CN115115642A - 基于图像处理的带钢结疤缺陷检测方法 - Google Patents
基于图像处理的带钢结疤缺陷检测方法 Download PDFInfo
- Publication number
- CN115115642A CN115115642A CN202211044622.5A CN202211044622A CN115115642A CN 115115642 A CN115115642 A CN 115115642A CN 202211044622 A CN202211044622 A CN 202211044622A CN 115115642 A CN115115642 A CN 115115642A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- image
- point
- gray
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 84
- 206010039509 Scab Diseases 0.000 title claims abstract description 79
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 70
- 239000010959 steel Substances 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000000126 substance Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000037390 scarring Effects 0.000 claims 1
- 231100000241 scar Toxicity 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000012447 hatching Effects 0.000 description 5
- 238000007373 indentation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于图像处理的带钢结疤缺陷检测方法,涉及人工智能领域。主要包括:利用带钢表面图像的灰度图像中像素点邻域像素点的灰度值及梯度值,获得灰度图像中像素点的异常概率,对像素点的异常概率初始化后利用像素点邻域内像素点的异常概率更新像素点的异常概率,并利用像素点的异常概率找出图像中凹坑区域及阴影线区域,以获得图像中像素点为结疤缺陷的概率,从而获得图像中的结疤缺陷位置。无需对大量的带钢表面图像提前进行人为标及,减少了结疤缺陷检测过程的工作量,提高了检测效率且识别精度较高。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种基于图像处理的带钢结疤缺陷检测方法。
背景技术
在带钢生产制造过程中,往往会因为原料或生产工艺等问题造成带钢表面出现形状不规则翘起的金属薄片,该金属薄片为结疤缺陷。该缺陷影响产品性能,且按照有关标准规定带钢表面不允许存在结疤缺陷。
目前对该缺陷的检测通常采用人工抽查或通过采集大量的带钢表面图像对神经网络进行训练,利用训练完成的网络实现结疤缺陷的检测或判断。
发明人在实现本发明实施例的过程中,发现背景技术中至少存在以下缺陷:人工抽查易受环境影响,效率低下,漏检误检的可能性较大;采用神经网络进行结疤缺陷检测的方式,需要在网络训练前进行大量的人为标注,工作量较大,同时该种方式对于与带钢表面颜色基本一致的结疤缺陷的检测准确率较低。
发明内容
针对上述技术问题,本发明实施例提供了一种基于图像处理的带钢结疤缺陷检测方法,包括:利用带钢表面图像的灰度图像中像素点邻域像素点的灰度值及梯度值,获得灰度图像中像素点的异常概率,对像素点的异常概率初始化后利用像素点邻域内像素点的异常概率更新像素点的异常概率,并利用像素点的异常概率找出图像中凹坑区域及阴影线区域,以获得图像中像素点为结疤缺陷的概率,从而获得图像中的结疤缺陷位置。无需对大量的带钢表面图像提前进行人为标及,减少了结疤缺陷检测过程的工作量,提高了检测效率且识别精度较高。
本发明实施例提出了一种基于图像处理的带钢结疤缺陷检测方法,包括:
获得带钢表面图像并灰度化得到灰度图像,利用邻域内像素点的灰度值及梯度幅值获得灰度图像中像素点的异常概率,并将所述异常概率大于预设第一阈值的相邻像素点组成区域。
当所述区域为线形时,该区域仅包含阴影线,否则,判断区域中连续的边缘点的灰度值是否均小于中心点的灰度值,若判断结果为是,则将该区域中连续的边缘点作为阴影线并将其他部分作为凹坑。
当所述灰度图像中至少一个所述区域中包含阴影线时,执行如下步骤,否则,带钢表面不存在结疤缺陷,不再执行后续步骤。
将所述灰度图像划分为预设边长的窗口,并将包含阴影线或凹坑的相邻窗口合并后作为异常窗口。
获得所述异常窗口中关于阴影线对称的各点对,所述点对中像素点与阴影线相邻且在阴影线范围外,获得像素点到阴影线距离最短的线段,根据像素点到所述线段上包含的点对中两像素点的距离、所述线段的长度以及各所述点对中像素点的灰度值,获得像素点的结疤概率。
将结疤概率大于预设第二阈值的像素点组成连通域,并将连通域在带钢中的对应位置作为结疤缺陷进行处理。
在一个可行的实施例中,利用邻域内像素点的灰度值及梯度幅值获得灰度图像中像素点的异常概率,包括:
利用邻域内像素点的灰度值及梯度幅值获得灰度图像中像素点的特征值。
将像素点的异常概率设置为0,并根据邻域内像素点的所述特征值和所述异常概率更新像素点的所述异常概率。
在一个可行的实施例中,根据邻域内像素点的所述特征值和所述异常概率更新像素点的所述异常概率,包括:
获得所述灰度图像中所述特征值最大的像素点,并根据该像素点邻域内像素点的所述异常概率更新该像素点的异常概率。
以该像素点为中心向四周扩展,根据邻域内像素点的所述异常概率及所述异常概率,更新该像素点以外像素点的所述异常概率。
其中,更新后的所述异常概率的值的计算方法包括:
其中,为邻域的边长,为像素点的邻域内像素点的所述特征值的最大值,为像素点的邻域内像素点的所述异常概率中最大值,为像素点的灰度值,为像素点邻域内所述特征值最大的像素点的灰度值,为双曲正切函数,为像素点邻域内所述异常概率最大的像素点的灰度值。
在一个可行的实施例中,利用邻域内像素点的灰度值及梯度幅值获得像素点的特征值,包括:
根据权利要求1所述的基于图像处理的带钢结疤缺陷检测方法,其特征在于,像素点的结疤概率的获得过程包括:
其中,为像素点的结疤概率,为像素点到阴影线距离最短的线段的长度,为像素点到所述线段中包含的点对中同侧像素点的距离,为像素点到所述线段中包含的点对中异侧像素点的距离,为点对所在的异常窗口中点对的数量,为点对所在的异常窗口中第个点对中位于阴影线一侧的像素点的灰度值,为点对所在的异常窗口中第个点对中位于阴影线另一侧的像素点的灰度值。
在一个可行的实施例中,当像素点位于异常窗口时,所述线段为像素点到该像素点所在的异常窗口中阴影线距离最小的线段,当像素点不在异常窗口时,所述线段为像素点到各异常窗口中阴影线距离最小的线段。
在一个可行的实施例中,对带钢表面图像进行灰度化得到灰度图像,包括:
将所述带钢表面图像中像素点在RGB三个通道中像素值的最大值,作为所述灰度图像中的像素点的灰度值。
在一个可行的实施例中,所述方法还包括对所述带钢表面图像进行图像增强处理。
本发明实施例提供了一种基于图像处理的带钢结疤缺陷检测方法,包括:利用带钢表面图像的灰度图像中像素点邻域像素点的灰度值及梯度值,获得灰度图像中像素点的异常概率,并利用像素点的异常概率找出图像中凹坑区域及阴影线区域,以获得图像中像素点为结疤缺陷的概率,从而获得图像中的结疤缺陷位置。
本发明实施例的有益效果在于:无需对大量的带钢表面图像提前进行人为标及,减少了结疤缺陷检测过程的工作量,提高了检测效率且识别精度较高。
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是本发明实施例提供的一种基于图像处理的带钢结疤缺陷检测方法的流程示意图。
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。
本发明实施例的主要目的是:利用计算机视觉,对采集到的带钢结疤缺陷图像进行处理,分析带钢图像的特征,计算带钢图像中每个像素点为结疤缺陷的概率,获取结疤缺陷位置,控制系统对结疤缺陷进行铲除。
结疤缺陷为带钢表面形状不规则金属薄片,呈翘起状。若将结疤缺陷铲除,结疤缺陷的位置则为凹坑,凹坑较带钢表面颜色较深。由于结疤缺陷边缘部分翘起,翘起部分下面表现为凹坑,同时翘起部分与凹坑形成高度差,在光照作用下,翘起的边缘在带钢表面或凹坑上形成阴影,呈现线条状,阴影线在图像中较凹坑颜色更深。
本发明实施例提供了一种基于图像处理的带钢结疤缺陷检测方法,如图1所示,包括:
步骤S101、获得带钢表面图像并灰度化得到灰度图像,利用邻域内像素点的灰度值及梯度幅值获得灰度图像中像素点的异常概率,并将异常概率大于预设第一阈值的相邻像素点组成区域。
步骤S102、当区域为线形时,该区域仅包含阴影线,否则,判断区域中连续的边缘点的灰度值是否均小于中心点的灰度值,若判断结果为是,则将该区域中连续的边缘点作为阴影线并将其他部分作为凹坑。
步骤S103、当灰度图像中至少一个区域中包含阴影线时,执行如下步骤,否则,带钢表面不存在结疤缺陷,不再执行后续步骤。
步骤S104、将灰度图像划分为预设边长的窗口,并将包含阴影线或凹坑的相邻窗口合并后作为异常窗口。
步骤S105、获得异常窗口中关于阴影线对称的各点对,点对中像素点与阴影线相邻且在阴影线范围外,获得像素点到阴影线距离最短的线段,根据像素点到线段上包含的点对中两像素点的距离、线段的长度以及各点对中像素点的灰度值,获得像素点的结疤概率。
步骤S106、将结疤概率大于预设第二阈值的像素点组成连通域,并将连通域在带钢中的对应位置作为结疤缺陷进行处理。
进一步的,步骤S101、获得带钢表面图像并灰度化得到灰度图像,利用邻域内像素点的灰度值及梯度幅值获得灰度图像中像素点的异常概率,并将异常概率大于预设第一阈值的相邻像素点组成区域。具体包括:
首先获取带钢表面图像,本发明实施例采集到的带钢表面图像为RGB格式,RGB是一种颜色标准,通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色,RGB即是代表红、绿、蓝三个通道的颜色,需要说明的是,本实施例中得到的带钢表面图像中仅包含带钢区域。
可选的,可以对采集到的带钢表面图像进行图像增强处理,图像增强就是指通过某种图像处理方法对退化的某些图像特征,如边缘、轮廓、对比度等进行处理,以改善图像的视觉效果,提高图像的清晰度,或是突出图像中的某些“有用”,压缩其他“无用”信息,将图像转换为更适合人或计算机分析处理的形式。
需要说明的是,图像增强可以分为两类:空间域法和频域法。其中空间域可以简单地理解为包含图像像素的空间,空间域法是指空间域中也就是图像本身,直接对图像进行各种线性或非线性运算,对图像的像素灰度值做增强处理。频域法则是在图像的变换域中把图像看成一种二维信号,对其进行基于二维傅里叶变换的信号增强。对其进行基于二维傅里叶变换的信号增强。频域法常用的方法包括低通滤波、高通滤波以及同态滤波等。
由于生产工艺造成的结疤缺陷与带钢表面颜色基本一致,通过简单的阈值分割无法获取结疤缺陷。因此先提取图像中的可见凹坑及阴影线,根据凹坑及阴影线的位置计算图像中像素点为结疤缺陷的概率,获取结疤缺陷的位置,以便后续控制系统对结疤缺陷进行铲除。
凹坑及阴影线较周围带钢表面颜色、结疤缺陷颜色深。但由于光照不均匀,通过简单阈值分割无法直接将凹坑以及阴影线分割开来。因此划分区域,局部区域内光照不变,本实施例中根据区域内像素变化获取凹坑及阴影线。
利用Sobel算子获得图像中每个像素点的梯度幅值,Sobel算子是典型的基于一阶导数的边缘检测算子,是离散型的差分算子。该算子对噪声具有平滑作用,能很好的消除噪声的影响,Sobel算子包含两组3x3的矩阵,分别为横向及纵向模板,将之与图像作平面卷积,即可分别得出图像中像素点的水平梯度及竖直梯度,像素点的梯度幅值,其中,表示像素点的水平梯度,表示像素点的竖直梯度。
其次,分别获得灰度图像中各像素点的特征值。
凹坑及阴影线边缘处梯度幅值较大,且凹坑及阴影线较周围带钢表面及结疤缺陷更暗,因此本实施例中结合像素点的梯度及灰度,计算灰度图像中个像素点的特征值,本实施例中特征值能够表征像素点为凹坑或阴影线边缘点的概率,同时像素点的特征值的计算方法包括:
其中,为像素点的特征值,为邻域的边长,为像素点的梯度幅值,为像素点的灰度值,为像素点邻域内像素点灰度值的最小值。需要说明的是,本实施例中像素点的梯度幅值越大,且其邻域内像素点的灰度值越小时,该像素点为凹坑或阴影线上边缘点的概率即异常概率越大。
其中,更新后的异常概率的值的计算方法包括:
其中,为邻域的边长,为像素点的邻域内像素点的特征值的最大值,为像素点的邻域内像素点的异常概率中最大值,为像素点的灰度值,为像素点邻域内特征值最大的像素点的灰度值,为双曲正切函数,为像素点邻域内异常概率最大的像素点的灰度值。
需要说明的是,像素点的灰度值与该像素点邻域内特征值最大的像素点的灰度值差异较大时,在本实施例中该像素点的异常概率较大,该像素点位于凹坑或阴影线的概率较大,
最后,将得到灰度图像中的凹坑或阴影线的点集,将该点集作为区域。如此可以筛选出凹坑或阴影线的点集,便于后续判断带钢表面是否存在结疤缺陷,也便于在存在结疤缺陷是对结疤缺陷区域的获取。
进一步的,步骤S102、当区域为线形时,该区域仅包含阴影线,否则,判断区域中连续的边缘点的灰度值是否均小于中心点的灰度值,若判断结果为是,则将该区域中连续的边缘点作为阴影线并将其他部分作为凹坑。具体包括:
首先对得到的各区域的形状进行分析,判断区域是否呈现线条型,对于区域是否为线条型的识别,可以通过霍夫变换进行直线检测实现,也可以通过对区域的长宽之比进行判断实现,本实施例中对区域是否呈现线条型的具体实现方法不进行限制。
需要说明的是,带钢表面中凹坑为不规则形状,阴影线为呈线形,或独立分布,或分布在凹坑旁边。在同一局部区域内,阴影线较凹坑颜色深,分析凹坑、阴影线连通域像素点的灰度变化,可以对凹坑与阴影线进行区分。
具体的,若区域呈现线条型,则该区域仅包含阴影线;当区域不是线条型时,比较区域中边缘点与区域的中心点的灰度值,若连续的边缘点灰度值均小于中心点的灰度值,则连续的边缘点构成了阴影线,其余部分为凹坑。若不存在连续的边缘点灰度值小于中心点的灰度值,则该区域为凹坑,不包含阴影线,如此,可实现对各区域的类型进行判断,得到所有区域中的凹坑及边缘的阴影线。
进一步的,步骤S103、当灰度图像中至少一个区域中包含阴影线时,执行如下步骤,否则,带钢表面不存在结疤缺陷,不再执行后续步骤。具体包括:
若在灰度图像中仅检测到凹坑,或者凹坑旁未检测到阴影线,则检测到的凹坑为压痕缺陷,灰度图像对应的带钢表面中不存在结疤缺陷,此时无需再进行后续处理过程。
进一步的,步骤S104、将灰度图像划分为预设边长的窗口,并将包含阴影线或凹坑的相邻窗口合并后作为异常窗口。具体包括:
将图像分割成多个大小的窗口,其中为预设边长,对包含步骤S104中获得凹坑或阴影线的窗口进行合并,并将此类窗口作为异常窗口,如此能够得到包含凹坑或包含阴影线的窗口,便于后续步骤中寻找到带钢表面存在的结疤缺陷位置。
进一步的,步骤S105、获得异常窗口中关于阴影线对称的各点对,点对中像素点与阴影线相邻且在阴影线范围外,获得像素点到阴影线距离最短的线段,根据像素点到线段上包含的点对中两像素点的距离、线段的长度以及各点对中像素点的灰度值,获得像素点的结疤概率。具体包括:
首先,找到异常窗口内与阴影线上像素点相邻的不在阴影线上的像素点,经过该像素点做垂直阴影线的直线,得到位于阴影线另一侧与该像素点对称的不在阴影线上的像素点,将这两个像素点构成点对,并以此可以获得阴影线两侧的所有对称点对。
其中,为像素点的结疤概率,为像素点到阴影线距离最短的线段的长度,为像素点到所述线段中包含的点对中同侧像素点的距离,为像素点到所述线段中包含的点对中异侧像素点的距离,为点对所在的异常窗口中点对的数量,为点对所在的异常窗口中第个点对中位于阴影线一侧的像素点的灰度值,为点对所在的异常窗口中第个点对中位于阴影线另一侧的像素点的灰度值。
需要说明的是,当像素点位于异常窗口时,所述线段为像素点到该像素点所在的异常窗口中阴影线距离最小的线段,当像素点不在异常窗口时,所述线段为像素点到各异常窗口中阴影线距离最小的线段。
需要说明的是,为单位阶跃函数,函数内值为正时,函数值为1,否则函数值为0。如此,当像素点不在结疤缺陷所在的一侧时,无论像素点到阴影线的距离多小,该像素点都不可能为结痂缺陷,相反,当像素点位于结疤缺陷所在的一侧时,该像素点距离阴影线越近,该像素点为结疤缺陷的概率越大。
进一步的,步骤S106、将结疤概率大于预设第二阈值的像素点组成连通域,并将连通域在带钢中的对应位置作为结疤缺陷进行处理。具体包括:
最后将灰度图像中判断为结疤缺陷的像素点进行遍历,将位于同一八邻域内判断为结疤缺陷的像素点合并至同一连通域,如此可以得到灰度图像中所有的连通域,各连通域中均包含被判断为结疤缺陷的像素点,可以对各连通域在带钢表面对应位置进行处理。
具体的,可以根据摄像机成像模型,将结疤缺陷转换到世界坐标系中,控制系统对结疤缺陷进行铲除处理。铲除结疤缺陷后形成凹坑,对凹坑按照压痕进行处理,若压痕的深度和范围不超过标准规定,则该带钢质量合格。若压痕的深度和范围不符合标准规定,则进行包括剪裁在内的其他补救措施。
综上所述,本发明实施例提供了一种基于图像处理的带钢结疤缺陷检测方法,包括:利用带钢表面图像的灰度图像中像素点邻域像素点的灰度值及梯度值,获得灰度图像中像素点的异常概率,对像素点的异常概率初始化后利用像素点邻域内像素点的异常概率更新像素点的异常概率,并利用像素点的异常概率找出图像中凹坑区域及阴影线区域,以获得图像中像素点为结疤缺陷的概率,从而获得图像中的结疤缺陷位置。无需对大量的带钢表面图像提前进行人为标及,减少了结疤缺陷检测过程的工作量,提高了检测效率且识别精度较高。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本发明的方法和系统中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (8)
1.一种基于图像处理的带钢结疤缺陷检测方法,其特征在于,包括:
获得带钢表面图像并灰度化得到灰度图像,利用邻域内像素点的灰度值及梯度幅值获得灰度图像中像素点的异常概率,并将所述异常概率大于预设第一阈值的相邻像素点组成区域;
当所述区域为线形时,该区域仅包含阴影线,否则,判断区域中连续的边缘点的灰度值是否均小于中心点的灰度值,若判断结果为是,则将该区域中连续的边缘点作为阴影线并将其他部分作为凹坑;
当所述灰度图像中至少一个所述区域中包含阴影线时,执行如下步骤,否则,带钢表面不存在结疤缺陷,不再执行后续步骤;
将所述灰度图像划分为预设边长的窗口,并将包含阴影线或凹坑的相邻窗口合并后作为异常窗口;
获得所述异常窗口中关于阴影线对称的各点对,所述点对中像素点与阴影线相邻且在阴影线范围外,获得像素点到阴影线距离最短的线段,根据像素点到所述线段上包含的点对中两像素点的距离、所述线段的长度以及各所述点对中像素点的灰度值,获得像素点的结疤概率;
将结疤概率大于预设第二阈值的像素点组成连通域,并将连通域在带钢中的对应位置作为结疤缺陷进行处理。
2.根据权利要求1所述的基于图像处理的带钢结疤缺陷检测方法,其特征在于,利用邻域内像素点的灰度值及梯度幅值获得灰度图像中像素点的异常概率,包括:
利用邻域内像素点的灰度值及梯度幅值获得灰度图像中像素点的特征值;
将像素点的异常概率设置为0,并根据邻域内像素点的所述特征值和所述异常概率更新像素点的所述异常概率。
3.根据权利要求2所述的基于图像处理的带钢结疤缺陷检测方法,其特征在于,根据邻域内像素点的所述特征值和所述异常概率更新像素点的所述异常概率,包括:
获得所述灰度图像中所述特征值最大的像素点,并根据该像素点邻域内像素点的所述异常概率更新该像素点的异常概率;
以该像素点为中心向四周扩展,根据邻域内像素点的所述异常概率及所述异常概率,更新该像素点以外像素点的所述异常概率;
其中,更新后的所述异常概率的值的计算方法包括:
6.根据权利要求5所述的基于图像处理的带钢结疤缺陷检测方法,其特征在于,当像素点位于异常窗口时,所述线段为像素点到该像素点所在的异常窗口中阴影线距离最小的线段,当像素点不在异常窗口时,所述线段为像素点到各异常窗口中阴影线距离最小的线段。
7.根据权利要求1所述的基于图像处理的带钢结疤缺陷检测方法,其特征在于,对带钢表面图像进行灰度化得到灰度图像,包括:
将所述带钢表面图像中像素点在RGB三个通道中像素值的最大值,作为所述灰度图像中的像素点的灰度值。
8.根据权利要求1至6中任一项所述的基于图像处理的带钢结疤缺陷检测方法,其特征在于,所述方法还包括对所述带钢表面图像进行图像增强处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044622.5A CN115115642A (zh) | 2022-08-30 | 2022-08-30 | 基于图像处理的带钢结疤缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044622.5A CN115115642A (zh) | 2022-08-30 | 2022-08-30 | 基于图像处理的带钢结疤缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115642A true CN115115642A (zh) | 2022-09-27 |
Family
ID=83335553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211044622.5A Pending CN115115642A (zh) | 2022-08-30 | 2022-08-30 | 基于图像处理的带钢结疤缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115642A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330767A (zh) * | 2022-10-12 | 2022-11-11 | 南通南辉电子材料股份有限公司 | 一种腐蚀箔生产异常识别方法 |
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 |
CN115830013A (zh) * | 2023-02-08 | 2023-03-21 | 磐石重工(青岛)股份有限公司 | 基于机器视觉的压力容器焊缝缺陷检测方法 |
CN116452587A (zh) * | 2023-06-15 | 2023-07-18 | 山东兴华钢结构有限公司 | 一种环保建筑结构钢板缺陷识别方法 |
CN117649412A (zh) * | 2024-01-30 | 2024-03-05 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
CN117689637A (zh) * | 2023-12-14 | 2024-03-12 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130136338A1 (en) * | 2011-11-30 | 2013-05-30 | Adobe Systems Incorporated | Methods and Apparatus for Correcting Disparity Maps using Statistical Analysis on Local Neighborhoods |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114782329A (zh) * | 2022-03-31 | 2022-07-22 | 南通同欧智能装备科技有限公司 | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 |
-
2022
- 2022-08-30 CN CN202211044622.5A patent/CN115115642A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130136338A1 (en) * | 2011-11-30 | 2013-05-30 | Adobe Systems Incorporated | Methods and Apparatus for Correcting Disparity Maps using Statistical Analysis on Local Neighborhoods |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114782329A (zh) * | 2022-03-31 | 2022-07-22 | 南通同欧智能装备科技有限公司 | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330767A (zh) * | 2022-10-12 | 2022-11-11 | 南通南辉电子材料股份有限公司 | 一种腐蚀箔生产异常识别方法 |
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 |
CN115830013A (zh) * | 2023-02-08 | 2023-03-21 | 磐石重工(青岛)股份有限公司 | 基于机器视觉的压力容器焊缝缺陷检测方法 |
CN116452587A (zh) * | 2023-06-15 | 2023-07-18 | 山东兴华钢结构有限公司 | 一种环保建筑结构钢板缺陷识别方法 |
CN116452587B (zh) * | 2023-06-15 | 2023-08-18 | 山东兴华钢结构有限公司 | 一种环保建筑结构钢板缺陷识别方法 |
CN117689637A (zh) * | 2023-12-14 | 2024-03-12 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117689637B (zh) * | 2023-12-14 | 2024-06-07 | 广东昭明电子集团股份有限公司 | 一种新能源电池五金件加工质量视觉检测方法 |
CN117649412A (zh) * | 2024-01-30 | 2024-03-05 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
CN117649412B (zh) * | 2024-01-30 | 2024-04-09 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115642A (zh) | 基于图像处理的带钢结疤缺陷检测方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
WO2018173660A1 (ja) | 表面欠陥検査方法及び表面欠陥検査装置 | |
CN114757949A (zh) | 基于计算机视觉的电线电缆缺陷检测方法及系统 | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
CN114387273B (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及系统 | |
CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
CN108876860B (zh) | 一种用于管水准器气泡偏移量测量的图像标定方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN115984284A (zh) | 一种用于船舶维护的x射线船体焊缝图像检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116660286A (zh) | 基于图像分割的线束剥头测量与缺陷检测方法及系统 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN112308872A (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN110765887A (zh) | 隧道衬砌裂纹自动识别技术及检测方法 | |
CN112116579B (zh) | 一种透明药瓶的缺陷检测方法和装置 | |
CN114994072A (zh) | 一种基于机器视觉的磁棒端面缺陷检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220927 |