CN115294102A - 基于机器视觉的不锈钢制品异常识别方法 - Google Patents
基于机器视觉的不锈钢制品异常识别方法 Download PDFInfo
- Publication number
- CN115294102A CN115294102A CN202211169965.4A CN202211169965A CN115294102A CN 115294102 A CN115294102 A CN 115294102A CN 202211169965 A CN202211169965 A CN 202211169965A CN 115294102 A CN115294102 A CN 115294102A
- Authority
- CN
- China
- Prior art keywords
- stainless steel
- sliding window
- pixel
- steel product
- abnormal
- 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
- 229910001220 stainless steel Inorganic materials 0.000 title claims abstract description 108
- 239000010935 stainless steel Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 230000014509 gene expression Effects 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 70
- 230000005856 abnormality Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000007547 defect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 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
- 239000010959 steel Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009827 uniform distribution 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
- 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
- G06T7/90—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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于机器视觉的不锈钢制品异常识别方法。该方法包括:设定预设数量的初始聚类中心以及规定形状和尺寸的滑动窗口;获得作为第一聚类中心;分别确定三个经过第一聚类中心的分别垂直三个颜色通道方向的平面;将三个平面分别在对应的方向进行移动,直至平面中不存在像素点,基于每个平面中原始的像素点数量和每次移动后每个平面像素点的数量获得每个平面所对应的颜色通道中的异常像素表现;基于每个颜色通道中的异常像素表现对表面图像进行灰度化处理得到灰度图;根据灰度图判断不锈钢制品是否异常。本发明能够准确快速的识别不锈钢制品的是否异常。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于机器视觉的不锈钢制品异常识别方法。
背景技术
对于不锈钢制品的异常主要表现在表面异常,常见的有裂缝、凹坑以及划伤等等,都直接影响着不锈钢制品的质量。所以在不锈钢制品的生产过程中,需要对不锈钢制品的表面异常进行识别,以反馈调节设备或者筛选生产的残次品。对于不锈钢表面异常的识别,主要针对异常引起的像素值得差异。
现有的图像表面异常识别主要为阈值分割,但是在不锈钢制品表面存在程度不一的异常时,或者由于光照造成的局部异常的覆盖时,常规的阈值无法识别到较小的异常或者被光照覆盖的异常,所以容易造成异常识别遗漏,导致不锈钢制品的检测不准确。还可以利用异常在RGB颜色空间中的表现对图像进行加权灰度化,从而突出异常在图像中的表现。在颜色空间分析,利用均值漂移获得正常区域的像素在颜色空间中的聚类,但是,常规的均值漂移存在滑窗迭代导致的计算速度慢,计算量大的缺点。
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基于机器视觉的不锈钢制品异常识别方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于机器视觉的不锈钢制品异常识别方法:
获得只包含不锈钢制品RGB格式的表面图像;设定预设数量的初始聚类中心以及规定形状和尺寸的滑动窗口;
根据滑动窗口的中心对应的向量、滑动窗口中心在滑动窗口尺寸范围内的像素点对应的向量以及表面图像像素点的数量获得滑动窗口的均值向量;根据一个滑动窗口之前相邻的预设数量的滑动窗口的均值向的夹角得到滑动窗口调整后的均值向量并进行聚类;获得不锈钢表面正常像素值对应的聚类中心,作为第一聚类中心;
分别确定三个经过第一聚类中心的分别垂直三个颜色通道方向的平面;将三个平面分别在对应的方向进行移动,直至平面中不存在像素点,基于每个平面中原始的像素点数量和每次移动后每个平面像素点的数量获得每个平面所对应的颜色通道中的异常像素表现;
基于每个颜色通道中的异常像素表现对表面图像进行灰度化处理得到灰度图;根据灰度图判断不锈钢制品是否异常。
优选地,设定预设数量的初始聚类中心以及规定形状和尺寸的滑动窗口包括:
基于初始聚类中心在三维颜色空间中的距离均匀设置初始聚类中心的位置;滑动窗口为半径为R的球体。
优选地,均值向量为:
其中,表示第i个滑动窗口中心对应的向量,表示第i个滑动窗口中心在半径为R的范围内的点对应的向量;表示两个向量的差值向量,表示第i个滑动窗口中心在半径为R的范围内的点的数量,表示差值向量的模;表示图像中像素值与相同的像素点的数量,N表示表面图像中像素点总数量; 表示第i个滑动窗口内所有差值向量的均值,也即是第i个滑动窗口的均值向量。
优选地,调整后的均值向量为:
优选地,获得不锈钢表面正常像素值对应的聚类中心,作为第一聚类中心包括:选择不同聚类中心对应的滑动窗口内点的数量最大的聚类中心为第一聚类中心。
优选地,异常像素表现:
优选地,基于每个颜色通道中的异常像素表现对表面图像进行灰度化处理得到灰度图包括:
获得灰度值计算公式:
其中,表示常规的图像灰度化;I表示灰度化后一个像素点的灰度值,R、G、B分别表示一个像素点在R颜色通道、G颜色通道、B颜色通道中的值;,,分别表示不锈钢表面异常在RGB颜色空间中不同颜色通道的异常像素表现归一化后的值。
优选地,根据灰度图判断不锈钢制品是否异常包括:获得灰度图中大于预设阈值的像素点,为异常像素点;若异常像素点数量大于等于异常判断阈值,则灰度图对应的不锈钢制品为异常不锈钢制品。
本发明实施例至少具有如下有益效果:利用本发明方法,首先针对现有的阈值分割无法识别的不锈钢表面的较小的异常以及光照覆盖的异常,利用表面异常在不同颜色通道的不同表现,确定权值,进行加权灰度化,使得异常在图像中突出更加明显,解决了较小异常与光照覆盖异常的识别。
然后在颜色空间分析中,利用均值漂移获得不锈钢正常区域颜色在颜色空间中的聚类中心,此时针对现有的均值漂移运算速度慢,计算量大的缺点,本发明对每一个窗口运算中,利用不锈钢表面正常区域特点,获得更加偏向于正常颜色的向量均值,同时,利用窗口连续滑动的特点,对还同步长进行调整,从而使得均值漂移能够更加快速的获得聚类中心,解决了传统均值漂移运算速度慢,计算量大的缺点。
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为本发明实施例提供的一种基于机器视觉的不锈钢制品异常识别方法的方法流程图。
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基于机器视觉的不锈钢制品异常识别方法,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。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的不锈钢制品异常识别方法的具体方案。
实施例:
本发明的主要应用场景为:在不锈钢制品表面的异常识别中,不同的异常的表现形式不同,同时存在多种程度的异常表现,并且可能存在光照对部分异常覆盖的情况,但是被覆盖的异常或者程度较低的异常可能存在某个颜色通道的异常表现。所以本发明通过分析异常在RGB颜色空间中表现,对其进行加权灰度化,突出不锈钢表面的异常表现。
本发明的主要目的是:利用计算机视觉技术确定不锈钢表面异常在不同颜色通道中的表现,然后通过加权灰度化突出不锈钢表面的异常,便于异常识别。
请参阅图1,其示出了本发明实施例提供的一种基于机器视觉的不锈钢制品异常识别方法的方法流程图,该方法包括以下步骤:
步骤S1,获得只包含不锈钢制品RGB格式的表面图像;设定预设数量的初始聚类中心以及规定形状和尺寸的滑动窗口。
对于不锈钢制品的生产,可能存在多种影响不锈钢制品质量的表面异常,所以,一般生产完成需要对其进行表面异常识别。即生成完成的不锈钢制品需要传送到检测台,此时在检测台的上方安装相机,拍摄不锈钢制品图像。
在拍摄的图像中可能存在背景区域,所以利用语义分割技术获得只包含不锈钢制品区域的表面图像,后续计算均基于表面图像,表面图像为RGB格式的。
所以,本发明利用不锈钢表面像素在RGB颜色通道中的聚集性与不同颜色通道方向的偏离程度,获得异常在不同颜色通道中的表现,确定权重进行灰度化,从而突出异常表现,便于异常识别。为在RGB颜色空间中分析异常引起的RGB颜色空间中点偏离,首先需要获得正常区域对应RGB颜色空间中的聚类中心。本发明利用均值漂移聚类判断颜色空间中的聚集性,具体过程如下:
(1)确定初始的聚类中心。
均值漂移算法的本质为滑窗运算,对于滑窗运算首先需要确定滑动窗口的大小以及滑动窗口的起始位置。首先根据不锈钢制品表面颜色均匀的特点,为了更加快速的获得最终的聚类中心,可以设置较多个初始的聚类中心,本发明中设置初始聚类中心为预设数量,优选地预设数量的取值为4个(可根据实际场景进行调整),在不考虑聚类中心的特殊初始位置时,由于不锈钢制品表面颜色均匀,所以聚类中心在颜色空间中分布越均匀,均值漂移越快速的达到最终的聚类中心。所以将4个初始聚类中心按照在颜色空间中的距离均匀的设置在当前不锈钢制品的颜色空间中。
(2)确定滑动窗口的大小和形状。
均值漂移计算过程即为一个滑窗运算的过程,所以,在计算之前需要设置窗口的大小,在本发明中,因为在RGB三维颜色空间,所以设定滑动窗口为一个半径R=20的球体区域。(窗口半径可根据实际场景进行调整)。
步骤S2,根据滑动窗口的中心对应的向量、滑动窗口中心在滑动窗口尺寸范围内的像素点对应的向量以及表面图像像素点的数量获得滑动窗口的均值向量;根据一个滑动窗口之前相邻的预设数量的滑动窗口的均值向的夹角得到滑动窗口调整后的均值向量并进行聚类;获得不锈钢表面正常像素值对应的聚类中心,作为第一聚类中心。
根据颜色空间中的聚类中心,确定不同颜色通道的偏离,反应异常在不同颜色通道中的表现。本发明中主要运用不锈钢表面异常在RGB颜色空间中不同颜色通道中的不同表现,确定灰度化权值,获得突出异常的灰度图像,再进行表面异常识别。对于RGB颜色空间中异常的不同表现则根据不同颜色通道相对于RGB颜色空间中聚类中心的偏移进行判断,同时RGB颜色空间中的聚类通过均值漂移完成。
对于均值漂移聚类,其本质为一个滑窗迭代过程,在每一次的窗口运算中,窗口内的点都参与当前窗口运算,常规的运算都是对窗口内的点进行相同尺度的参与运算,但是在实际中不同的点对窗口的贡献值不一致;同时,常规的均值漂移具有迭代过程慢,计算量大的不足,所以本发明利用以下步骤以克服以上问题:
首先需要计算偏移量。均值漂移利用滑动窗口通过将中心点移向窗口内点的均值来移向更高密度区域,窗口漂移的方式是根据滑动窗口中心点与其他点构成向量,并计算出最终的窗口的均值向量来确定的。在本发明中在RGB颜色空间中滑动窗口均值表示为:
其中,表示第i个滑动窗口中心对应的向量,表示第i个滑动窗口中心在半径为R的范围内的点对应的向量,表示两个向量的差值向量;表示第i个滑动窗口中心在半径为R的范围内的点的数量,表示差值向量的模;即点与之间的距离,越大,表示距离当前窗口中心越远,所以对当前窗口漂移的影响越小,表示图像中像素值与相同的像素点的数量,N表示表面图像中像素点总数量,表示与相同的像素点在图像中的占比,越大,表示像素值为不锈钢正常区域像素值的可能性越高,又因为本发明聚类的目的为获得正常区域的像素值的聚类,所以,像素属于正常像素值的可能性越大,对均值向量的影响越大;此时表示该窗口内所有差值向量的均值,也即是第i个滑动窗口的均值向量,所以向量即表示第i个窗口漂移的方向与大小。
上式主要根据当前对不锈钢表面正常区域像素值的聚类目的,首先在窗口均值向量计算过程中利用各点与窗口中心的距离为权值,因为窗口内与聚类中心点的距离越远的点,对聚类中心的影响越小;然后根据像素值在原始图像中占比,占比越大,越表示正常区域,对窗口滑动的影响越大。
主要利用不锈钢表面均匀的颜色,对均值漂移的窗口均值向量进行改进,利用上述步骤首先针对窗口中不同的点对窗口均值向量的不同影响,确定不同向量的权值,在窗口中距离中心点越近,对当前窗口均值向量的影响越大,同时窗口内的点对应图像中的像素点数量占比越大,该点越趋近于不锈钢表面像素值,所以其对窗口均值向量的影响越大,所以偏移量计算中的权值更大,即对窗口运算的贡献更大,此时所获得的窗口均值向量更加偏向于不锈钢表面正常区域像素值,所以相比于常规的均值漂移,本发明方法能够使得窗口向正常像素值滑动。
上述分析主要针对在RGB颜色空间中均值漂移的窗口漂移方向向最终的正常区域对应的像素在颜色空间中的聚类中心。但是均值漂移算法是一个迭代的过程,所以一般存在计算量大的情况,为此,在本发明中利用不锈钢表面颜色均匀的特点,对均值漂移的窗口滑动加以调整,即改变均值漂移的步长。
因为不锈钢制品的表面颜色均匀分布的特点,所以在RGB颜色空间中进行均值漂移的最终窗口即反映不锈钢表面正常区域的像素值,此时,对于每一个窗口进行漂移时,其方向越一致,越有可能为趋于正常像素值的窗口,此时根据单个滑动窗口的漂移方向对滑动窗口漂移的均值向量进行调,得到调整后的
其中表示第个滑动窗口的均值向量,表示第i个滑动窗以及之前相邻的窗口均值向量之间第个夹角,越大,表示相邻均值向量之间的夹角越大,即窗口漂移的方向的差异越大,表示需要计算的夹角数量,在本发明中设置,也即是预设数量的取值为4(可根据实际场景进行调整),表示第i个窗口之前个窗口均值向量夹角的均值,越小,表示第i个窗口漂移方向一致性越高,此时可以对第i个窗口漂移向量进行调整,即窗口漂移步长调整为,其中表示第i个窗口原本的均值向量,即代表窗口漂移的方向及步长。但是,可能存在的情况,对应窗口漂移方向相反,此时对第i个窗口均值向量不进行调整,经过调整后的窗口的均值向量表示为。
对滑动窗口的均值向量进行调整,主要针对均值向量的大小,对于连续多次漂移方向一致的窗口,可以认为其漂移方向趋近于不锈钢表面正常区域的像素值,即理想情况下最终的聚类中心,所以为了加快窗口漂移的速度,对其窗口均值向量进行调整。所以,上述步骤主要增加的窗口漂移的步长,更快速的获得最终的聚类中心。
在完成聚类之后,由于不锈钢表面可能存在缺陷,所以多个起始窗口中,可能存在向异常区域像素值聚类的情况,所以,首先在最终聚类中心中,获得不锈钢表面正常区域像素值的聚类中心。
已知经过均值漂移获得个聚类中心,此时在时,需要在个聚类中心中选择不锈钢表面正常区域像素值对应的聚类中心,此时利用每个聚类中心对应在窗口内点的数量进行判断。所以,选择不同聚类中心对应的窗口内点的数量最大的聚类中心,即表示不锈钢表面正常区域像素值在颜色空间中的聚类中心,记为第一聚类中心。在时,对应的聚类中心即为锈钢表面正常区域像素值在颜色空间中的聚类中心。
步骤S3,分别确定三个经过第一聚类中心的分别垂直三个颜色通道方向的平面;将三个平面分别在对应的方向进行移动,直至平面中不存在像素点,基于每个平面中原始的像素点数量和每次移动后每个平面像素点的数量获得每个平面所对应的颜色通道中的异常像素表现。
根据上述步骤,获得不锈钢表面正常区域像素值在RGB颜色空间中的聚类中心,即在不锈钢表面异常分析中获得标准的比对值,此时根据正常区域在颜色空间中的聚类中心,判断RGB颜色空间中的点的偏离方向,从而反映异常在不同颜色通道中的表现。
在RGB颜色空间中,首先判断不同的颜色通道方向的点相对于聚类中心的聚集性。确定三个经过聚类中心的平面分别垂直于三个颜色通道方向,此时每个平面中存在点的数量分别表示为,,,然后将平面分别在对应的方向进行移动,直至平面中不存在点,停止平面的移动。此时根据每次移动平面中点的数量判断不锈钢表面异常在三个颜色通道的表现。以R通道为例,在R颜色通道中的异常像素表现:
其中表示在R通道方向第个平面中点的数量,表示在三个颜色方向中第个平面中点的数量均值,所以表示R通道在不锈钢表面颜色中的表现,又因为在颜色空间中,越远离聚类中心的点,越可能为不锈钢表面的异常表现,所以以平面与聚类中心的距离为权值,获得整个R通道方向中所有平面中存在点的数量在不锈钢表面的异常表现,其中表示R通道方向与聚类中心的最远距离。
在不锈钢表面存在异常区域时,在颜色空间中会使得聚类向异常像素值的最大表现颜色通道方向移动,所以对于与聚类中心距离相同的平面中点的数量越多,表示颜色空间中的点向该通道方向移动,即在越大,颜色空间中的点向r通道方向移动,又因为移动的原因为不锈钢表面存在异常,所以越大,表示不锈钢表面的异常在R通道的表现越大;同时距离聚类中心越远,对应点异常的长度越大,所以采用反应不锈钢表面的异常在R通道的表现。
但是当不锈钢表面存在异常时,不同程度或者在图像中不同表现的异常可能在某一个颜色空间中的存在较大程度的偏离,即异常区域的像素值在RGB三通道的颜色空间中会偏离于正常区域的像素值,所以利用了上述的聚类中,通过不同颜色通道方向的点的数量判断颜色空间中点的移动,从而反异常在不同颜色通道中的不同表现,然后后续根据RGB颜色空间中的异常表现对原始图像进行灰度化,从而使得不锈钢表面的异常在图像中更加明显。
步骤S4,基于每个颜色通道中的异常像素表现对表面图像进行灰度化处理得到灰度图;根据灰度图判断不锈钢制品是否异常。
获得不锈钢表面像素值在颜色空间中的偏移,此时RGB颜色空间中点的在不同颜色通道中的偏移反映不锈钢表面异常在不同颜色通道中的表现,为了使得不锈钢表面的异常更加明显,在本发明中利用RGB颜色空间中不同颜色通道的异常像素表现对原始图像进行灰度化处理:
其中表示常规的图像灰度化,,,分别表示不锈钢表面异常在RGB颜色空间中不同颜色通道的异常像素表现归一化后的值,所以上述主要是根据,,对图像进行加权灰度化处理,即突出异常表现强的颜色通道,从而使得异常在图像中更加明显。
获得不锈钢表面异常在不同颜色通道中的表现,根据不锈钢表面异常在不同颜色通道中的表现,对不锈钢表面图像进行加权灰度化。主要是因为,在不锈钢表面存在程度不一的异常,采用现有的阈值分割时,在同一分割运算中无法考虑到所有不同程度和不同形式的异常,导致无法进行全面的异常分割,故分割效果不好;同时在不锈钢表面存在光照不均匀的情况,导致现有的梯度分析法同样无法识别出被光照覆盖的异常区域,导致梯度分析也无法获得准确的异常区域。所以在本发明中利用不锈钢表面异常在不同颜色空间中的表现,对原始图像中异常表现强颜色空间进行放大处理,首先相比于梯度异常分析方法,避免了进行光照不均匀等影响造成的不锈钢表面的局部异常覆盖的影响;同时相比于现有的阈值分割法,避免了异常程度不一致造成的较大异常对较小异常的影响,实现不同程度异常的异常识别,进而实现更加准确的异常识别。
利用不锈钢表面异常在不同颜色空间中的表现,对原始图像进行灰度化,此时获得的灰度图主要反映图像中的异常,此时设置阈值判断图像中的异常像素点,在本发明中设置预设阈值W,阈值W的取值可由实施者根据具体情况进行调整,大于阈值的像素点为异常像素点。
根据不锈钢表面异常像素点的数量判断不锈钢制品的异常。在本发明方案中设置Q=50(可根据实际场景进行调整),对于异常像素点的数量小于异常判断阈值Q的不锈钢制品,识别为正常的不锈钢制品,对于异常像素点的数量大于等于异常判断阈值Q的不锈钢制品,识别为异常不锈钢制品。至此,完成不锈钢制品的异常识别。
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。且上述对本说明书特定实施例进行了描述。另外,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 (8)
1.一种基于机器视觉的不锈钢制品异常识别方法,其特征在于,该方法包括:
获得只包含不锈钢制品RGB格式的表面图像;设定预设数量的初始聚类中心以及规定形状和尺寸的滑动窗口;
根据滑动窗口的中心对应的向量、滑动窗口中心在滑动窗口尺寸范围内的像素点对应的向量以及表面图像像素点的数量获得滑动窗口的均值向量;根据一个滑动窗口之前相邻的预设数量的滑动窗口的均值向的夹角得到滑动窗口调整后的均值向量并进行聚类;获得不锈钢表面正常像素值对应的聚类中心,作为第一聚类中心;
分别确定三个经过第一聚类中心的分别垂直三个颜色通道方向的平面;将三个平面分别在对应的方向进行移动,直至平面中不存在像素点,基于每个平面中原始的像素点数量和每次移动后每个平面像素点的数量获得每个平面所对应的颜色通道中的异常像素表现;
基于每个颜色通道中的异常像素表现对表面图像进行灰度化处理得到灰度图;根据灰度图判断不锈钢制品是否异常。
2.根据权利要求1所述的一种基于机器视觉的不锈钢制品异常识别方法,其特征在于,所述设定预设数量的初始聚类中心以及规定形状和尺寸的滑动窗口包括:
基于初始聚类中心在三维颜色空间中的距离均匀设置初始聚类中心的位置;滑动窗口为半径为R的球体。
5.根据权利要求1所述的一种基于机器视觉的不锈钢制品异常识别方法,其特征在于,所述获得不锈钢表面正常像素值对应的聚类中心,作为第一聚类中心包括:选择不同聚类中心对应的滑动窗口内点的数量最大的聚类中心为第一聚类中心。
8.根据权利要求1所述的一种基于机器视觉的不锈钢制品异常识别方法,其特征在于,所述根据灰度图判断不锈钢制品是否异常包括:获得灰度图中大于预设阈值的像素点,为异常像素点;若异常像素点数量大于等于异常判断阈值,则灰度图对应的不锈钢制品为异常不锈钢制品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169965.4A CN115294102B (zh) | 2022-09-26 | 2022-09-26 | 基于机器视觉的不锈钢制品异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169965.4A CN115294102B (zh) | 2022-09-26 | 2022-09-26 | 基于机器视觉的不锈钢制品异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294102A true CN115294102A (zh) | 2022-11-04 |
CN115294102B CN115294102B (zh) | 2022-12-30 |
Family
ID=83833823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169965.4A Active CN115294102B (zh) | 2022-09-26 | 2022-09-26 | 基于机器视觉的不锈钢制品异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294102B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333825A (zh) * | 2023-12-01 | 2024-01-02 | 尚古智造(山东)智能装备有限公司 | 一种基于计算机视觉的电缆桥架监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
CN114359190A (zh) * | 2021-12-23 | 2022-04-15 | 武汉金丰塑业有限公司 | 一种基于图像处理的塑料制品成型控制方法 |
CN115100203A (zh) * | 2022-08-25 | 2022-09-23 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
-
2022
- 2022-09-26 CN CN202211169965.4A patent/CN115294102B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN114359190A (zh) * | 2021-12-23 | 2022-04-15 | 武汉金丰塑业有限公司 | 一种基于图像处理的塑料制品成型控制方法 |
CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
CN115100203A (zh) * | 2022-08-25 | 2022-09-23 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333825A (zh) * | 2023-12-01 | 2024-01-02 | 尚古智造(山东)智能装备有限公司 | 一种基于计算机视觉的电缆桥架监测方法 |
CN117333825B (zh) * | 2023-12-01 | 2024-02-23 | 尚古智造(山东)智能装备有限公司 | 一种基于计算机视觉的电缆桥架监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115294102B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117351008B (zh) | 一种智能手机面板表面缺陷检测方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN115294102B (zh) | 基于机器视觉的不锈钢制品异常识别方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
CN114820773A (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN115330757B (zh) | 一种电路板焊点缺陷检测方法及系统 | |
CN116071363B (zh) | 一种自动化型钢智能生产监测系统 | |
CN111401449A (zh) | 一种基于机器视觉的图像匹配方法 | |
CN116152262B (zh) | 一种离子性中间膜外观缺陷检测方法 | |
CN115049656A (zh) | 硅钢轧制过程中缺陷的显著性识别与分类方法 | |
CN112378350A (zh) | 一种网络变压器pin脚平整度检测方法 | |
CN117764986A (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN115620061A (zh) | 一种基于图像识别技术的五金零件缺陷检测方法及系统 | |
CN115272353A (zh) | 适用于裂纹检测的图像处理方法 | |
CN114187267B (zh) | 基于机器视觉的冲压件缺陷检测方法 | |
CN115908362A (zh) | 一种滑板轮的耐磨性检测方法 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN117745715B (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
CN115170545A (zh) | 一种动态熔池尺寸检测及成形方向判别方法 | |
CN116152247A (zh) | 一种聚氨酯涂膜的质量评估方法 | |
CN116630304A (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 |
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 |