CN115272318B - 一种硅钢钢带的表面自适应缺陷检测方法 - Google Patents
一种硅钢钢带的表面自适应缺陷检测方法 Download PDFInfo
- Publication number
- CN115272318B CN115272318B CN202211178444.5A CN202211178444A CN115272318B CN 115272318 B CN115272318 B CN 115272318B CN 202211178444 A CN202211178444 A CN 202211178444A CN 115272318 B CN115272318 B CN 115272318B
- Authority
- CN
- China
- Prior art keywords
- gray
- structural element
- value
- obtaining
- segmentation threshold
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 58
- 229910000976 Electrical steel Inorganic materials 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 86
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 26
- 229910000831 Steel Inorganic materials 0.000 claims description 38
- 239000010959 steel Substances 0.000 claims description 38
- 230000002950 deficient Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007373 indentation 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
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/90—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
- G06T7/136—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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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 Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据识别技术领域,具体涉及一种硅钢钢带的表面自适应缺陷检测方法。该方法根据粗略的阈值分割结果获得实现局部阈值分割的结构元素的尺寸。进一步统计结构元素中的灰度值信息,利用每个结构元素中的灰度值信息自适应的获得对应的修正系数。通过对应的修正系数调整每个结构元素的分割阈值从而获得最优分割阈值,利用最优分割阈值实现精准的局部阈值分割。本发明通过设定结构元素的尺寸并根据每个结构元素内的灰度信息自适应调整分割阈值,实现快速精准的对硅钢钢带表面进行自适应缺陷检测。
Description
技术领域
本发明涉及图像数据识别技术领域,具体涉及一种硅钢钢带的表面自适应缺陷检测方法。
背景技术
近年来随着经济快速的发展,对电力的需求迅猛增长,因此在电力传输工程项目中对变压器、发电机、电工仪表、互感器等电力产品的需求量得到增加,而硅钢钢带作为变压器、发电机等产品的铁芯的制造原材料也得到了市场的大量需求,从而促进了硅钢钢带产业的发展。
随着变压器等产品行业对钢片表面质量要求不断提高,添加涂层后的硅钢钢带表面精度也得到了足够的重视。然而硅钢钢带在生产过程中往往会产生点痕、划痕、压痕等各种各样的缺陷,从而影响最终的产品性能,为了保证钢带产品的出厂质量,必须对钢带的表面缺陷进行精准检测,以便能发现钢带表面上的缺陷并及时进行修复,进而完善钢带产品的整体质量。
然而专门针对这种具有涂层的钢带表面质量检测的设备价格昂贵,现今很多生产硅钢钢带的中小型企业缺乏这种设备,使得在硅钢钢带表面缺陷检测过程中主要采用人工检测。然而人工检测存在效率低,无法准确得出钢带表面的缺陷问题;速度慢,无法满足高速生产线的要求;同时厂房生产环境恶劣,不利于人身健康,因此人工检测已经满足不了当前实际的需求。而现有的图像缺陷检测方法对复杂环境下的缺陷检测存在速度慢、精准度差和自适应程度较低等缺陷。
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硅钢钢带的表面自适应缺陷检测方法,所采用的技术方案具体如下:
本发明提出了一种硅钢钢带的表面自适应缺陷检测方法,所述方法包括:
获得待检测硅钢钢带的表面图像;将表面图像灰度化并根据大津算法确定像素值的第一分割阈值,根据第一分割阈值将表面图像分割,获得分割二值图;分割二值图中包含阴影区域和明亮区域;统计阴影区域的尺寸,根据阴影区域的尺寸获得正方形的结构元素尺寸;
以表面图像中对应阴影区域的每个像素点作为结构元素的中心点,获得每个结构元素中灰度均值和灰度方差;统计所有灰度方差,获得方差阈值;若结构元素的灰度方差大于方差阈值,则根据该结构元素中的中心点灰度值、灰度均值和第一灰度极差获得第一修正系数;若结构元素的灰度方差不大于方差阈值,则统计表面图像中对应阴影区域的所有像素点的灰度值,获得第二分割阈值和第二灰度极差,根据第二分割阈值、第二灰度极差和该结构元素中的灰度均值获得第二修正系数;
以第一修正系数或者第二修正系数作为对应结构元素的灰度方差的权重,结合对应的灰度均值获得每个结构元素对应的最优分割阈值;根据最优分割阈值将对应的结构元素中的像素点进行分割,获得缺陷像素点及缺陷区域。
进一步地,所述获得待检测硅钢钢带的表面图像包括:
采集待检测硅钢钢带的初始图像,去除初始图像中的背景信息,获得表面图像。
进一步地,所述根据第一分割阈值将表面图像分割,获得分割二值图包括:
将表面图像中灰度值大于第一分割阈值的像素点标记为0,反之标记为1;由0构成的区域为明亮区域,由1构成的区域为阴影区域,获得分割二值图。
进一步地,所述统计阴影区域的尺寸,根据阴影区域的尺寸获得正方形的结构元素尺寸包括:
随机选择分割二值图一条对角线,统计该对角线上连续为1的线段的长度,获得第一长度集合;统计该对角线的所有垂线上连续为1的线段的长度,获得第二长度集合;合并第一长度集合和第二长度集合,获得第三长度集合;若第三长度集合中存在一个众数,则以该众数作为结构元素的尺寸;若第三长度集合中存在多个众数,则以多个众数中的最小值作为结构元素尺寸;若第三长度集合不存在众数,则以第三长度集合的中位数作为结构元素尺寸。
进一步地,所述根据该结构元素中的中心点灰度值、灰度均值和第一灰度极差获得第一修正系数包括:
获得中心点灰度值与灰度值均值的第一差值,以第一差值与第一灰度极差的比值作为第一修正系数。
进一步地,所述计表面图像中对应阴影区域的所有像素点的灰度值,获得第二分割阈值和第二灰度极差包括:
获得表面图像中对应阴影区域的所有像素点的灰度直方图,根据大津算法处理灰度直方图获得第二分割阈值。
进一步地,所述根据第二分割阈值、第二灰度极差和该结构元素中的灰度均值获得第二修正系数包括:
获得第二分割阈值与该结构元素中的灰度均值的第二差值,以第二差值与第二灰度极差的比值作为第一修正系数。
进一步地,所述以第一修正系数或者第二修正系数作为对应结构元素的灰度方差的权重,结合对应的灰度均值获得每个结构元素对应的最优分割阈值包括:
将第一修正系数或者第二修正系数与对应结构元素的灰度方差相乘,再与对应结构元素的灰度均值相加,获得对应结构元素的最优分割阈值。
进一步地,所述根据最优分割阈值将对应的结构元素中的像素点进行分割,获得缺陷像素点及缺陷区域包括:
将结构元素中灰度值小于最优分割阈值的像素点作为缺陷像素点,连续的缺陷像素点构成缺陷区域。
本发明具有如下有益效果:
本发明实施例根据粗略的阈值分割结果获得实现局部阈值分割的结构元素的尺寸。进一步统计结构元素中的灰度值信息,利用每个结构元素中的灰度值信息自适应的获得对应的修正系数。通过对应的修正系数调整每个结构元素的分割阈值从而获得最优分割阈值,利用最优分割阈值实现精准的局部阈值分割。本发明实施例通过设定结构元素的尺寸并根据每个结构元素内的灰度信息自适应调整分割阈值,实现快速精准的对硅钢钢带表面进行自适应缺陷检测。
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为本发明一个实施例所提供的一种硅钢钢带的表面自适应缺陷检测方法流程图;
图2为本发明一个实施例所提供的一种表面图像示意图;
图3为本发明一个实施例所提供的一种分割二值图示意图。
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钢带的表面自适应缺陷检测方法,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。
本发明的主要目的是:利用计算机视觉技术处理采集的钢带表面图像,根据钢带表面的特征分析,实现自适应局部阈值分割缺陷区域,进而对钢带表面缺陷区域进行精准定位,对缺陷区域进行及时修复。
本发明所针对的情景为:由于生产厂房环境复杂,采集到的硅钢钢带图像往往会有光照不均匀的情况,影响缺陷的精准识别。本发明通过运输设备的上下方相机拍摄钢带两面的图像,根据钢带表面的特征分析,实现自适应局部阈值分割缺陷区域,进而对钢带表面缺陷区域进行精准定位,对缺陷区域进行及时修复。
下面结合附图具体的说明本发明所提供的一种硅钢钢带的表面自适应缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种硅钢钢带的表面自适应缺陷检测方法流程图,该方法包括:
步骤S1:获得待检测硅钢钢带的表面图像;将表面图像灰度化并根据大津算法确定像素值的第一分割阈值,根据第一分割阈值将表面图像分割,获得分割二值图;分割二值图中包含阴影区域和明亮区域;统计阴影区域的尺寸,根据阴影区域的尺寸获得正方形的结构元素尺寸。
在本发明实施例中通过钢带运输设备的上下方相机拍摄钢带两面的图像,根据钢带表面的特征分析,实现自适应局部阈值分割缺陷区域,进而定位缺陷区域,对其进行及时修复。所有需要采集运输设备中的钢带图像,识别出图像中钢带表面的特征信息。钢带在运输设备中水平匀速运动,相机曝光频率应与钢带运动速度保持一致,最大实时传输速率高于相机采集速率,再根据钢带的匀速运动速度调整相机曝光时间和拍摄时间的间隔,使采集到的钢带表面图像为相邻的不同段钢带,再根据采集时间的先后顺序对每段钢带进行序号标记。
需要说明的是,相机采集待检测硅钢钢带的图像后会存在大量背景信息,因此采集待检测硅钢钢带的初始图像后,去除初始图像中的背景信息,获得表面图像。在本发明实施例中,去除背景信息的方法采用DNN语义分割的方式来识别图像中的钢带信息,去除背景信息,该DNN网络的相关内容如下:
a.使用的数据集为上下方向上正视采集的运输设备中的钢带图像数据集。
b.需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于钢带表面的标注为1。
c.网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
光照完全均匀的场景很难实现,因此往往实际检测是在光照不均匀情况下,进而需要在光照不均匀的影响下识别缺陷区域。本方案通过改进Niblack方法进行自适应局部阈值分割缺陷,现有Niblack方法中结构元素根据经验设定,对不同图像的缺陷检测会造成影响,因此需要设计一个合适的结构元素对图像进行遍历,实现较好的局部阈值分割。
为了保证图像质量首先对钢带表面图像做灰度化处理,由于图像中由于噪声的存在将在一定程度上影响提取图像特征的精度,进而阻碍后续的图像的处理和分析。使用高斯滤波对钢带表面图像进行平滑去噪处理,抑制或消除这些噪声的影响,改善图像的质量。
进一步根据大津算法确定像素值的第一分割阈值,大津算法是通过统计表面图像的灰度直方图,进行运算,为本领域技术人员熟知的技术手段,在此不再赘述。
通过大津算法的阈值分割,根据光照强度的不同,可以将不均匀光照下的图像分为明亮区域和阴暗区域,大津算法的阈值分割对明亮区域的识别效果较好,但会将阴暗区域识别为缺陷区域。请参阅图2,其示出了本发明一个实施例所提供的一种表面图像示意图,请参阅图3,其示出了本发明一个实施例所提供的一种分割二值图示意图。由图2和图3可知,分割二值图将图像阴暗区域和缺陷区域分割到了一起,即固定的阈值分割容易造成无效检测。
为了实现自适应的局部阈值分割,首先需要确定局部阈值分割的尺寸,即根据第一分割阈值将表面图像分割,获得分割二值图,分割二值图中包含阴影区域和明亮区域,统计阴影区域的尺寸,根据阴影区域的尺寸获得正方形的结构元素尺寸。结构元素即每次局部阈值分割的窗口。
若设计的结构元素较小,则领域内的像素点就会偏少,计算出的局部阈值就会有一定的局限性,若设计的结构元素较大,则会失去“局部阈值”的意义,增大误分的概率。由于现在主要需要识别阴影区域内的缺陷,因此根据对阴影区域大小统计,设计一个合适的自适应结构元素。具体获得结构元素的尺寸包括:
将表面图像中灰度值大于第一分割阈值的像素点标记为0,反之标记为1;由0构成的区域为明亮区域,由1构成的区域为阴影区域,获得分割二值图。随机选择分割二值图一条对角线,统计该对角线上连续为1的线段的长度,获得第一长度集合;统计该对角线的所有垂线上连续为1的线段的长度,获得第二长度集合;合并第一长度集合和第二长度集合,获得第三长度集合;若第三长度集合中存在一个众数,则以该众数作为结构元素的尺寸;若第三长度集合中存在多个众数,则以多个众数中的最小值作为结构元素尺寸;若第三长度集合不存在众数,则以第三长度集合的中位数作为结构元素尺寸。
在本发明实施例中,选择的左上角到右下角的对角线。
步骤S2:以表面图像中对应阴影区域的每个像素点作为结构元素的中心点,获得每个结构元素中灰度均值和灰度方差;统计所有灰度方差,获得方差阈值;若结构元素的灰度方差大于方差阈值,则根据该结构元素中的中心点灰度值、灰度均值和第一灰度极差获得第一修正系数;若结构元素的灰度方差不大于方差阈值,则统计表面图像中对应阴影区域的所有像素点的灰度值,获得第二分割阈值和第二灰度极差,根据第二分割阈值、第二灰度极差和该结构元素中的灰度均值获得第二修正系数。
本方案通过对Niblack方法进行改进,实现自适应局部阈值分割缺陷区域。首先取
钢带表面灰度图像中的一个像素点,以其为中心点,取根据步骤a获取的大小的正方
形结构元素,计算出该结构元素内的灰度均值和灰度方差。标准的Niblack方
法获取自适应分割阈值为:
其中为该结构元素内的灰度均值,为其灰度方差,表示光照
影响的修正系数,表示遍历像素点的坐标,即该结构元素的中心点坐标,表示该
结构元素内坐标为的像素点灰度值。当中心像素点的灰度值小于时,判
断该点为缺陷区域。
根据步骤S1中的大津阈值分割可知,缺陷区域处于像素灰度值小于第一分割阈值T的区域内,因此为了减少计算量,在钢带表面灰度图像只以该区域内的像素点为中心点进行局部阈值分割。此时结构元素只会在图像明亮区域和阴暗区域的边界处和阴暗区域内遍历,即以表面图像中对应阴影区域的每个像素点作为结构元素的中心点,获得每个结构元素中灰度均值和灰度方差。
依次采集遍历像素点结构元素内的灰度方差,使用直方图统计每个灰度方
差出现的概率。已知结构元素内只有阴暗区域像素点或者只有缺陷区域像素点时方差较
小,而结构元素处于明暗边界或者含有缺陷时方差较大。然后利用最大类间方差法获取方
差阈值,当时,结构元素内只存在缺陷像素或者阴影像素,当
时,结构元素内灰度值差异较大,易造成误差。
因此当时,缺陷区域的识别会因为图像中的阴暗区域而产生误分,在
图像明亮区域和阴暗区域的边界处,易将结构元素内的部分阴暗区域误认为缺陷,而在图
像的过暗区域处,易将缺陷区域误认为阴影的影响。归根结底是算法在此结构元素中所计
算出的阈值偏低或者偏高造成的,故此时的修正系数的计算公式如下:
当中心像素点处于图像明亮区域和阴暗区域的边界处的阴影部分时,该中心像素
点的灰度值时,为负值,会抑制阈值的增加,防止阴影区域
误认为缺陷。当中心像素点的灰度值时,说明该中心像素点处于图像过暗
区域内,为正值,会主动增加阈值,从而减小缺陷像素被误分为阴影像素的
概率。
由于Niblack算法的各区域阈值具有独立性,各阈值的选取仅与当前区域的期望值和方差有关,因此在每一个结构元素内,总有目标和背景之分,保留了不必要的细节信息,会产生伪噪声。
因此当时,结构元素内只有缺陷区域像素点或者阴暗区域像素点时,
因此需要增强或者减弱阈值,用以防止伪噪声的产生。统计钢带表面灰度图像中像
素灰度值小于阈值T的像素点的灰度直方图,再利用大津算法获取第二分割阈值,再统计
此灰度直方图上的最大值和最小值为和。因此此时的修正系数的计算公
式如下:
步骤S3:以第一修正系数或者第二修正系数作为对应结构元素的灰度方差的权重,结合对应的灰度均值获得每个结构元素对应的最优分割阈值;根据最优分割阈值将对应的结构元素中的像素点进行分割,获得缺陷像素点及缺陷区域。
至此实现了自适应局部阈值分割,计算公式如下:
其中像素点在钢带表面灰度图像中像素灰度值小于阈值T的区域内遍历,为结构元素内的灰度均值,为其灰度方差,为灰度方差的阈值。当时,说明像结构元素内灰度差异大,易造成误分,修正系数为。当时,说明结构元素内只有缺陷区域像素点或者阴暗区域像素点,会产生伪噪
声,修正系数为。当遍历像素点的灰度值小于自适应局部阈值时,判
断该像素点为缺陷像素点,否则为正常区域。连续的缺陷像素点构成缺陷区域。
最后可知此段钢带表面是否含有缺陷,记录含有缺陷的钢带段的标记序号和其图像中缺陷区域的位置坐标。获取含有缺陷的钢带段的标记序号和其图像中缺陷区域的位置坐标,在后续的生产工艺中对记录的缺陷区域进行修复,提高硅钢钢带的产品出厂质量。
综上所述,本发明实施例根据粗略的阈值分割结果获得实现局部阈值分割的结构元素的尺寸。进一步统计结构元素中的灰度值信息,利用每个结构元素中的灰度值信息自适应的获得对应的修正系数。通过对应的修正系数调整每个结构元素的分割阈值从而获得最优分割阈值,利用最优分割阈值实现精准的局部阈值分割。本发明实施例通过设定结构元素的尺寸并根据每个结构元素内的灰度信息自适应调整分割阈值,实现快速精准的对硅钢钢带表面进行自适应缺陷检测。
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。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 (9)
1.一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述方法包括:
获得待检测硅钢钢带的表面图像;将表面图像灰度化并根据大津算法确定像素值的第一分割阈值,根据第一分割阈值将表面图像分割,获得分割二值图;分割二值图中包含阴影区域和明亮区域;统计阴影区域的尺寸,根据阴影区域的尺寸获得正方形的结构元素尺寸;
以表面图像中对应阴影区域的每个像素点作为结构元素的中心点,获得每个结构元素中灰度均值和灰度方差;统计所有灰度方差,获得方差阈值;若结构元素的灰度方差大于方差阈值,则根据该结构元素中的中心点灰度值、灰度均值和第一灰度极差获得第一修正系数;若结构元素的灰度方差不大于方差阈值,则统计表面图像中对应阴影区域的所有像素点的灰度值,获得第二分割阈值和第二灰度极差,根据第二分割阈值、第二灰度极差和该结构元素中的灰度均值获得第二修正系数;
以第一修正系数或者第二修正系数作为对应结构元素的灰度方差的权重,结合对应的灰度均值获得每个结构元素对应的最优分割阈值;根据最优分割阈值将对应的结构元素中的像素点进行分割,获得缺陷像素点及缺陷区域。
2.根据权利要求1所述的一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述获得待检测硅钢钢带的表面图像包括:
采集待检测硅钢钢带的初始图像,去除初始图像中的背景信息,获得表面图像。
3.根据权利要求1所述的一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述根据第一分割阈值将表面图像分割,获得分割二值图包括:
将表面图像中灰度值大于第一分割阈值的像素点标记为0,反之标记为1;由0构成的区域为明亮区域,由1构成的区域为阴影区域,获得分割二值图。
4.根据权利要求2所述的一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述统计阴影区域的尺寸,根据阴影区域的尺寸获得正方形的结构元素尺寸包括:
随机选择分割二值图一条对角线,统计该对角线上连续为1的线段的长度,获得第一长度集合;统计该对角线的所有垂线上连续为1的线段的长度,获得第二长度集合;合并第一长度集合和第二长度集合,获得第三长度集合;若第三长度集合中存在一个众数,则以该众数作为结构元素的尺寸;若第三长度集合中存在多个众数,则以多个众数中的最小值作为结构元素尺寸;若第三长度集合不存在众数,则以第三长度集合的中位数作为结构元素尺寸。
5.根据权利要求1所述的一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述根据该结构元素中的中心点灰度值、灰度均值和第一灰度极差获得第一修正系数包括:
获得中心点灰度值与灰度值均值的第一差值,以第一差值与第一灰度极差的比值作为第一修正系数。
6.根据权利要求1所述的一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述计表面图像中对应阴影区域的所有像素点的灰度值,获得第二分割阈值和第二灰度极差包括:
获得表面图像中对应阴影区域的所有像素点的灰度直方图,根据大津算法处理灰度直方图获得第二分割阈值。
7.根据权利要求1所述的一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述根据第二分割阈值、第二灰度极差和该结构元素中的灰度均值获得第二修正系数包括:
获得第二分割阈值与该结构元素中的灰度均值的第二差值,以第二差值与第二灰度极差的比值作为第一修正系数。
8.根据权利要求1所述的一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述以第一修正系数或者第二修正系数作为对应结构元素的灰度方差的权重,结合对应的灰度均值获得每个结构元素对应的最优分割阈值包括:
将第一修正系数或者第二修正系数与对应结构元素的灰度方差相乘,再与对应结构元素的灰度均值相加,获得对应结构元素的最优分割阈值。
9.根据权利要求1所述的一种硅钢钢带的表面自适应缺陷检测方法,其特征在于,所述根据最优分割阈值将对应的结构元素中的像素点进行分割,获得缺陷像素点及缺陷区域包括:
将结构元素中灰度值小于最优分割阈值的像素点作为缺陷像素点,连续的缺陷像素点构成缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178444.5A CN115272318B (zh) | 2022-09-27 | 2022-09-27 | 一种硅钢钢带的表面自适应缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178444.5A CN115272318B (zh) | 2022-09-27 | 2022-09-27 | 一种硅钢钢带的表面自适应缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272318A CN115272318A (zh) | 2022-11-01 |
CN115272318B true CN115272318B (zh) | 2022-12-23 |
Family
ID=83757765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211178444.5A Active CN115272318B (zh) | 2022-09-27 | 2022-09-27 | 一种硅钢钢带的表面自适应缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272318B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08327603A (ja) * | 1995-06-02 | 1996-12-13 | Nippon Steel Corp | 鋼帯欠陥検出装置 |
CN112113963A (zh) * | 2020-09-21 | 2020-12-22 | 武汉钢铁有限公司 | 一种取向硅钢成品板形缺陷的在线检测方法及装置 |
CN113674277A (zh) * | 2021-10-22 | 2021-11-19 | 北京矩视智能科技有限公司 | 无监督域适应的表面缺陷区域分割方法、装置及电子设备 |
CN113887654A (zh) * | 2021-10-20 | 2022-01-04 | 北京矩视智能科技有限公司 | 基于交错特征融合的表面缺陷区域分割方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757913A (zh) * | 2022-04-15 | 2022-07-15 | 电子科技大学 | 一种显示屏缺陷检测方法 |
-
2022
- 2022-09-27 CN CN202211178444.5A patent/CN115272318B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08327603A (ja) * | 1995-06-02 | 1996-12-13 | Nippon Steel Corp | 鋼帯欠陥検出装置 |
CN112113963A (zh) * | 2020-09-21 | 2020-12-22 | 武汉钢铁有限公司 | 一种取向硅钢成品板形缺陷的在线检测方法及装置 |
CN113887654A (zh) * | 2021-10-20 | 2022-01-04 | 北京矩视智能科技有限公司 | 基于交错特征融合的表面缺陷区域分割方法、装置及设备 |
CN113674277A (zh) * | 2021-10-22 | 2021-11-19 | 北京矩视智能科技有限公司 | 无监督域适应的表面缺陷区域分割方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115272318A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN115239704A (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN108596872B (zh) | 基于Gabor小波和SVM的钢轨病害的检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN115035106B (zh) | 一种带钢缺陷智能检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN117152135B (zh) | 一种道路施工裂缝缺陷评估检测方法 | |
CN114792316B (zh) | 一种盘刹车轴底板点焊缺陷检测方法 | |
CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
CN115029704B (zh) | 一种用于不锈钢酸洗工艺的智能控制方法及装置 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116342586A (zh) | 基于机器视觉的路面质量检测方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN117078688B (zh) | 一种用于强磁钕铁硼磁体的表面缺陷识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |