CN115953398A - 一种用于带钢表面的缺陷识别方法 - Google Patents
一种用于带钢表面的缺陷识别方法 Download PDFInfo
- Publication number
- CN115953398A CN115953398A CN202310231775.9A CN202310231775A CN115953398A CN 115953398 A CN115953398 A CN 115953398A CN 202310231775 A CN202310231775 A CN 202310231775A CN 115953398 A CN115953398 A CN 115953398A
- Authority
- CN
- China
- Prior art keywords
- run
- gray
- strip steel
- gray level
- advantage
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 144
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 96
- 239000010959 steel Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009792 diffusion process Methods 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 69
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000004677 Nylon Substances 0.000 abstract description 25
- 239000000463 material Substances 0.000 abstract description 25
- 229920001778 nylon Polymers 0.000 abstract description 25
- 238000010586 diagram Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- SDVOJIRXJLEGCY-ZFRLFKIJSA-N spc3 Chemical compound N([C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)NCCCC[C@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)CN)C(=O)NCCCC[C@H](NC(=O)[C@H](CCCCNC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)CN)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)CN)C(=O)NCCCC[C@H](NC(=O)[C@H](CCCCNC(=O)[C@H](CCCCNC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)CN)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)CN)NC(=O)[C@H](CCCCNC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)CN)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)CN)C(=O)NCCC(O)=O)C(=O)CNC(=O)[C@@H]1CCCN1C(=O)CN SDVOJIRXJLEGCY-ZFRLFKIJSA-N 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明涉及数据识别技术领域,具体涉及一种用于带钢表面的缺陷识别方法。该方法是一种应用电子设备进行识别的方法,利用人工智能系统完成对带钢表面的缺陷识别。该方法首先通过相机识别带钢图像和对应的灰度图像,对灰度图像进行数据处理得到对应的疑似缺陷区域;对疑似缺陷区域进行数据处理得到对应的长游程优势和短游程优势,根据长游程优势和短游程优势判断带钢的缺陷类别。本发明结合改性尼龙材料表面缺陷特征的方向信息构建出改性尼龙材料表面缺陷特征图,得到改性尼龙材料的表面平整度,最终根据改性尼龙材料的表面平整度对改性尼龙材料表面缺陷进行识别,确保了的完整性和准确性。
Description
技术领域
本发明涉及数据识别技术领域,具体涉及一种用于带钢表面的缺陷识别方法。
背景技术
带钢是各类轧钢企业为了适应不同工业部门工业化生产各类金属或机械产品的需要而生产的一种窄而长的钢板,可以广泛应用于设备制造以及金属件制造方面,其中包括环保设备外壳制造、设备外壳制造等等。在加工之前,需对生产带钢进行表面缺陷检测,以保证在制造设备外壳等之后表面无缺陷,从而保证设备外壳以及零件等的正常使用。
在带钢生产缺陷检测中,现阶段主要利用机器视觉的方式进行,但是现有机器视觉检测方式存在以下问题:对图像噪声敏感,且很难采集到全部的缺陷样本进行分析,而且在网络方面是一个漫长的设计和调试过程,计算量巨大且占用内存很多,很难部署在实际的工业生产中。传统方法在使用灰度游程矩阵对采集到的图像进行分析时,最常使用的方法是对不同方向上的灰度游程矩阵进行求均获得最终的灰度游程矩阵,并没有结合缺陷本身的特征。考虑到缺陷的形状特征以及分布特征,应在获取灰度游程矩阵之前,先获得在传统灰度游程矩阵方向上,灰度游程矩阵的权重比值,减少图像上的无关纹理信息对缺陷精度分析的影响,使得求出最终的灰度游程矩阵能够更好的贴合缺陷本身方向和形状特征。
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用于带钢表面的缺陷识别方法,所采用的技术方案具体如下:
采集带钢图像和对应的灰度图像;
获取灰度图像的灰度直方图和对应的邻域直方图;所述邻域直方图的横轴为像素点的灰度值,纵轴为像素点邻域内的灰度均值;
对邻域直方图内的数据点进行聚类,得到两个类别;将两个类别中灰度均值小的类别中数据点对应的像素点作为疑似缺陷像素点,得到疑似缺陷区域;对每个疑似缺陷区域进行扩散,得到扩散后的疑似缺陷区域的扩散长度,根据所述扩散长度和扩散的像素点数量获取疑似缺陷区域的灰度游程矩阵的权重值;根据所述权重值构建疑似缺陷区域的最优灰度游程矩阵;根据所述最优灰度游程矩阵中像素点的灰度计算长游程优势和短游程优势;
根据所述长游程优势和所述短游程优势判断带钢的缺陷类别;
其中,对每个疑似缺陷区域进行扩散的方法为:以疑似缺陷区域的质心所在像素点为中心,将其邻域内分为8个区间;基于疑似缺陷区域的区域边缘进行扩散,在相应的区间内每次只扩散一个像素点;满足扩散的像素点的扩散条件为差异度小于预设差异第一阈值;不满足扩散条件,则在此方向区间范围内停止扩散;
所述差异度的计算公式为:
其中,根据所述扩散长度和扩散的像素点数量获取疑似缺陷区域的灰度游程矩阵的权重值的方法为:以疑似缺陷区域的质心所在像素点为中心,将其邻域内分为4个区间组;根据区间组分别计算四个区间组的扩散长度和每个区间内满足差异度小于预设差异第二阈值的像素点数量;根据满足差异度小于预设差异第二阈值的像素点的数量占比作为区间组内的数量权重值;根据所述数量权重值和所述扩散长度计算每个区间组的区间权重值,每个区间权重值分别作为不同偏移方向下的灰度游程矩阵的权重值;
其中,最优灰度游程矩阵的计算公式:
其中,长游程优势的计算公式为:
其中,短游程优势的计算公式为:
其中,区间权重值的计算公式为:
优选的,所述根据所述长游程优势和所述短游程优势判断带钢的缺陷类别,包括:
当长游程优势和所述短游程优势均大于等于预设第一阈值时,带钢图像对应的带钢为正常带钢;当短游程优势大于等于预设第一阈值且长游程优势小于等于预设第二阈值时,带钢图像对应的带钢上存在划痕裂纹缺陷;当长游程优势大于等于预设第一阈值且短游程优势小于等于预设第二阈值时,带钢图像对应的带钢上存在麻点缺陷;其他情况下,带钢图像对应的带钢上存在片装类缺陷。
本发明实施例至少具有如下有益效果:
本发明采集带钢图像和对应的灰度图像;获取灰度图像的灰度直方图和对应的邻域直方图;所述邻域直方图的横轴为像素点的灰度值,纵轴为像素点邻域内的灰度均值;对邻域直方图内的数据点进行聚类,得到两个类别;将两个类别中灰度均值小的类别中数据点对应的像素点作为疑似缺陷像素点,得到疑似缺陷区域;对每个疑似缺陷区域进行扩散,得到扩散后的疑似缺陷区域的扩散长度,根据所述扩散长度和扩散的像素点数量获取疑似缺陷区域的灰度游程矩阵的权重值;根据所述权重值构建疑似缺陷区域的最优灰度游程矩阵;根据所述最优灰度游程矩阵中像素点的灰度计算长游程优势和短游程优势;根据所述长游程优势和所述短游程优势判断带钢的缺陷类别。本发明结合改性尼龙材料表面缺陷特征信息构建了量化的改性尼龙材料表面颜色特征信息,相较于传统颜色提取算法,具有计算维度低、准确性高的特点。进一步地,本发明结合改性尼龙材料表面缺陷特征的方向信息构建出改性尼龙材料表面缺陷特征图的信息,并根据该改性尼龙表面的缺陷特征图做进一步计算分析,得到改性尼龙材料的表面平整度,最终根据改性尼龙材料的表面平整度对改性尼龙材料表面缺陷进行识别,确保了的完整性和准确性。
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用于带钢表面的缺陷识别方法的方法流程图;
图2为本发明一个实施例所提供的0-45°区间内的扩散示意图。
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用于带钢表面的缺陷识别方法,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。
本发明实施例提供了一种用于带钢表面的缺陷识别方法的具体实施方法,该方法适用于带钢表面缺陷识别场景。该场景下在带钢传送带固定位置架设CCD相机进行视频拍摄,以得到对应的带钢图像。为了解决传统方法在使用灰度游程矩阵对采集到的图像进行分析时,最常使用的方法是是对不同方向上的灰度游程矩阵进行求均获得最终的灰度游程矩阵,并没有结合缺陷本身的特征的问题。本发明结合改性尼龙材料表面缺陷特征的方向信息构建出改性尼龙材料表面缺陷特征图的信息,并根据该改性尼龙表面的缺陷特征图做进一步计算分析,得到改性尼龙材料的表面平整度,最终根据改性尼龙材料的表面平整度对改性尼龙材料表面缺陷进行识别,确保了的完整性和准确性。
下面结合附图具体的说明本发明所提供的一种用于带钢表面的缺陷识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于带钢表面的缺陷识别方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集带钢图像和对应的灰度图像。
在带钢图像采集时,在带钢传送带固定位置架设CCD相机进行视频拍摄,其中,相机使用固定机位,传送带的位置固定,带钢的宽度也固定。在带钢传输过程中,拍摄视频并截取视频中某一帧图像进行裁剪,从而获取固定区域内的带钢图像。对带钢图像分析完成之后,后续依据传送带运行速度以及相机拍摄时间,获取下一张需要进行分析的带钢图像,在此过程中,需要注意避免裁剪出的带钢图像重合太多或是太少,会分别存在重复检测太多或是漏检的情况。在本发明实施例中对图像进行裁剪,获取固定区域内的带钢图像可采用阈值分割的方法提取出固定区域内的带钢图像,在其他实施例中还可通过对图像进行二值化,根据二值化后的图形获取固定区域内的带钢图像。
在获取到分割后的带钢图像之后,将带钢图像转化为灰度图像,对灰度图像进行分析。
步骤S200,获取灰度图像的灰度直方图和对应的邻域直方图;所述邻域直方图的横轴为像素点的灰度值,纵轴为像素点邻域内的灰度均值。
由于带钢表面缺陷分布方向或者分布区域并不是相同的,所以根据分布方向进行自适应的选取不同方向的灰度游程矩阵的权重值,对不同方向上的灰度游程矩阵进行加权求和,而不是传统的进行简单求均值的方式进行灰度游程矩阵的叠加。在这过程中需先判断出异常区域,其次根据异常区域内的像素点进行扩散,并记录相应的方向上的灰度游程长度和相似像素点的分布数量作为权重值,获取最优的灰度游程矩阵。最终通过特征描述值对带钢表面的缺陷类型进行特征区分。
本发明通过获取最优灰度游程矩阵以及计算最终的特征描述值来区分缺陷,具体过程为:(1)获取灰度图像的灰度直方图和对应的邻域直方图。(2)获取疑似缺陷区域,并根据疑似缺陷区域内的像素点进行方向上的扩散,并记录相应扩散的长度以及像素点分布数量,确定最优灰度游程矩阵的权重值。(3)构建最优灰度游程矩阵的长游程优势和短游程优势。
以下为具体展开:
获取灰度图像的灰度直方图和对应的邻域直方图。
获取采集到灰度图像的灰度直方图,灰度图像的亮度被分到0-255共256个灰度值中,数值越大,表示图像越亮,其中0表示为最暗的黑色像素点,255表示最亮的白色像素点。
该灰度均值的计算公式为:
在本发明实施例中邻域的边长为3,在其他实施例中实施者可根据实际情况调整该取值。
并根据灰度直方图信息获取对应的邻域直方图,其邻域直方图参数为像素点灰度值以及邻域内的灰度均值,也即邻域直方图的横轴为像素点的灰度值,纵轴为像素点邻域内的灰度均值。邻域直方图在一维灰度直方图中加入了邻域灰度信息。
步骤S300,对邻域直方图内的数据点进行聚类,得到两个类别;将两个类别中灰度均值小的类别中数据点对应的像素点作为疑似缺陷像素点,得到疑似缺陷区域;对每个疑似缺陷区域进行扩散,得到扩散后的疑似缺陷区域的扩散长度,根据所述扩散长度和扩散的像素点数量获取疑似缺陷区域的灰度游程矩阵的权重值;根据所述权重值构建疑似缺陷区域的最优灰度游程矩阵;根据所述最优灰度游程矩阵中像素点的灰度计算长游程优势和短游程优势。
获取疑似缺陷区域,并根据疑似缺陷区域内的像素点进行方向上的扩散,并记录相应扩散的长度以及像素点分布数量,确定最优灰度游程矩阵的权重比值。
带钢图像上,可能存在以下几种类型像素点:
像素点灰度值与其邻域内的灰度均值相似,且灰度值较高,为带钢正常区域像素点,其区域内灰度变化较为平滑,像素点之间的灰度差异较小。
像素点灰度值与其邻域内的灰度均值相似,且灰度值较低,为带钢缺陷区域像素点,其区域内灰度变化较为平滑,像素点之间的灰度差异较小。
像素点灰度值与邻域内灰度均值相差较大,像素点为缺陷边缘像素点,其灰度变化较为剧烈,像素点在梯度方向上差异较大。
所以获取当前带钢图像的邻域直方图,用以确定当前带钢区域内部的疑似缺陷区域:
疑似缺陷区域在X轴和Y轴上分别表示:像素点的灰度值以及像素点邻域内的灰度均值。以邻域直方图中的数据点为例,其中所有的数据点表示的含义为:像素点的灰度值以及像素点邻域内的灰度均值之间的关系。大致可分为两类像素点,一类是疑似缺陷像素点,其中包含像素点缺陷内部和缺陷边缘像素点,此类像素点的灰度值偏低,表现在二维直方图中的位置信息为偏左下角;另一类是带钢区域像素点,其中包含带钢内部正常的像素点以及少量噪声点信息,此类像素点的灰度值偏高,表现在二维直方图中的位置信息为偏右上角。
因此使用K-means聚类算法对二维直方图中的数据点进行聚类,设置初始聚类初始簇K值为2,并开始对数据点进行迭代聚类,即得到两个类别。聚类结果分为两个类别,分别计算两个类别中数据点所代表的像素点的灰度均值,其中两个类别中灰度均值较大的类别记为,两个类别中灰度均值较小的类别记为,分别可以代表带钢主体像素点和缺陷主体像素点。聚类结果可能存在误差,但是两个类簇中的数据点能分别代表带钢和缺陷的主体也就是大多数像素点。故将两个类别中灰度均值小的类别中数据点对应的像素点作为疑似缺陷像素点,得到疑似缺陷区域。随后在带钢图像中还原灰度均值较小的类别中像素点的分布关系,由此可得出带钢图像中疑似缺陷区域和对应的各个连通域。
随后对每个疑似缺陷区域的连通域进行分析,选取各个疑似缺陷区域质心位置的像素点进行扩散,判断当前疑似缺陷区域的主体延伸方向,用以获取整个疑似缺陷区域的灰度游程矩阵的权重值进行后续获取最优灰度游程矩阵的参数。
以疑似缺陷区域质心处像素点为起始点开始进行扩散,扩散之后的相似像素点是在疑似缺陷区域的主体方向上的,也就是在某一方向上延伸出的像素点长度越大,代表在此方向上能表示疑似缺陷区域的在图像上的分布方向。那么在邻域某一方向内扩散的长度结果可代表当前疑似缺陷区域的延伸程度。且延伸方向区域内部相似像素点的分布数量能很好的描述疑似缺陷区域在某一方向上,形状分布的大体位置。即在计算灰度游程矩阵之前,首先通过扩散的方式确定疑似缺陷区域的主体延伸方向和形状主体分布位置,利用扩散后的结果,可当作决定灰度游程矩阵权重值的一个指标。
以疑似缺陷区域的质心所在像素点为中心,将其邻域内分为8个区间,分别为0-45°,45°-90°,90°-135°,135°-180°,180°-225°,225°-270°,270-315°,315°-360°,其中8个区间依据中心对称又可分为4个区间组,从中心点开始进行扩散。
扩散是在分割出的疑似缺陷区域的灰度连通域上进行扩散,也即在疑似缺陷区域的区域边缘上进行扩散,扩散的方式为,邻域大小每次扩大1,且只在当前邻域大小与邻域大小为内,在相应的区间内,每次只扩散一个像素点。满足扩散的像素点的条件为:差异度小于预设差异第一阈值。在本发明实施例中预设差异第一阈值的取值为0.2,在其他实施例中实施者可根据实际情况调整该取值。也即。扩散集合为由当前满足扩散条件的像素点构成的集合。
差异度的计算公式为:
也即当加入第m个像素点后扩散集合对应的差异度小于0.2,则该第m个像素点满足扩散条件,属于扩散集合;当加入第m个像素点后扩散集合对应的差异度不小于0.2,则该第m个像素点不满足扩散条件,不属于扩散集合。
其中,使用当前扩散集合内像素点灰度值的对混乱程度描述:以疑似缺陷区域的边缘作为起始点开始进行扩散的扩散集合内的像素点灰度值的越混乱,其混乱程度越低,表示当前扩散的像素点灰度值之间越接近,满足为缺陷内像素点的概率值就越高。当不满足扩散条件,则在此方向区间范围内停止扩散。
请参阅图2,图2为0-45°区间内的扩散示意图。以0-45°区间内的扩散方式进行说明,其他扩散方式以此类推。
以中心点为起始扩散点,则此时在0-45°区间内,首先扩散大小为1的邻域长度,此时满足此条件的只有一个像素点,则计算要扩散的像素点的灰度值是否满足扩散条件,若满足,则继续扩散。邻域大小为2时,此时可扩散的像素点的个数为2,则分别计算两个像素点的值,选取最大的一个像素点进行扩散。当邻域大小为3时,此时可扩散的像素点数量为3,此时分别计算每个像素点的值,选取最大的一个像素点进行扩散。当不满足扩散条件,则在此方向区间范围内停止扩散。
其次对应每个区间内,满足差异度小于预设差异第二阈值的像素点的个数分别为。在本发明实施例中预设差异第二阈值为0.3,也即。满足件的像素点的数量可视为当前连通域内的像素点形状分布范围情况。将满足条件的像素点称为相似像素点。在计算灰度游程矩阵中,在某一方向上像素点的分布越密集,表示此方向上的像素点越能代表当前连通域的形状延伸方向,所以在像素点在每个区间组内的分布数量基础上的灰度游程矩阵,能更好的贴合连通域的形状。则计算当前每个灰度区间组内的像素点的数量权重值,如计算偏移方向b下区间组的数量权重值的计算公式为:
构建最优灰度游程矩阵高低游程灰度优势。
计算长游程优势:
计算短游程优势:
长游程优势中,表示给灰度游程矩阵中的元素值乘以相应的游程长度的平方,当图像中元素的游程长度较大时,其平方值也较大,游程长度较小时,其平方值也较小,计算出的长游程的优势值中长游程的权重值也就越大,即相当于给予游程较长的频数更大的权重。
短游程优势中,表示给灰度游程矩阵中的元素值除以相应的游程长度的平方,当图像中元素的游程长度较小时,其平方值也较小,游程长度较大时,其平方值也较大,计算出的长游程的优势值中长游程的权重就越小,即长游程频数除以相当于给予游程较长的频数更小的权重。
步骤S400,根据所述长游程优势和所述短游程优势判断带钢的缺陷类别。
根据相应的游程确定缺陷的形成原因,进而控制响应生产流程上可能出现的问题并进行反馈,从而降低带钢生产上的缺陷率。
根据以上步骤,我们最终计算得出的长游程优势S和短游程优势L,根据二者组合关系用来判断带钢的缺陷类别:当长游程优势和所述短游程优势均大于等于预设第一阈值时,带钢图像对应的带钢为正常带钢;当短游程优势大于等于预设第一阈值且长游程优势小于等于预设第二阈值时,带钢图像对应的带钢上存在划痕裂纹缺陷;当长游程优势大于等于预设第一阈值且短游程优势小于等于预设第二阈值时,带钢图像对应的带钢上存在麻点缺陷;其他情况下,带钢图像对应的带钢上存在片装类缺陷。在本发明实施例中预设第一阈值为0.8,预设第二阈值为0.3,在其他实施例中实施者可根据实际情况调整该取值。也即:当与L都大于等于预设第一阈值时,表明当前带钢为正常带钢,无缺陷存在。当且时,表面纹理具有长游程优势,表明此时带钢表面出现的缺陷特征为长度较长,为划痕裂纹等长度较长缺陷的可能较大。当且时,表面纹理具有短游程优势,表明带钢表面出现的缺陷特征为长度较短,为麻点缺陷的可能性较大。否则,表面纹理既不具有长游程优势,也不具有短游程优势,其为其他片状类缺陷的可能性较大。
其中出现划痕时,应及时检查机器质量是否有毛边或者能给带钢造成伤害的地方;当出现麻点时,应反馈给除氧化层流程,避免氧化铁皮在脱落时飞入即将轧制的带钢之上,当出现氧化铁皮时,应注意机器轧制已经不能很好除去表面氧化铁皮,应及时进行相应补救措施。
综上所述,本发明涉及数据识别技术领域。该方法首先采集带钢图像和对应的灰度图像;获取灰度图像的灰度直方图和对应的邻域直方图;所述邻域直方图的横轴为像素点的灰度值,纵轴为像素点邻域内的灰度均值;对邻域直方图内的数据点进行聚类,得到两个类别;将两个类别中灰度均值小的类别中数据点对应的像素点作为疑似缺陷像素点,得到疑似缺陷区域;对每个疑似缺陷区域进行扩散,得到扩散后的疑似缺陷区域的扩散长度,根据所述扩散长度和扩散的像素点数量获取疑似缺陷区域的灰度游程矩阵的权重值;根据所述权重值构建疑似缺陷区域的最优灰度游程矩阵;根据所述最优灰度游程矩阵中像素点的灰度计算长游程优势和短游程优势;根据所述长游程优势和所述短游程优势判断带钢的缺陷类别。本发明结合改性尼龙材料表面缺陷特征的方向信息构建出改性尼龙材料表面缺陷特征图的信息,并根据该改性尼龙表面的缺陷特征图做进一步计算分析,得到改性尼龙材料的表面平整度,最终根据改性尼龙材料的表面平整度对改性尼龙材料表面缺陷进行识别,确保了的完整性和准确性。
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。
Claims (2)
1.一种用于带钢表面的缺陷识别方法,其特征在于,该方法包括以下步骤:
采集带钢图像和对应的灰度图像;
获取灰度图像的灰度直方图和对应的邻域直方图;所述邻域直方图的横轴为像素点的灰度值,纵轴为像素点邻域内的灰度均值;
对邻域直方图内的数据点进行聚类,得到两个类别;将两个类别中灰度均值小的类别中数据点对应的像素点作为疑似缺陷像素点,得到疑似缺陷区域;对每个疑似缺陷区域进行扩散,得到扩散后的疑似缺陷区域的扩散长度,根据所述扩散长度和扩散的像素点数量获取疑似缺陷区域的灰度游程矩阵的权重值;根据所述权重值构建疑似缺陷区域的最优灰度游程矩阵;根据所述最优灰度游程矩阵中像素点的灰度计算长游程优势和短游程优势;
根据所述长游程优势和所述短游程优势判断带钢的缺陷类别;
其中,对每个疑似缺陷区域进行扩散的方法为:以疑似缺陷区域的质心所在像素点为中心,将其邻域内分为8个区间;基于疑似缺陷区域的区域边缘进行扩散,在相应的区间内每次只扩散一个像素点;满足扩散的像素点的扩散条件为差异度小于预设差异第一阈值;不满足扩散条件,则在此方向区间范围内停止扩散;
所述差异度的计算公式为:
其中,根据所述扩散长度和扩散的像素点数量获取疑似缺陷区域的灰度游程矩阵的权重值的方法为:以疑似缺陷区域的质心所在像素点为中心,将其邻域内分为4个区间组;根据区间组分别计算四个区间组的扩散长度和每个区间内满足差异度小于预设差异第二阈值的像素点数量;根据满足差异度小于预设差异第二阈值的像素点的数量占比作为区间组内的数量权重值;根据所述数量权重值和所述扩散长度计算每个区间组的区间权重值,每个区间权重值分别作为不同偏移方向下的灰度游程矩阵的权重值;
其中,最优灰度游程矩阵的计算公式:
其中,长游程优势的计算公式为:
其中,短游程优势的计算公式为:
其中,区间权重值的计算公式为:
2.根据权利要求1所述的一种用于带钢表面的缺陷识别方法,其特征在于,所述根据所述长游程优势和所述短游程优势判断带钢的缺陷类别,包括:
当长游程优势和所述短游程优势均大于等于预设第一阈值时,带钢图像对应的带钢为正常带钢;当短游程优势大于等于预设第一阈值且长游程优势小于等于预设第二阈值时,带钢图像对应的带钢上存在划痕裂纹缺陷;当长游程优势大于等于预设第一阈值且短游程优势小于等于预设第二阈值时,带钢图像对应的带钢上存在麻点缺陷;其他情况下,带钢图像对应的带钢上存在片装类缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310231775.9A CN115953398B (zh) | 2023-03-13 | 2023-03-13 | 一种用于带钢表面的缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310231775.9A CN115953398B (zh) | 2023-03-13 | 2023-03-13 | 一种用于带钢表面的缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953398A true CN115953398A (zh) | 2023-04-11 |
CN115953398B CN115953398B (zh) | 2023-05-26 |
Family
ID=85896294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310231775.9A Active CN115953398B (zh) | 2023-03-13 | 2023-03-13 | 一种用于带钢表面的缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953398B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
CN117788469A (zh) * | 2024-02-27 | 2024-03-29 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022160167A1 (zh) * | 2021-01-28 | 2022-08-04 | 东莞职业技术学院 | 基于卷积神经网络模型训练的带钢表面缺陷检测方法 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115330773A (zh) * | 2022-10-12 | 2022-11-11 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
-
2023
- 2023-03-13 CN CN202310231775.9A patent/CN115953398B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022160167A1 (zh) * | 2021-01-28 | 2022-08-04 | 东莞职业技术学院 | 基于卷积神经网络模型训练的带钢表面缺陷检测方法 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115330773A (zh) * | 2022-10-12 | 2022-11-11 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
CN116452598B (zh) * | 2023-06-20 | 2023-08-29 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
CN117788469A (zh) * | 2024-02-27 | 2024-03-29 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
CN117788469B (zh) * | 2024-02-27 | 2024-05-03 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115953398B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115953398A (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN109829876B (zh) | 基于机器视觉的链板缺陷在线检测装置及方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN116758061A (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN115147409A (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN115496692A (zh) | 一种润滑油磨粒图像增强方法 | |
Tang et al. | Surface inspection system of steel strip based on machine vision | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN117078678A (zh) | 基于图像识别的废硅片形状检测方法 | |
CN115115622B (zh) | 一种冲压端子视觉检测装置 | |
CN115082449B (zh) | 一种电子元器件缺陷检测方法 |
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 |