CN115049668A - 基于特征抽取的钢带辊印识别方法 - Google Patents

基于特征抽取的钢带辊印识别方法 Download PDF

Info

Publication number
CN115049668A
CN115049668A CN202210978557.7A CN202210978557A CN115049668A CN 115049668 A CN115049668 A CN 115049668A CN 202210978557 A CN202210978557 A CN 202210978557A CN 115049668 A CN115049668 A CN 115049668A
Authority
CN
China
Prior art keywords
gray level
gray
window
image
difference
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
CN202210978557.7A
Other languages
English (en)
Other versions
CN115049668B (zh
Inventor
毛志军
曹华
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 Zhonglian Pipe Industry Co ltd
Original Assignee
Jiangsu Zhonglian Pipe Industry 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 Zhonglian Pipe Industry Co ltd filed Critical Jiangsu Zhonglian Pipe Industry Co ltd
Priority to CN202210978557.7A priority Critical patent/CN115049668B/zh
Publication of CN115049668A publication Critical patent/CN115049668A/zh
Application granted granted Critical
Publication of CN115049668B publication Critical patent/CN115049668B/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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/13—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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于特征抽取的钢带辊印识别方法，该方法包括：获取待检测钢带的灰度图像；构建灰度图像的灰度共生矩阵，根据灰度共生矩阵确定出异常灰度图像；根据待检测钢带的工作辊半径将异常灰度图像分割为多个周期图像；对窗口内/外的目标灰度共生矩阵进行特征抽取，得到窗口内/外的灰度偏离程度值；根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异；根据第一周期图像和第二周期图像的最大灰度偏离差异和窗口内的灰度偏离程度值确定出存在辊印的待检测钢带，本发明能够提高辊印检测时的适用范围，并且能够快速识别辊印。

Description

基于特征抽取的钢带辊印识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及基于特征抽取的钢带辊印识别方法。
背景技术
辊印主要是由于工作辊设备粘有异物或者工作辊损伤使得钢带表面损伤，在钢带表面上呈连续性或周期性分布的凸起或凹下的印痕缺陷，对辊印的检测不仅是对产品的检测，更是发现设备的问题，根据检测到的辊印检测此时的设备，防止已经存在缺陷的设备对后续的钢带的造成辊印缺陷。
传统的辊印检测是根据检测仪对钢带表面的缺陷进行识别，然后根据固定的预设缺陷特征值，长宽比、面积和亮度来确定属于黑点、压印、辊印类的缺陷，固定的预设特征值不适用于所有类型的钢带，适用范围小，而且辊印宽度有大有小，根据面积和长宽比判断辊印不够准确，从而使得最后检测的结果不准确，因此，需要基于特征抽取的钢带辊印识别方法。
发明内容
本发明提供基于特征抽取的钢带辊印识别方法，以解决现有的问题。
本发明的基于特征抽取的钢带辊印识别方法采用如下技术方案：该方法包括：
获取待检测钢带的灰度图像；
构建灰度图像的灰度共生矩阵，根据灰度共生矩阵的熵值确定出异常灰度图像；
根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像，获取任意的相邻周期图像依次记为第一周期图像、第二周期图像；
根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口；构建每个窗口内/外的目标灰度共生矩阵，根据目标灰度共生矩阵中每种点对的概率和灰度差计算对应的窗口内/外每种点对的灰度偏离程度值，根据窗口内/外每种点对的灰度偏离程度值得到该窗口内/外的灰度偏离程度值；
获取每个窗口的边缘灰度差，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异，获取所有窗口中的灰度偏离差异的最大值作为第一周期图像/第二周期图像的最大灰度偏离差异；
利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断，识别出辊印。
进一步，构建灰度图像的灰度共生矩阵的步骤包括：
对灰度图像中的初始灰度级进行压缩得到目标灰度级；
根据目标灰度级分别获取灰度图像中每个方向的相邻像素点之间的灰度差均值；
将每对相邻像素点记为一个点对，将两个目标灰度级对应相等的点对记为同一种点对；
分别计算每个方向的灰度差均值的归一化值；
将归一化值作为每个方向的权值，获取每个方向的每种点对出现次数的概率；
根据每个方向的权值和对应方向的每种点对出现次数的概率构建灰度共生矩阵。
进一步，对灰度图像中的初始灰度级进行压缩得到目标灰度级的步骤包括：
获取灰度图像的初始灰度级中的最大值和最小值；
根据最大值和最小值得到整个灰度图像的灰度区间；
将灰度区间划分为多个目标灰度级。
进一步，根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像的步骤包括：
根据待检测钢带的工作辊半径得到工作辊转动一个周期对应的待检测钢带的长度；
根据一个周期对应的待检测钢带的长度在异常灰度图像中对应的长度将异常灰度图像分割为多个长度相等的周期图像。
进一步，根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口的步骤包括：
获取最大灰度差对应的相邻像素点，将该相邻像素点中的灰度值大的像素点作为目标像素点；
以目标像素点为中心建立窗口，将窗口逐步向外扩展得到多个尺寸不同的窗口。
进一步，根据窗口内/外每种点对的灰度偏离程度值得到该窗口内/外的灰度偏离程度值的步骤包括：
根据窗口内/外每种点对的灰尺寸度偏离程度值得到窗口内的灰度偏离程度累计值；
利用窗口内/外所有点对的灰度偏离程度值和灰度偏离程度累计值得到窗口内/外的灰度偏离程度值，根据下式（a）计算窗口内的灰度偏离程度值：
Figure 346646DEST_PATH_IMAGE001
（a）
其中，
Figure 935890DEST_PATH_IMAGE002
表示第
Figure 653310DEST_PATH_IMAGE003
个窗口内的灰度偏离程度值；
Figure 717694DEST_PATH_IMAGE004
表示第
Figure 469749DEST_PATH_IMAGE003
个窗口内的灰度偏离程度累计值；
Figure 823370DEST_PATH_IMAGE005
表示第
Figure 28086DEST_PATH_IMAGE003
个窗口内点对
Figure 899090DEST_PATH_IMAGE006
的灰度偏离程度值；
Figure 240073DEST_PATH_IMAGE007
表示目标灰度级分别为
Figure 905541DEST_PATH_IMAGE008
的一种点对；
Figure 597553DEST_PATH_IMAGE009
表示窗口内的灰度级数量；
Figure 865723DEST_PATH_IMAGE010
表示灰度图像的灰度级数量；
根据得到窗口内的灰度偏离程度值的方法得到窗口外的灰度偏离程度值。
进一步，获取每个窗口的边缘灰度差的步骤包括：
获取每个窗口的边缘点，计算每个边缘点8邻域的灰度差均值；
对每个窗口的所有边缘点的灰度差均值求均值得到对应的窗口的边缘灰度差。
进一步，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异的步骤包括：
根据下式（b）计算每个窗口的灰度偏离差异：
Figure 326792DEST_PATH_IMAGE011
（b）
其中，
Figure 691389DEST_PATH_IMAGE012
表示第
Figure 605119DEST_PATH_IMAGE003
个窗口的灰度偏离差异；
Figure 552346DEST_PATH_IMAGE002
表示第
Figure 133500DEST_PATH_IMAGE003
个窗口内的灰度偏离程度值；
Figure 265404DEST_PATH_IMAGE013
第
Figure 932009DEST_PATH_IMAGE003
个窗口外的灰度偏离程度值；
Figure 682927DEST_PATH_IMAGE014
表示第
Figure 853009DEST_PATH_IMAGE003
个窗口的边缘灰度差。
进一步，利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断的步骤包括：
根据下式（c）计算待检测钢带存在辊印的可能性：
Figure 296759DEST_PATH_IMAGE015
（c）
其中，
Figure 182151DEST_PATH_IMAGE016
表示待检测钢带存在辊印的可能性；
Figure 861394DEST_PATH_IMAGE017
表示第一周期图像中最大灰度偏离差异对应的第
Figure 151561DEST_PATH_IMAGE018
个窗口内的灰度偏离程度值；
Figure 766214DEST_PATH_IMAGE018
表示最大灰度偏离差异对应的窗口；
Figure 876252DEST_PATH_IMAGE019
表示第二周期图像中最大灰度偏离差异对应的第
Figure 968973DEST_PATH_IMAGE018
个窗口内的灰度偏离程度值；
Figure 238280DEST_PATH_IMAGE020
表示第一周期图像中的最大灰度偏离差异；
Figure 289413DEST_PATH_IMAGE021
表示第二周期图像中的最大灰度偏离差异；当待检测钢带存在辊印的可能性大于预设的可能性阈值时，则待检测钢带存在辊印。
本发明的有益效果是：本发明的基于特征抽取的钢带辊印识别方法，通过构建灰度共生矩阵确定灰度图像中是否存在缺陷，根据辊印的周期性特点将存在缺陷的异常灰度图像分割为多个周期图像，本方案只需要处理部分相邻周期图像，从而减少了计算量；对相邻周期图像的窗口构建灰度共生矩阵，根据灰度共生矩阵中点对的概率和灰度差得到窗口内、外的灰度偏离差异，对比相邻周期图像的窗口中的最大灰度偏离差异得到存在辊印的可能性，相比于传统的根据长宽比和面积等特征值确定辊印，更加准确，本发明中是对灰度共生矩阵进行特征抽取获得的特征值，例如最大灰度偏离差异是根据灰度共生矩阵计算得到的，不存在固定的对照特征值，所以适用范围广。
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为本发明的基于特征抽取的钢带辊印识别方法的实施例总体步骤的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明的基于特征抽取的钢带辊印识别方法的实施例，如图1所示，该方法包括：
S1、获取待检测钢带的灰度图像。
在检测平台上方安装相机拍摄待检测钢带的图像，在相机的视觉框中待检测钢带的宽设置在纵向，长在横向，并且使待检测钢带的宽完整的于相显示在相机的视觉框中；为减少背景对后续处理的影响，将相机采集到的待检测钢带的图像进行语义分割，获得待检测钢带区域的图像，对待检测钢带区域的图像进行灰度化处理得到待检测钢带的灰度图像。
S2、构建灰度图像的灰度共生矩阵，根据灰度共生矩阵的熵值确定出异常灰度图像。
待检测钢带的表面颜色单一，得到的灰度图像中的灰度分布也比较单一，灰度分布主要包括待检测钢带表面的正常区域的灰度、由于环境光照不均匀或者反光造成的发生了变化的灰度、缺陷区域的灰度，由于缺陷区域相对于整张图像所占面积不大，且光照引起的灰度变化也不会产生过大的灰度差异，所以整个灰度图像中的灰度分布范围还是比较小的，为了减少计算量，对待检测钢带的灰度图像中的初始灰度级进行压缩；获取初始灰度级中的最大值和最小值，根据最大值和最小值得到整个灰度图像的灰度区间，将灰度区间中的初始灰度级划分至10个目标灰度级，根据这10个目标灰度级对每个像素点的初始灰度级赋值得到每个像素点的目标灰度级。
灰度图像中的辊印区域与正常区域的灰度对比度较高，对于辊印区域的识别主要是基于区域的灰度对比度，每个像素点在不同的方向具有不同的对比度，根据灰度图像中每个像素点的目标灰度级构建包含多个方向的灰度共生矩阵。
获取灰度图像中每个像素点与
Figure 886747DEST_PATH_IMAGE022
，
Figure 783159DEST_PATH_IMAGE023
，
Figure 779410DEST_PATH_IMAGE024
，
Figure 735864DEST_PATH_IMAGE025
方向的相邻像素点组成的点对，将每对相邻像素点记为一个点对，将点对中的两个目标灰度级都对应相等的点对记为同一种点对，计算灰度图像中所有种点对分别在
Figure 945129DEST_PATH_IMAGE022
，
Figure 645231DEST_PATH_IMAGE023
，
Figure 764497DEST_PATH_IMAGE024
，
Figure 891853DEST_PATH_IMAGE025
方向的灰度差均值，将得到的每个方向的灰度差均值归一化处理，归一化后依次表示为
Figure 463780DEST_PATH_IMAGE026
，
Figure 967574DEST_PATH_IMAGE027
，
Figure 941346DEST_PATH_IMAGE028
，
Figure 98658DEST_PATH_IMAGE029
；统计灰度图像中每种点对在
Figure 420530DEST_PATH_IMAGE022
方向出现的次数，根据每种点对在
Figure 462435DEST_PATH_IMAGE022
方向出现的次数与所有点对在
Figure 25135DEST_PATH_IMAGE022
方向出现的次数对每种点对出现的次数进行归一化处理得到每种点对在
Figure 494294DEST_PATH_IMAGE022
方向出现次数的概率，进而可以得到在
Figure 899867DEST_PATH_IMAGE022
方向的灰度共生矩阵，灰度共生矩阵中的元素为每种点对的概率；根据得到每种点对在
Figure 745463DEST_PATH_IMAGE022
方向出现的概率得到每种点对在
Figure 162669DEST_PATH_IMAGE023
，
Figure 68308DEST_PATH_IMAGE024
，
Figure 961178DEST_PATH_IMAGE025
方向出现的概率，进而得到这三个方向的灰度共生矩阵；
将每个方向的灰度差均值归一化后的值作为构建灰度共生矩阵的对应的方向的权值，利用每种点对在每个方向的权值以及出现的概率构建灰度图像的灰度共生矩阵，所述灰度图像的灰度共生矩阵表示为式（1）：
Figure 79307DEST_PATH_IMAGE030
（1）
其中，
Figure 902686DEST_PATH_IMAGE031
表示灰度图像的灰度共生矩阵；
Figure 572701DEST_PATH_IMAGE032
，
Figure 93813DEST_PATH_IMAGE033
，
Figure 15632DEST_PATH_IMAGE034
，
Figure 673010DEST_PATH_IMAGE035
分别表示
Figure 654872DEST_PATH_IMAGE022
，
Figure 522334DEST_PATH_IMAGE023
，
Figure 247844DEST_PATH_IMAGE024
，
Figure 759728DEST_PATH_IMAGE025
方向的灰度共生矩阵；
Figure 912492DEST_PATH_IMAGE026
，
Figure 1671DEST_PATH_IMAGE027
，
Figure 527943DEST_PATH_IMAGE028
，
Figure 894333DEST_PATH_IMAGE029
分别表示
Figure 217998DEST_PATH_IMAGE022
，
Figure 60052DEST_PATH_IMAGE023
，
Figure 127365DEST_PATH_IMAGE024
，
Figure 348262DEST_PATH_IMAGE025
方向的权值。
待检测钢带表面不存在缺陷时，待检测钢带的灰度图像中的灰度分布相对较均匀，图像复杂程度较低，即对应的灰度共生矩阵的熵较小；待检测钢带表面存在缺陷时，灰度图像中灰度的均匀分布被破坏，图像复杂程度变大，对应的灰度共生矩阵的熵较大；因此，可以根据灰度共生矩阵的熵初步筛选表面具有缺陷的待检测钢带。
根据下式（2）计算灰度共生矩阵中的熵：
Figure 108408DEST_PATH_IMAGE036
（2）
其中，
Figure 172179DEST_PATH_IMAGE007
表示目标灰度级分别为
Figure 43183DEST_PATH_IMAGE008
一种点对；
Figure 118586DEST_PATH_IMAGE037
表示灰度图像对应的灰度共生矩阵的熵；
Figure 312283DEST_PATH_IMAGE038
表示点对
Figure 738716DEST_PATH_IMAGE007
在灰度共生矩阵中出现次数的概率；当待检测钢带表面存在缺陷时，图像灰度分布不均匀，对应的灰度共生矩阵的熵较大，因此，根据不存在缺陷的待检测钢带的灰度图像的熵值图像设置熵值阈值
Figure 272465DEST_PATH_IMAGE039
，当
Figure 467955DEST_PATH_IMAGE040
时，认为待检测钢带的表面存在缺陷，将存在缺陷的待检测钢带的灰度图像记为异常灰度图像。
S3、根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像，获取任意的相邻周期图像依次记为第一周期图像、第二周期图像。
步骤S2中已经检测到了表面存在缺陷的钢带，现在需要进一步判断得到的缺陷是否为辊印，对于本发明所针对的钢带表面的辊印，主要特征是辊印在钢带上是周期性分布的，如果工作辊出现损伤或者工作辊表面粘有异物，工作辊每转动一周，在钢带表面会产生相同的辊印，因此本方案根据辊印的周期性对缺陷进行判断。
具体的，对于采集到的待检测钢带的图像，已知待检测钢带的实际尺寸和图像尺寸之间的比例为KL，待检测钢带成型的工作辊半径为R，所以工作辊转动一周所形成的钢带的长度为
Figure 835482DEST_PATH_IMAGE041
，在图像中，工作辊转动一周所形成的钢带的长度为
Figure 483632DEST_PATH_IMAGE042
，步骤S1中相机采集的待检测钢带的图像的长度为
Figure 696439DEST_PATH_IMAGE043
，则必须存在
Figure 277593DEST_PATH_IMAGE044
，因为要计算周期性，所以图像中起码要存在两个以上的周期；辊印在图像中以
Figure 550442DEST_PATH_IMAGE042
为周期分布，所以在图像中截取相邻的长度为
Figure 76102DEST_PATH_IMAGE042
的区域进行分析，即截取任意的相邻周期的两个图像，将这两个图像依次记为第一周期图像和第二周期图像。
S4、根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口；构建每个窗口内/外的目标灰度共生矩阵，对目标灰度共生矩阵进行特征抽取得到该窗口内/外的灰度偏离程度值。
具体的，计算第一周期图像中每个像素点与相邻像素点的灰度差，获取所有的灰度差中的最大灰度差
Figure 89669DEST_PATH_IMAGE045
，将最大灰度差
Figure 259751DEST_PATH_IMAGE045
对应的相邻两个像素点中灰度值较大的像素点记为目标像素点，以目标像素点为中心建立一个
Figure 703502DEST_PATH_IMAGE046
的窗口，对窗口进行扩展，每次向四个方向都进行扩展，扩展的步长为1，得到一个尺寸较大的窗口，扩展多次得到多个不同尺寸的窗口，即
Figure 591823DEST_PATH_IMAGE047
，
Figure 412012DEST_PATH_IMAGE048
表示窗口扩展的次数，
Figure 436599DEST_PATH_IMAGE003
表示第
Figure 175885DEST_PATH_IMAGE003
个窗口；根据构建灰度图像的灰度共生矩阵的方法构建每个窗口的目标灰度共生矩阵；计算灰度共生矩阵中每种点对的灰度差值，记为
Figure 285924DEST_PATH_IMAGE049
，根据下式（3）计算每种点对的灰度偏离程度值：
Figure 378645DEST_PATH_IMAGE050
（3）
其中，
Figure 785968DEST_PATH_IMAGE051
表示点对
Figure 305942DEST_PATH_IMAGE007
的灰度偏离程度值；
Figure 27910DEST_PATH_IMAGE007
表示目标灰度级分别为
Figure 924322DEST_PATH_IMAGE008
一种点对；
Figure 189081DEST_PATH_IMAGE052
表示点对
Figure 145536DEST_PATH_IMAGE007
出现次数的概率；
Figure 230167DEST_PATH_IMAGE049
表示点对
Figure 789324DEST_PATH_IMAGE007
的灰度差值；在缺陷周围，点对的灰度差值
Figure 643011DEST_PATH_IMAGE049
较大，并且缺陷区域的高对比度的像素点都是聚集存在的，所以
Figure 770367DEST_PATH_IMAGE052
较大。
根据窗口内每种点对的灰度偏离程度值得到窗口内的灰度偏离程度累计值，根据下式（4）计算窗口内的灰度偏离累计值：
Figure 339364DEST_PATH_IMAGE053
（4）
其中，
Figure 843157DEST_PATH_IMAGE004
表示第
Figure 675984DEST_PATH_IMAGE003
个窗口内的灰度偏离程度累计值；
Figure 708662DEST_PATH_IMAGE005
表示第
Figure 33464DEST_PATH_IMAGE003
个窗口内点对
Figure 809790DEST_PATH_IMAGE006
的灰度偏离程度值；
Figure 762703DEST_PATH_IMAGE009
表示第
Figure 231861DEST_PATH_IMAGE003
个窗口内的目标灰度级的数量。
利用窗口内所有点对的灰度偏离程度值和窗口内的灰度偏离程度累计值得到窗口内的灰度偏离程度值，根据下式（a）计算窗口内的灰度偏离程度值：
Figure 512801DEST_PATH_IMAGE001
（a）
其中，
Figure 358397DEST_PATH_IMAGE002
表示第
Figure 165816DEST_PATH_IMAGE003
个窗口内的灰度偏离程度值；
Figure 802947DEST_PATH_IMAGE004
表示第
Figure 571183DEST_PATH_IMAGE003
个窗口内的灰度偏离程度累计值；
Figure 954890DEST_PATH_IMAGE005
表示第
Figure 757761DEST_PATH_IMAGE003
个窗口内点对
Figure 693356DEST_PATH_IMAGE006
的灰度偏离程度值；
Figure 948888DEST_PATH_IMAGE007
表示目标灰度级分别为
Figure 136287DEST_PATH_IMAGE008
的一种点对；
Figure 59244DEST_PATH_IMAGE009
表示窗口内的灰度级数量；
Figure 306686DEST_PATH_IMAGE010
表示灰度图像的灰度级数量。
第一周期图像中每个窗口的窗口外是指第一周期图像以内、对应的窗口以外的区域，根据得到窗口内的灰度偏离程度值的方法得到每个窗口外的灰度偏离程度值。
根据得到第一周期图象的窗口内/外的灰度偏离程度值的方法得到第二周期图象的窗口内/外的灰度偏离程度值。
S5、获取每个窗口的边缘灰度差，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异，获取所有窗口中的灰度偏离差异的最大值作为第一周期图像/第二周期图像的最大灰度偏离差异。
具体的，获取每个窗口的边缘点，计算每个边缘点和该边缘点8邻域的每个像素点的灰度差值，将与8邻域的像素点得到的灰度差值求均值得到该边缘点的灰度差均值，对每个窗口的所有边缘点的灰度差均值求均值得到对应的窗口的边缘灰度差，窗口扩展的最开始的中心点是最大灰度差对应的像素点，所以最开始的窗口一定是在缺陷的边缘位置，然后窗口一步步扩展，此时得到的窗口一部分在缺陷区域内，一部分在缺陷区域外，则窗口内外的灰度偏离程度值得差异较大，窗口的边缘灰度差较大，窗口扩展到完全覆盖缺陷区域时，窗口内外的灰度偏离程度值的差异达到最大，窗口的边缘灰度差较小；根据下式（5）计算窗口内外的灰度偏离差异：
Figure 46584DEST_PATH_IMAGE054
（5）
其中，
Figure 37674DEST_PATH_IMAGE002
表示第
Figure 549558DEST_PATH_IMAGE003
个窗口内的灰度偏离程度值；
Figure 967901DEST_PATH_IMAGE055
表示第
Figure 198025DEST_PATH_IMAGE003
个窗口外的灰度偏离程度值；
Figure 851860DEST_PATH_IMAGE012
表示窗口内外的灰度偏离差异；
Figure 218250DEST_PATH_IMAGE014
表示第
Figure 541916DEST_PATH_IMAGE003
个窗口的边缘灰度差；根据所有窗口内外的灰度偏离差异获取最大灰度偏离差异
Figure 259336DEST_PATH_IMAGE020
；最大灰度偏离差异
Figure 612736DEST_PATH_IMAGE020
对应的窗口完全覆盖了缺陷区域。
根据得到第一周期图像的最大灰度偏离差异
Figure 958267DEST_PATH_IMAGE020
的方法得到第二周期图像的最大灰度偏离差异
Figure 718412DEST_PATH_IMAGE021
。
S6、利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断，识别出辊印。
在步骤S5中分析了长度为
Figure 657549DEST_PATH_IMAGE042
的第一周期图像，辊印在灰度图像中是周期性分布的，
Figure 528553DEST_PATH_IMAGE042
为辊印的一个分布周期，所以现在需要分析与第一周期图像相邻的长度为
Figure 869536DEST_PATH_IMAGE042
的第二周期图像。
具体的，根据得到第一周期图像中最大灰度偏离差异、窗口内的灰度偏离程度值的方法得到第二周期图像的最大灰度偏离差异、窗口内的灰度偏离程度值；获取第二周期图像中最大灰度偏离差异对应的窗口内的灰度偏离程度值；在相邻的长度为
Figure 925217DEST_PATH_IMAGE042
的第一、二周期图像中，两个周期图像对应的最大灰度偏离差异之间的差别越小，且两个周期图像的窗口内的灰度偏离程度值之间的差别越小，则相邻两个周期图像的窗口区域的特征越接近，则窗口包括的缺陷越有可能为辊印缺陷，即待检测钢带中越有可能存在辊印。
根据下式（c）计算待检测钢带存在辊印的可能性：
Figure 351650DEST_PATH_IMAGE015
（c）
其中，
Figure 26345DEST_PATH_IMAGE016
表示待检测钢带存在辊印的可能性；
Figure 221834DEST_PATH_IMAGE017
表示第一周期图像中最大灰度偏离差异对应的第
Figure 55273DEST_PATH_IMAGE018
个窗口内的灰度偏离程度值；
Figure 93637DEST_PATH_IMAGE018
表示最大灰度偏离差异对应的窗口；
Figure 306443DEST_PATH_IMAGE019
表示第二周期图像中最大灰度偏离差异对应的第
Figure 356439DEST_PATH_IMAGE018
个窗口内的灰度偏离程度值；
Figure 894868DEST_PATH_IMAGE020
表示第一周期图像中的最大灰度偏离差异；
Figure 30314DEST_PATH_IMAGE021
表示第二周期图像中的最大灰度偏离差异；根据经验设置存在辊印的可能性阈值
Figure 171445DEST_PATH_IMAGE056
，当待检测钢带存在辊印的可能性
Figure 607106DEST_PATH_IMAGE057
时，则待检测钢带存在辊印。
当识别到待检测钢带表面存在辊印时，可以根据符合规定的安全方法停止钢带的生产装置，由专业的设备维修人员对工作辊进行检查，根据工作辊的受损程度，及时进行维修和更换，保障后续的钢带质量。
综上所述，本发明提供基于特征抽取的钢带辊印识别方法，通过构建灰度共生矩阵确定灰度图像中是否存在缺陷，根据辊印的周期性特点将存在缺陷的异常灰度图像分割为多个周期图像，本方案只需要处理部分相邻周期图像，从而减少了计算量；对相邻周期图像的窗口构建灰度共生矩阵，根据灰度共生矩阵中点对的概率和灰度差得到窗口内、外的灰度偏离差异，对比相邻周期图像的窗口中的最大灰度偏离差异得到存在辊印的可能性，相比于传统的根据长宽比和面积等特征值确定辊印，更加准确，本发明中是对灰度共生矩阵进行特征抽取得到的特征值，例如最大灰度偏离差异是根据灰度共生矩阵计算得到的，不存在固定的对照特征值，所以适用范围广。
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 (9)

1.基于特征抽取的钢带辊印识别方法，其特征在于，该方法包括：
获取待检测钢带的灰度图像；
构建灰度图像的灰度共生矩阵，根据灰度共生矩阵的熵值确定出异常灰度图像；
根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像，获取任意的相邻周期图像依次记为第一周期图像、第二周期图像；
根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口；构建每个窗口内/外的目标灰度共生矩阵，根据目标灰度共生矩阵中每种点对的概率和灰度差计算对应的窗口内/外每种点对的灰度偏离程度值，根据窗口内/外每种点对的灰度偏离程度值得到该窗口内/外的灰度偏离程度值；
获取每个窗口的边缘灰度差，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异，获取所有窗口中的灰度偏离差异的最大值作为第一周期图像/第二周期图像的最大灰度偏离差异；
利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断，识别出辊印。
2.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，构建灰度图像的灰度共生矩阵的步骤包括：
对灰度图像中的初始灰度级进行压缩得到目标灰度级；
根据目标灰度级分别获取灰度图像中每个方向的相邻像素点之间的灰度差均值；
将每对相邻像素点记为一个点对，将两个目标灰度级对应相等的点对记为同一种点对；
分别计算每个方向的灰度差均值的归一化值；
将归一化值作为每个方向的权值，获取每个方向的每种点对出现次数的概率；
根据每个方向的权值和对应方向的每种点对出现次数的概率构建灰度共生矩阵。
3.根据权利要求2所述的基于特征抽取的钢带辊印识别方法，其特征在于，对灰度图像中的初始灰度级进行压缩得到目标灰度级的步骤包括：
获取灰度图像的初始灰度级中的最大值和最小值；
根据最大值和最小值得到整个灰度图像的灰度区间；
将灰度区间划分为多个目标灰度级。
4.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像的步骤包括：
根据待检测钢带的工作辊半径得到工作辊转动一个周期对应的待检测钢带的长度；
根据一个周期对应的待检测钢带的长度在异常灰度图像中对应的长度将异常灰度图像分割为多个长度相等的周期图像。
5.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口的步骤包括：
获取最大灰度差对应的相邻像素点，将该相邻像素点中的灰度值大的像素点作为目标像素点；
以目标像素点为中心建立窗口，将窗口逐步向外扩展得到多个尺寸不同的窗口。
6.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，根据窗口内/外每种点对的灰度偏离程度值得到该窗口内/外的灰度偏离程度值的步骤包括：
根据窗口内/外每种点对的灰尺寸度偏离程度值得到窗口内的灰度偏离程度累计值；
利用窗口内/外所有点对的灰度偏离程度值和灰度偏离程度累计值得到窗口内/外的灰度偏离程度值，根据下式（a）计算窗口内的灰度偏离程度值：
Figure 681365DEST_PATH_IMAGE001
（a）
其中，
Figure 835266DEST_PATH_IMAGE002
表示第
Figure 514509DEST_PATH_IMAGE003
个窗口内的灰度偏离程度值；
Figure 801746DEST_PATH_IMAGE004
表示第
Figure 416398DEST_PATH_IMAGE003
个窗口内的灰度偏离程度累计值；
Figure 526437DEST_PATH_IMAGE005
表示第
Figure 150316DEST_PATH_IMAGE003
个窗口内点对
Figure 29410DEST_PATH_IMAGE006
的灰度偏离程度值；
Figure 80543DEST_PATH_IMAGE007
表示目标灰度级分别为
Figure 943457DEST_PATH_IMAGE008
的一种点对；
Figure 839869DEST_PATH_IMAGE009
表示窗口内的灰度级数量；
Figure 101698DEST_PATH_IMAGE010
表示灰度图像的灰度级数量；
根据得到窗口内的灰度偏离程度值的方法得到窗口外的灰度偏离程度值。
7.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，获取每个窗口的边缘灰度差的步骤包括：
获取每个窗口的边缘点，计算每个边缘点8邻域的灰度差均值；
对每个窗口的所有边缘点的灰度差均值求均值得到对应的窗口的边缘灰度差。
8.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异的步骤包括：
根据下式（b）计算每个窗口的灰度偏离差异：
Figure 323732DEST_PATH_IMAGE011
（b）
其中，
Figure 267417DEST_PATH_IMAGE012
表示第
Figure 233099DEST_PATH_IMAGE003
个窗口的灰度偏离差异；
Figure 86786DEST_PATH_IMAGE002
表示第
Figure 214142DEST_PATH_IMAGE003
个窗口内的灰度偏离程度值；
Figure 786068DEST_PATH_IMAGE013
第
Figure 289862DEST_PATH_IMAGE003
个窗口外的灰度偏离程度值；
Figure 122689DEST_PATH_IMAGE014
表示第
Figure 686525DEST_PATH_IMAGE003
个窗口的边缘灰度差。
9.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断的步骤包括：
根据下式（c）计算待检测钢带存在辊印的可能性：
Figure 742819DEST_PATH_IMAGE015
（c）
其中，
Figure 784724DEST_PATH_IMAGE016
表示待检测钢带存在辊印的可能性；
Figure 878582DEST_PATH_IMAGE017
表示第一周期图像中最大灰度偏离差异对应的第
Figure 613320DEST_PATH_IMAGE018
个窗口内的灰度偏离程度值；
Figure 159839DEST_PATH_IMAGE018
表示最大灰度偏离差异对应的窗口；
Figure 739856DEST_PATH_IMAGE019
表示第二周期图像中最大灰度偏离差异对应的第
Figure 688220DEST_PATH_IMAGE018
个窗口内的灰度偏离程度值；
Figure 328280DEST_PATH_IMAGE020
表示第一周期图像中的最大灰度偏离差异；
Figure 359165DEST_PATH_IMAGE021
表示第二周期图像中的最大灰度偏离差异；当待检测钢带存在辊印的可能性大于预设的可能性阈值时，则待检测钢带存在辊印。
CN202210978557.7A 2022-08-16 2022-08-16 基于特征抽取的钢带辊印识别方法 Active CN115049668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210978557.7A CN115049668B (zh) 2022-08-16 2022-08-16 基于特征抽取的钢带辊印识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210978557.7A CN115049668B (zh) 2022-08-16 2022-08-16 基于特征抽取的钢带辊印识别方法

Publications (2)

Publication Number Publication Date
CN115049668A true CN115049668A (zh) 2022-09-13
CN115049668B CN115049668B (zh) 2022-11-29

Family

ID=83168105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210978557.7A Active CN115049668B (zh) 2022-08-16 2022-08-16 基于特征抽取的钢带辊印识别方法

Country Status (1)

Country Link
CN (1) CN115049668B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830023A (zh) * 2023-02-16 2023-03-21 山东中都机器有限公司 基于图像处理的胶带输送机传输带缺陷检测方法
CN117765051A (zh) * 2024-01-10 2024-03-26 济宁市市政园林养护中心 一种园林绿化养护监测预警系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103267764A (zh) * 2013-05-30 2013-08-28 东北大学 基于邻域信息评估的热轧钢板表面缺陷图像识别方法
CN103745234A (zh) * 2014-01-23 2014-04-23 东北大学 一种带钢表面缺陷的特征提取与分类方法
US9002097B1 (en) * 2013-02-26 2015-04-07 Hermes Microvision Inc. Method and system for enhancing image quality
CN109978874A (zh) * 2019-04-02 2019-07-05 湖南大学 一种钢轨表面缺陷视觉检测装置及识别方法
CN113628189A (zh) * 2021-08-11 2021-11-09 西安工程大学 一种基于图像识别的快速带钢划痕缺陷检测方法
CN114049316A (zh) * 2021-11-03 2022-02-15 青岛明思为科技有限公司 一种基于金属光泽区域的钢丝绳缺陷检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9002097B1 (en) * 2013-02-26 2015-04-07 Hermes Microvision Inc. Method and system for enhancing image quality
CN103267764A (zh) * 2013-05-30 2013-08-28 东北大学 基于邻域信息评估的热轧钢板表面缺陷图像识别方法
CN103745234A (zh) * 2014-01-23 2014-04-23 东北大学 一种带钢表面缺陷的特征提取与分类方法
CN109978874A (zh) * 2019-04-02 2019-07-05 湖南大学 一种钢轨表面缺陷视觉检测装置及识别方法
CN113628189A (zh) * 2021-08-11 2021-11-09 西安工程大学 一种基于图像识别的快速带钢划痕缺陷检测方法
CN114049316A (zh) * 2021-11-03 2022-02-15 青岛明思为科技有限公司 一种基于金属光泽区域的钢丝绳缺陷检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830023A (zh) * 2023-02-16 2023-03-21 山东中都机器有限公司 基于图像处理的胶带输送机传输带缺陷检测方法
CN117765051A (zh) * 2024-01-10 2024-03-26 济宁市市政园林养护中心 一种园林绿化养护监测预警系统及方法
CN117765051B (zh) * 2024-01-10 2024-06-07 济宁市市政园林养护中心 一种园林绿化养护监测预警系统及方法

Also Published As

Publication number Publication date
CN115049668B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN115049668B (zh) 基于特征抽取的钢带辊印识别方法
CN115239735B (zh) 基于计算机视觉的通信柜表面缺陷检测方法
CN115311270B (zh) 一种塑料制品表面缺陷检测方法
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN115239704B (zh) 一种木材表面缺陷的精准检测修复方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN115829883A (zh) 一种异性金属结构件表面图像去噪方法
CN114842027A (zh) 基于灰度共生矩阵的织物疵点分割方法和系统
CN107490582B (zh) 一种流水线工件检测系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115311267B (zh) 一种格纹织物异常检测方法
CN114881915A (zh) 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
CN114387273A (zh) 基于计算机图像识别的环境粉尘浓度检测方法及系统
CN114708325A (zh) 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法
CN115684174A (zh) 一种农产品运输传送带安全运行监测方法
CN115294116A (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN111753794A (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN115100208A (zh) 一种基于直方图和动态光源的薄膜表面缺陷评估方法
CN116109577A (zh) 一种印刷标签缺陷检测系统及方法
CN114926404A (zh) 基于边缘检测的挤出成型橡胶密封圈表面异常检测方法
CN116721096B (zh) 基于人工智能的新能源线束质量在线检测方法
CN117237350A (zh) 一种铸钢件质量实时检测方法
CN115222735B (zh) 一种基于麻点缺陷的金属模具质量检测方法
CN116862908A (zh) 一种基于图像处理的金属齿轮啮合缺陷检测方法

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