CN117173180B - 基于图像增强的钢管缺陷智能检测方法 - Google Patents
基于图像增强的钢管缺陷智能检测方法 Download PDFInfo
- Publication number
- CN117173180B CN117173180B CN202311450728.XA CN202311450728A CN117173180B CN 117173180 B CN117173180 B CN 117173180B CN 202311450728 A CN202311450728 A CN 202311450728A CN 117173180 B CN117173180 B CN 117173180B
- Authority
- CN
- China
- Prior art keywords
- steel pipe
- subarea
- image
- value
- coating
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 485
- 239000010959 steel Substances 0.000 title claims abstract description 485
- 230000007547 defect Effects 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000576 coating method Methods 0.000 claims abstract description 88
- 239000011248 coating agent Substances 0.000 claims abstract description 86
- 238000009826 distribution Methods 0.000 claims abstract description 72
- 238000005520 cutting process Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000002310 reflectometry Methods 0.000 claims abstract description 20
- 238000005286 illumination Methods 0.000 claims abstract description 18
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000007747 plating Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003405 preventing effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 239000012770 industrial material Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及基于图像增强的钢管缺陷智能检测方法,采集钢管灰度图像;获取钢管灰度图像的各钢管子区域;计算各钢管子区域的钢管镀层覆盖度;获取各钢管子区域的强光分布矩阵及弱光分布矩阵,基于此构建钢管子区域的光照不均匀性指数;计算钢管子区域的钢管镀层反光度及钢管子区域的噪声估计值;根据钢管镀层覆盖度、钢管镀层反光度以及噪声估计值计算钢管子区域在限制对比度自适应均衡化算法中裁剪阈值的裁剪权重,并得到钢管子区域的裁剪阈值;结合限制对比度自适应均衡化算法对钢管灰度图像进行增强,根据增强后的钢管灰度图像提取钢管缺陷区域。从而实现钢管图像的增强,提高钢管缺陷检测精度。
Description
技术领域
本申请涉及图像增强技术领域,具体涉及基于图像增强的钢管缺陷智能检测方法。
背景技术
钢管是由钢材制成的空心管状产品,是一种常见的建筑材料和工业材料,具有高强度、耐腐蚀、耐高温等特点,被广泛应用于建筑、石油化工、汽车制造、航空航天等领域。但是在钢管的制造过程中,会受到材料、工艺、设备等因素的影响,导致其表面出现凹坑、翘皮、裂纹、划痕等质量缺陷,因此需要对钢管进行表面缺陷的检测,以及时采取相应的预防和控制措施,来提高钢管的质量和性能。
随着人工智能的发展,基于机器视觉的检测方法也被逐渐应用于钢管缺陷的智能检测,然而在使用工业相机对钢管表面图像进行采集时,相机光学系统的不稳定、环境光的影响、钢管表面反光等因素都会导致采集到的钢管表面图像光照不均匀、对比度较低且带有大量噪声,而这类低质量的图像对钢管表面图像中的缺陷分割和识别带来了很大的困难,因此在对钢管进行缺陷检测前,需要对钢管表面图像进行图像增强。
限制对比度自适应均衡化算法(CLAHE)是一种图像增强算法,该算法有着提高图像对比度并对噪声进行抑制的优势,相较于传统的图像增强算法能够更有效地提升图像的质量和视觉效果。该算法是通过引入一个裁剪阈值来实现图像对比度的增强和噪声的抑制,但是裁剪阈值通常是人工设置的参数,而这会影响该算法进行图像增强后的图像质量。
综上所述,本发明提出基于图像增强的钢管缺陷智能检测方法,获取钢管的表面图像,根据钢管的表面缺陷在钢管的灰度图像中对钢管表面镀层的影响,以及环境光照在钢管的亮度图像中对钢管表面镀层的影响,来构建出各个钢管子区域的钢管镀层覆盖度和钢管镀层反光度,并结合各个钢管子区域的噪声估计值,来得到各个钢管子区域对应的裁剪权重,基于裁剪权重得到各个钢管子区域在限制对比度自适应均衡化算法(CLAHE)中的裁剪阈值,结合限制对比度自适应均衡化算法(CLAHE)对钢管的图像进行图像增强,并完成对钢管缺陷的智能检测。
发明内容
为了解决上述技术问题,本发明提供基于图像增强的钢管缺陷智能检测方法,以解决现有的问题。
本发明的基于图像增强的钢管缺陷智能检测方法采用如下技术方案:
本发明一个实施例提供了基于图像增强的钢管缺陷智能检测方法,该方法包括以下步骤:
采集钢管灰度图像;获取钢管灰度图像的各钢管子区域;
根据各钢管子区域钢管镀层分布直方图之间的关系获取各钢管子区域的钢管镀层覆盖度;获取各钢管子区域的强光分布矩阵及弱光分布矩阵;根据钢管子区域内的强光分布矩阵及弱光分布矩阵各元素之间的差异得到钢管子区域的光照不均匀性指数;根据光照不均匀性指数及钢管子区域内像素点的亮度值得到钢管子区域的钢管镀层反光度;根据钢管子区域去噪前后各像素点灰度值的变化得到钢管子区域的噪声估计值;根据钢管子区域的钢管镀层覆盖度、钢管镀层反光度以及噪声估计值得到钢管子区域在限制对比度自适应均衡化算法中裁剪阈值的裁剪权重;根据钢管子区域的所述裁剪权重得到钢管子区域的裁剪阈值;
结合各钢管子区域的裁剪阈值及限制对比度自适应均衡化算法对钢管灰度图像进行增强,根据增强后的钢管灰度图像得到钢管缺陷区域,完成钢管缺陷智能检测。
进一步地,所述获取钢管灰度图像的各钢管子区域,包括:
霍夫直线检测获取钢管灰度图像中的钢管边缘,提取钢管区域,将钢管区域灰度K个等级划分,K为预设灰度等级,获取K个钢管子区域。
进一步地,所述根据各钢管子区域钢管镀层分布直方图之间的关系获取各钢管子区域的钢管镀层覆盖度,包括:
获取各钢管子区域的钢管镀层分布直方图,计算任意两个钢管子区域钢管镀层分布直方图之间的距离,将所述距离的倒数作为所述任意两个钢管子区域的钢管镀层分布相似度,获取所有所述钢管镀层分布相似度的均值;
对于各钢管子区域,计算钢管子区域与其他所有钢管子区域的钢管镀层分布相似度减去所述均值的平方的平均值,将所述平均值作为钢管子区域与其他钢管子区域之间的综合钢管镀层分布差异系数;
对于各钢管子区域,将钢管子区域灰度共生矩阵的逆差距与所述综合钢管镀层分布差异系数的比值作为钢管子区域的钢管镀层覆盖度。
进一步地,所述获取各钢管子区域的强光分布矩阵及弱光分布矩阵,包括:
获取钢管亮度图像并进行大津阈值分割,得到亮度阈值,将钢管亮度图像中亮度值大于亮度阈值的像素点作为强光点,钢管亮度图像中亮度值小于等于亮度阈值的像素点作为弱光点;
对于钢管子区域内各像素点,以像素点为中心获取邻域窗口,分别统计像素点邻域窗口内强光点、弱光点的个数,作为像素点的强光度、弱光度,将钢管子区域内所有像素点的强光度组成钢管子区域的强光分布矩阵,所有像素点的弱光度组成钢管子区域的弱光分布矩阵。
进一步地,所述根据钢管子区域内的强光分布矩阵及弱光分布矩阵各元素之间的差异得到钢管子区域的光照不均匀性指数,包括:
计算钢管子区域内各像素点的强光度与弱光度的差值平方,将钢管子区域内所有像素点的所述差值平方的均值作为钢管子区域的光照不均匀性指数。
进一步地,所述根据光照不均匀性指数及钢管子区域内像素点的亮度值得到钢管子区域的钢管镀层反光度,包括:
获取钢管子区域内所有像素点的亮度均值,将所述均值与所述光照不均匀性指数的乘积作为钢管子区域钢管镀层反光度。
进一步地,所述根据钢管子区域去噪前后各像素点灰度值的变化得到钢管子区域的噪声估计值,包括:
对钢管子区域灰度图像进行去噪处理,获取钢管子区域的去噪图像,计算钢管子区域灰度图像与所述去噪图像中对应像素点的灰度差值平方,将钢管子区域中所有像素点的所述灰度差值平方的均值作为钢管子区域的噪声估计值。
进一步地,所述裁剪权重,包括:
获取钢管子区域钢管镀层反光度与噪声估计值的乘积,计算所述乘积与钢管镀层覆盖度比值的归一化值,将所述归一化值作为钢管子区域的采裁剪权重。
进一步地,所述根据钢管子区域的所述裁剪权重得到钢管子区域的裁剪阈值,包括:
计算钢管子区域的像素点个数与灰度级数的比值,获取钢管子区域直方图均衡化后所得直方图中纵坐标的最大值,计算钢管子区域裁剪权重与所述最大值的乘积,将所述乘积与所述比值的和值作为钢管子区域的裁剪阈值。
进一步地,所述根据增强后的钢管灰度图像得到钢管缺陷区域,具体包括:对增强后的钢管灰度图像进行二值分割获取二值图像,将二值图像中灰度值为1的像素点组成的区域作为钢管缺陷区域。
本发明至少具有如下有益效果:
本发明提出基于图像增强的钢管缺陷智能检测方法,针对传统的限制对比度自适应均衡化算法(CLAHE)中不能动态的调整裁剪阈值,而影响最终得到的图像的质量和视觉效果的问题,基于钢管的表面缺陷在钢管的灰度图像中对钢管表面镀层的影响,构建各个钢管子区域的钢管镀层覆盖度,以区分包含钢管表面缺陷的钢管子区域,对不包含钢管表面缺陷的钢管子区域赋予较小的裁剪阈值的裁剪权重,减少钢管的正常表面区域中出现对比度过度增强问题的发生;同时,根据环境光照在钢管的亮度图像中对钢管表面镀层的影响,构建钢管镀层反光度,并对钢管镀层反光度较大的钢管子区域赋予较大的裁剪阈值的裁剪权重,以提高钢管表面缺陷在该钢管子区域中的细节信息;
进一步,通过对各个钢管子区域进行噪声的估计,对含噪量较高的钢管子区域赋予较大的裁剪阈值的裁剪权重,实现对图像中噪声的抑制,并基于钢管镀层覆盖度、钢管镀层反光度以及噪声估计值得到各个钢管子区域的裁剪阈值,使得限制对比度自适应均衡化算法(CLAHE)最终的图像增强的效果,提高了钢管灰度图像的图像质量,为后续钢管缺陷的智能检测提供了极大的便利。
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图像增强的钢管缺陷智能检测方法的流程图;
图2为强光分布矩阵以及弱光分布矩阵示意图;
图3为钢管各子区域的裁剪权重提取示意图。
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图像增强的钢管缺陷智能检测方法,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图像增强的钢管缺陷智能检测方法的具体方案。
本发明一个实施例提供的基于图像增强的钢管缺陷智能检测方法,具体的,提供了如下的基于图像增强的钢管缺陷智能检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,获取钢管的表面图像,并对得到的图像进行预处理。
使用线阵CCD相机采集钢管的表面图像,得到RGB图像。由于在相机的拍摄以及图像的传输过程中,会使得采集到的图像存在噪声,为避免这些噪声对后续的处理造成影响,故采用中值滤波对RGB图像进行去噪,其中中值滤波为公知技术,不再赘述。将进行中值滤波后的钢管的RGB图像转换为灰度图像,记为钢管灰度图像。同时将钢管的RGB空间图像转换为HSV空间图像,得到亮度通道图像,记为钢管亮度图像。
至此,可获取用于钢管缺陷检测的钢管表面图像,并获取对应的钢管灰度图像及钢管亮度图像,作为钢管图像增强的基础数据。
步骤S002,根据钢管的表面缺陷对钢管表面镀层的影响,以及环境光照在钢管的亮度图像中对钢管表面镀层的影响,构建各个钢管子区域的钢管镀层覆盖度和钢管镀层反光度,并结合各个钢管子区域的噪声估计值,得到各个钢管子区域对应的裁剪权重,基于裁剪权重得到各个钢管子区域在限制对比度自适应均衡化算法(CLAHE)中的裁剪阈值。
限制对比度自适应均衡化算法(CLAHE)是通过将图像分成小区域,然后对每个小区域进行直方图均衡化来实现对比度增强。而裁剪阈值是用来限制每个小区域中各个灰度级所包含像素点的个数,以确保在直方图均衡化的过程中不会出现极端对比度增强的问题,避免产生噪声点和过度增强的效果。其中,较小的裁剪阈值会产生更强的对比度增强效果,但可能会导致噪声点的产生和图像细节的丢失;而较大的裁剪阈值会减少对比度增强的效果,但可以保留更多的图像细节信息。因此本发明实施例根据钢管的表面缺陷在钢管的灰度图像中的分布情况以及光照和噪声对钢管的表面缺陷的影响,自适应的调整限制对比度自适应均衡化算法(CLAHE)中的裁剪阈值,以实现钢管表面图像在保留图像细节信息的同时提高图像的对比度效果。
具体的,首先获取钢管灰度图像中的钢管区域。由于钢管是圆柱形结构,其钢管边缘在图像中是平行的,因此使用霍夫直线检测算法对钢管灰度图像进行处理,得到若干条直线方程,其中霍夫直线检测算法为公知技术,不再赘述。筛选出其中直线间的欧式距离最大的两条直线,分割出钢管灰度图像中这两条直线之间的图像区域,得到钢管灰度图像中的钢管区域。并对得到钢管区域对应的灰度图像进行等划分,/>取经验值为64,共得到/>个钢管子区域的灰度图像。
由于钢管的表面通常会进行涂镀处理,比如镀锌、镀铝,以提供防腐和防锈的效果,而钢管的表面缺陷会破坏钢管的表面镀层,比如裂纹、划痕、凹坑。因此本发明通过钢管的灰度图像中各个钢管子区域的镀层覆盖的情况来判断该钢管子区域中是否出现表面缺陷,来提高存在表面缺陷的钢管子区域的裁剪阈值,以提高钢管表面缺陷的细节信息。
提取各个钢管子区域的钢管镀层分布直方图,其中钢管镀层分布直方图中的横坐标为钢管灰度图像中的各个灰度级对应的值,纵坐标为该灰度级在其对应的钢管子区域所在的灰度图像中像素点出现的频率。得到各个钢管子区域的钢管镀层覆盖度/>,其计算方法为:
上式中:表示第/>个和第/>个钢管子区域之间的钢管镀层分布相似度;、/>分别表示第/>个和第/>个钢管子区域对应的钢管镀层分布直方图;/>表示这两个直方图之间的Wasserstein距离(推土机距离),其中Wasserstein距离为公知技术,不再赘述。/>表示调参系数,用来防止分母为0,/>取经验值为1。/>的值越小,表示第/>个和第/>个钢管子区域对应的钢管镀层分布直方图之间的相似度越高,说明在钢管的灰度图像中,这两个钢管子区域的钢管镀层之间的分布越相似,即/>的值越大。
表示第/>个钢管子区域与其余钢管子区域之间的综合钢管镀层分布差异系数;/>表示所有的钢管子区域之间的钢管镀层分布相似度的均值;/>表示钢管灰度图像中钢管子区域的个数。由于在钢管的灰度图像中,其正常区域所占的比例通常大于其表面缺陷区域所占的比例,因此大部分的钢管子区域都是属于不含表面缺陷的区域,即被钢管镀层完全覆盖的区域,则第/>个钢管子区域与其余钢管子区域之间的钢管镀层分布相似度之间的差值越接近,即/>的值越小,表示该钢管子区域与其余钢管子区域的钢管镀层分布之间的差异越小,即/>的值越小,说明该钢管子区域的钢管镀层覆盖度与不含表面缺陷的钢管子区域的钢管镀层覆盖度之间的值越接近,则该钢管子区域的钢管覆盖度的值越大,即/>的值越大。
表示第/>个钢管子区域对应的钢管镀层覆盖度;/>表示利用灰度共生矩阵计算的第/>个钢管子区域对应的灰度图像中的逆差距;/>表示调参系数,用来防止分母为0。钢管表面缺陷的存在会破坏钢管表面镀层的均匀性和光滑性,导致其表面缺陷所在的区域越粗糙,造成该区域的钢管镀层的覆盖度降低,而/>的值越小,表示该钢管子区域对应的灰度图像中的纹理越粗糙和不均匀,则该钢管子区域对应的钢管镀层覆盖度/>的值越小;同时/>的值越大,也反应该钢管子区域对应的钢管镀层覆盖度/>的值越小。而/>的值越小,说明该钢管子区域中越可能存在表面缺陷,则越应该提高该钢管子区域的裁剪阈值对应的裁剪权重/>的值,以提高该钢管子区域中钢管表面缺陷的细节信息。
由于钢管的表面会在不同的光线照射下出现不同的反光程度,而这会造成反光程度较大的区域中的表面缺陷区域与其附近的正常区域之间的颜色对比效果并不明显,进而降低钢管的表面缺陷区域的细节信息,因此需要提高反光程度较大的表面缺陷所在区域的裁剪阈值,以提高钢管表面缺陷的细节信息。
使用大津阈值算法对钢管亮度图像进行处理,得到钢管亮度图像中的亮度阈值,其中大津阈值算法为公知技术,不再赘述。将钢管亮度图像中像素点的亮度值/>的像素点记为强光点,其余的像素点记为弱光点。进一步,本实施例将构建钢管子区域的强光分布矩阵、弱光分布矩阵,以第/>个钢管子区域的强光分布矩阵为例,其获取方法为:以钢管亮度图像中第/>个钢管子区域中每个像素点为中心,设置一个3*3大小的窗口,实施者也可自行设定窗口尺寸,分别统计第/>个钢管子区域中各个像素点对应窗口中强光点的个数/>和弱光点的个数/>,记为各个像素点所在窗口的强光度/>和弱光度/>,钢管子区域内所有像素点的强光度组成钢管子区域的强光分布矩阵,所有像素点的弱光度组成钢管子区域的弱光分布矩阵,得到第/>个钢管子区域对应的强光分布矩阵/>和弱光分布矩阵/>,其中强光分布矩阵/>中元素的值为对应像素点的强光度/>和弱光度/>,强光分布矩阵以及弱光分布矩阵示意图如图2所示。
进一步的,得到各个钢管子区域的钢管镀层反光度,其计算方法为:
上式中:表示第/>个钢管子区域的光照不均匀性指数;/>、/>分别表示第/>个钢管子区域的强光分布矩阵/>和弱光分布矩阵/>中的第/>个元素;/>表示第/>个钢管子区域中像素点的个数。
第个钢管子区域的强光分布矩阵/>中第/>个元素的值越大,即/>的值越大,表示该钢管子区域在该元素对应的位置处的像素点周围的强光点越多,与之对应的,在该像素点周围的弱光点的数目就越少,即/>的值越小,因此第/>个钢管子区域的强光分布矩阵/>中各个元素的值与弱光分布矩阵/>中对应位置元素之间的差值越小,说明光照在第/>个钢管子区域中分布的越均匀,即光照不均匀性指数/>的值越小。
表示第/>个钢管子区域的钢管镀层反光度;/>表示第/>个钢管子区域中所有像素点亮度值的均值。第/>个钢管子区域中光照分布的越不均匀,即/>的值越大,表示该钢管子区域中强光点或弱光点的覆盖范围越大,同时/>的值越大,表示该钢管子区域中强光点的覆盖范围越大,说明该钢管子区域对应的钢管镀层的反光程度越大,即/>的值越大,则越应该提高该钢管子区域的裁剪阈值对应的裁剪权重,以提高该钢管子区域中钢管表面缺陷的细节信息。
其次,对钢管灰度图像中各个钢管子区域进行图像噪声的估计值,具体的,以第个钢管子区域为例,使用高斯滤波算法对/>个钢管子区域的灰度图像进行去噪处理,其中高斯滤波算法为公知技术,进而构建第/>个钢管子区域的噪声估计值/>,表达式为:
上式中:表示第/>个钢管子区域的灰度图像中第/>个像素点的灰度值;/>表示第/>个钢管子区域的灰度图像进行去噪后图像中第/>个像素点的灰度值;/>表示第/>个钢管子区域中像素点的个数。第/>个钢管子区域的灰度图像经过去噪前后,其灰度图像中第/>个像素点的灰度值变化越大,即/>的值越大,说明该像素点越疑似为噪声像素点,则/>的值越大,说明在该钢管子区域的灰度图像中的噪声相对含量较高,图像的清晰度和细节相对较差,则该钢管子区域的裁剪阈值对应的裁剪权重/>的值应越大,来对该钢管子区域的灰度图像中的噪声进行抑制。
基于各个钢管子区域的钢管镀层覆盖度、钢管镀层反光度/>以及噪声估计值/>,得到各个钢管子区域的裁剪阈值对应的裁剪权重/>,其计算方法如下所示:
上式中:表示第/>个钢管子区域的裁剪阈值对应的裁剪权重;/>、/>、/>分别表示第/>个钢管子区域对应的钢管镀层覆盖度、钢管镀层反光度以及噪声估计值;/>表示调参系数,为了防止分母为0,/>取经验值为1;/>为归一化函数,表示对括号内的值进行归一化处理。其中,/>的值与/>的值成反比,/>的值以及/>的值均与/>的值成正比。
进一步的,得到限制对比度自适应均衡化算法(CLAHE)中各个钢管子区域的裁剪阈值,其计算方法为:
上式中:表示第/>个钢管子区域对应的裁剪阈值;/>表示第/>个钢管子区域的裁剪阈值对应的裁剪权重;/>表示第/>个钢管子区域中像素点的个数与灰度级数的比值;/>表示第/>个钢管子区域直方图均衡化所得直方图中纵坐标的最大值。
重复本实施例上述方法,获取各钢管子区域的裁剪权重,进而获取各钢管子区域的裁剪阈值,钢管各子区域裁剪权重提取示意图如图3所示。
步骤S003,根据裁剪阈值,结合限制对比度自适应均衡化算法(CLAHE)对钢管的图像进行图像增强,并完成对钢管缺陷的智能检测。
基于上述得到的各个钢管子区域的裁剪阈值,使用限制对比度自适应均衡化算法(CLAHE)对钢管的灰度图像进行后续处理,得到图像增强后的钢管的灰度图像,其中限制对比度自适应均衡化算法(CLAHE)为公知技术,不再赘述。
使用Canny边缘检测算法对得到的图像增强后的钢管的灰度图像进行处理,得到钢管的二值化图像,其中钢管的二值化图像中的前景部分的图像即为钢管的表面缺陷图像,Canny边缘检测算法为公知技术,不再赘述。分割出钢管的二值化图像中的前景部分的图像,其中灰度值为1的像素点为缺陷像素点,得到钢管的表面缺陷图像,完成对钢管缺陷的智能检测提取。需要说明的是,对增强后的钢管灰度图像进行二值分割的现有技术有很多,本实施例对此不做限制,实施者可根据实际情况自行选取。
至此,根据本实施例上述方法可实现对钢管图像的增强处理,并结合增强后的钢管灰度图像对缺陷区域进行提取,提高钢管表面缺陷检测精度。
综上所述,本发明实施例提出基于图像增强的钢管缺陷智能检测方法,针对传统的限制对比度自适应均衡化算法(CLAHE)中不能动态的调整裁剪阈值,而影响最终得到的图像的质量和视觉效果的问题,基于钢管的表面缺陷在钢管的灰度图像中对钢管表面镀层的影响,构建各个钢管子区域的钢管镀层覆盖度,以区分包含钢管表面缺陷的钢管子区域,对不包含钢管表面缺陷的钢管子区域赋予较小的裁剪阈值的裁剪权重,减少钢管的正常表面区域中出现对比度过度增强问题的发生;同时,根据环境光照在钢管的亮度图像中对钢管表面镀层的影响,构建钢管镀层反光度,并对钢管镀层反光度较大的钢管子区域赋予较大的裁剪阈值的裁剪权重,以提高钢管表面缺陷在该钢管子区域中的细节信息;
本发明实施例通过对各个钢管子区域进行噪声的估计,对含噪量较高的钢管子区域赋予较大的裁剪阈值的裁剪权重,实现对图像中噪声的抑制,并基于钢管镀层覆盖度、钢管镀层反光度以及噪声估计值得到各个钢管子区域的裁剪阈值,使得限制对比度自适应均衡化算法(CLAHE)最终的图像增强的效果,提高了钢管灰度图像的图像质量,为后续钢管缺陷的智能检测提供了极大的便利。
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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (9)
1.基于图像增强的钢管缺陷智能检测方法,其特征在于,该方法包括以下步骤:
采集钢管灰度图像;获取钢管灰度图像的各钢管子区域;
根据各钢管子区域钢管镀层分布直方图之间的关系获取各钢管子区域的钢管镀层覆盖度;获取各钢管子区域的强光分布矩阵及弱光分布矩阵;根据钢管子区域内的强光分布矩阵及弱光分布矩阵各元素之间的差异得到钢管子区域的光照不均匀性指数;根据光照不均匀性指数及钢管子区域内像素点的亮度值得到钢管子区域的钢管镀层反光度;根据钢管子区域去噪前后各像素点灰度值的变化得到钢管子区域的噪声估计值;根据钢管子区域的钢管镀层覆盖度、钢管镀层反光度以及噪声估计值得到钢管子区域在限制对比度自适应均衡化算法中裁剪阈值的裁剪权重;根据钢管子区域的所述裁剪权重得到钢管子区域的裁剪阈值;
结合各钢管子区域的裁剪阈值及限制对比度自适应均衡化算法对钢管灰度图像进行增强,根据增强后的钢管灰度图像得到钢管缺陷区域,完成钢管缺陷智能检测;
所述根据各钢管子区域钢管镀层分布直方图之间的关系获取各钢管子区域的钢管镀层覆盖度,包括:
获取各钢管子区域的钢管镀层分布直方图,计算任意两个钢管子区域钢管镀层分布直方图之间的距离,将所述距离的倒数作为所述任意两个钢管子区域的钢管镀层分布相似度,获取所有所述钢管镀层分布相似度的均值;
对于各钢管子区域,计算钢管子区域与其他所有钢管子区域的钢管镀层分布相似度减去所述均值的平方的平均值,将所述平均值作为钢管子区域与其他钢管子区域之间的综合钢管镀层分布差异系数;
对于各钢管子区域,将钢管子区域灰度共生矩阵的逆差距与所述综合钢管镀层分布差异系数的比值作为钢管子区域的钢管镀层覆盖度。
2.如权利要求1所述的基于图像增强的钢管缺陷智能检测方法,其特征在于,所述获取钢管灰度图像的各钢管子区域,包括:
霍夫直线检测获取钢管灰度图像中的钢管边缘,提取钢管区域,将钢管区域灰度K个等级划分,K为预设灰度等级,获取K个钢管子区域。
3.如权利要求1所述的基于图像增强的钢管缺陷智能检测方法,其特征在于,所述获取各钢管子区域的强光分布矩阵及弱光分布矩阵,包括:
获取钢管亮度图像并进行大津阈值分割,得到亮度阈值,将钢管亮度图像中亮度值大于亮度阈值的像素点作为强光点,钢管亮度图像中亮度值小于等于亮度阈值的像素点作为弱光点;
对于钢管子区域内各像素点,以像素点为中心获取邻域窗口,分别统计像素点邻域窗口内强光点、弱光点的个数,作为像素点的强光度、弱光度,将钢管子区域内所有像素点的强光度组成钢管子区域的强光分布矩阵,所有像素点的弱光度组成钢管子区域的弱光分布矩阵。
4.如权利要求3所述的基于图像增强的钢管缺陷智能检测方法,其特征在于,所述根据钢管子区域内的强光分布矩阵及弱光分布矩阵各元素之间的差异得到钢管子区域的光照不均匀性指数,包括:
计算钢管子区域内各像素点的强光度与弱光度的差值平方,将钢管子区域内所有像素点的所述差值平方的均值作为钢管子区域的光照不均匀性指数。
5.如权利要求4所述的基于图像增强的钢管缺陷智能检测方法,其特征在于,所述根据光照不均匀性指数及钢管子区域内像素点的亮度值得到钢管子区域的钢管镀层反光度,包括:
获取钢管子区域内所有像素点的亮度均值,将所述均值与所述光照不均匀性指数的乘积作为钢管子区域钢管镀层反光度。
6.如权利要求1所述的基于图像增强的钢管缺陷智能检测方法,其特征在于,所述根据钢管子区域去噪前后各像素点灰度值的变化得到钢管子区域的噪声估计值,包括:
对钢管子区域灰度图像进行去噪处理,获取钢管子区域的去噪图像,计算钢管子区域灰度图像与所述去噪图像中对应像素点的灰度差值平方,将钢管子区域中所有像素点的所述灰度差值平方的均值作为钢管子区域的噪声估计值。
7.如权利要求6所述的基于图像增强的钢管缺陷智能检测方法,其特征在于,所述裁剪权重,包括:
获取钢管子区域钢管镀层反光度与噪声估计值的乘积,计算所述乘积与钢管镀层覆盖度比值的归一化值,将所述归一化值作为钢管子区域的采裁剪权重。
8.如权利要求7所述的基于图像增强的钢管缺陷智能检测方法,其特征在于,所述根据钢管子区域的所述裁剪权重得到钢管子区域的裁剪阈值,包括:
计算钢管子区域的像素点个数与灰度级数的比值,获取钢管子区域直方图均衡化后所得直方图中纵坐标的最大值,计算钢管子区域裁剪权重与所述最大值的乘积,将所述乘积与所述比值的和值作为钢管子区域的裁剪阈值。
9.如权利要求8所述的基于图像增强的钢管缺陷智能检测方法,其特征在于,所述根据增强后的钢管灰度图像得到钢管缺陷区域,具体包括:对增强后的钢管灰度图像进行二值分割获取二值图像,将二值图像中灰度值为1的像素点组成的区域作为钢管缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311450728.XA CN117173180B (zh) | 2023-11-03 | 2023-11-03 | 基于图像增强的钢管缺陷智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311450728.XA CN117173180B (zh) | 2023-11-03 | 2023-11-03 | 基于图像增强的钢管缺陷智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173180A CN117173180A (zh) | 2023-12-05 |
CN117173180B true CN117173180B (zh) | 2023-12-29 |
Family
ID=88930240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311450728.XA Active CN117173180B (zh) | 2023-11-03 | 2023-11-03 | 基于图像增强的钢管缺陷智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173180B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789132B (zh) * | 2024-02-27 | 2024-05-07 | 深圳市深创高科电子有限公司 | 基于计算机视觉的电子产品外壳缺陷监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110278425A (zh) * | 2019-07-04 | 2019-09-24 | 潍坊学院 | 图像增强方法、装置、设备和存储介质 |
CN115049736A (zh) * | 2022-08-15 | 2022-09-13 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
CN116416152A (zh) * | 2022-12-30 | 2023-07-11 | 天翼云科技有限公司 | 一种基于图像数据的处理方法和装置 |
-
2023
- 2023-11-03 CN CN202311450728.XA patent/CN117173180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110278425A (zh) * | 2019-07-04 | 2019-09-24 | 潍坊学院 | 图像增强方法、装置、设备和存储介质 |
CN115049736A (zh) * | 2022-08-15 | 2022-09-13 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
CN116416152A (zh) * | 2022-12-30 | 2023-07-11 | 天翼云科技有限公司 | 一种基于图像数据的处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117173180A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173180B (zh) | 基于图像增强的钢管缺陷智能检测方法 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
CN116310360A (zh) | 一种电抗器表面缺陷检测方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN110047055B (zh) | 一种红外图像细节增强及去噪方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN111968062B (zh) | 基于暗通道先验镜面高光图像增强方法、装置及存储介质 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN107292834B (zh) | 红外图像细节增强方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN116758083A (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN115578297A (zh) | 一种自适应色彩补偿与细节优化的广义衰减图像增强方法 | |
CN111598791A (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
CN117422712B (zh) | 基于图像滤波处理的塑料母粒视觉检测方法及系统 | |
CN115359044A (zh) | 一种基于图像增强的金属件表面划痕检测方法 | |
CN115330758A (zh) | 基于去噪处理的焊接质量检测方法 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN114863498A (zh) | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 | |
CN114972102A (zh) | 基于全局变对比度增强和局部校正的水下图像增强方法 | |
CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
CN116912115A (zh) | 一种水下图像自适应增强方法、系统、设备及存储介质 | |
CN116681606A (zh) | 一种水下不均匀光照图像增强方法、系统、设备及介质 |
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 |