CN116051543B - 一种用于钢材剥皮的缺陷识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于钢材剥皮的缺陷识别方法。该方法包括：获取剥皮后的待检测钢材的RGB图像中像素点的亮度分量，根据所述亮度分量，得到各像素点对应的亮度波动强度，进而确定区域生长的种子点；根据种子点对应的亮度波动强度、种子点的预设邻域内各像素点对应的亮度波动强度、种子点的亮度分量、种子点的预设邻域内各像素点的亮度分量，确定区域生长规则，进而获得各疑似凹坑区域；基于预先训练好的神经网络对所有疑似凹坑区域进行筛选，判断剥皮后的待检测钢材是否存在缺陷。本发明提高了钢材剥皮的缺陷检测精度。

Description

一种用于钢材剥皮的缺陷识别方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种用于钢材剥皮的缺陷识别方法。

背景技术

钢材在加工前需要通过剥皮操作去除氧化层，剥皮常用手段为使用相关器具进行打磨，打磨过程中不可避免会出现凹坑，而某些对表面尺寸有要求的特殊用途钢材，不能通过加大打磨量去除凹坑，需要进行定位后人工使用风铲等损伤较小的工具进行去除，但当凹坑与钢材色差较小时人工较难辨认且效率较低，因此一般通过计算机视觉方式对缺陷区域进行确定，常用的计算机视觉方式一般通过区域生长算法来获取缺陷区域，但当凹坑区域与钢材正常区域颜色差别较小时，固定的生长规则使得区域生长的生长结果的准确性较低，进而导致钢材剥皮缺陷的检测精度较低。

发明内容

为了解决现有方法在对钢材剥皮缺陷进行识别时存在的识别精度较低的问题，本发明的目的在于提供一种用于钢材剥皮的缺陷识别方法，所采用的技术方案具体如下：

本发明提供了一种用于钢材剥皮的缺陷识别方法，该方法包括以下步骤：

获取剥皮后的待检测钢材的RGB图像；

获取所述RGB图像中各像素点的亮度分量，根据所述RGB图像中各行像素点的亮度分量或各列像素点的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度；基于所述亮度波动强度获得区域生长的种子点；

根据种子点对应的亮度波动强度、种子点的预设邻域内各像素点对应的亮度波动强度、种子点的亮度分量、种子点的预设邻域内各像素点的亮度分量，确定区域生长规则；基于所述生长规则对所述RGB图像中的种子点进行区域生长，获得所述RGB图像中的各疑似凹坑区域；基于预先训练好的神经网络对所有疑似凹坑区域进行筛选，基于筛选结果判断剥皮后的待检测钢材是否存在缺陷。

优选的，所述根据所述RGB图像中各行像素点的亮度分量或各列像素点的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度，包括：

根据所述RGB图像中各行像素点的亮度分量或各列像素点的亮度分量，构建各行对应的亮度序列或各列对应的亮度序列；

根据所述RGB图像中各像素点的亮度分量和与其所在的亮度序列中相邻的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度。

优选的，根据所述RGB图像中各像素点的亮度分量和与其所在的亮度序列中相邻的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度，包括：

对于所述RGB图像中的第i个像素点：

计算第i个像素点的亮度分量和与其所在的亮度序列中相邻的亮度分量的差异；计算第i个像素点的亮度分量中亮度分量的最大值和最小值的差值；基于所述差异和所述差值，得到第i个像素点对应的亮度波动强度，所述差异与所述亮度波动强度呈正相关关系，所述差值与所述亮度波动强度呈负相关关系。

优选的，所述基于所述亮度波动强度获得区域生长的种子点，包括：分别判断所述RGB图像中各像素点对应的亮度波动强度是否大于超参数，若大于，则将对应像素点作为区域生长的种子点。

优选的，所述根据种子点对应的亮度波动强度、种子点的预设邻域内各像素点对应的亮度波动强度、种子点的亮度分量、种子点的预设邻域内各像素点的亮度分量，确定区域生长规则，包括：

计算种子点的预设邻域内各像素点的预设邻域内所有像素点的亮度分量的方差；

根据所述方差、种子点与其预设邻域内各像素点的亮度波动强度、种子点与其预设邻域内各像素点的亮度分量的差异、种子点与其预设邻域内各像素点之间的欧式距离，计算种子点与其预设邻域内各像素点之间的合并指标，基于所述合并指标确定区域生长规则；所述生长规则为：判断种子点与其预设邻域内各像素点之间的合并指标是否大于合并指标阈值，若大于，则将对应邻域像素点作为新的种子点。

优选的，采用如下公式计算种子点与其预设邻域内各像素点之间的合并指标：

其中，

为第z个种子点与其预设邻域内第j个像素点之间的合并指标，

为 第j个像素点的预设邻域内所有像素点对应的亮度波动强度的最大值，

为第j个像素 点的预设邻域内所有像素点对应的亮度波动强度的最小值，

为第z个种子点对应的亮度 波动强度，

为第z个种子点的预设邻域内第j个像素点对应的亮度波动强度，

为第z 个种子点与其预设邻域内第j个像素点之间的欧式距离，

为第z个种子点的亮度分量，

为第z个种子点的预设邻域内第j个像素点的亮度分量，

求方差函数，

为第j 个像素点的预设邻域内所有像素点的亮度分量的方差，

为归一化函数，

为预设 调整参数，

为取绝对值符号。

优选的，所述获取所述RGB图像中各像素点的亮度分量，包括：将所述RGB图像转化至LAB颜色空间，获取各像素点的亮度分量。

本发明至少具有如下有益效果：

本发明考虑到待检测钢材进行剥皮打磨处理的过程中，砂轮弹跳可能会在打磨后的钢材表面形成的凹坑缺陷，实质上呈现不均匀的摩擦痕迹，当待检测钢材表面存在凹坑缺陷时，其表面的亮度会存在不均匀的现象，因此首先获取了剥皮后的待检测钢材的RGB图像中每个像素点的亮度分量，结合像素点的亮度信息对图像中像素点的亮度波动情况进行了评价，获取了剥皮后的待检测钢材的RGB图像中区域生长的种子点，根据种子点与其邻域内像素点的亮度信息确定区域生长规则，并进行区域生长，也即根据凹坑的亮度特征进行区域生长种子点的投放，避免现有的随机投放区域生长种子点导致生长效果不佳、获取的区域不完整的问题出现，考虑到基于区域生长获取的连通域中可能部分连通域仍为非凹坑区域，因此又利用神经网络判断剥皮后的待检测钢材是否存在缺陷，本发明提供的方法相对于现有技术的好处在于，通过亮度特征设计区域生长的自适应生长规则，在凹坑区域与钢材正常区域颜色接近时，也能够准确获取待检测钢材表面的缺陷区域，提高了钢材剥皮的缺陷检测精度。

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为本发明实施例所提供的一种用于钢材剥皮的缺陷识别方法的流程图。

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用于钢材剥皮的缺陷识别方法进行详细说明如下。

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用于钢材剥皮的缺陷识别方法的具体方案。

一种用于钢材剥皮的缺陷识别方法实施例：

本实施例提出了一种用于钢材剥皮的缺陷识别方法，如图1所示，本实施例的一种用于钢材剥皮的缺陷识别方法包括以下步骤：

步骤S1，获取剥皮后的待检测钢材的RGB图像。

本实施例所针对的具体场景为：在对钢材进行剥皮处理时，常采用砂轮机等设备对钢材进行打磨处理，打磨过程中因钢材表面凹凸不平，砂轮会产生弹跳，进而可能会导致钢材的表面形成凹坑，而打磨一定深度的钢材之中可能还含有未被完全去除的凹坑，虽然可以通过加大打磨量来消除缺陷，但对于某些重要用途的钢材，加大打磨量会影响钢材的性能，因此首先需要对缺陷进行定位，然后再通过人工进行去除。本实施例结合凹坑区域的亮度特征对区域生长算法的生长规则进行自适应优化，使其能够准确获取钢材剥皮过程中出现的缺陷的位置。

本实施例对现有的机械装置安装图像采集单元，在装置运作时开启对应的除尘装置，降低打磨产生的金属粉尘对图像采集效果的影响。剥皮的钢材为圆钢，在剥皮过程中钢材会进行旋转，利用图像采集单元拍摄剥皮打磨预设次数后的待检测钢材的表面图像，该表面图像为RGB图像，预设次数根据打磨强度进行设定，打磨设备的打磨强度越大，预设次数的数值应当设置的越小，在具体应用中，实施者根据具体情况进行设置；由于待检测钢材为圆钢，因此仅采集一张图像无法反映待检测钢材表面的所有信息，需要采集不少于两张的表面图像来进行缺陷检测，在表面图像的实际采集过程中，实施者可根据待检测钢材的旋转速度来确定图像的采集频率及采集的图像的数量，以保证采集的图像能够包含待检测钢材表面的所有信息；本实施例接下来以一张待检测钢材的表面图像为例进行说明，对于其他表面图像均可采用本实施例提供的方法进行处理。利用现有的滤波方法对待检测钢材的表面图像进行滤波处理，以去除噪声，最大化地降低噪声对最终缺陷的检测结果产生的影响，将滤波后的图像记为剥皮后的待检测钢材的RGB图像。

至此，获得了剥皮后的待检测钢材的RGB图像。

步骤S2，获取所述RGB图像中各像素点的亮度分量，根据所述RGB图像中各行像素点的亮度分量或各列像素点的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度；基于所述亮度波动强度获得区域生长的种子点。

对待检测钢材进行剥皮打磨后，表面可能会产生砂轮打磨的凹坑，而砂轮弹跳产生的凹坑由于光线照射的角度，可能会导致凹坑区域与钢材正常区域的颜色较为相似。常规的聚类、边缘检测等算法针对凹坑与钢材本身颜色差异不大的情况，获取到的缺陷区域轮廓不精准，对缺陷产生的影响的确定存在一定的误差。

砂轮机对钢材进行打磨会除去黯淡的表皮，显露出钢材本身的银白色。在光线的照射下，形成较为均匀的亮度区域，而砂轮弹跳造成的凹坑会使其所在区域的亮度存在一定差异，因此需要对剥皮后的待检测钢材的RGB图像中的亮度波动较大的位置进行确定，筛选出可能为凹坑的位置，将其作为区域生长的种子点。

由于凹坑与钢材本体同材质，因此边缘变化不明显，本实施例首先根据待检测钢材打磨过后形成的像素点的亮度信息对图像中像素点的亮度波动情况进行分析，对可能出现的凹坑位置进行定位，进行区域生长种子点的投放，再根据种子点的特征针对凹坑区域设计生长规则，进行区域生长，最终准确获取缺陷的位置。

将剥皮后的待检测钢材的RGB图像转化至LAB颜色空间，获取每个像素点的亮度分量L，根据RGB图像中每行或每列中每个像素点的亮度分量，构建每行或每列对应的亮度序列，本实施例以行为例进行说明，作为其它实施方式，也可以以列为单位构建亮度序列；对于剥皮后的待检测钢材的RGB图像中的任意一行像素点：基于该行每个像素点的亮度分量，按照像素点的排列顺序，构建该行对应的亮度序列，该行对应的亮度序列中的数据分别为该行每个像素点的亮度分量。采用上述方法，能够获得多个亮度序列。

钢材进行打磨的过程中不能够保证亮度完全均匀，亮度序列中相邻数据的差异越大，说明对应像素点的亮度变化越剧烈，即越可能为凹坑区域的像素点，因此本实施例将计算每个像素点对应的亮度波动强度，通过超参数进行筛选，获取亮度波动较大的像素点作为区域生长的种子点；对于剥皮后的待检测钢材的RGB图像中任意一行的第i个像素点，根据该像素点的亮度分量所在的亮度序列，计算该像素点对应的亮度波动强度，即：

其中，

为第i个像素点对应的亮度波动强度，

为第i个像素点的亮度分量，

为第i个像素点的亮度分量所在的亮度序列中的第i+1个亮度分量，

为第i个像素点的 亮度分量所在的亮度序列中的第i-1个亮度分量，

为第i个像素点的亮度分量所在的 亮度序列中所有亮度分量的最大值，

为第i个像素点的亮度分量所在的亮度序列中所 有亮度分量的最小值，

为自然常数，

为取绝对值符号，

为归一化函数。

表征第i个像素点和第

个像素点的亮度差异，

表征第i个 像素点和第

个像素点的亮度差异，

表征第i个像素点与其相邻的两个像 素点的平均亮度差异，通过以自然常数为底数的指数函数进行映射，平均亮度差异一定时， 亮度序列中亮度分量的最大值和最小值的差异越大，像素点的亮度波动越不明显；需要说 明的是，亮度序列中第1个亮度分量和最后1个亮度分量的相邻亮度分量只有一个，因此在 计算第1个像素点对应的亮度波动强度时，在亮度序列的最左侧进行插值，将亮度序列中第 2个亮度分量的值插入亮度序列的第1个位置，也即在亮度序列中补充了一个数值，进而计 算第1个像素点对应的亮度波动强度，在计算最后1个像素点对应的亮度波动强度时，在亮 度序列的最右侧进行插值，将亮度序列中倒数第2个亮度分量的值插入亮度序列的最后1个 位置，也即在亮度序列的最后补充了一个数值，进而计算最后1个像素点对应的亮度波动强 度；当第i个像素点与其相邻的两个像素点的平均亮度差异越小、亮度序列中亮度分量的最 大值和最小值的差异越大时，说明第i个像素点的亮度变化程度越小，第i个像素点的亮度 波动越不明显，即第i个像素点对应的亮度波动强度的值越小；当第i个像素点与其相邻的 两个像素点的平均亮度差异越大、亮度序列中亮度分量的最大值和最小值的差异越小时， 说明第i个像素点的亮度变化程度越大，第i个像素点的亮度波动越明显，即第i个像素点对 应的亮度波动强度的值越大。

采用上述方法，能够获得RGB图像中每个像素点对应的亮度波动强度，亮度波动强 度越大，说明对应像素点越可能为凹坑区域的像素点，基于此，设置超参数

，分别判断每 个像素点对应的亮度波动强度是否大于

，若大于，则将对应像素点作为种子点，获得多个 种子点；本实施例中

的值为

，在具体应用中，实施者可根据具体情况进行设置。本实施 例通过超参数与亮度波动强度的大小关系对RGB图像中的像素点进行了筛选，选取波动较 大的像素点作为区域生长的种子点，能够使后续缺陷区域的获取结果更加准确。

至此，通过对剥皮后的待检测钢材的RGB图像中像素点的亮度信息进行分析，对像素点的亮度波动强度做出了评价，并通过超参数进行筛选，获取了多个种子点。

步骤S3，根据种子点对应的亮度波动强度、种子点的预设邻域内各像素点对应的亮度波动强度、种子点的亮度分量、种子点的预设邻域内各像素点的亮度分量，确定区域生长规则；基于所述生长规则对所述RGB图像中的种子点进行区域生长，获得所述RGB图像中的各疑似凹坑区域；基于预先训练好的神经网络对所有疑似凹坑区域进行筛选，基于筛选结果判断剥皮后的待检测钢材是否存在缺陷。

本实施例在步骤S2中对种子点进行了确定，接下来将根据RGB图像中每个种子点的附近的纹理变化情况，对种子点的生长规则进行自适应改进，使得能够更加准确的获取凹坑的范围。

由于钢材表面不完全平整，而砂轮摩擦力较大，因此每次砂轮发生弹跳的幅度不确定，弹跳完在钢材上形成的凹坑大小也不同，产生的凹坑较为随机，需要对凹坑区域进行准确定位。区域生长算法通过种子点筛选其附近符合生长规则的新种子点，将种子点归为一类后，将新种子点作为下一个种子点进行迭代选取，满足停止条件后停止生长，最终获得生长完成的结果图像。本实施例通过设计区域生长的自适应生长规则，在凹坑与钢材表面正常区域亮度差异较小时，更加准确地获取疑似凹坑区域的位置，进而对凹坑区域进行精准定位。

凹坑区域同样为金属材质，遭受砂轮弹跳撞击后产生的凹坑形状较为随机，因此不能简单通过灰度信息、亮度信息等特征直接从种子点邻域中筛选种子点，需要联系像素点之间亮度波动变化情况与凹坑区域的边缘纹理差别综合设计种子点的生长规则。

种子点为剥皮后的待检测钢材的RGB图像中亮度变化较剧烈的像素点，当待检测 钢材表面存在凹坑缺陷时，由于光线的影响，导致凹坑内部形成一个较明显的边缘，相比砂 轮与钢材弹跳形成的较大的凹坑范围，工业相机最大采集精度为10

，因此每个凹坑是存 在较多像素点的。

对于第z个种子点：以该种子点为中心点，获取该种子点的预设邻域内的像素点， 并作为第z个种子点的邻域像素点；本实施例中预设邻域的大小为

，在具体应用中，实 施者可根据具体情况进行设置；砂轮弹跳形成的凹坑实质上呈现不均匀的摩擦痕迹，因此 在图像中凹坑内部存在较多不均匀的边缘，若第z个种子点与其某个邻域像素点属于同一 凹坑区域的像素点，则该邻域像素点的亮度应当与第z个种子点的亮度较相似。第z个种子 点与其预设邻域内第j个像素点的亮度值越接近、第j个像素点的预设邻域内亮度变化越剧 烈，说明种子点所在的凹坑区域的纹理越混乱，第j个像素点被选为种子点的可能性越高。 基于此，本实施例通过亮度相关特性和像素点邻域亮度纹理特征设计自适应区域生长规 则，对凹坑区域的边缘分布特征与像素点亮度特征综合进行考量，计算种子点与其预设邻 域内每个像素点之间的合并指标，避免了原有的区域生长算法设置过大的亮度阈值无法量 化区域特征的缺陷，第z个种子点与其预设邻域内第j个像素点之间的合并指标为：

其中，

为第z个种子点与其预设邻域内第j个像素点之间的合并指标，

为 第j个像素点的预设邻域内所有像素点对应的亮度波动强度的最大值，

为第j个像素 点的预设邻域内所有像素点对应的亮度波动强度的最小值，

为第z个种子点对应的亮度 波动强度，

为第z个种子点的预设邻域内第j个像素点对应的亮度波动强度，

为第z 个种子点与其预设邻域内第j个像素点之间的欧式距离，

为第z个种子点的亮度分量，

为第z个种子点的预设邻域内第j个像素点的亮度分量，

求方差函数，

为第j 个像素点的预设邻域内所有像素点的亮度分量的方差，

为归一化函数，

为预设 调整参数，

为取绝对值符号。

引入预设调整参数是为了防止分母为0，本实施例中

的值为0.01，在具体应用中， 实施者可根据具体情况进行设置。

表征第z个种子点与其预设邻域内第j个像素 点的亮度差异，该差异越大，说明第z个种子点与其预设邻域内第j个像素点的亮度相似程 度越低，这两个像素点属于同一凹坑区域的可能性越低；

表征第z个种子点与其预 设邻域内第j个像素点的亮度波动强度的差异，亮度波动强度差异越大，说明这两个像素点 的亮度波动情况越不相似，第z个种子点与其预设邻域内第j个像素点越不可能属于同一凹 坑区域，

分子中的

以及分母中的最大最小值的差值的作用是为了对亮度 波动强度的差异进行反向归一化处理；第j个像素点的预设邻域内所有像素点的亮度分量 的方差越大，说明第j个像素点的预设邻域内像素点的亮度的波动越剧烈，第j个像素点处 于亮度波动剧烈的区域的可能性大；第z个种子点与其预设邻域内第j个像素点之间的欧式 距离越大，说明两个像素点之间的距离越远，邻域像素点与种子点之间的距离越远，邻域像 素点产生亮度变化对判断种子点的结果的影响越大，例如：在第z个种子点的预设邻域中， 与种子点距离为1的像素点相比与种子点距离为2的像素点，距离为1的像素点与种子点直 接相邻，在生长过程中无法体现凹坑区域含有的较多的亮度边缘的特点，而距离为2的像素 点由于存在间隔位置，不属于第z个种子点代表的亮度边缘的可能性更高，选取的必要性也 应越大。当第z个种子点与其预设邻域内第j个像素点的亮度差异越小、第z个种子点与其预 设邻域内第j个像素点的亮度波动强度的差异越小、第j个像素点的预设邻域内所有像素点 的亮度分量的方差越大、第z个种子点与其预设邻域内第j个像素点之间的欧式距离越大， 说明第z个种子点与其预设邻域内第j个像素点的特征越相似，第z个种子点与其预设邻域 内第j个像素点越可能属于同一凹坑区域，即第z个种子点与其预设邻域内第j个像素点之 间的合并指标越大。

采用上述方法，能够获得每个种子点与其预设邻域内每个像素点之间的合并指 标。区域生长通过生长规则进行迭代生长，但是生长不能无限制进行下去，需要设置合并指 标阈值，当生长满足停止条件时，将停止生长，保证生长结果符合凹坑区域的特征，设置合 并指标阈值

，当迭代生长至不存在合并指标大于

的像素点时，停止生长。本实施例中

的值为0.2，在具体应用中，实施者可根据具体情况进行设置。

对于第z个种子点，在该种子点的预设邻域内进行搜索，将合并指标大于

的邻域 像素点进行保留，将其合并为一个区域，此时以此区域中的像素点作为新的生长种子点，再 次在其邻域内进行搜索，邻域内的像素点对应的合并指标大于

的像素点被保留，更新区 域，得到新的区域，迭代多次，直到邻域中不存在合并指标大于

的像素点时停止，此时获 取连通域。对于其它种子点，均采用上述方法进行区域生长，当迭代生长至不存在合并指标 大于

的像素点时，停止生长，得到多个连通域，将区域生长完成后获得的每个连通域记为 一个疑似凹坑区域。

本实施例通对所有种子点都进行生长，直到所有种子点全部生长完成，获得了RGB图像中的疑似凹坑区域，进而再对凹坑区域进行筛选，本实施例并未对区域生长的核心思想进行改变，仅对其中的生长规则进行了自适应改进，避免了对于种子点先行排除后再进行生长从而导致某些凹坑区域信息丢失。区域生长算法为公知技术，此处不再过多赘述。

至此，通过自适应区域生长规则的区域生长算法对剥皮后的待检测钢材的RGB图像中的种子点进行区域生长处理，得到剥皮后的待检测钢材的RGB图像的疑似凹坑生长结果。

考虑到本实施例获取到的所有疑似凹坑区域中可能不仅含有凹坑区域，还含有其他的非凹坑区域，因此为了提高缺陷的检测精度，需要从疑似凹坑区域中筛选出真正的凹坑区域，本实施例将利用神经网络来筛选真正的凹坑区域。

该神经网络的训练集为剥皮后的样本钢材对应的生长结果图像，样本钢材中包括无缺陷的钢材、含有各式各样凹坑缺陷的钢材；需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应区域属于非凹坑类的标注为0，属于凹坑区域的标注为1；神经网络采用Encoder-Decoder结构，输入为：生长结果图像；输出为：疑似凹坑区域的分类结果；由于执行分类任务，神经网络损失函数采用交叉熵损失函数；神经网络分类结果为：凹坑区域、非凹坑区域；神经网络的训练过程为现有技术，此处不再过多赘述。将剥皮后的待检测钢材对应的生长结果图像输入到预先训练好的神经网络中，判断剥皮后的待检测钢材表面是否存在凹坑区域。若存在凹坑区域，则对图像中凹坑区域进行标记，将结果传输至计算机显示设备上，可视化的进行显示。

至此，采用本实施例提供的方法，对剥皮后的待检测钢材的缺陷进行了检测，若剥皮后的待检测钢材的RGB图像中存在凹坑区域，则判定剥皮后的待检测钢材存在缺陷，若剥皮后的待检测钢材的RGB图像中不存在凹坑区域，则判定剥皮后的待检测钢材不存在缺陷；当剥皮后的待检测钢材存在缺陷时，采用本实施例提供的方法能够对缺陷区域进行准确定位，便于后续打磨。

本实施例考虑到待检测钢材进行剥皮打磨处理的过程中，砂轮弹跳可能会在打磨后的钢材表面形成的凹坑缺陷，实质上呈现不均匀的摩擦痕迹，当待检测钢材表面存在凹坑缺陷时，其表面的亮度会存在不均匀的现象，因此首先获取了剥皮后的待检测钢材的RGB图像中每个像素点的亮度分量，结合像素点的亮度信息对图像中像素点的亮度波动情况进行了评价，获取了剥皮后的待检测钢材的RGB图像中区域生长的种子点，根据种子点与其邻域内像素点的亮度信息确定区域生长规则，并进行区域生长，也即根据凹坑的亮度特征进行区域生长种子点的投放，避免现有的随机投放区域生长种子点导致生长效果不佳、获取的区域不完整的问题出现，考虑到基于区域生长获取的连通域中可能部分连通域仍为非凹坑区域，因此又利用神经网络判断剥皮后的待检测钢材是否存在缺陷，本实施例提供的方法相对于现有技术的好处在于，通过亮度特征设计区域生长的自适应生长规则，在凹坑区域与钢材正常区域颜色接近时，也能够准确获取待检测钢材表面的缺陷区域，提高了钢材剥皮的缺陷检测精度。

Claims (5)

1.一种用于钢材剥皮的缺陷识别方法，其特征在于，该方法包括以下步骤：

获取剥皮后的待检测钢材的RGB图像；

获取所述RGB图像中各像素点的亮度分量，根据所述RGB图像中各行像素点的亮度分量或各列像素点的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度；基于所述亮度波动强度获得区域生长的种子点；

根据种子点对应的亮度波动强度、种子点的预设邻域内各像素点对应的亮度波动强度、种子点的亮度分量、种子点的预设邻域内各像素点的亮度分量，确定区域生长规则；基于所述生长规则对所述RGB图像中的种子点进行区域生长，获得所述RGB图像中的各疑似凹坑区域；基于预先训练好的神经网络对所有疑似凹坑区域进行筛选，基于筛选结果判断剥皮后的待检测钢材是否存在缺陷；

所述根据种子点对应的亮度波动强度、种子点的预设邻域内各像素点对应的亮度波动强度、种子点的亮度分量、种子点的预设邻域内各像素点的亮度分量，确定区域生长规则，包括：

计算种子点的预设邻域内各像素点的预设邻域内所有像素点的亮度分量的方差；

根据所述方差、种子点与其预设邻域内各像素点的亮度波动强度、种子点与其预设邻域内各像素点的亮度分量的差异、种子点与其预设邻域内各像素点之间的欧式距离，计算种子点与其预设邻域内各像素点之间的合并指标，基于所述合并指标确定区域生长规则；所述生长规则为：判断种子点与其预设邻域内各像素点之间的合并指标是否大于合并指标阈值，若大于，则将对应邻域像素点作为新的种子点；

采用如下公式计算种子点与其预设邻域内各像素点之间的合并指标：

其中，

为第z个种子点与其预设邻域内第j个像素点之间的合并指标，/>

为第j个像素点的预设邻域内所有像素点对应的亮度波动强度的最大值，/>

为第j个像素点的预设邻域内所有像素点对应的亮度波动强度的最小值，/>

为第z个种子点对应的亮度波动强度，/>

为第z个种子点的预设邻域内第j个像素点对应的亮度波动强度，/>

为第z个种子点与其预设邻域内第j个像素点之间的欧式距离，/>

为第z个种子点的亮度分量，/>

为第z个种子点的预设邻域内第j个像素点的亮度分量，/>

求方差函数，/>

为第j个像素点的预设邻域内所有像素点的亮度分量的方差，/>

为归一化函数，/>

为预设调整参数，/>

为取绝对值符号。

2.根据权利要求1所述的一种用于钢材剥皮的缺陷识别方法，其特征在于，所述根据所述RGB图像中各行像素点的亮度分量或各列像素点的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度，包括：

根据所述RGB图像中各行像素点的亮度分量或各列像素点的亮度分量，构建各行对应的亮度序列或各列对应的亮度序列；

根据所述RGB图像中各像素点的亮度分量和与其所在的亮度序列中相邻的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度。

3.根据权利要求2所述的一种用于钢材剥皮的缺陷识别方法，其特征在于，根据所述RGB图像中各像素点的亮度分量和与其所在的亮度序列中相邻的亮度分量，得到所述RGB图像中各像素点对应的亮度波动强度，包括：

对于所述RGB图像中的第i个像素点：

计算第i个像素点的亮度分量和与其所在的亮度序列中相邻的亮度分量的差异；计算第i个像素点的亮度分量所在的亮度序列中所有亮度分量的最大值和最小值的差值；基于所述差异和所述差值，得到第i个像素点对应的亮度波动强度，所述差异与所述亮度波动强度呈正相关关系，所述差值与所述亮度波动强度呈负相关关系。

4.根据权利要求1所述的一种用于钢材剥皮的缺陷识别方法，其特征在于，所述基于所述亮度波动强度获得区域生长的种子点，包括：分别判断所述RGB图像中各像素点对应的亮度波动强度是否大于超参数，若大于，则将对应像素点作为区域生长的种子点。

5.根据权利要求1所述的一种用于钢材剥皮的缺陷识别方法，其特征在于，所述获取所述RGB图像中各像素点的亮度分量，包括：将所述RGB图像转化至LAB颜色空间，获取各像素点的亮度分量。

Images