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 PDF

Info

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
Application number
CN202211169965.4A
Other languages
English (en)
Other versions
CN115294102B (zh
Inventor
左有海
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.)
Rudong Yanfeng Steel Structure Co ltd
Original Assignee
Rudong Yanfeng Steel Structure 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 Rudong Yanfeng Steel Structure Co ltd filed Critical Rudong Yanfeng Steel Structure Co ltd
Priority to CN202211169965.4A priority Critical patent/CN115294102B/zh
Publication of CN115294102A publication Critical patent/CN115294102A/zh
Application granted granted Critical
Publication of CN115294102B publication Critical patent/CN115294102B/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
    • G06T7/90—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

基于机器视觉的不锈钢制品异常识别方法
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：
Figure 442052DEST_PATH_IMAGE001
其中，
Figure 426189DEST_PATH_IMAGE002
表示第i个滑动窗口中心对应的向量，
Figure 687494DEST_PATH_IMAGE003
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；
Figure 544723DEST_PATH_IMAGE004
表示两个向量的差值向量，
Figure 84288DEST_PATH_IMAGE005
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，
Figure 996750DEST_PATH_IMAGE006
表示差值向量的模；
Figure 305371DEST_PATH_IMAGE007
表示图像中像素值与
Figure 130239DEST_PATH_IMAGE002
相同的像素点的数量，N表示表面图像中像素点总数量；
Figure 891522DEST_PATH_IMAGE008
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：
Figure 545357DEST_PATH_IMAGE009
其中，
Figure 583851DEST_PATH_IMAGE008
表示第
Figure 704254DEST_PATH_IMAGE010
个滑动窗口的均值向量，
Figure 343046DEST_PATH_IMAGE011
表示第i个滑动窗以及之前相邻的窗口均值向量之间第
Figure 207096DEST_PATH_IMAGE012
个夹角；
Figure 568939DEST_PATH_IMAGE013
表示需要计算的夹角数量；
Figure 250456DEST_PATH_IMAGE014
表示第i个滑动窗口调整后的均值向量。
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：
Figure 986331DEST_PATH_IMAGE015
其中，
Figure 263859DEST_PATH_IMAGE016
表示在R通道方向第
Figure 401580DEST_PATH_IMAGE017
个平面中点的数量，
Figure 519577DEST_PATH_IMAGE018
表示在三个颜色方向中第
Figure 477169DEST_PATH_IMAGE017
个平面中点的数量均值；
Figure 27230DEST_PATH_IMAGE019
表示R通道方向与聚类中心的最远距离；
Figure 409670DEST_PATH_IMAGE020
表示R颜色通道中异常像素表现。
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：
Figure 121405DEST_PATH_IMAGE021
其中，
Figure 831872DEST_PATH_IMAGE022
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；
Figure 966050DEST_PATH_IMAGE023
，
Figure 812783DEST_PATH_IMAGE024
，
Figure 751877DEST_PATH_IMAGE025
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：
Figure 684061DEST_PATH_IMAGE001
其中，
Figure 621930DEST_PATH_IMAGE002
表示第i个滑动窗口中心对应的向量，
Figure 588749DEST_PATH_IMAGE003
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，
Figure 439025DEST_PATH_IMAGE004
表示两个向量的差值向量；
Figure 920822DEST_PATH_IMAGE005
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，
Figure 272169DEST_PATH_IMAGE006
表示差值向量的模；即点
Figure 421390DEST_PATH_IMAGE003
与
Figure 442567DEST_PATH_IMAGE002
之间的距离，
Figure 349343DEST_PATH_IMAGE006
越大，表示
Figure 629015DEST_PATH_IMAGE002
距离当前窗口中心
Figure 304847DEST_PATH_IMAGE003
越远，所以对当前窗口漂移的影响
Figure 762504DEST_PATH_IMAGE026
越小，
Figure 156576DEST_PATH_IMAGE007
表示图像中像素值与
Figure 974360DEST_PATH_IMAGE002
相同的像素点的数量，N表示表面图像中像素点总数量，
Figure 770277DEST_PATH_IMAGE027
表示与
Figure 398836DEST_PATH_IMAGE002
相同的像素点在图像中的占比，
Figure 14625DEST_PATH_IMAGE027
越大，表示像素值
Figure 636099DEST_PATH_IMAGE002
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
Figure 286523DEST_PATH_IMAGE027
越大，对均值向量的影响越大；此时
Figure 85983DEST_PATH_IMAGE008
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
Figure 454648DEST_PATH_IMAGE008
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
Figure 614233DEST_PATH_IMAGE028
其中
Figure 119164DEST_PATH_IMAGE008
表示第
Figure 89525DEST_PATH_IMAGE010
个滑动窗口的均值向量，
Figure 679907DEST_PATH_IMAGE011
表示第i个滑动窗以及之前相邻的窗口均值向量之间第
Figure 643183DEST_PATH_IMAGE012
个夹角，
Figure 268200DEST_PATH_IMAGE011
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，
Figure 409462DEST_PATH_IMAGE013
表示需要计算的夹角数量，在本发明中设置
Figure 487140DEST_PATH_IMAGE029
，也即是预设数量的取值为4（可根据实际场景进行调整），
Figure 988528DEST_PATH_IMAGE030
表示第i个窗口之前
Figure 468051DEST_PATH_IMAGE013
个窗口均值向量夹角的均值，
Figure 39935DEST_PATH_IMAGE030
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
Figure 604908DEST_PATH_IMAGE031
，其中
Figure 909988DEST_PATH_IMAGE008
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
Figure 509596DEST_PATH_IMAGE032
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
Figure 992661DEST_PATH_IMAGE014
。
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
Figure 779352DEST_PATH_IMAGE033
个聚类中心，此时在
Figure 888122DEST_PATH_IMAGE034
时，需要在
Figure 342237DEST_PATH_IMAGE033
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
Figure 996204DEST_PATH_IMAGE035
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
Figure 270190DEST_PATH_IMAGE019
，
Figure 120334DEST_PATH_IMAGE036
，
Figure 225694DEST_PATH_IMAGE037
，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：
Figure 253824DEST_PATH_IMAGE015
其中
Figure 405319DEST_PATH_IMAGE016
表示在R通道方向第
Figure 465679DEST_PATH_IMAGE017
个平面中点的数量，
Figure 35332DEST_PATH_IMAGE018
表示在三个颜色方向中第
Figure 155735DEST_PATH_IMAGE017
个平面中点的数量均值，所以
Figure 528947DEST_PATH_IMAGE038
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
Figure 392998DEST_PATH_IMAGE017
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
Figure 551578DEST_PATH_IMAGE039
，其中
Figure 170778DEST_PATH_IMAGE019
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
Figure 906653DEST_PATH_IMAGE038
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
Figure 449761DEST_PATH_IMAGE038
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
Figure 587481DEST_PATH_IMAGE040
反应不锈钢表面的异常在R通道的表现。
同理，根据以上方法分别获得不锈钢表面异常在G通道中和B通道中的异常像素表现，分别表示为
Figure 439900DEST_PATH_IMAGE041
，
Figure 663070DEST_PATH_IMAGE042
。
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：
Figure 213132DEST_PATH_IMAGE043
其中
Figure 329992DEST_PATH_IMAGE022
表示常规的图像灰度化，
Figure 759837DEST_PATH_IMAGE023
，
Figure 470304DEST_PATH_IMAGE024
,
Figure 372792DEST_PATH_IMAGE025
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
Figure 219526DEST_PATH_IMAGE023
，
Figure 413746DEST_PATH_IMAGE024
,
Figure 424559DEST_PATH_IMAGE025
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
Figure 237794DEST_PATH_IMAGE044
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。
3.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，所述均值向量为：
Figure DEST_PATH_IMAGE001
其中，
Figure 440743DEST_PATH_IMAGE002
表示第i个滑动窗口中心对应的向量，
Figure 946811DEST_PATH_IMAGE003
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；
Figure 444919DEST_PATH_IMAGE004
表示两个向量的差值向量，
Figure 186479DEST_PATH_IMAGE005
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，
Figure 7805DEST_PATH_IMAGE006
表示差值向量的模；
Figure 497823DEST_PATH_IMAGE007
表示图像中像素值与
Figure 529233DEST_PATH_IMAGE002
相同的像素点的数量，N表示表面图像中像素点总数量；
Figure 949850DEST_PATH_IMAGE008
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。
4.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，所述调整后的均值向量为：
Figure 501048DEST_PATH_IMAGE009
其中，
Figure 411235DEST_PATH_IMAGE008
表示第
Figure 70887DEST_PATH_IMAGE010
个滑动窗口的均值向量，
Figure 633543DEST_PATH_IMAGE011
表示第i个滑动窗以及之前相邻的窗口均值向量之间第
Figure 429461DEST_PATH_IMAGE012
个夹角；
Figure 244970DEST_PATH_IMAGE013
表示需要计算的夹角数量；
Figure 1705DEST_PATH_IMAGE014
表示第i个滑动窗口调整后的均值向量。
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。
6.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，
所述异常像素表现：
Figure 498545DEST_PATH_IMAGE015
其中，
Figure 273603DEST_PATH_IMAGE016
表示在R通道方向第
Figure 463276DEST_PATH_IMAGE017
个平面中点的数量，
Figure 441727DEST_PATH_IMAGE018
表示在三个颜色方向中第
Figure 804575DEST_PATH_IMAGE017
个平面中点的数量均值；
Figure 575085DEST_PATH_IMAGE019
表示R通道方向与聚类中心的最远距离；
Figure 545447DEST_PATH_IMAGE020
表示R颜色通道中异常像素表现。
7.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：
Figure 401407DEST_PATH_IMAGE021
其中，
Figure 364684DEST_PATH_IMAGE022
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；
Figure 68329DEST_PATH_IMAGE023
，
Figure 599804DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
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。
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。
CN202211169965.4A 2022-09-26 2022-09-26 基于机器视觉的不锈钢制品异常识别方法 Active CN115294102B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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