CN116758082A - 基于人工智能的型钢生产质量检测方法 - Google Patents

基于人工智能的型钢生产质量检测方法 Download PDF

Info

Publication number
CN116758082A
CN116758082A CN202311047595.1A CN202311047595A CN116758082A CN 116758082 A CN116758082 A CN 116758082A CN 202311047595 A CN202311047595 A CN 202311047595A CN 116758082 A CN116758082 A CN 116758082A
Authority
CN
China
Prior art keywords
phase
group
mutation
spectrum point
spectrogram
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
CN202311047595.1A
Other languages
English (en)
Other versions
CN116758082B (zh
Inventor
石伟东
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.)
Wuxi Fangshun Steel Technology Co ltd
Original Assignee
Wuxi Fangshun Steel Technology 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 Wuxi Fangshun Steel Technology Co ltd filed Critical Wuxi Fangshun Steel Technology Co ltd
Priority to CN202311047595.1A priority Critical patent/CN116758082B/zh
Publication of CN116758082A publication Critical patent/CN116758082A/zh
Application granted granted Critical
Publication of CN116758082B publication Critical patent/CN116758082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及图像处理技术领域，提供了一种基于人工智能的型钢生产质量检测方法，包括：采用高分辨率的工业相机对生产线上的型钢表面进行图像采集以获取型钢表面图像，对型钢表面图像进行预处理；通过型钢的相位谱图进行分析，基于型钢图像中的缺陷导致的相位谱图中产生的相位变化情况确定突变组，并确定突变组的相位扭偏度，获得相位缺陷度，对相位谱图进行改进，基于改进后的相位谱图进行图像相位拉伸变换，增强图像中型钢表面的缺陷部分，最后得到增强型钢表面图像并判断型钢生产质量。这样，避免了型钢缺陷检测误判，极大的提高了检测准确性。

Description

基于人工智能的型钢生产质量检测方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种基于人工智能的型钢生产质量检测方法。
背景技术
型钢作为钢材四大品种之一，是一种有一定截面形状和尺寸的条形钢材。型钢可满足大型建筑和结构的强度需求，并为其提供可靠的结构支撑，同时经过合理的设计和加工，型钢可以实现多种形状和用途以适应各种结构需求。型钢在生产过程中可能会因化学成分不均、轧制不良、热处理失误或表面处理不当产生缺陷影响生产质量。因此对型钢的生产质量检测成为了极其重要的一环。
由于型钢几何形状相对复杂，缺陷成因较多且形态各样，传统的缺陷检测算法在缺陷的可见性与可调节性方面有待提高，容易受到光照或其他噪声因素的干扰，型钢缺陷不准确，容易导致缺陷检测误判。
发明内容
鉴于上述问题，本申请提供了一种基于人工智能的型钢生产质量检测方法，能够通过分析型钢相位谱图中的相位突变、畸变等情况，构建阈值分割相位谱图，突出型钢缺陷特征，基于改进后的相位谱图采用PST相位拉伸变换算法进行处理，从而根据处理后的图像实现型钢的生产质量进行检测，避免了型钢缺陷检测误判，极大的提高了检测准确性。
第一方面，本申请实施例提供了一种基于人工智能的型钢生产质量检测方法，包括：
获取型钢的第一表面图像；
对型钢的第一表面图像进行第一预处理，得到第二表面图像；
对第二表面图像进行第二预处理，得到型钢的相位谱图；
对相位谱图中的相位谱点进行分组处理，得到多个相位谱点组；
对每个相位谱点组进行相位突变系数计算，得到每个相位谱点组的相位突变系数；
基于每个相位谱点组的相位突变系数，确定突变组；
基于突变组的相位曲线，确定突变组的相位扭曲指数和最小频率长度；
基于突变组的相位扭曲指数和最小频率长度，得到突变组的相位扭偏度；
基于突变组的相位扭偏度和突变组对应的相位突变系数，计算突变组的相位缺陷度；
基于突变组的相位缺陷度，得到改进后的相位谱图；
利用相位拉伸变换算法对改进后的相位谱图进行增强处理，得到增强型钢表面图像；
根据增强型钢表面图像，判断型钢生产质量。
在一种可能的实现方式中，对型钢的第一表面图像进行第一预处理，得到第二表面图像，包括：
对型钢的第一表面图像进行图形灰度化处理，得到第一表面图像对应的灰度图；
对灰度图采用滤波去噪算法进行滤波去噪处理，得到第二表面图像；
其中，滤波去噪算法采用高斯滤波算法、中值滤波算法或双边滤波算法。
在一种可能的实现方式中，对第二表面图像进行第二预处理，得到型钢的相位谱图，包括：
对第二表面图像进行归一化处理，得到归一化灰度图像；
对归一化灰度图像进行梯度计算，得到梯度图像；
对梯度图像进行相位计算，得到型钢的相位谱图；
其中，相位谱图中的相位谱点与型钢的像素点一一对应。
在一种可能的实现方式中，对每个相位谱点组进行相位突变系数计算，得到每个相位谱点组的相位突变系数，其中，相位突变系数的计算公式为：
；
其中，为第i个相位谱点组的相位突变系数；/>为第i个相位谱点组的相位均值；/>为所有相位谱点的相位均值。
在一种可能的实现方式中，基于每个相位谱点组的相位突变系数，确定突变组，包括：
将每个相位谱点组的相位突变系数进行归一化处理，得到每组相位谱点组的归一化相位突变系数；
将每组相位谱点组的归一化相位突变系数与第一预设阈值进行比较，确定突变组。
在一种可能的实现方式中，基于突变组的相位曲线，确定突变组的相位扭曲指数，包括：
对突变组中离散的相位谱点进行拟合，得到突变组的相位曲线；
基于突变组的相位曲线，计算频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点处的相位曲线曲率；
基于频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点处的相位曲线曲率，确定突变组中的前向差分和后向差分；
基于突变组中的前向差分和后向差分，确定突变组的相位扭曲指数；其中，突变组中的前向差分和后向差分的计算公式为：
；
；
其中，FD为突变组中的前向差分，BD为突变组中的后向差分，、/>、/>分别为/>、、/>点处的相位曲线曲率，/>、/>、/>分别表示突变组中的频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点；
突变组的相位扭曲指数的计算公式为：
；
其中，PCI为突变组的相位扭曲指数；FD为突变组中的前向差分；BD为突变组中的后向差分。
在一种可能的实现方式中，基于突变组的相位扭曲指数和最小频率长度，得到突变组的相位扭偏度，其中，突变组的相位扭偏度的计算公式为：
；
其中，PCO为突变组的相位扭偏度；PCI为突变组的相位扭曲指数；MML为突变组中的最小频率长度，最小频率长度为突变组对应的相位谱图中相位值最大点对应的频率分别与最大频率与最小频率之间的频率长度之差绝对值的最小值。
在一种可能的实现方式中，基于突变组的相位扭偏度和突变组对应的相位突变系数，计算突变组的相位缺陷度，其中，突变组的相位缺陷度的计算公式为：
；
其中，PF为突变组的相位缺陷度；PCO为突变组的相位扭偏度；PVN为突变组的相位突变系数。
在一种可能的实现方式中，基于突变组的相位缺陷度，得到改进后的相位谱图，包括：
将突变组的相位缺陷度进行归一化处理，得到突变组的归一化相位缺陷度；
将突变组的归一化相位缺陷度与第二预设阈值进行比较，确定相位谱图中的相位谱点的缺陷状况；
基于相位谱图中的相位谱点的缺陷状况，对相位谱图中相位谱点的相位值进行重置，得到改进后的相位谱图；
在一种可能的实现方式中，将突变组的归一化相位缺陷度与第二预设阈值进行比较，确定相位谱图中的相位谱点的缺陷状况，包括：
当突变组的归一化相位缺陷度大于第二预设阈值时，突变组中的相位谱点对应的像素点为缺陷区域点；
当突变组的归一化相位缺陷度小于第二预设阈值时，突变组中的相位谱点对应的像素点为为正常区域点。
第二方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现如第一方面各个可能实现的实施例。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行如第一方面各个可能实现的实施例。
本申请的有益效果在于：本申请使用具有较强鲁棒性质的PST相位拉伸变换算法对型钢表面进行缺陷检测，分析型钢图像中的缺陷导致型钢相位谱图中产生的相位突变程度以及相位扭偏程度，获得相位缺陷度，通过归一化相位缺陷度作为阈值判断对应的像素点是否位于型钢表面缺陷区域。根据获得的阈值对相位谱图进行改进，突出型钢缺陷特征，基于改进后的相位谱图进行图像相位拉伸变换，增强图像中型钢表面的缺陷部分，避免了型钢缺陷检测误判，极大的提高了检测准确性。
附图说明
图1是本申请实施例提供的一种基于人工智能的型钢生产质量检测方法的步骤流程图；
图2是本申请实施例提供的一种时域、频谱、相位谱图像示意图；
图3是本申请实施例提供的一种相位突变示意图；
图4是本申请实施例提供的一种相位突变组中频率最低的相位谱点、频率最高的相位谱点与相位值最高的相位谱点示意图；
图5是本申请实施例提供的一种电子设备的结构示意图；
图6是本申请实施例提供的一种计算机可读存储介质的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其它实施例，都属于本申请保护的范围。
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。
需要注意，本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
相位拉伸变换(Phase Stretch Transform, PST)算法是UCLA JalaliLab于2015年提出的一种新型图像分割算法，该算法具有处理速度快、精度高等显著优点。PST相位拉伸变换算法提高了缺陷的可见性，保留了图像的全局信息，相比较传统的缺陷检测算法对光照变化、噪声等因素具有较强的鲁棒性，且相位拉伸变换算法简单高效，能够更快地完成缺陷检测任务，但是PST相位拉伸变换算法未能更好的突出缺陷特征，仍然不可避免的出现缺陷误判等问题，因此缺陷检测精度仍需要进一步提高。
下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
参见图1所示，本申请实施例公开了一种基于人工智能的型钢生产质量检测方法，包括：
步骤S11，获取型钢的第一表面图像；
步骤S12，对型钢的第一表面图像进行第一预处理，得到第二表面图像；
步骤S13，对第二表面图像进行第二预处理，得到型钢的相位谱图；
步骤S14，对相位谱图中的相位谱点进行分组处理，得到多个相位谱点组；
步骤S15，对每个相位谱点组进行相位突变系数计算，得到每个相位谱点组的相位突变系数；
步骤S16，基于每个相位谱点组的相位突变系数，确定突变组；
步骤S17，基于突变组的相位曲线，确定突变组的相位扭曲指数和最小频率长度；
步骤S18，基于突变组的相位扭曲指数和最小频率长度，得到突变组的相位扭偏度；
步骤S19，基于突变组的相位扭偏度和突变组对应的相位突变系数，计算突变组的相位缺陷度；
步骤S20，基于突变组的相位缺陷度，得到改进后的相位谱图；
步骤S21，利用相位拉伸变换算法对改进后的相位谱图进行增强处理，得到增强型钢表面图像，并根据所述增强型钢表面图像，判断型钢生产质量。
其中，型钢表面图像是由图像采集设备采集得到的。例如，上述图像采集设备可以是高分辨率的工业相机等，在此不对其进行具体限定。具体的，使用高分辨率的工业相机对生产线上的型钢表面进行图像采集以获得型钢表面图像。
在上述实施例步骤中，采用高分辨率的工业相机对生产线上的型钢表面进行图像采集以获取型钢表面图像，对型钢表面图像进行预处理；通过型钢的相位谱图进行分析，基于型钢图像中的缺陷导致的相位谱图中产生的相位变化情况确定突变组，并确定突变组的相位扭偏度，获得相位缺陷度，对相位谱图进行改进，基于改进后的相位谱图进行图像相位拉伸变换，增强图像中型钢表面的缺陷部分，最后得到增强型钢表面图像并判断型钢生产质量，避免了型钢缺陷检测误判，极大的提高了检测准确性。
在本申请一个可选的实施例中，对型钢的第一表面图像进行第一预处理，得到第二表面图像，包括：
对型钢的第一表面图像进行图形灰度化处理，得到第一表面图像对应的灰度图；
对灰度图采用滤波去噪算法进行滤波去噪处理，得到第二表面图像；
其中，滤波去噪算法采用高斯滤波算法、中值滤波算法或双边滤波算法。
需要说明的是，本申请使用的PST相位拉伸变换算法对噪声比较敏感，导致后续的相位谱图中会因噪声出现不明显的相位突变或扩散，从而导致误判或漏判，此处采取滤波去噪的方式对型钢的灰度图像进行滤波去噪操作，滤波去噪算法可以采用高斯滤波算法、中值滤波算法或双边滤波算法，在此不做具体限定。
在本申请一个可选的实施例中，对第二表面图像进行第二预处理，得到型钢的相位谱图，包括：
对第二表面图像进行归一化处理，得到归一化灰度图像；
对归一化灰度图像进行梯度计算，得到梯度图像；
对梯度图像进行相位计算，得到型钢的相位谱图；
其中，相位谱图中的相位谱点与型钢的像素点一一对应。
具体的，基于滤波去噪预处理之后的型钢灰度图像进行归一化，使得像素值的映射范围在0到1之间，之后为了实现型钢生产质量的实时监测，计算归一化灰度图像的梯度，通过对梯度图像进行相位计算，得到每个像素点的相位值，获得型钢的相位谱图，本实施例中通过Prewitt算子计算灰度梯度，实施者也可使用其他方法，如Sobel算子等，在此不做具体限定。
参见图2所示，为一种时域、频谱、相位谱图像示意图。在本申请实施例中，在获得型钢的相位谱图以后，需要对相位谱图进行分析，相位谱图由离散的频率点为横坐标，对应每个频率点的相位值为纵坐标，本申请中为方便后续处理，对信号的采样率与相位谱图中的像素点数相匹配，像素点与频率点之间为一对一的关系。
由于相位值是通过信号的时域或频域分析得到的，本申请只针对频域图进行分析，当型钢图像中有缺陷时，缺陷会使得频域图像引入额外的频率成分或能量集中，具体表现为频谱图中的峰值异常波动或者频率异常分布，进而导致在相位谱图中出现频率成分的变化以及相位的突变。
需要说明的是，参见图3所示，为相位突变示意图。在本申请中获取的型钢表面若存在缺陷时，型钢的相位谱图像中会产生相位突变、扭曲以及偏移的相位谱图像变化，基于相位谱图中的相位值变化构建改进的相位谱图，基于改进的相位谱图通过PST相位拉伸变换算法进行处理，实现型钢的缺陷检测，PST相位拉伸变换算法为现有技术，在此不再赘述。
需要进一步说明的是，基于获得的型钢表面图像的相位谱图获取每个相位谱点的相位谱值，因本申请设置相位谱点与频率点为一一对应关系，所以，相位谱图中的相位谱点与像素点也是一一对应的关系，通过PST算法对型钢灰度图像做傅里叶变换时，图像中的信号是基于像素点的灰度梯度进行计算的，型钢表面的缺陷与周围环境有着较大差异，属于高频信息，其在灰度图像中的灰度梯度较大，在相位谱图中的相位值较大，而型钢表面图像中的其他像素值因为与周围像素点差异不大，相位值变换保持不变或变化及其微小。型钢表面若有缺陷存在时，相位谱图中的相位谱点所代表的相位值会产生相位突变的情况，导致相位峰值异常。
在本申请一个可选的实施例中，对每个相位谱点组进行相位突变系数计算，得到每个相位谱点组的相位突变系数，其中，相位突变系数的计算公式为：
；
其中，为第i个相位谱点组的相位突变系数；/>为第i个相位谱点组的相位均值；/>为所有相位谱点的相位均值。
具体的，将相位谱图中相位谱点进行划分，计算所有相位谱点的相位均值记为，之后将等频率长度的相位谱点划分为一组，本申请中设置频率长度为20，计算每个相位谱点组中的相位均值记为/>，如此可获取每个组的相位突变系数（PVN）。/>与/>的差值平方越大，表示为第i个组的相位均值与整体相位谱点均值大小差异越大，该组的相位突变程度越大，该组中的相位谱点所对应的像素点越有可能为缺陷区域中的点，相位突变系数PVN越大；反之，表示为第i个组的相位均值与整体相位谱点均值大小差异越小，该组的相位突变程度越小，该组中的相位谱点所对应的像素点越有可能为非缺陷区域中的点，相位突变系数PVN越小。
在本申请一个可选的实施例中，基于每个相位谱点组的相位突变系数，确定突变组，包括：
将每个相位谱点组的相位突变系数进行归一化处理，得到每组相位谱点组的归一化相位突变系数；
将每组相位谱点组的归一化相位突变系数与第一预设阈值进行比较，确定突变组。
其中，在上述实施例中将每个相位谱点组的PVN值归一化，值域设定为[0,1]的范围内，设定突变阈值T（经验值为0.7），大于突变阈值T的相位组设为突变组。
在本申请一个可选的实施例中，基于突变组的相位曲线，确定突变组的相位扭曲指数，包括：
对突变组中离散的相位谱点进行拟合，得到突变组的相位曲线；
基于突变组的相位曲线，计算频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点处的相位曲线曲率；
基于频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点处的相位曲线曲率，确定突变组中的前向差分和后向差分；
基于突变组中的前向差分和后向差分，确定突变组的相位扭曲指数；其中，突变组中的前向差分和后向差分的计算公式为：
；
；
其中，FD为突变组中的前向差分，BD为突变组中的后向差分，、/>、/>分别为/>、、/>点处的相位曲线曲率，/>、/>、/>分别表示突变组中的频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点；
突变组的相位扭曲指数的计算公式为：
；
其中，PCI为突变组的相位扭曲指数；FD为突变组中的前向差分；BD为突变组中的后向差分。
需要说明的是，将突变组中的离散的相位谱点拟合成一条相位曲线，其中拟合算法可采用线性回归、多项式回归等，在此不做具体限定。当型钢表面图像中有缺陷时，相位曲线会产生相位扭曲，相位值最高的相位频谱点两端的相位曲线曲率不同，同时因为缺陷还会导致相位在频率上发生偏移。对应像素点在型钢图像的缺陷区域中时，一个突变组中相位值最高的相位谱点的前相差分与后向差分的差异较大，且相位在频率上的偏移度较大。基于相位曲线获得每个突变组的相位扭偏度。
参见图4，相位突变组中频率最低的相位谱点、频率最高的相位谱点与相位值最高的相位谱点示意图分别记为、/>、/>，分别计算/>、/>、/>点处的相位曲线曲率为/>、/>、/>，根据三点处的曲率分别计算该突变组中的前向差分FD、后向差分BD，基于突变组的前后向差分获取相位扭曲指（PCI）。其中，相位突变组的相位前向差分与后向差分之间的差越大，表示相位曲线中相位值最大的相位谱点前后的曲率变化越大，相位曲线扭曲程度越大，相位扭曲指数PCI越大；反之，该相位曲线中相位值最大的相位谱点前后的曲率变化越小，相位曲线扭曲程度越小，相位扭曲指数PCI越小。
当像素点处于型钢表面图像缺陷处时，相位谱图会产生相位在频率处发生偏移的情况，等频率长度下的相位曲线变化程度与正常相位曲线变化程度相比较而言变小。
在本申请一个可选的实施例中，基于突变组的相位扭曲指数和最小频率长度，得到突变组的相位扭偏度，其中，突变组的相位扭偏度的计算公式为：
；
其中，PCO为突变组的相位扭偏度；PCI为突变组的相位扭曲指数；MML为突变组中的最小频率长度，最小频率长度为突变组对应的相位谱图中相位值最大点对应的频率分别与最大频率与最小频率之间的频率长度的最小值。
需要说明的是，分别计算与/>、/>之间的频率长度之差的绝对值，即突变组对应的相位谱图中相位值最大点对应的频率分别与最大频率与最小频率之间的频率长度，取最小频率长度为MML。PCI越大，表示前向、后向差分之间的差值越大，相位曲线的曲率变化越大，相位曲线越扭曲，对应的像素点越处于缺陷区域，PCO越大；反之相位曲线的曲率变化越小，相位曲线越均匀一致，对应的像素点越处于正常区域。MML越大时，表示最小频率长度越大，突变组的相位偏移量越小，对应的像素点越处于正常区域，PCO越小；反之突变组中的相位偏移量越大，对应的像素点越处于缺陷区域,PCO越大。
在本申请一个可选的实施例中，基于突变组的相位扭偏度和突变组对应的相位突变系数，计算突变组的相位缺陷度，其中，突变组的相位缺陷度的计算公式为：
；
其中，PF为突变组的相位缺陷度；PCO为突变组的相位扭偏度；PVN为突变组的相位突变系数。
需要说明的是，PCO越大时，突变组中的相位曲线曲率变化越大，相位偏移量越大；相位缺陷程度越大，PF越大；反之PCO越小时，相位缺陷程度越小，PF越小；PVN越大时，表示突变组中的相位值突变程度越大，相位缺陷程度越大，PF越大；反之相位缺陷程度越小，PF越小。
在本申请一个可选的实施例中，基于突变组的相位缺陷度，得到改进后的相位谱图，包括：
将突变组的相位缺陷度进行归一化处理，得到突变组的归一化相位缺陷度；
将突变组的归一化相位缺陷度与第二预设阈值进行比较，确定相位谱图中的相位谱点的缺陷状况；
基于相位谱图中的相位谱点的缺陷状况，对相位谱图中相位谱点的相位值进行重置，得到改进后的相位谱图；
具体的，将基于突变组的相位缺陷度归一化，值域设为[0,1]之间，经过大量实验验证，此处设置缺陷阈值F（经验值为0.7），判断该突变组中的相位谱点所对应的像素点是否处于缺陷区域，设大于阈值F的相位谱点对应的像素点为缺陷区域中的点，小于阈值F的相位谱点对应的像素点为正常区域点。
在本申请一个可选的实施例中，将突变组的归一化相位缺陷度与第二预设阈值进行比较，确定相位谱图中的相位谱点的缺陷状况，包括：
当突变组的归一化相位缺陷度大于第二预设阈值时，突变组中的相位谱点对应的像素点为缺陷区域点；
当突变组的归一化相位缺陷度小于第二预设阈值时，突变组中的相位谱点对应的像素点为为正常区域点。
需要说明的是，在上述实施例步骤中已经获得相位缺陷度并设定阈值确定相位谱点的缺陷状况，将小于缺陷阈值F的相位谱点的相位值设为0.2，大于缺陷阈值F的相位谱点的相位值设为1，此处重置相位值的目的在于增强图像中缺陷位置的对比度，使型钢图像中的缺陷更加明显，根据上述处理得到新的相位谱图，根据新的相位谱图使用线性拉伸的方式进行相位拉伸变换，将拉伸后的相位谱与幅度谱重新组合，得到拉伸后的频域表示，最后通过对拉伸后的频域表示进行逆傅里叶变换，得到拉伸后的型钢图像，如此可将对应的缺陷区域像素点突出表示在图像中，实现基于人工智能的型钢生产质量的精确检测，由于PST相位拉伸变换算法为公知技术，具体的实施过程不再赘述。
参见图5所示，本申请实施例公开了一种电子设备20，包括处理器21和存储器22；其中，存储器22，用于保存计算机程序；处理器21，用于通过执行计算机程序来实现前述方法实施例提供的基于人工智能的型钢生产质量检测方法。
关于上述基于人工智能的型钢生产质量检测方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
并且，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储方式可以是短暂存储或者永久存储。
另外，电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26；其中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
进一步的，本申请实施例还公开了一种计算机可读存储介质，如图6所示，用于保存计算机程序31，其中，计算机程序被处理器执行时实现前述方法实施例提供的基于人工智能的型钢生产质量检测方法。
关于上述基于人工智能的型钢生产质量检测方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种基于人工智能的型钢生产质量检测方法、设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.基于人工智能的型钢生产质量检测方法，其特征在于，包括：
获取所述型钢的第一表面图像；
对所述型钢的第一表面图像进行第一预处理，得到第二表面图像；
对所述第二表面图像进行第二预处理，得到所述型钢的相位谱图；
对所述相位谱图中的相位谱点进行分组处理，得到多个相位谱点组；
对每个所述相位谱点组进行相位突变系数计算，得到每个相位谱点组的相位突变系数；
基于每个所述相位谱点组的所述相位突变系数，确定突变组；
基于所述突变组的相位曲线，确定所述突变组的相位扭曲指数和最小频率长度；
基于所述突变组的相位扭曲指数和最小频率长度，得到所述突变组的相位扭偏度；
基于所述突变组的相位扭偏度和所述突变组对应的相位突变系数，计算所述突变组的相位缺陷度；
基于所述突变组的相位缺陷度，得到改进后的相位谱图；
利用相位拉伸变换算法对所述改进后的相位谱图进行增强处理，得到增强型钢表面图像；
根据所述增强型钢表面图像，判断所述型钢生产质量。
2.根据权利要求1所述的基于人工智能的型钢生产质量检测方法，其特征在于，对所述型钢的第一表面图像进行第一预处理，得到第二表面图像，包括：
对所述型钢的第一表面图像进行图形灰度化处理，得到所述第一表面图像对应的灰度图；
对所述灰度图采用滤波去噪算法进行滤波去噪处理，得到第二表面图像；
其中，所述滤波去噪算法采用高斯滤波算法、中值滤波算法或双边滤波算法。
3.根据权利要求1所述的基于人工智能的型钢生产质量检测方法，其特征在于，对所述第二表面图像进行第二预处理，得到所述型钢的相位谱图，包括：
对所述第二表面图像进行归一化处理，得到归一化灰度图像；
对所述归一化灰度图像进行梯度计算，得到梯度图像；
对所述梯度图像进行相位计算，得到所述型钢的相位谱图；
其中，所述相位谱图中的相位谱点与所述型钢的像素点一一对应。
4.根据权利要求1所述的基于人工智能的型钢生产质量检测方法，其特征在于，对每个所述相位谱点组进行相位突变系数计算，得到每个相位谱点组的相位突变系数，其中，所述相位突变系数的计算公式为：
其中，为第i个相位谱点组的相位突变系数；/>为第i个相位谱点组的相位均值；/>为所有相位谱点的相位均值。
5.根据权利要求1所述的基于人工智能的型钢生产质量检测方法，其特征在于，基于每个所述相位谱点组的所述相位突变系数，确定突变组，包括：
将每个相位谱点组的相位突变系数进行归一化处理，得到每组相位谱点组的归一化相位突变系数；
将每组相位谱点组的归一化相位突变系数与第一预设阈值进行比较，确定突变组。
6.根据权利要求1所述的基于人工智能的型钢生产质量检测方法，其特征在于，基于所述突变组的相位曲线，确定所述突变组的相位扭曲指数，包括：
对所述突变组中离散的相位谱点进行拟合，得到所述突变组的相位曲线；
基于所述突变组的相位曲线，计算频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点处的相位曲线曲率；
基于频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点处的所述相位曲线曲率，确定所述突变组中的前向差分和后向差分；
基于所述突变组中的前向差分和后向差分，确定所述突变组的相位扭曲指数；其中，所述突变组中的前向差分和后向差分的计算公式为：
其中，FD为突变组中的前向差分，BD为突变组中的后向差分，、/>、/>分别为/>、/>、/>点处的相位曲线曲率，/>、/>、/>分别表示突变组中的频率最小相位谱点、频率最大相位谱点以及相位值最大的相位谱点；
所述突变组的相位扭曲指数的计算公式为：
其中，PCI为突变组的相位扭曲指数；FD为突变组中的前向差分；BD为突变组中的后向差分。
7.根据权利要求1所述的基于人工智能的型钢生产质量检测方法，其特征在于，基于所述突变组的相位扭曲指数和最小频率长度，得到所述突变组的相位扭偏度，其中，所述突变组的相位扭偏度的计算公式为：
其中，PCO为突变组的相位扭偏度；PCI为突变组的相位扭曲指数；MML为突变组中的最小频率长度，最小频率长度为突变组对应的相位谱图中相位值最大点对应的频率分别与最大频率与最小频率之间的频率长度之差绝对值的最小值。
8.根据权利要求1所述的基于人工智能的型钢生产质量检测方法，其特征在于，基于所述突变组的相位扭偏度和所述突变组对应的相位突变系数，计算所述突变组的相位缺陷度，其中，所述突变组的相位缺陷度的计算公式为：
其中，PF为突变组的相位缺陷度；PCO为突变组的相位扭偏度；PVN为突变组的相位突变系数。
9.根据权利要求1所述的基于人工智能的型钢生产质量检测方法，其特征在于，基于所述突变组的相位缺陷度，得到改进后的相位谱图，包括：
将所述突变组的相位缺陷度进行归一化处理，得到所述突变组的归一化相位缺陷度；
将所述突变组的归一化相位缺陷度与第二预设阈值进行比较，确定所述相位谱图中的相位谱点的缺陷状况；
基于所述相位谱图中的相位谱点的缺陷状况，对所述相位谱图中相位谱点的相位值进行重置，得到改进后的相位谱图。
10.根据权利要求9所述的基于人工智能的型钢生产质量检测方法，其特征在于，将所述突变组的归一化相位缺陷度与第二预设阈值进行比较，确定所述相位谱图中的相位谱点的缺陷状况，包括：
当所述突变组的归一化相位缺陷度大于第二预设阈值时，所述突变组中的相位谱点对应的像素点为缺陷区域点；
当所述突变组的归一化相位缺陷度小于第二预设阈值时，所述突变组中的相位谱点对应的像素点为为正常区域点。
CN202311047595.1A 2023-08-21 2023-08-21 基于人工智能的型钢生产质量检测方法 Active CN116758082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311047595.1A CN116758082B (zh) 2023-08-21 2023-08-21 基于人工智能的型钢生产质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311047595.1A CN116758082B (zh) 2023-08-21 2023-08-21 基于人工智能的型钢生产质量检测方法

Publications (2)

Publication Number Publication Date
CN116758082A true CN116758082A (zh) 2023-09-15
CN116758082B CN116758082B (zh) 2023-10-13

Family

ID=87953726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311047595.1A Active CN116758082B (zh) 2023-08-21 2023-08-21 基于人工智能的型钢生产质量检测方法

Country Status (1)

Country Link
CN (1) CN116758082B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706462A (zh) * 2021-07-21 2021-11-26 南京旭锐软件科技有限公司 产品表面缺陷检测方法、装置、设备及存储介质
CN116380918A (zh) * 2023-05-18 2023-07-04 赣州市秋田微电子有限公司 缺陷检测方法、装置及设备
CN116542982A (zh) * 2023-07-07 2023-08-04 山东中泳电子股份有限公司 一种基于机器视觉的出发判断器缺陷检测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706462A (zh) * 2021-07-21 2021-11-26 南京旭锐软件科技有限公司 产品表面缺陷检测方法、装置、设备及存储介质
CN116380918A (zh) * 2023-05-18 2023-07-04 赣州市秋田微电子有限公司 缺陷检测方法、装置及设备
CN116542982A (zh) * 2023-07-07 2023-08-04 山东中泳电子股份有限公司 一种基于机器视觉的出发判断器缺陷检测方法及装置

Also Published As

Publication number Publication date
CN116758082B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN109087274B (zh) 基于多维融合及语义分割的电子器件缺陷检测方法及装置
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN109993797B (zh) 门窗位置检测方法及装置
CN111598801B (zh) 一种用于微弱Mura缺陷的识别方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN110688871A (zh) 一种基于条码识别的边缘检测方法
CN111429372A (zh) 一种增强低对比度图像边缘检测效果的方法
CN116137036A (zh) 基于机器学习的基因检测数据智能处理系统
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN115526885A (zh) 一种产品图像缺陷检测方法、系统、装置及介质
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
CN116168037A (zh) 一种基于图像处理的导线压接弯曲度计算方法及系统
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN114972339A (zh) 用于推土机结构件生产异常检测的数据增强系统
CN114332081A (zh) 基于图像处理的纺织品表面异常判定方法
CN117475154A (zh) 一种基于优化Canny边缘检测的仪表图像识别方法及系统
CN116758082B (zh) 基于人工智能的型钢生产质量检测方法
CN113674180B (zh) 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质
CN115311287A (zh) 一种共轨喷油器生产异常检测方法
CN113487589A (zh) 一种亚像素圆心检测方法及系统
CN109033969B (zh) 基于贝叶斯显著图计算模型的红外目标检测方法
CN111833291B (zh) 一种语义分割训练集人工标注评价方法及装置
CN117808796B (zh) 一种基于计算机视觉的齿轮表面损伤检测方法
CN117115172B (zh) 一种基于机器视觉的阿胶品质检测方法及系统
CN113361444B (zh) 一种图像处理方法、装置、电子设备及存储介质

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: Artificial intelligence based quality inspection method for steel production

Granted publication date: 20231013

Pledgee: Bank of China Wuxi Binhu sub branch

Pledgor: Wuxi Fangshun Steel Technology Co.,Ltd.

Registration number: Y2024980014292