG等,在具体应用中,根据具体情况进行选用。
本实施例根据硅钢表面不同缺陷的不同特征,对待检测的硅钢的缺陷种类进行判断。首先根据待检测的硅钢表面图像,得到疑似缺陷区域的图像;然后采用超像素分割算法得到缺陷内侧对应的区域和缺陷外侧对应的区域;接下来本实施例根据缺陷内侧对应的区域对应的熵图像,计算缺陷区域的纹理纯度显著度指标;获取包围缺陷边缘的环形区域;根据环形区域内各像素点的梯度方向,计算缺陷边界的纹理方向显著性指标;根据缺陷内侧对应的区域内各像素点的灰度值,计算缺陷区域的纹理颜色显著性指标;最后根据纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标,判断待检测的硅钢表面图像的缺陷类别。该方法是一种利用光学手段(具体是利用可见光图像),测试或者分析硅钢表面的方法,具体是测试硅钢表面缺陷的存在。该方法能够应用于新材料相关服务,可以实现新材料检测、计量、相关标准化、认证认可服务等。本实施例提供的方法能够根据不同缺陷的不同特征,对缺陷进行准确分类。
需要说明的是: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 (9)
1.一种硅钢轧制过程中缺陷的显著性识别与分类方法,其特征在于,该方法包括以下步骤:
获取待检测的硅钢表面图像;
根据所述待检测的硅钢表面图像,得到疑似缺陷区域的图像;对所述疑似缺陷区域的图像进行超像素分割,根据各超像素块内像素点的灰度均值,得到缺陷内侧对应的区域和缺陷外侧对应的区域;
根据缺陷内侧对应的区域对应的熵图像,计算缺陷区域的纹理纯度显著度指标;获取包围缺陷边缘的环形区域;根据所述环形区域内各像素点的梯度方向,计算缺陷边界的纹理方向显著性指标;根据缺陷内侧对应的区域内各像素点的灰度值,计算缺陷区域的纹理颜色显著性指标;
根据所述纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标,判断待检测的硅钢表面图像的缺陷类别。
2.根据权利要求1所述的硅钢轧制过程中缺陷的显著性识别与分类方法,其特征在于,所述根据所述待检测的硅钢表面图像,得到疑似缺陷区域的图像,包括:
计算待检测的硅钢表面图像中各像素点的纹理方向角;
利用设定大小的滑窗对待检测的硅钢表面图像进行检测,计算滑窗对应的待检测的硅钢表面图像各区域像素点的灰度均值;
根据所述各像素点的纹理方向角和各区域像素点的灰度均值,得到疑似缺陷区域的图像。
3.根据权利要求1所述的硅钢轧制过程中缺陷的显著性识别与分类方法,其特征在于,所述根据缺陷内侧对应的区域对应的熵图像,计算缺陷区域的纹理纯度显著度指标,包括:
根据标准硅钢表面图像对应的熵图像中各元素对应的熵值,得到标准纹理熵值;
计算缺陷内侧对应的区域对应的熵图像中各元素对应的熵值与所述标准纹理熵值的欧氏距离;根据所述欧氏距离,得到缺陷区域的纹理纯度显著性指标。
4.根据权利要求1所述的硅钢轧制过程中缺陷的显著性识别与分类方法,其特征在于,所述获取包围缺陷边缘的环形区域,包括:
根据缺陷内侧对应的区域内像素点的数量计算跨度值;
以缺陷内侧对应的区域的边缘线为中心,根据所述跨度值,得到包围缺陷边缘的环形区域的第一边界和第二边界;
根据所述环形区域的第一边界和第二边界,得到包围缺陷边缘的环形区域。
5.根据权利要求1所述的硅钢轧制过程中缺陷的显著性识别与分类方法,其特征在于,所述根据所述环形区域内各像素点的梯度方向,计算缺陷边界的纹理方向显著性指标,包括:
将包围缺陷边缘的环形区域划分为设定个数的区域,对于任一区域:根据该区域中各像素点的梯度方向,得到该区域对应的方向梯度直方图;根据该区域中各像素点的纹理方向角,得到该区域的平均纹理主方向;
根据标准的硅钢表面图像中各像素点的梯度方向,得到标准硅钢表面图像对应的方向梯度直方图;根据标准的硅钢表面图像中各像素点的纹理方向角,得到标准纹理主方向;
根据环形区域的各区域对应的方向梯度直方图、环形区域的各区域的平均纹理主方向、标准硅钢表面图像对应的方向梯度直方图和标准纹理主方向,计算缺陷边界的纹理方向显著性指标。
7.根据权利要求1所述的硅钢轧制过程中缺陷的显著性识别与分类方法,其特征在于,所述根据缺陷内侧对应的区域内各像素点的灰度值,计算缺陷区域的纹理颜色显著性指标,包括:
根据缺陷内侧对应的区域内各像素点的灰度值,分别计算缺陷内侧对应的区域对应的方差、均值、峭度、歪度、熵和能量,构建缺陷内侧对应的区域纹理的六维灰度特征向量;所述缺陷内侧对应的区域纹理的六维灰度特征向量中的元素分别为方差、均值、峭度、歪度、熵和能量;
根据标准的硅钢表面图像中各像素点的灰度值,分别计算标准的硅钢表面图像对应的方差、均值、峭度、歪度、熵和能量,构建标准的硅钢表面图像纹理的六维灰度特征向量;所述标准的硅钢表面图像纹理的六维灰度特征向量中的元素分别为方差、均值、峭度、歪度、熵和能量;
根据所述缺陷内侧对应的区域纹理的六维灰度特征向量和标准的硅钢表面图像纹理的六维灰度特征向量,计算缺陷区域的纹理颜色显著性指标。
9.根据权利要求1所述的硅钢轧制过程中缺陷的显著性识别与分类方法,其特征在于,所述根据所述纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标,判断待检测的硅钢表面图像的缺陷类别,包括:
将所述纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标输入到目标神经网络中,得到待检测的硅钢表面图像的缺陷类别;
所述目标神经网络的训练过程为:
获取多个不同类别的样本缺陷对应的图像;根据各样本缺陷对应的图像,得到各样本缺陷对应的图像的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标;
对各样本缺陷对应的图像进行打标签处理,将各样本缺陷对应的图像的纹理纯度显著度指标、纹理方向显著性指标和纹理颜色显著性指标作为目标神经网络的输入,对目标神经网络进行训练,得到训练好的目标神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971178.5A CN115049656A (zh) | 2022-08-15 | 2022-08-15 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971178.5A CN115049656A (zh) | 2022-08-15 | 2022-08-15 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049656A true CN115049656A (zh) | 2022-09-13 |
Family
ID=83168079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210971178.5A Withdrawn CN115049656A (zh) | 2022-08-15 | 2022-08-15 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049656A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272335A (zh) * | 2022-09-29 | 2022-11-01 | 江苏万森绿建装配式建筑有限公司 | 基于显著性检测的冶金金属表面缺陷检测方法 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN115797353A (zh) * | 2023-02-08 | 2023-03-14 | 山东乾钢金属科技有限公司 | 一种冷轧带钢质量智能检测系统及方法 |
CN115797299A (zh) * | 2022-12-05 | 2023-03-14 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN116309561A (zh) * | 2023-05-17 | 2023-06-23 | 威海赛宝工业信息技术研究院有限公司 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
CN117689655A (zh) * | 2024-01-31 | 2024-03-12 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
-
2022
- 2022-08-15 CN CN202210971178.5A patent/CN115049656A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272335A (zh) * | 2022-09-29 | 2022-11-01 | 江苏万森绿建装配式建筑有限公司 | 基于显著性检测的冶金金属表面缺陷检测方法 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN115797299A (zh) * | 2022-12-05 | 2023-03-14 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN115797299B (zh) * | 2022-12-05 | 2023-09-01 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN115797353A (zh) * | 2023-02-08 | 2023-03-14 | 山东乾钢金属科技有限公司 | 一种冷轧带钢质量智能检测系统及方法 |
CN115797353B (zh) * | 2023-02-08 | 2023-05-09 | 山东乾钢金属科技有限公司 | 一种冷轧带钢质量智能检测系统及方法 |
CN116309561A (zh) * | 2023-05-17 | 2023-06-23 | 威海赛宝工业信息技术研究院有限公司 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
CN116309561B (zh) * | 2023-05-17 | 2023-08-04 | 威海赛宝工业信息技术研究院有限公司 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
CN117689655A (zh) * | 2024-01-31 | 2024-03-12 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
CN117689655B (zh) * | 2024-01-31 | 2024-04-19 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049656A (zh) | 硅钢轧制过程中缺陷的显著性识别与分类方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
CN116542972B (zh) | 基于人工智能的墙板表面缺陷快速检测方法 | |
CN113793337B (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
CN114359190B (zh) | 一种基于图像处理的塑料制品成型控制方法 | |
CN102819850A (zh) | 基于局部自适应色差阈值的彩色图像边缘检测的方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN115035106A (zh) | 一种带钢缺陷智能检测方法 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
TW201910021A (zh) | 鋼帶尾端破損的偵測方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN116523901B (zh) | 一种基于计算机视觉的冲切模具检测方法 | |
CN117635609A (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN117495852A (zh) | 一种基于图像分析的数字印刷质量检测方法 | |
CN117078688A (zh) | 一种用于强磁钕铁硼磁体的表面缺陷识别方法 | |
CN115100510B (zh) | 一种轮胎磨损度识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220913 |
|
WW01 | Invention patent application withdrawn after publication |