CN116452587B - 一种环保建筑结构钢板缺陷识别方法 - Google Patents
一种环保建筑结构钢板缺陷识别方法 Download PDFInfo
- Publication number
- CN116452587B CN116452587B CN202310706844.7A CN202310706844A CN116452587B CN 116452587 B CN116452587 B CN 116452587B CN 202310706844 A CN202310706844 A CN 202310706844A CN 116452587 B CN116452587 B CN 116452587B
- Authority
- CN
- China
- Prior art keywords
- defect
- point
- suspected
- steel plate
- determining
- 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 440
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 129
- 239000010959 steel Substances 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005856 abnormality Effects 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 229910000746 Structural steel Inorganic materials 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 241000122205 Chamaeleonidae Species 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 241000287196 Asthenes Species 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
Abstract
本发明公开了一种环保建筑结构钢板缺陷识别方法,包括:从待识别环保建筑结构钢板的钢板灰度图像中确定疑似缺陷点,获得各个疑似缺陷点的异常度,以疑似缺陷点为中心建立窗口,基于窗口确定缺陷方向分布特征值和缺陷纹理特征值,并确定疑似缺陷点的缺陷特征值;将疑似缺陷点的异常度和缺陷特征值确定的无向图;将无向图进行聚类,基于聚类结果确定各个钢板缺陷待识别区对应于各种缺陷的置信度,根据置信度确定缺陷识别结果。根据疑似缺陷点的异常度和缺陷特征值确定无向图,对无向图进行聚类再计算置信度,根据置信度获得缺陷识别结果。提供了可以同时识别多种缺陷的环保建筑结构钢板缺陷识别方法,该方法具有快速、便捷和准确性高的特点。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种环保建筑结构钢板缺陷识别方法。
背景技术
钢板是一种重要的金属材料,凭借其优良的物理和化学性质,可承受较大荷载、具有良好的可塑性等优势,广泛应用于现代化的工业和建筑领域。随着建筑业的发展,环保建筑结构钢板(尤其是高强度环保建筑结构钢板)已成为建筑领域的热门材料,如鸟巢、中央电视台等高层建筑采用的大型钢结构均采用了高强度建筑结构钢板。随着我国建筑钢材市场逐渐适应经济发展的需求,高强度环保建筑结构钢板的应用前景越来越广阔。相较于普通钢板,高强度环保建筑结构钢板的造价更高,对钢板在使用过程中的强度、使用寿命、安全性等要求也较高,所以需要及时对生产完成的高强度环保建筑结构钢板进行缺陷检测,防止因缺陷的存在而影响其使用过程中的安全性和稳定性。
目前对于钢板缺陷识别效果较好的方法为使用神经网络对钢板缺陷图像进行学习,建立分类或回归模型,以实现对缺陷样本的识别。但是钢板的缺陷种类较多,要实现这样的目的需要获取每种缺陷对应的大量样本图像,较为困难,现有的使用神经网络进行识别的钢板缺陷主要为常见的几种钢板缺陷,还有大量缺陷的识别效果不佳,所以,需要一种可实现大量钢板缺陷检测的方法。
发明内容
本发明提供一种环保建筑结构钢板缺陷识别方法,旨在提供一种能识别多种缺陷,且缺陷识别效果好的环保建筑结构钢板缺陷识别方法。
为实现上述目的,本发明提供一种环保建筑结构钢板缺陷识别方法,所述方法包括:
从待识别环保建筑结构钢板的钢板灰度图像中确定疑似缺陷点;
基于census算法对所述疑似缺陷点进行分析,获得各个疑似缺陷点的异常度;
以每个疑似缺陷点为中心建立窗口,基于所述窗口内的像素点确定所述疑似缺陷点的缺陷方向分布特征值和缺陷纹理特征值,基于所述缺陷方向分布特征值和所述缺陷纹理特征值确定所述疑似缺陷点的缺陷特征值;
将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图;
将各个疑似缺陷点的无向图进行聚类,基于聚类结果确定所述钢板灰度图像中各个钢板缺陷待识别区对应于各种缺陷的置信度,并基于所述置信度确定环保建筑结构钢板的缺陷识别结果。
可选地,所述从待识别环保建筑结构钢板的钢板灰度图像中确定疑似缺陷点包括:
将待识别环保建筑结构钢板的钢板灰度图像转换为显著性图像;
基于所述显著性图像进行连通域分析,将获得的连通域标记为钢板缺陷待识别区;
将位于所述钢板缺陷待识别区内的钢板灰度图像的每个像素点标记为疑似缺陷点,将所述钢板灰度图像的其它像素点标记为标准点。
可选地,所述基于census算法对所述疑似缺陷点进行分析,获得各个疑似缺陷点的异常度包括:
以各个疑似缺陷点为中心点确定预设边长的矩形,比较所述中心点与矩形内的其它疑似缺陷点的灰度值,基于比较结果确定矩形内各个像素点的二进制编码;
获取指定数量的标准点的二进制编码;
基于所述疑似缺陷点的二进制编码与所述标准点的二进制编码的汉明距离确定各个疑似缺陷点的异常度。
可选地,所述以每个疑似缺陷点为中心建立窗口,基于所述窗口内的像素点确定所述疑似缺陷点的缺陷方向分布特征值和缺陷纹理特征值,基于所述缺陷方向分布特征值和所述缺陷纹理特征值确定所述疑似缺陷点的缺陷特征值包括:
以每个疑似缺陷点为中心建立预设大小的窗口;
基于窗口内各个疑似缺陷点的缺陷梯度特征值、缺陷颜色杂乱度特征值确定缺陷方向分布特征值;
基于疑似缺陷点与窗口内各个像素点的汉明距离、窗口的对比度、非中心像素点的个数确定所述疑似缺陷点的缺陷纹理特征值;
将所述疑似缺陷点的所述缺陷方向分布特征值与所述缺陷纹理特征值的乘积确定为对应疑似缺陷点的缺陷特征值。
可选地,所述基于各个疑似缺陷点的缺陷梯度特征值、缺陷颜色杂乱度特征值确定缺陷方向分布特征值包括:
基于卷积核计算所述窗口内各个疑似缺陷点的梯度值,并确定梯度值差值以及梯度均值、梯度值差值均值,基于所述梯度值、梯度值差值、梯度均值、梯度值差值均值确定疑似缺陷点的缺陷梯度特征值;
分别计算所述窗口内各个像素点在R、G、B通道下的熵值,基于各个熵值确定缺陷颜色杂乱度特征值;
将所述缺陷梯度特征值与所述缺陷颜色杂乱度特征值的乘积确定为所述窗口内各个疑似缺陷点的缺陷方向分布特征值。
可选地,所述基于所述汉明距离、窗口的对比度、所述非中心像素点的个数确定所述窗口的缺陷纹理特征值之前,还包括:
根据二进制编码获取所述疑似缺陷点与对应窗口内各个像素点的汉明距离;
基于像素灰度值确定所述窗口的对比度;
统计所述窗口中非中心像素点的个数。
可选地,所述将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图包括:
确定所述疑似缺陷点的异常度和缺陷特征值对应的点,并进行连接,获得一张无向图;
根据预设缺陷种类确定各个疑似缺陷点在各种缺陷上的多张无向图。
可选地,所述将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图之后,还包括:
将所有缺陷的无向图标记为全缺陷无向图集合;
基于缺陷种类对各种缺陷的无向图进行分类,将同种缺陷的无向图标记为缺陷种类无向图集合;
将所述待识别环保建筑结构钢板的各个钢板缺陷待识别区的无向图标记为待测无向图集合。
可选地,所述将各个疑似缺陷点的无向图进行聚类,基于聚类结果确定所述钢板灰度图像中各个钢板缺陷待识别区对应于各种缺陷的置信度,并基于所述置信度确定环保建筑结构钢板的缺陷识别结果包括:
将所述待测无向图集合、所述全缺陷无向图集合中的无向图基于变色龙聚类算法进行聚类,获得聚类结果;
基于聚类结果确定所述待测无向图集合中的无向图划分至各种缺陷种类的分类无向图个数;
基于分类无向图个数、待测无向图集合中无向图的个数确定所述钢板缺陷待识别区对于每种缺陷的置信度;
将所述钢板缺陷待识别区对于每种缺陷的置信度与预设置信度进行比较,基于比较结果确定所述钢板缺陷待识别区的缺陷识别结果。
相比现有技术,本发明提出的一种环保建筑结构钢板缺陷识别方法,从待识别环保建筑结构钢板的钢板灰度图像中确定疑似缺陷点;基于census算法对所述疑似缺陷点进行分析,获得各个疑似缺陷点的异常度;以每个疑似缺陷点为中心建立窗口,基于所述窗口内的像素点确定所述疑似缺陷点的缺陷方向分布特征值和缺陷纹理特征值,基于所述缺陷方向分布特征值和所述缺陷纹理特征值确定所述疑似缺陷点的缺陷特征值;将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图;将各个疑似缺陷点的无向图进行聚类,基于聚类结果确定所述钢板灰度图像中各个钢板缺陷待识别区对应于各种缺陷的置信度,并基于所述置信度确定环保建筑结构钢板的缺陷识别结果。根据疑似缺陷点的异常度和缺陷特征值来确定无向图,对无向图进行聚类后计算置信度,最后基于置信度获得缺陷识别结果。如此,提供了一种可以同时识别多种缺陷的环保建筑结构钢板缺陷识别方法,并且该方法具有快速、便捷和准确性高的特点。
附图说明
图1是本发明环保建筑结构钢板缺陷识别方法第一实施例的流程示意图;
图2是本发明环保建筑结构钢板缺陷识别方法第一实施例涉及的场景示意图;
图3是本发明环保建筑结构钢板缺陷识别方法第一实施例涉及的细化步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明环保建筑结构钢板缺陷识别方法第一实施例的流程示意图。如图1所示,本发明第一实施例提出一种环保建筑结构钢板缺陷识别方法,该方法包括:
步骤S101,从待识别环保建筑结构钢板的钢板灰度图像中确定疑似缺陷点;
在生产完成的环保建筑结构钢板上方倾斜设置工业相机,通过工业相机获取高强度环保建筑结构钢板的图像,记为待识别环保建筑结构钢板图像,待识别环保建筑结构钢板图像为RGB图像。当光源为自然光时,由于自然光每天不同时段变化较大,所以部分时间可能无法达到检测精度的要求,所以在获取图像的过程中使用额外的光源来照射高强度环保建筑结构钢板的表面。来自光源的入射光被待检测结构表面反射后得到的反射光中包含了结构表面的丰富信息,这些反射光由工业相机捕捉并转化成数字图像。其中,光源、工业相机以及钢板的位置关系参考图2,图2是本发明环保建筑结构钢板缺陷识别方法第一实施例涉及的场景示意图。当获得待识别环保建筑结构钢板图像后,将待识别环保建筑结构钢板图像转换为钢板灰度图像,将钢板灰度图像进行高斯滤波后用于后续分析。
具体地,将待识别环保建筑结构钢板的钢板灰度图像转换为显著性图像;基于所述显著性图像进行连通域分析,将获得的连通域标记为钢板缺陷待识别区;将位于所述钢板缺陷待识别区内的钢板灰度图像的每个像素点标记为疑似缺陷点,将所述钢板缺陷待识别区内的其它像素点标记为标准点。
本实施例中,对所述钢板灰度图像使用Itti-Koch显著性算法获得显著性图像。Itti-Koch显著性算法是基于高斯金字塔融合图像颜色、亮度和方向特征的视觉注意力模型,其基本流程包括:输入图像;颜色特征、亮度特征、方向特征的提取;中心、周边差异和归一化;特征映射结合和归一化、线性加强融合,并进行图像阈值化,即可获得显著性图像。
显著性图像为二值图像,显著性区域的像素值为1,非显著性区域的像素值为0。对显著性图像进行连通域分析,得到多个连通域,将每个连通域记为一个钢板缺陷待识别区,钢板缺陷待识别区对应于环保建筑结构钢板表面可能存在缺陷的各个区域。确定钢板灰度图像中各个像素点的位置,将钢板灰度图像中位于钢板待测区内的像素点均标记为疑似缺陷点,将钢板灰度图像的其余像素点均标记为标准点。也即钢板灰度图像中的像素点包括疑似缺陷点和标准点。
步骤S102,基于census算法对所述疑似缺陷点进行分析,获得各个疑似缺陷点的异常度;
具体地,以各个疑似缺陷点为中心点确定预设边长的矩形,矩形中除中心点之外
的每一点都与中心点进行比较,灰度值小于中心点标记为1,灰度大于中心点的则标记为0,
按顺序将标记值排列为编码,编码长度为窗口内像素点个数减一,例如以为窗口边长,
其中,的经验值为5,该二进制编码的长度为。
比较所述中心点与矩形内的其它疑似缺陷点的灰度值,基于比较结果确定矩形内各个像素点的二进制编码;将矩形中除中心点(疑似缺陷点)之外的每一个像素点的灰度值都与中心点的灰度值进行比较,灰度值小于中心点的像素点的二进制编码记为1,灰度值大于中心点的像素点的二进制编码则记为0。
获取指定数量的标准点的二进制编码;随机选取标准点数目的1%个标准点(当根据1%计算出的个数不为整数时,则取计算出的该值的四舍五入值),当确定标准点的数量后,基于census算法获取每个标准点对应的二进制编码。
获得疑似缺陷点的二进制编码和标准点的二进制编码后,确定所述疑似缺陷点与各个标准点的二进制编码的汉明距离,基于所述疑似缺陷点的二进制编码与所述标准点的二进制编码的汉明距离确定对应疑似缺陷点的异常度。按同样的方法确定所有疑似缺陷点的异常度。
将疑似缺陷点的异常度表示为,则:
其中,是坐标为的疑似缺陷点的异常度;为疑似缺
陷点的坐标;为选取的标准点个数,其中,为各个标准点的坐标;是坐标为的疑似缺陷点与坐标为的标准点的
二进制编码之间的汉明距离,是坐标为的疑似缺陷点与坐标为、的标准点的
二进制编码之间的汉明距离;为取值函数,作用为取括号内的中值;为
两个二进制编码之间的汉明距离的最大值,即为二进制编码的长度,作用为对该值进行归
一化。
汉明距离为两个二进制数值对应位置的不同字符的数量,最大取值为进行比较的二进制数值的位数,例如:11111111和00000000之间的汉明距离为8;1011101与1001001 之间的汉明距离是2。
当疑似缺陷点与标准点的像素点的灰度值分布规律差异越大时,则二者对应的二进制编码差异越大、汉明距离越大、对应的异常度越大,该疑似缺陷点越可能对应缺陷位置。
步骤S103,以每个疑似缺陷点为中心建立窗口,基于所述窗口内的像素点确定所述疑似缺陷点的缺陷方向分布特征值和缺陷纹理特征值,基于所述缺陷方向分布特征值和所述缺陷纹理特征值确定所述疑似缺陷点的缺陷特征值;
具体地,参见图3,图3是本发明环保建筑结构钢板缺陷识别方法第一实施例涉及的细化步骤流程示意图,如图3所示,步骤S103包括:
步骤S1031,以每个疑似缺陷点为中心建立预设大小的窗口;该窗口的大小可以是5*5。
步骤S1032,基于窗口内各个疑似缺陷点的缺陷梯度特征值、缺陷颜色杂乱度特征值确定缺陷方向分布特征值;
基于卷积核计算所述窗口内各个疑似缺陷点的梯度值,并确定梯度值差值以及梯度均值、梯度值差值均值,基于所述梯度值、梯度值差值、梯度均值、梯度值差值均值确定疑似缺陷点的缺陷梯度特征值;梯度是指图像中某像素在x和y两个方向上的变化率(与相邻像素比较),是一个二维向量,由2个分量组成X轴的变化、Y轴的变化,X轴的变化是指当前像素右侧(X加1)的像素值减去当前像素左侧(X减1)的像素值;Y轴的变化是当前像素下方(Y加1)的像素值减去当前像素上方(Y减1)的像素值。本实施例先构造一个卷积核,然后基于该卷积核计算窗口内各个疑似缺陷点的梯度值。
获得各个疑似缺陷点的梯度值后,确定疑似缺陷点与梯度值对应的像素点之间灰
度值的差值的绝对值,并标记为梯度值差值。进一步确定梯度值均值和体长度差值均值。将
缺陷梯度特征值表示为,则:
其中,是疑似缺陷点对应的缺陷梯度特征值,为疑似缺陷
点对应的窗口内各像素点梯度值,其中,,为窗口内包含的像素点的个
数;为窗口内包含的像素点的梯度均值;为疑似缺陷点对应的窗口内像素点的梯度值差
值;为窗口内各像素点的梯度均值。
分别计算所述窗口内各个像素点在R、G、B通道下的熵值,基于各个熵值确定缺陷颜色杂乱度特征值;
像素三通道分量排列是按照BGR的循环一直重复下去的,获取窗口内图像的十进制大小,将十进制转换成像素与通道数量,例如196608字节的通道数量为256*256*3,即窗口内图像分辨率大小为256×256,同时每个像素为3通道分量。利用指针方式定位窗口内图像的像素块,从而实现遍历,遍历256种颜色每一种出现的频数,将窗口内图像的R/G/B通道的频数汇总,计算各通道出现的次数,除以总数量得到频率,按照熵的计算公式得出各分量的熵值。
其中,表示熵值,m是RGB通道颜色值的离散化系数,m=256;x表示通道,为R、G或
B,Pi为对应通道下的频率。
本实施例将各个通道的熵值均值确定为缺陷颜色杂乱度特征值,以表示
疑似缺陷点的缺陷颜色杂乱度特征值,则:
其中,、、分别为R、G、B通道的熵值。
将所述缺陷梯度特征值与所述缺陷颜色杂乱度特征值的乘积确定为所述窗口内
各个疑似缺陷点的缺陷方向分布特征值。以表示坐标为的疑似缺陷点
的缺陷方向分布特征值,则:
当疑似缺陷点附近对应的梯度值和颜色分布越为杂乱时,疑似像素点对应的缺陷方向分布特征值越大。每个疑似缺陷点均有一个对应的缺陷方向分布特征值。
步骤S1033,基于疑似缺陷点与窗口内各个像素点的汉明距离、窗口的对比度、非中心像素点的个数确定所述疑似缺陷点的缺陷纹理特征值;
本实施例预先根据二进制编码获取所述疑似缺陷点与对应窗口内各个像素点的汉明距离;基于像素灰度值确定所述窗口的对比度;统计所述窗口中非中心像素点的个数。
获取每个疑似缺陷点对应的窗口内各像素点的二进制编码,这些二进制编码为根据每个像素点对应的窗口内各像素点与中心像素点的灰度值关系得到,可反映像素点周围的纹理特征,当每个疑似缺陷点对应的窗口内各像素点处纹理越为一致、均一程度越高,则这些像素点对应的二进制编码越为相似。为了衡量纹理一致性的程度,本实施例获取中心像素点与窗口内每个像素点对应的二进制编码汉明距离,将汉明距离记为这两个像素点之间的编码距离。对比度是根据图像中像素灰度的变化计算得来的,其计算公式如下:
对比度反映了图像的清晰度和纹理的沟纹深浅,当纹理的沟纹越深时,对比度越大。
将坐标为的疑似缺陷点的缺陷纹理特征值表示为,则:
其中,为疑似像素点(窗口的中心点)与窗口内其它像素点对应的汉明距离,其
中,,为窗口内除疑似像素点(窗口的中心点)之外的像素点个数;为该窗口对应的对比度。
当疑似缺陷点附近的纹理越深、纹理均一化程度越高时,则该像素点对应的缺陷纹理特征值越大。每个疑似缺陷点均有一个对应的缺陷纹理特征值。
根据二进制编码值将疑似缺陷点与标准像素点进行比较,评价疑似缺陷点对应出现缺陷的程度,与同一张图像中的标准点进行比较可防止图像获取过程中亮度不一致产生的影响,增强缺陷显著程度评价的准确性,对像素点进行编码再分析可结合像素点周围纹理特征,可以使分析结果可依据的信息量更大、分析结果更为精确。
步骤S1034,将所述疑似缺陷点的所述缺陷方向分布特征值与所述缺陷纹理特征值的乘积确定为对应疑似缺陷点的缺陷特征值。
将坐标为的疑似缺陷点的缺陷特征值表示为,则:
如此,即可获得每个疑似缺陷点的缺陷特征值,将缺陷特征值作为对该像素点的缺陷特征进行提取后的评价值。
步骤S104,将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图;
具体地,确定所述疑似缺陷点的异常度和缺陷特征值对应的点,并进行连接,获得一张无向图;根据预设缺陷种类确定各个疑似缺陷点在各种缺陷上的多张无向图。
每个疑似缺陷点都有一个相对于标准点特征的差异评价值和缺陷特征的评价值,即异常度和缺陷特征值。找到每个点对应的异常度和缺陷特征值各自对应的点,将两个点连接起来,构成一张无向图。每个疑似缺陷点都有一张对应的无向图。
步骤S105,将各个疑似缺陷点的无向图进行聚类,基于聚类结果确定所述钢板灰度图像中各个钢板缺陷待识别区对应于各种缺陷的置信度,并基于所述置信度确定环保建筑结构钢板的缺陷识别结果。
将所述待测无向图集合、所述全缺陷无向图集合中的无向图基于变色龙聚类算法进行聚类,获得聚类结果;基于聚类结果确定所述待测无向图集合中的无向图划分至各种缺陷种类的分类无向图个数;其中,缺陷种类根据检测需求觉得,一般地缺陷种类包括毛刺、划伤、凸起、磨损、卷曲等。变色龙聚类算法采用动态建模来确定一对无向图之间的相似度,并基于相似度进行自动地、适应地合并无向图,最终的结果是将比较接近的待测无向图划分至同一个集合。
获得聚类结果后,将所有缺陷的无向图标记为全缺陷无向图集合;基于缺陷种类对各种缺陷的无向图进行分类,将同种缺陷的无向图标记为缺陷种类无向图集合;将所述待识别环保建筑结构钢板的各个钢板缺陷待识别区的无向图标记为待测无向图集合。
进一步地,基于分类无向图个数、待测无向图集合中无向图的个数确定所述钢板缺陷待识别区对于每种缺陷的置信度;
将置信度表示为,则:
其中,j表示缺陷的种类,为缺陷的置信度,为待测无向图集合中属于缺陷的分类无向图个数;为待测无向图集合中包含的无向图总个数。
基于上述步骤可以获得待识别环保建筑结构钢板图像中各个钢板缺陷待识别区的每一种缺陷的置信度。
将所述钢板缺陷待识别区对于每种缺陷的置信度与预设置信度进行比较,基于比较结果确定所述钢板缺陷待识别区的缺陷识别结果。缺陷识别结果包括置信度、缺陷种类以及对应的钢板缺陷待识别区。
具体地,当钢板缺陷待识别区每种钢板缺陷的置信度均小于或等于第一预设置信
度时,则认为该钢板缺陷待识别区不是钢板上的缺陷,可以划分为其他因素干扰出现的
显著区域;当钢板缺陷待识别区对应某种缺陷的置信度大于或等于第二预设置信度时,
则认为该钢板缺陷待识别区属于该种缺陷,同时标记该缺陷名称、钢板缺陷待识别区和该
缺陷对应的置信度;当各钢板缺陷待识别区的置信度均大于且小于时,则确定该区域
对应多种缺陷重合或在同一位置出现导致的复杂缺陷,将该钢板缺陷待识别区的各缺陷对
应的缺陷种类、钢板缺陷待识别区以及钢板缺陷待识别区的置信度均输出。其中,均
为常数,经验值分别为0.2,0.7。
相比于基于神经网络的钢板缺陷识别方法,本实施例不需要大量同类缺陷的样本,且可以同时完成多种缺陷的识别和判断,从像素点级别的特征更为精确地判断各个可能的缺陷区域及其缺陷类型,方便快捷且识别结果准确。
本实施例通过上述方案,从待识别环保建筑结构钢板的钢板灰度图像中确定疑似缺陷点;基于census算法对所述疑似缺陷点进行分析,获得各个疑似缺陷点的异常度;以每个疑似缺陷点为中心建立窗口,基于所述窗口内的像素点确定所述疑似缺陷点的缺陷方向分布特征值和缺陷纹理特征值,基于所述缺陷方向分布特征值和所述缺陷纹理特征值确定所述疑似缺陷点的缺陷特征值;将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图;将各个疑似缺陷点的无向图进行聚类,基于聚类结果确定所述钢板灰度图像中各个钢板缺陷待识别区对应于各种缺陷的置信度,并基于所述置信度确定环保建筑结构钢板的缺陷识别结果。根据疑似缺陷点的异常度和缺陷特征值来确定无向图,对无向图进行聚类后计算置信度,最后基于置信度获得缺陷识别结果。如此,提供了一种可以同时识别多种缺陷的环保建筑结构钢板缺陷识别方法,并且该方法具有快速、便捷和准确性高的特点。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种环保建筑结构钢板缺陷识别方法,其特征在于,所述方法包括:
从待识别环保建筑结构钢板的钢板灰度图像中确定疑似缺陷点;
基于census算法对所述疑似缺陷点进行分析,获得各个疑似缺陷点的异常度;
以每个疑似缺陷点为中心建立窗口,基于所述窗口内的像素点确定所述疑似缺陷点的缺陷方向分布特征值和缺陷纹理特征值,基于所述缺陷方向分布特征值和所述缺陷纹理特征值确定所述疑似缺陷点的缺陷特征值;
将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图;
将各个疑似缺陷点的无向图进行聚类,基于聚类结果确定所述钢板灰度图像中各个钢板缺陷待识别区对应于各种缺陷的置信度,并基于所述置信度确定环保建筑结构钢板的缺陷识别结果;
其中,以每个疑似缺陷点为中心建立窗口,基于所述窗口内的像素点确定所述疑似缺陷点的缺陷方向分布特征值和缺陷纹理特征值,基于所述缺陷方向分布特征值和所述缺陷纹理特征值确定所述疑似缺陷点的缺陷特征值的方法为:
以每个疑似缺陷点为中心建立预设大小的窗口;基于窗口内各个疑似缺陷点的缺陷梯度特征值、缺陷颜色杂乱度特征值确定缺陷方向分布特征值;基于疑似缺陷点与窗口内各个像素点的汉明距离、窗口的对比度、非中心像素点的个数确定所述疑似缺陷点的缺陷纹理特征值;将所述疑似缺陷点的所述缺陷方向分布特征值与所述缺陷纹理特征值的乘积确定为对应疑似缺陷点的缺陷特征值;
其中,基于窗口内各个疑似缺陷点的缺陷梯度特征值、缺陷颜色杂乱度特征值确定缺陷方向分布特征值的方法为:基于卷积核计算所述窗口内各个疑似缺陷点的梯度值,并确定梯度值差值以及梯度均值、梯度值差值均值,基于所述梯度值、梯度值差值、梯度均值、梯度值差值均值确定疑似缺陷点的缺陷梯度特征值;分别计算所述窗口内各个像素点在R、G、B通道下的熵值,基于各个熵值确定缺陷颜色杂乱度特征值;将所述缺陷梯度特征值与所述缺陷颜色杂乱度特征值的乘积确定为所述窗口内各个疑似缺陷点的缺陷方向分布特征值。
2.根据权利要求1所述的方法,其特征在于,所述从待识别环保建筑结构钢板的钢板灰度图像中确定疑似缺陷点包括:
将待识别环保建筑结构钢板的钢板灰度图像转换为显著性图像;
基于所述显著性图像进行连通域分析,将获得的连通域标记为钢板缺陷待识别区;
将位于所述钢板缺陷待识别区内的钢板灰度图像的每个像素点标记为疑似缺陷点,将所述钢板灰度图像的其它像素点标记为标准点。
3.根据权利要求2所述的方法,其特征在于,所述基于census算法对所述疑似缺陷点进行分析,获得各个疑似缺陷点的异常度包括:
以各个疑似缺陷点为中心点确定预设边长的矩形,比较所述中心点与矩形内的其它疑似缺陷点的灰度值,基于比较结果确定矩形内各个像素点的二进制编码;
获取指定数量的标准点的二进制编码;
基于所述疑似缺陷点的二进制编码与所述标准点的二进制编码的汉明距离确定各个疑似缺陷点的异常度。
4.根据权利要求1所述的方法,其特征在于,所述基于所述汉明距离、窗口的对比度、所述非中心像素点的个数确定所述窗口的缺陷纹理特征值之前,还包括:
根据二进制编码获取所述疑似缺陷点与对应窗口内各个像素点的汉明距离;
基于像素灰度值确定所述窗口的对比度;
统计所述窗口中非中心像素点的个数。
5.根据权利要求1所述的方法,其特征在于,所述将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图包括:
确定所述疑似缺陷点的异常度和缺陷特征值对应的点,并进行连接,获得一张无向图;
根据预设缺陷种类确定各个疑似缺陷点在各种缺陷上的多张无向图。
6.根据权利要求1所述的方法,其特征在于,所述将所述疑似缺陷点在各种缺陷上的异常度和缺陷特征值对应的点进行连接,获得所述疑似缺陷点在各种缺陷上的无向图之后,还包括:
将所有缺陷的无向图标记为全缺陷无向图集合;
基于缺陷种类对各种缺陷的无向图进行分类,将同种缺陷的无向图标记为缺陷种类无向图集合;
将所述待识别环保建筑结构钢板的各个钢板缺陷待识别区的无向图标记为待测无向图集合。
7.根据权利要求6所述的方法,其特征在于,所述将各个疑似缺陷点的无向图进行聚类,基于聚类结果确定所述钢板灰度图像中各个钢板缺陷待识别区对应于各种缺陷的置信度,并基于所述置信度确定环保建筑结构钢板的缺陷识别结果包括:
将所述待测无向图集合、所述全缺陷无向图集合中的无向图基于变色龙聚类算法进行聚类,获得聚类结果;
基于聚类结果确定所述待测无向图集合中的无向图划分至各种缺陷种类的分类无向图个数;
基于分类无向图个数、待测无向图集合中无向图的个数确定所述钢板缺陷待识别区对于每种缺陷的置信度;
将所述钢板缺陷待识别区对于每种缺陷的置信度与预设置信度进行比较,基于比较结果确定所述钢板缺陷待识别区的缺陷识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706844.7A CN116452587B (zh) | 2023-06-15 | 2023-06-15 | 一种环保建筑结构钢板缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706844.7A CN116452587B (zh) | 2023-06-15 | 2023-06-15 | 一种环保建筑结构钢板缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452587A CN116452587A (zh) | 2023-07-18 |
CN116452587B true CN116452587B (zh) | 2023-08-18 |
Family
ID=87127695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310706844.7A Active CN116452587B (zh) | 2023-06-15 | 2023-06-15 | 一种环保建筑结构钢板缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452587B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221143A (ja) * | 1999-02-01 | 2000-08-11 | Nkk Corp | 表面検査装置 |
CN110619620A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 导致表面缺陷的异常定位方法、装置、系统及电子设备 |
CN111968098A (zh) * | 2020-08-24 | 2020-11-20 | 广东工业大学 | 一种带钢表面缺陷检测方法、装置和设备 |
CN112734691A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
WO2022151658A1 (zh) * | 2021-01-15 | 2022-07-21 | 北京市商汤科技开发有限公司 | 一种缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN115115642A (zh) * | 2022-08-30 | 2022-09-27 | 启东万惠机械制造有限公司 | 基于图像处理的带钢结疤缺陷检测方法 |
CN115294109A (zh) * | 2022-09-30 | 2022-11-04 | 南通恒祥木业有限公司 | 基于人工智能的实木板材生产缺陷识别系统、电子设备 |
CN115330760A (zh) * | 2022-10-12 | 2022-11-11 | 南通市通州区精华电器有限公司 | 一种二极管引脚缺陷识别方法 |
CN115719344A (zh) * | 2022-11-24 | 2023-02-28 | 南通世森布业有限公司 | 用于纺织布料质检的面料缺陷分析识别方法 |
CN115953398A (zh) * | 2023-03-13 | 2023-04-11 | 无锡斯达新能源科技股份有限公司 | 一种用于带钢表面的缺陷识别方法 |
-
2023
- 2023-06-15 CN CN202310706844.7A patent/CN116452587B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221143A (ja) * | 1999-02-01 | 2000-08-11 | Nkk Corp | 表面検査装置 |
CN110619620A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 导致表面缺陷的异常定位方法、装置、系统及电子设备 |
CN111968098A (zh) * | 2020-08-24 | 2020-11-20 | 广东工业大学 | 一种带钢表面缺陷检测方法、装置和设备 |
CN112734691A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
WO2022151658A1 (zh) * | 2021-01-15 | 2022-07-21 | 北京市商汤科技开发有限公司 | 一种缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN115115642A (zh) * | 2022-08-30 | 2022-09-27 | 启东万惠机械制造有限公司 | 基于图像处理的带钢结疤缺陷检测方法 |
CN115294109A (zh) * | 2022-09-30 | 2022-11-04 | 南通恒祥木业有限公司 | 基于人工智能的实木板材生产缺陷识别系统、电子设备 |
CN115330760A (zh) * | 2022-10-12 | 2022-11-11 | 南通市通州区精华电器有限公司 | 一种二极管引脚缺陷识别方法 |
CN115719344A (zh) * | 2022-11-24 | 2023-02-28 | 南通世森布业有限公司 | 用于纺织布料质检的面料缺陷分析识别方法 |
CN115953398A (zh) * | 2023-03-13 | 2023-04-11 | 无锡斯达新能源科技股份有限公司 | 一种用于带钢表面的缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
基于图像特征的轨道表面缺陷识别研究;郝永旺;魏文军;曹玉新;姜永涛;;电子世界(第14期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116452587A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
Zhou et al. | Automated visual inspection of glass bottle bottom with saliency detection and template matching | |
CN116385448B (zh) | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 | |
WO2017101224A1 (zh) | 一种商标检索方法、装置、系统以及计算机存储介质 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
CN109284718B (zh) | 面向巡检机器人的变视角多仪表同时识别方法 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
WO2017101225A1 (zh) | 一种商标图形要素识别方法、装置、系统以及计算机存储介质 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
Wu et al. | Watershed-based morphological separation of wear debris chains for on-line ferrograph analysis | |
CN110766095A (zh) | 基于图像灰度特征的缺陷检测方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN115861290A (zh) | 一种肤感木门表面缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
CN116758067B (zh) | 基于特征匹配的金属结构件检测方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN116452587B (zh) | 一种环保建筑结构钢板缺陷识别方法 | |
CN115511884B (zh) | 基于计算机视觉的冲孔复合模表面质量检测方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for identifying defects in environmentally friendly building structural steel plates Effective date of registration: 20231113 Granted publication date: 20230818 Pledgee: Bank of China Limited Liangshan sub branch Pledgor: Shandong Xinghua Steel Structure Co.,Ltd. Registration number: Y2023980065229 |