CN117036357B - 基于视觉特征的型钢表面缺陷检测方法 - Google Patents
基于视觉特征的型钢表面缺陷检测方法 Download PDFInfo
- Publication number
- CN117036357B CN117036357B CN202311300936.1A CN202311300936A CN117036357B CN 117036357 B CN117036357 B CN 117036357B CN 202311300936 A CN202311300936 A CN 202311300936A CN 117036357 B CN117036357 B CN 117036357B
- Authority
- CN
- China
- Prior art keywords
- pixels
- backlight
- defect area
- pixel
- reflective
- 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 348
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 74
- 239000010959 steel Substances 0.000 title claims abstract description 74
- 230000000007 visual effect Effects 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000002950 deficient Effects 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011241 protective layer Substances 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于视觉特征的型钢表面缺陷检测方法,所述方法包括:获取型钢表面图像;根据型钢表面图像得到型钢表面图像中的所有可能缺陷区域,获取每个可能缺陷区域的所有反光像素和所有背光像素;根据每个可能缺陷区域的反光像素和背光像素得到每个可能缺陷区域的分布混乱程度;根据每个可能缺陷区域中所有反光像素和所有背光像素得到每个可能缺陷区域的边缘规则程度;进而得到每个可能缺陷区域的刚性缺陷概率;根据所有可能缺陷区域的刚性缺陷概率得到刚性缺陷区域,从而有效区分摩擦缺陷和刚性缺陷,更为准确的提取出型钢表面的刚性缺陷。
Description
技术领域
本申请涉及图像处理领域,具体涉及基于视觉特征的型钢表面缺陷检测方法。
背景技术
随着科技的不断发展,生产活动中对于型钢的要求也在不断地提升。特别是在一些高端领域,如航空、航天及精密制造业等领域,对型钢检测的要求更加严格。在工业生产过程中,型钢表面可能出现的缺陷主要包括以下几种:氧化腐蚀、划痕、磨损和裂纹等。目前研究人员正在开发各种方法来防止和检测这些缺陷。例如,一些涂层技术可以提供额外的保护层,此外,通过一些无损检测技术可以帮助提前发现存在问题,例如传统人工检测、机器视觉检测、X射线检测和超声波检测等。
目前,市场上存在多种方法来检测型钢表面的缺陷,总体来说,除了传统的人工检测外,视觉检测在工业应用中较为常见,视觉检测是一种非接触式的检测方法,它使用计算机视觉技术来分析型钢表面的图像并检测缺陷。这种方法可以快速地检测出大量型钢的表面缺陷情况,在检测过程中,传统的通过阈值检测可能会将部分表面摩擦问题和表面刚性缺陷同时检测出来,但是通常表面部分摩擦并不会对实际使用形成安全问题。因此如何检测并区分表面刚性缺陷和摩擦缺陷是一个需要解决的问题。
发明内容
为了解决上述技术问题,本发明提供基于视觉特征的型钢表面缺陷检测方法,所述方法包括:
获取型钢表面图像;
根据型钢表面图像得到整体灰度值,根据整体灰度值获取型钢表面图像中的所有可能缺陷区域,根据整体灰度值和可能缺陷区域得到每个可能缺陷区域的可能反光序列和可能背光序列,根据每个可能缺陷区域的可能反光序列和可能背光序列得到每个可能反光值的第一差值和每个可能背光值的第二差值,根据所有可能反光值的第一差值和所有可能背光值的第二差值得到每个可能缺陷区域的所有反光像素和所有背光像素;
获取每个可能缺陷区域中每个反光像素的第一距离和每个背光像素的第二距离,根据每个可能缺陷区域中所有反光像素的第一距离和所有背光像素的第二距离得到每个可能缺陷区域的分布混乱程度;
根据每个可能缺陷区域中所有反光像素和所有背光像素得到每个可能缺陷区域的边缘规则程度;
根据每个可能缺陷区域的分布混乱程度和边缘规则程度得到每个可能缺陷区域的刚性缺陷概率;
根据所有可能缺陷区域的刚性缺陷概率得到刚性缺陷区域。
优选的,所述根据整体灰度值获取型钢表面图像中的所有可能缺陷区域,包括的具体步骤为:
对型钢表面图像进行超像素分割处理得到多个超像素块,将每个超像素块内所有像素的灰度值求均值得到每个超像素块的灰度值,将灰度值大于整体灰度值的超像素块记为可能缺陷超像素块;
获取可能缺陷超像素块的最小外接矩形,将可能缺陷超像素块的最小外接矩形记为可能缺陷区域。
优选的,所述根据整体灰度值和可能缺陷区域得到每个可能缺陷区域的可能反光序列和可能背光序列,包括的具体步骤为:
将可能缺陷区域中灰度值大于整体灰度值的像素记为可能反光像素,将可能反光像素的灰度值称为可能反光值;将每个可能缺陷区域中所有可能反光像素的可能反光值从小到大排列得到每个可能缺陷区域的可能反光序列;
将可能缺陷区域中灰度值小于等于整体灰度值的像素记为可能背光像素,将可能背光像素的灰度值称为可能背光值,将每个可能缺陷区域中所有可能背光像素的可能背光值从小到大排列得到每个可能缺陷区域的可能背光序列。
优选的,所述根据每个可能缺陷区域的可能反光序列和可能背光序列得到每个可能反光值的第一差值和每个可能背光值的第二差值,包括的具体步骤为:
将可能反光序列中各可能反光值与前一个位置的可能反光值作差得到每个可能缺陷区域的各可能反光值的第一差值;
将可能背光序列中各可能背光值与前一个位置的可能背光值作差得到每个可能缺陷区域的各可能背光值的第二差值。
优选的,所述根据所有可能反光值的第一差值和所有可能背光值的第二差值得到每个可能缺陷区域的所有反光像素和所有背光像素,包括的具体步骤为:
将第一差值最大值对应的两个可能反光值均记为每个可能缺陷区域的参考可能反光值,将两个参考可能反光值中最小值作为每个可能缺陷区域的反光阈值;将每个可能缺陷区域的各像素的灰度值与反光阈值比较,将可能缺陷区域中灰度值大于反光阈值的像素称为反光像素;
将第二差值最大值对应的两个可能背光值均记为每个可能缺陷区域的参考可能背光值;将两个参考可能背光值中最大值作为每个可能缺陷区域的背光阈值;将每个可能缺陷区域的各像素的灰度值与背光阈值比较,将可能缺陷区域中灰度值小于背光阈值的像素称为背光像素。
优选的,所述获取每个可能缺陷区域中每个反光像素的第一距离和每个背光像素的第二距离,包括的具体步骤为:
获取每个反光像素的第一距离,包括:将每个可能缺陷区域中所有反光像素构成反光像素集合,将可能缺陷区域的最左上角像素记为基准像素,在每个可能缺陷区域中获取与基准像素最近的一个反光像素,将反光像素/>作为目标反光像素,在反光像素集合中获取与目标反光像素最近的反光像素/>,将目标反光像素/>与反光像素/>之间的距离作为目标反光像素/>的第一距离,将反光像素/>从反光像素集合中去除得到新的反光像素集合,将反光像素/>作为新的目标反光像素,在新的反光像素集合中获取新的目标反光像素/>的最近反光像素/>,将新的目标反光像素/>与反光像素/>之间的距离作为新的目标反光像素/>的第一距离,以此类推得到所有反光像素的第一距离;
获取每个背光像素的第二距离。
优选的,所述根据每个可能缺陷区域中所有反光像素的第一距离和所有背光像素的第二距离得到每个可能缺陷区域的分布混乱程度,包括的具体步骤为:
其中,m为每个可能缺陷区域中的反光像素的数量,n为每个可能缺陷区域的背光像素的数量,表示每个可能缺陷区域内第i个反光像素的第一距离,/>表示第j个背光像素的第二距离,/>表示每个可能缺陷区域内所有反光像素的第一距离的均值,/>表示每个可能缺陷区域内所有背光像素的第二距离的均值,/>表示每个可能缺陷区域的分布混乱程度。
优选的,所述根据每个可能缺陷区域中所有反光像素和所有背光像素得到每个可能缺陷区域的边缘规则程度,包括的具体步骤为:
对每个可能缺陷区域的所有反光像素作连通域处理得到每个可能缺陷区域的多个反光区域,对每个可能缺陷区域的所有背光像素作连通域处理得到每个可能缺陷区域的多个背光区域;
计算每个反光区域的边缘规则程度,包括:
获取反光区域的所有最外侧点,所有最外侧点构成反光区域的第一包围线,获取第一包围线上各像素的斜率方向;
将第一包围线的所有像素的斜率方向信息熵的倒数作为每个反光区域的边缘规则程度;
计算每个背光区域的边缘规则程度;
将每个可能缺陷区域中所有反光区域、背光区域的边缘规则程度求均值得到可能缺陷区域的边缘规则程度。
优选的,所述根据每个可能缺陷区域的分布混乱程度和边缘规则程度得到每个可能缺陷区域的刚性缺陷概率,包括的具体步骤为:
其中,表示每个可能缺陷区域的分布混乱程度,/>表示每个可能缺陷区域的边缘规则程度,/>表示每个可能缺陷区域的刚性缺陷概率,e表示自然常数。
优选的,所述根据所有可能缺陷区域的刚性缺陷概率得到刚性缺陷区域,包括的具体步骤为:
将刚性缺陷概率大于预设刚性缺陷概率阈值的可能缺陷区域作为刚性缺陷区域。
本发明实施例至少具有如下有益效果:型钢表面容易产生摩擦缺陷和刚性缺陷,摩擦缺陷不会影响型钢的使用性能,因而为了不影响型钢的使用性能,只需检测出型钢表面的刚性缺陷。摩擦缺陷和刚性缺陷的均容易反光,因而摩擦缺陷和刚性缺陷区域的灰度值均较大,利用阈值分割很难进行区分。由于摩擦缺陷和刚性缺陷反光特征差异较大,因而需先准确的分割出每个可能缺陷区域的反光像素和背光像素,由于摩擦缺陷相较于刚性缺陷的反光像素和背光像素分布较为混乱,因而通过对反光像素和背光像素的分布特征进行描述得到每个可能缺陷区域的分布混乱程度。同时由于刚性缺陷相较于摩擦缺陷反光区域和背光区域的边缘较为规则,通过对反光区域和背光区域的边缘进行描述得到每个可能缺陷区域的边缘规则程度,结合每个可能缺陷区域的边缘规则程度和分布混乱程度得到每个可能缺陷区域的刚性缺陷概率,利用每个可能缺陷区域的刚性缺陷概率分割出刚性缺陷区域。
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为本发明提供的基于视觉特征的型钢表面缺陷检测方法的流程图;
图2为本发明提供的摩擦缺陷示意图;
图3为本发明提供的刚性缺陷示意图。
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基于视觉特征的型钢表面缺陷检测方法,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基于视觉特征的型钢表面缺陷检测方法的具体方案。
请参阅图1,其示出了本发明的一个实施例提供的基于视觉特征的型钢表面缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取型钢表面图像。
刚性缺陷会影响型钢的使用性能,摩擦缺陷对型钢的使用性能影响不大,因而只需检测型钢表面的刚性缺陷。摩擦缺陷和刚性缺陷灰度差异较小,摩擦缺陷会干扰刚性缺陷检测,传统阈值分割方法很难准确的分割出刚性缺陷区域。为了更准确的检测出型钢表面的刚性缺陷区域,需结合两种缺陷的差异特征来对两种缺陷进行区分。要检测型钢表面的刚性缺陷需先获取型钢表面图像。图2中的矩形框中展示了摩擦缺陷,图3的矩形框中展示了刚性缺陷。
1、获取型钢表面图像:
在平行光源下,利用相机采集型钢表面图像。
2、图像预处理:
受光线等干扰导致型钢表面图像中会存在一些噪声信息,因而需对型钢表面图像进行滤波处理,为了防止滤除噪声信息时去除边缘信息,因而利用引导滤波器对型钢表面图像进行滤波处理得到滤波后型钢表面图像。
对滤波后型钢表面图像进行灰度化处理得到滤波后型钢表面图像的灰度图像,为了便于描述,后续将滤波后型钢表面图像的灰度图像的称为型钢表面图像。
步骤S002,获取型钢表面图像的可能缺陷区域,获取可能缺陷区域的反光像素和背光像素,根据可能缺陷区域反光像素和背光像素得到可能缺陷区域的反光区域和背光区域。
型钢表面容易存在刚性缺陷和摩擦缺陷,其中只有刚性缺陷影响型钢的使用性能,因而只需检测型钢表面的刚性缺陷;而刚性缺陷和摩擦缺陷的反光较大,因而刚性缺陷和摩擦缺陷所在区域的灰度值均较大,因而利用阈值分割很难只分割出刚性缺陷区域。
因而可以先利用常规技术获取型钢表面的可能缺陷区域,然后结合刚性缺陷和摩擦缺陷的特征来对可能缺陷区域中的刚性缺陷和摩擦缺陷进行区分得到刚性缺陷区域。
1、获取可能缺陷区域:
由于无论是刚性缺陷还是摩擦缺陷的反光均较多,这两个缺陷所在区域的整体灰度值要比正常像素的灰度值大,因而基于此来获取可能的缺陷区域。
获取型钢表面图像的每个像素的灰度值,计算型钢表面图像的所有像素的灰度值均值,记为整体灰度值。
利用超像素分割算法对型钢表面图像进行超像素分割处理得到多个超像素块,将每个超像素块内所有像素的灰度值均值记为每个超像素块的灰度值,将每个超像素块的灰度值与整体灰度值比较,将灰度值大于整体灰度值超像素块记为可能缺陷超像素块,为了防止获取的可能缺陷超像素块中无法包含完整的缺陷信息,获取可能缺陷超像素块的最小外接矩形,将可能缺陷超像素块的最小外接矩形记为可能缺陷区域。
2、获取可能缺陷区域的反光像素和背光像素:
由于刚性缺陷的反光像素和背光像素分布较为集中,而摩擦缺陷的反光像素和背光像素分布较为离散,因而可以通过反光像素和背光像素分布的离散程度来对刚性缺陷和摩擦进行区分,首先得先准确的得到反光像素和背光像素,具体如下:
获取每个缺陷区域的反光像素:由于可能缺陷区域内会包含反光像素、背光像素和正常像素。其中反光像素的灰度值较大,因而反光像素的灰度值肯定大于整体灰度值,将可能缺陷区域的每个像素的灰度值与整体灰度值比较,将可能缺陷区域中大于整体灰度值的可能缺陷区域的像素记为可能反光像素,将可能反光像素的灰度值称为可能反光值,可能反光像素中包含反光像素和正常像素,不可能包含背光像素,因而需要一个反光阈值将反光像素和正常像素进行区分。将每个可能缺陷区域中所有可能反光像素的可能反光值从小到大排列得到每个可能缺陷区域的可能反光序列;由于反光像素的灰度值一定比正常像素的灰度值大,所以反光像素中的最小灰度值比正常像素的最大灰度值大,同时由于可能反光序列中所有可能反光值是顺序排列的,因而反光像素的最小灰度值和正常像素的最大灰度值肯定相邻。相较于正常像素之间和反光像素之间,反光像素与正常像素的灰度差异较大,将可能反光序列中各可能反光值与前一个位置的可能反光值作差得到每个可能缺陷区域的各可能反光值的第一差值,第一差值最大值对应的两个可能反光值均记为每个可能缺陷区域的参考可能反光值,在两个参考可能反光值中一个为正常像素的最大灰度值和一个为反光像素的最小灰度值,将两个参考可能反光值中最小值作为每个可能缺陷区域的反光阈值。
将每个可能缺陷区域的各像素的灰度值与反光阈值比较,将每个可能缺陷区域中灰度值大于反光阈值的像素称为反光像素。
获取每个缺陷区域的背光像素:将可能缺陷区域的每个像素的灰度值与整体灰度值比较,将可能缺陷区域中小于等于整体灰度值的像素记为可能背光像素,将可能背光像素的灰度值称为可能背光值,将每个可能缺陷区域中所有可能背光像素的可能背光值从小到大排列得到每个可能缺陷区域的可能背光序列;将可能背光序列中各可能背光值与前一个位置的可能背光值作差得到每个可能缺陷区域的各可能背光值的第二差值,将第二差值最大值对应的两个可能背光值均记为每个可能缺陷区域的参考可能背光值;将两个参考可能背光值中最大值作为每个可能缺陷区域的背光阈值;将每个可能缺陷区域的各像素的灰度值与背光阈值比较,将可能缺陷区域中灰度值小于背光阈值的像素称为背光像素。
3、根据可能缺陷区域反光像素和背光像素得到可能缺陷区域的反光区域和背光区域:
对每个可能缺陷区域的所有反光像素作连通域处理得到每个可能缺陷区域的多个反光区域。同理得到每个可能缺陷区域的多个背光区域。
步骤S003,根据可能缺陷区域的反光像素和背光像素得到每个可能缺陷区域的分布混乱程度。
由于刚性缺陷的反光像素和背光像素的分布较为集中,且反光、背光像素距离差异较小,而摩擦缺陷的反光像素和背光像素的分布较为离散,反光、背光像素距离差异较大,因而可以通过距离差异程度来对刚性缺陷和摩擦缺陷进行区分。
1、获取每个反光像素的第一距离和每个背光像素的第二距离:
在描述反光像素的分布情况时,如果用每个反光像素与最近反光像素的距离值的取值情况来描述反光像素的分布情况,则会存在距离复用,距离复用会造成反光像素的分布描述不够准确,举例来说明距离复用,反光像素a的最近反光像素为反光像素b,反光像素a与反光像素b的距离为反光像素a的最近距离,同时反光像素b的最近距离也有可能时反光像素a与反光像素b的距离值,因而就会存在距离复用情况,这种会使得获取的距离值的多样性较小,从而无法准确的反映反光像素的分布情况。
获取每个反光像素的第一距离:将每个可能缺陷区域中所有反光像素构成反光像素集合,将可能缺陷区域的最左上角像素记为基准像素,在每个可能缺陷区域中获取与基准像素最近的一个反光像素,将反光像素/>作为目标反光像素,在反光像素集合中获取与目标反光像素最近的反光像素/>,将目标反光像素/>与反光像素之间的距离作为目标反光像素/>的第一距离,将反光像素/>从反光像素集合中去除得到新的反光像素集合,将反光像素/>作为新的目标反光像素,在新的反光像素集合中获取新的目标反光像素/>的最近反光像素/>,将新的目标反光像素/>与最近反光像素/>之间的距离作为新的目标反光像素的第一距离,以此类推得到获取所有反光像素的第一距离。将第i个反光像素的第一距离记为/>。
需要说明的是,当目标反光像素的最近反光像素存在多个时,将优先程度大的方向上的最近反光像素作为下一个目标反光像素,各方向的优先程度排序为:以右侧水平方向为基准顺时针旋转,各方向的优先程度依次降低。
需要说明的是,当距离区域边缘最近的反光像素存在多个时,在其中任选一个即可。
同理得到每个背光像素得第二距离,将第j个背光像素的第一距离记为。
2、计算每个缺陷区域的分布混乱程度:
其中,m为每个可能缺陷区域中的反光像素的数量,n为每个可能缺陷区域的背光像素的数量,分别表示每个可能缺陷区域内第i个反光像素的第一距离和第j个背光像素的第二距离,/>分别表示每个可能缺陷区域内所有反光像素的第一距离的均值和所有背光像素的第二距离的均值。/>表示每个可能缺陷区域所有反光像素的第一距离的差异情况,该值越大说明该可能缺陷区域的反光像素分布较为混乱,表示每个可能缺陷区域所有背光像素的第二距离的差异情况,该值越大说明该缺陷区域的反光像素分布较为混乱,/>表示每个可能缺陷区域的分布混乱程度。
步骤S004,根据可能缺陷区域的反光区域和背光区域得到可能缺陷区域的边缘规则程度,根据可能缺陷区域的边缘规则程度和分布混乱程度得到可能缺陷区域的刚性缺陷概率。
由于刚性缺陷相较于摩擦缺陷的边缘更为规则,因而可以通过每个可能缺陷区域中的各反光区域和背光区域的边缘规则情况来对刚性缺陷和摩擦缺陷进行区分。
1、计算每个可能缺陷区域的边缘规则程度:
每个可能缺陷区域包含若干个反光区域和若干个背光区域,下面需基于每个反光区域或背光区域进行分析得到每个反光区域或背光区域的边缘规则程度,具体操作为:
利用传统连通域边界点的获取方法,获取反光区域的所有最外侧点,每个反光区域的所有最外侧点构成反光区域的第一包围线,获取第一包围线上各像素的斜率方向。
根据反光区域的第一包围线上所有像素的斜率方向得到反光区域的边缘规则程度:
其中,为第一包围线上像素点的数量,/>表示斜率方向,/>表示第一包围线上斜率方向为/>的像素点个数,/>描述了第z个反光区域的第一包围线的斜率混乱情况,该值越大说明该反光区域的边缘越不规则,/>表示每个可能缺陷区域中第z个反光区域的边缘规则程度。
同理得到每个可能缺陷区域的每个背光区域的边缘规则程度。
至此,得到每个可能缺陷区域的每个反光、背光区域的边缘规则程度。
将每个可能缺陷区域中所有反光、背光区域的边缘规则程度求均值得到可能缺陷区域的边缘规则程度。
2、计算每个可能缺陷区域的刚性缺陷概率:
利用每个可能缺陷区域的分布混乱程度和边缘规则程度对每个可能缺陷区域进行综合判定,因而每个可能缺陷区域的刚性缺陷概率为:
其中,表示每个可能缺陷区域的分布混乱程度,该值越大说明该可能缺陷区域的分布越混乱,其更符合摩擦缺陷的特征,不符合刚性缺陷的特征,因而刚性缺陷概率越小;/>表示每个可能缺陷区域的边缘规则程度,该值越大说明可能缺陷区域中反光区域和背光区域的边缘较为规则,其越符合刚性缺陷特征,因而刚性缺陷概率越大,/>表示每个可能缺陷区域的刚性缺陷概率,e表示自然常数。
步骤S005,根据可能缺陷区域的刚性缺陷概率得到刚性缺陷区域。
每个可能缺陷区域中包含刚性缺陷和摩擦缺陷,而摩擦缺陷不影响型钢的使用性能,刚性缺陷不影响型钢的实用性能,因而只需检测出刚性缺陷。上述步骤中通过对摩擦缺陷和刚性缺陷的区分特征进行分析得到每个可能缺陷区域的刚性缺陷概率,下面需利用可能缺陷区域的刚性缺陷概率筛选出可能缺陷区域中的刚性缺陷区域。
将刚性缺陷概率大于预设刚性缺陷概率阈值的可能缺陷区域作为刚性缺陷区域,本实施例以K取0.8为例来说明,其他实施例可设置其他值,本实施例不作具体限定。
综上所述,本发明实施例提供了基于视觉特征的型钢表面缺陷检测方法,型钢表面容易产生摩擦缺陷和刚性缺陷,摩擦缺陷不会影响型钢的使用性能,因而为了不影响型钢的使用性能,只需检测出型钢表面的刚性缺陷。摩擦缺陷和刚性缺陷的均容易反光,因而摩擦缺陷和刚性缺陷区域的灰度值均较大,利用阈值分割很难进行区分。由于摩擦缺陷和刚性缺陷反光特征差异较大,因而需先准确的分割出每个可能缺陷区域的反光像素和背光像素,由于摩擦缺陷相较于刚性缺陷的反光像素和背光像素分布较为混乱,因而通过对反光像素和背光像素的分布特征进行描述得到每个可能缺陷区域的分布混乱程度。同时由于刚性缺陷相较于摩擦缺陷反光区域和背光区域的边缘较为规则,通过对反光区域和背光区域的边缘进行描述得到每个可能缺陷区域的边缘规则程度,结合每个可能缺陷区域的边缘规则程度和分布混乱程度得到每个可能缺陷区域的刚性缺陷概率,利用每个可能缺陷区域的刚性缺陷概率分割出刚性缺陷区域。
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 (9)
1.基于视觉特征的型钢表面缺陷检测方法,其特征在于,该方法包括:
获取型钢表面图像;
根据型钢表面图像得到整体灰度值,根据整体灰度值获取型钢表面图像中的所有可能缺陷区域,根据整体灰度值和可能缺陷区域得到每个可能缺陷区域的可能反光序列和可能背光序列,根据每个可能缺陷区域的可能反光序列和可能背光序列得到每个可能反光值的第一差值和每个可能背光值的第二差值,根据所有可能反光值的第一差值和所有可能背光值的第二差值得到每个可能缺陷区域的所有反光像素和所有背光像素;
获取每个可能缺陷区域中每个反光像素的第一距离和每个背光像素的第二距离,根据每个可能缺陷区域中所有反光像素的第一距离和所有背光像素的第二距离得到每个可能缺陷区域的分布混乱程度;
根据每个可能缺陷区域中所有反光像素和所有背光像素得到每个可能缺陷区域的边缘规则程度;
根据每个可能缺陷区域的分布混乱程度和边缘规则程度得到每个可能缺陷区域的刚性缺陷概率;
根据所有可能缺陷区域的刚性缺陷概率得到刚性缺陷区域;
所述根据整体灰度值和可能缺陷区域得到每个可能缺陷区域的可能反光序列和可能背光序列,包括的具体步骤为:
将可能缺陷区域中灰度值大于整体灰度值的像素记为可能反光像素,将可能反光像素的灰度值称为可能反光值;将每个可能缺陷区域中所有可能反光像素的可能反光值从小到大排列得到每个可能缺陷区域的可能反光序列;
将可能缺陷区域中灰度值小于等于整体灰度值的像素记为可能背光像素,将可能背光像素的灰度值称为可能背光值,将每个可能缺陷区域中所有可能背光像素的可能背光值从小到大排列得到每个可能缺陷区域的可能背光序列。
2.如权利要求1所述的基于视觉特征的型钢表面缺陷检测方法,其特征在于,所述根据整体灰度值获取型钢表面图像中的所有可能缺陷区域,包括的具体步骤为:
对型钢表面图像进行超像素分割处理得到多个超像素块,将每个超像素块内所有像素的灰度值求均值得到每个超像素块的灰度值,将灰度值大于整体灰度值的超像素块记为可能缺陷超像素块;
获取可能缺陷超像素块的最小外接矩形,将可能缺陷超像素块的最小外接矩形记为可能缺陷区域。
3.如权利要求1所述的基于视觉特征的型钢表面缺陷检测方法,其特征在于,所述根据每个可能缺陷区域的可能反光序列和可能背光序列得到每个可能反光值的第一差值和每个可能背光值的第二差值,包括的具体步骤为:
将可能反光序列中各可能反光值与前一个位置的可能反光值作差得到每个可能缺陷区域的各可能反光值的第一差值;
将可能背光序列中各可能背光值与前一个位置的可能背光值作差得到每个可能缺陷区域的各可能背光值的第二差值。
4.如权利要求3所述的基于视觉特征的型钢表面缺陷检测方法,其特征在于,所述根据所有可能反光值的第一差值和所有可能背光值的第二差值得到每个可能缺陷区域的所有反光像素和所有背光像素,包括的具体步骤为:
将第一差值最大值对应的两个可能反光值均记为每个可能缺陷区域的参考可能反光值,将两个参考可能反光值中最小值作为每个可能缺陷区域的反光阈值;将每个可能缺陷区域的各像素的灰度值与反光阈值比较,将可能缺陷区域中灰度值大于反光阈值的像素称为反光像素;
将第二差值最大值对应的两个可能背光值均记为每个可能缺陷区域的参考可能背光值;将两个参考可能背光值中最大值作为每个可能缺陷区域的背光阈值;将每个可能缺陷区域的各像素的灰度值与背光阈值比较,将可能缺陷区域中灰度值小于背光阈值的像素称为背光像素。
5.如权利要求1所述的基于视觉特征的型钢表面缺陷检测方法,其特征在于,所述获取每个可能缺陷区域中每个反光像素的第一距离和每个背光像素的第二距离,包括的具体步骤为:
获取每个反光像素的第一距离,包括:将每个可能缺陷区域中所有反光像素构成反光像素集合,将可能缺陷区域的最左上角像素记为基准像素,在每个可能缺陷区域中获取与基准像素最近的一个反光像素,将反光像素/>作为目标反光像素,在反光像素集合中获取与目标反光像素最近的反光像素/>,将目标反光像素/>与反光像素之间的距离作为目标反光像素/>的第一距离,将反光像素/>从反光像素集合中去除得到新的反光像素集合,将反光像素/>作为新的目标反光像素,在新的反光像素集合中获取新的目标反光像素/>的最近反光像素/>,将新的目标反光像素/>与反光像素/>之间的距离作为新的目标反光像素/>的第一距离,以此类推得到所有反光像素的第一距离;
获取每个背光像素的第二距离。
6.如权利要求1所述的基于视觉特征的型钢表面缺陷检测方法,其特征在于,所述根据每个可能缺陷区域中所有反光像素的第一距离和所有背光像素的第二距离得到每个可能缺陷区域的分布混乱程度,包括的具体步骤为:
其中,m为每个可能缺陷区域中的反光像素的数量,n为每个可能缺陷区域的背光像素的数量,表示每个可能缺陷区域内第i个反光像素的第一距离,/>表示第j个背光像素的第二距离,/>表示每个可能缺陷区域内所有反光像素的第一距离的均值,/>表示每个可能缺陷区域内所有背光像素的第二距离的均值,/>表示每个可能缺陷区域的分布混乱程度。
7.如权利要求1所述的基于视觉特征的型钢表面缺陷检测方法,其特征在于,所述根据每个可能缺陷区域中所有反光像素和所有背光像素得到每个可能缺陷区域的边缘规则程度,包括的具体步骤为:
对每个可能缺陷区域的所有反光像素作连通域处理得到每个可能缺陷区域的多个反光区域,对每个可能缺陷区域的所有背光像素作连通域处理得到每个可能缺陷区域的多个背光区域;
计算每个反光区域的边缘规则程度,包括:
获取反光区域的所有最外侧点,所有最外侧点构成反光区域的第一包围线,获取第一包围线上各像素的斜率方向;
将第一包围线的所有像素的斜率方向信息熵的倒数作为每个反光区域的边缘规则程度;
计算每个背光区域的边缘规则程度;
将每个可能缺陷区域中所有反光区域、背光区域的边缘规则程度求均值得到可能缺陷区域的边缘规则程度。
8.如权利要求1所述的基于视觉特征的型钢表面缺陷检测方法,其特征在于,所述根据每个可能缺陷区域的分布混乱程度和边缘规则程度得到每个可能缺陷区域的刚性缺陷概率,包括的具体步骤为:
其中,表示每个可能缺陷区域的分布混乱程度,/>表示每个可能缺陷区域的边缘规则程度,/>表示每个可能缺陷区域的刚性缺陷概率,e表示自然常数。
9.如权利要求1所述的基于视觉特征的型钢表面缺陷检测方法,其特征在于,所述根据所有可能缺陷区域的刚性缺陷概率得到刚性缺陷区域,包括的具体步骤为:
将刚性缺陷概率大于预设刚性缺陷概率阈值的可能缺陷区域作为刚性缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300936.1A CN117036357B (zh) | 2023-10-10 | 2023-10-10 | 基于视觉特征的型钢表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300936.1A CN117036357B (zh) | 2023-10-10 | 2023-10-10 | 基于视觉特征的型钢表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036357A CN117036357A (zh) | 2023-11-10 |
CN117036357B true CN117036357B (zh) | 2023-12-22 |
Family
ID=88639454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311300936.1A Active CN117036357B (zh) | 2023-10-10 | 2023-10-10 | 基于视觉特征的型钢表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036357B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351034B (zh) * | 2023-12-04 | 2024-02-13 | 深圳市丰源升科技有限公司 | 一种钙钛矿电池激光划线方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101611A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种类镜面物体表面光学成像装置及其成像方法 |
CN109490311A (zh) * | 2018-10-25 | 2019-03-19 | 武汉精立电子技术有限公司 | 基于多角度拍摄的背光面板缺陷检测系统及方法 |
CN113570605A (zh) * | 2021-09-28 | 2021-10-29 | 深圳市绘晶科技有限公司 | 一种基于液晶显示面板的缺陷检测方法和系统 |
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
-
2023
- 2023-10-10 CN CN202311300936.1A patent/CN117036357B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101611A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种类镜面物体表面光学成像装置及其成像方法 |
CN109490311A (zh) * | 2018-10-25 | 2019-03-19 | 武汉精立电子技术有限公司 | 基于多角度拍摄的背光面板缺陷检测系统及方法 |
CN113570605A (zh) * | 2021-09-28 | 2021-10-29 | 深圳市绘晶科技有限公司 | 一种基于液晶显示面板的缺陷检测方法和系统 |
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117036357A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN112330591B (zh) | 少样本学习的钢轨表面缺陷检测方法及装置 | |
CN117036357B (zh) | 基于视觉特征的型钢表面缺陷检测方法 | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN115082462B (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
EP2177898A1 (en) | Method for selecting an optimized evaluation feature subset for an inspection of free-form surfaces and method for inspecting a free-form surface | |
CN116758061A (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115049664A (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN114219805A (zh) | 一种玻璃缺陷智能检测方法 | |
CN101082592A (zh) | 不均检查方法、不均检查装置以及记录介质 | |
CN115100200A (zh) | 基于光学手段的光纤缺陷检测方法及系统 | |
CN115511842A (zh) | 一种基于机器视觉的电缆绝缘表皮破损检测方法 | |
CN112330598A (zh) | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 | |
CN116385450A (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
Selamet et al. | Automatic detection and classification of defective areas on metal parts by using adaptive fusion of faster R-CNN and shape from shading | |
Sun et al. | Unsupervised surface defect detection of aluminum sheets with combined bright-field and dark-field illumination | |
CN114511534B (zh) | 一种基于图像处理的pc板裂纹判断方法及系统 |
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 |