CN117455916A - 一种钢板表面缺陷视觉检测方法 - Google Patents

一种钢板表面缺陷视觉检测方法 Download PDF

Info

Publication number
CN117455916A
CN117455916A CN202311787979.7A CN202311787979A CN117455916A CN 117455916 A CN117455916 A CN 117455916A CN 202311787979 A CN202311787979 A CN 202311787979A CN 117455916 A CN117455916 A CN 117455916A
Authority
CN
China
Prior art keywords
point
pixel
points
steel plate
enhanced
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
CN202311787979.7A
Other languages
English (en)
Other versions
CN117455916B (zh
Inventor
李森森
兰云飞
孙煜
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.)
Shandong Sun Wearparts Co ltd
Original Assignee
Shandong Sun Wearparts 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 Shandong Sun Wearparts Co ltd filed Critical Shandong Sun Wearparts Co ltd
Priority to CN202311787979.7A priority Critical patent/CN117455916B/zh
Publication of CN117455916A publication Critical patent/CN117455916A/zh
Application granted granted Critical
Publication of CN117455916B publication Critical patent/CN117455916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30136Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (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,具体涉及一种钢板表面缺陷视觉检测方法,包括:获取钢板灰度图像;获取钢板灰度图像中所有突变点;获取钢板灰度图像中每个像素点的所有增强参照点,根据每个增强参照点的参照程度获取每个增强参照点的最终参照程度;通过获取的每个像素点的增强程度值对钢板灰度图像进行图像增强,得到增强后的钢板图像,根据增强后的钢板图像进行缺陷检测。本发明提高了对缺陷区域像素点的增强准确性,便于更好地识别缺陷。

Description

一种钢板表面缺陷视觉检测方法
技术领域
本发明涉及图像处理技术领域,具体涉及一种钢板表面缺陷视觉检测方法。
背景技术
钢板广泛应用于建筑、汽车、船舶等行业,在生产过程中,钢板的质量是至关重要的。其中,表面缺陷是影响钢板质量和可用性的重要因素之一。钢板表面缺陷检测方法主要依赖人工目视检测,这种方法存在效率低、主观性强、易出错等问题。为了提高钢板表面缺陷检测的自动化程度和准确性,利用计算机视觉技术开发一种钢板表面缺陷视觉检测方法成为了研究的热点。
刀花缺陷是钢板在磨削过程中因为进刀量不匹配产生的带状痕迹,并且由于钢板磨削是一个移动的过程,刀花缺陷区域与钢板会形成了一个45度的夹角。并且刀花缺陷是具有有一定周期规律的;再利用计算机视觉技术进行钢板表面缺陷视觉检测时,则需要对采集得到的钢板图像进行增强处理,传统图像增强方法存在着,对不同类型的图像效果不佳或不适用,没有考虑到图像内容的特点和多样性、会降低图像的质量和视觉效果、局限性和计算复杂性的问题。
发明内容
为了解决上述问题,本发明提供一种钢板表面缺陷视觉检测方法,所述方法包括:
获取钢板灰度图像;
获取钢板灰度图像中每个像素点为突变点可能性;根据每个像素点为突变点可能性得到钢板灰度图像中所有突变点;
获取钢板灰度图像中每个像素点的所有增强参照点;根据获取每个像素点的每个增强参照点对应的突变点,得到每个像素点的每个增强参照点的参照程度;根据每个像素点的每个增强参照点的参照程度得到每个像素点的每个增强参照点的最终参照程度;
根据每个像素点的每个增强参照点的最终参照程度获得每个像素点的增强程度值;根据每个像素点的增强程度值获取每个像素点的增强后的像素值;根据每个像素点的增强后的像素值完成对获取钢板灰度图像增强,得到增强后的钢板灰度图像;根据增强后的钢板灰度图像检测图像缺陷。
优选的,所述获取钢板灰度图像中每个像素点为突变点可能性,包括的具体方法为:
对于钢板灰度图像中第个像素点,利用soble算子获所述像素点的梯度方向和梯 度幅值,则钢板灰度图像中第个像素点为突变点可能性的计算表达式为:
式中,表示第个像素点为突变点可能性;表示第个像素点的梯度幅值;表示 第个像素点的梯度方向与水平方向的夹角;为预设参数。
优选的,所述根据每个像素点为突变点可能性得到钢板灰度图像中所有突变点,包括的具体方法为:
对于钢板灰度图像中第个像素点,若第个像素点为突变点可能性大于预设参数 ,则将第个像素点记为突变点;同理,获取钢板灰度图像中所有突变点。
优选的,所述获取钢板灰度图像中每个像素点的所有增强参照点,包括的具体方法为:
对于钢板灰度图像中第个像素点,在第个像素点的水平方向上获取所有突变点 和像素点,将距离第个像素点最近的突变点,记为第个突变点;将第个突变点与第个像 素点之间的欧式距离记为第一距离,将第个突变点的梯度方向记为第一方向;对于在第 个像素点的水平方向上任意一个像素点记为第个像素点,将距离第个像素点最近的突变 点,记为第个突变点;将第个突变点与第个像素点之间的欧式距离记为第二距离,将第个突变点的梯度方向记为第二方向;若第一距离等于第二距离且第一方向与第二方向一 致,则选取第个像素点为第个像素点的增强参考点;同理,获取第个像素点的所有增强参 照点。
优选的,所述根据获取每个像素点的每个增强参照点对应的突变点,得到每个像素点的每个增强参照点的参照程度的具体公式为:
式中,表示第个像素点的第个增强参照点的参照程度;表示预设参数; 表示第个增强参照点的第一区域中第个像素点的第一差值;表示第个增强参照点的 第一区域中第个像素点的梯度方向与水平方向的夹角;为预设参数。
优选的,所述第个增强参照点的第一区域和第个增强参照点的第一区域中第个 像素点的第一差值的获取方法为:
对于第个像素点的第个增强参照点,将距离第个增强参照点最近的突变点记为 第个突变点,将经过并垂直于第个突变点的梯度方向的直线记为第一直线,将在第一直 线上获取第个突变点前后各相邻的个像素点记为第个增强参照点的第一像素点集;将 第个增强参照点的第一像素点集组成的区域记为第个增强参照点的第一区域,将第个 增强参照点的第一区域中第个像素点与第个突变点的灰度差值记为第个像素点的第一 差值。
优选的,所述根据每个像素点的每个增强参照点的参照程度得到每个像素点的每个增强参照点的最终参照程度的具体公式为:
式中,表示第个像素点的第个增强参照点的最终参照程度;表示第个像 素点的第个增强参照点的参照程度;表示第个增强参照点的第二差值;表示第个增 强参照点的第二方向差值;为预设参数。
优选的,所述第个增强参照点的第二差值和第个增强参照点的第二方向差值的 获取方法为:
对于第个像素点的第个增强参照点,将距离第个增强参照点最近的突变点记为 第个突变点,将经过并垂直于第个突变点的梯度方向的直线记为第一直线,将在第一直 线上获取第个突变点前后各相邻的2个像素点记为第个增强参照点的第二像素点集;将 第个增强参照点的第二像素点集组成的区域记为第个增强参照点的D邻域,将第个增强 参照点的D邻域中2个像素点之间的灰度差值绝对值记为第个增强参照点的第二差值,将 第个增强参照点的D邻域中2个像素点之间的梯度方向差异记为第个增强参照点的第二 方向差值。
优选的,所述根据每个像素点的每个增强参照点的最终参照程度获得每个像素点的增强程度值的具体公式为:
式中,表示钢板灰度图像中第个像素点的增强程度值;表示第个像素点的增 强参照点的总数量;表示第个像素点的第个增强参照点的最终参照程度;表示第个 像素点的第个增强参照点的灰度值。
优选的,所述根据每个像素点的增强程度值获取每个像素点的增强后的像素值的 具体公式为:
式中,表示钢板灰度图像中第个像素点的增强后的像素值;表示在第个像素 点的水平方向上,距离第个像素点最近的突变点与第个像素点之间的欧式距离;表示钢 板灰度图像的宽度;表示钢板灰度图像中第个像素点的原始灰度值;表示钢板灰度图像 中第个像素点的增强程度值。
本发明的技术方案的有益效果是:针对传统图像增强方法对钢板图像进行增强时存在的降低图像的质量和视觉效果的问题;本发明通过获取钢板灰度图像,获取钢板灰度图像中所有突变点,获取钢板灰度图像中每个像素点的所有增强参照点,根据每个增强参照点的参照程度获取每个增强参照点的最终参照程度,通过获取的每个像素点的增强程度值对钢板灰度图像进行图像增强,得到增强后的钢板图像,根据增强后的钢板图像进行缺陷检测;进而提高了对缺陷区域像素点的增强准确性,便于更好地识别缺陷。
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,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地介绍,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他的附图。
图1为本发明一种钢板表面缺陷视觉检测方法的步骤流程图。
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钢板表面缺陷视觉检测方法,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一种钢板表面缺陷视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种钢板表面缺陷视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取钢板灰度图像。
需要说明的是,为了检测钢板表面的刀花缺陷,也即在钢板图像中识别出刀花区域并在整体图像中对刀花区域进行增强,使得刀花区域增强程度越大,在图像中越突出。所以本实施例根据刀花区域形成方向,确定刀花区域的像素点位置,从而实现图像中刀花区域的突出增强。
具体的,为了实现本实施例提出的一种钢板表面缺陷检测方法,首先需要采集钢板灰度图像,具体过程为:
在钢板生产完成后,将待检测钢板放置传送带上,并在传送带上方安装相机采集钢板图像;其中,相机的拍摄间隔为钢板的长度与传送带速度之间的比值,以保证钢板图像拍摄的完整性;最后,将采集得到的钢板图像进行灰度化,得到钢板灰度图像。
其中,本实施例以钢板灰度图大小为1024*540进行叙述。
至此,通过上述方法得到钢板灰度图像。
步骤S002:获取钢板灰度图像中所有突变点。
需要说明的是,刀花缺陷是钢板在磨削过程中因为进刀量不匹配产生的带状痕迹,并且由于钢板磨削是一个移动的过程,由刀花缺陷产生的刀花区域与钢板形成了45度的夹角。由于刀花区域的出现是有一定周期规律的,所有在钢板灰度图像上表现为,刀花区域边缘的灰度值会产生突变产生,并且刀花区域的边缘像素点的梯度方向与钢板灰度图像在水平方向形成45的夹角;综上所述,在钢板灰度图像中,刀花区域在钢板灰度图像的水平方向上会产生有明显的突变。又因为刀花的产生与钢板在水平方向上形成了45度夹角,所以刀花区域的边缘像素点的梯度方向与水平方向呈45度角。
进一步需要说明的是,对于钢板灰度图像上任意一个刀花,其在图像水平方向上至少存在着两个灰度值突变点,因为钢板灰度图像上是否有刀花区域是未知的,所以水平方向上的两个有灰度突变的像素点都有选取为突变点的可能,若像素点的梯度方向与该水平方向越接近于45度且梯度连续性越好,则该像素点作为突变点的可能性就越大。
预设两个参数,其中本实施例以例进行叙述,本实施例不进行具体限 定,其中根据具体实施情况而定。
具体的,对于钢板灰度图像中第个像素点,利用soble算子获所述像素点的梯度方 向和梯度幅值,则钢板灰度图像中第个像素点为突变点可能性的计算表达式为:
式中,表示第个像素点为突变点可能性;表示第个像素点的梯度幅值;表示 第个像素点的梯度方向与水平方向的夹角;为预设参数,防止分母为0,防止导致公式无 意义。
获取钢板灰度图像中每个像素点为突变点可能性,对于钢板灰度图像中第个像素 点,若第个像素点为突变点可能性大于预设参数,则将第个像素点记为突变点;通过上述 方法,获取钢板灰度图像中所有突变点。
至此,通过上述方法得到钢板灰度图像中所有突变点。
步骤S003:获取钢板灰度图像中每个像素点的所有增强参照点,根据每个增强参照点的参照程度获取每个增强参照点的最终参照程度。
1.获取钢板灰度图像中每个像素点的所有增强参照点。
需要说明的是,由于钢板灰度图像中突变点反映在当前水平方向上刀花区域的边缘,此时与突变点具有相同位置关系和梯度方向的点可能成为相同属性的点,即可能属于刀花区域或者背景区域,进而可以利用相同属性点作为增强参照点进行对应像素值的变换,实现像素点的增强;其中,增强参照点是描述像素点的增强程度一个重要指标,在选取过程中,一个像素点对应多个增强参照点。
具体的,对于钢板灰度图像中第个像素点,在第个像素点的水平方向上获取所有 突变点和像素点,将距离第个像素点最近的突变点,记为第个突变点;将第个突变点与 第个像素点之间的欧式距离记为第一距离,将第个突变点的梯度方向记为第一方向;对 于在第个像素点的水平方向上任意一个像素点记为第个像素点,将距离第个像素点最近 的突变点,记为第个突变点;将第个突变点与第个像素点之间的欧式距离记为第二距 离,将第个突变点的梯度方向记为第二方向;若第一距离等于第二距离且第一方向与第二 方向一致,则选取第个像素点为第个像素点的增强参考点;同理,获取第个像素点的所有 增强参照点。
至此,获得钢板灰度图像中每个像素点的所有增强参照点。
2. 获取每个增强参照点的参照程度。
需要说明的是,由于对像素点增强目的在于突出钢板灰度图像中的刀花区域,增强的依据为刀花区域像素点的位置关系,即刀花区域形成在钢板灰度图像的45度方向上,因此根据增强参照点对应的突变点在45度方向相邻点的灰度差和梯度方向角度差来描述该增强参照点的参照程度;并且增强参照点对应的突变点在刀花区域边缘上,所以增强参照点对应的突变点的梯度方向与水平方向呈45度夹角,且增强参照点对应突变点在与水平方向呈45度的方向上的相邻突变点的梯度方向具有有一致性。因此增强参照点对应突变点在与水平方向呈45度的方向上的相邻突变点的梯度方向越一致,连续性越好,就越符合刀花特征,该增强参照点的增强程度就越好。
预设一个参数,其中本实施例以例进行叙述,本实施例不进行具体限定,其 中根据具体实施情况而定。
具体的,对于第个像素点的第个增强参照点,将距离第个增强参照点最近的突 变点记为第个突变点,将经过并垂直于第个突变点的梯度方向的直线记为第一直线,将 在第一直线上获取第个突变点前后各相邻的个像素点记为第个增强参照点的第一像 素点集;将第个增强参照点的第一像素点集组成的区域记为第个增强参照点的第一区 域,将第个增强参照点的第一区域中第个像素点与第个突变点的灰度差值记为第个像 素点的第一差值。
其中,第个突变点的第一区域不包括第个突变点的,若突变点前后各相邻的像 素点数量不满足2倍个,则将其前后各相邻的全部像素点记为其增强参照点的第一像素 点集。
则第个像素点的第个增强参照点的参照程度的计算表达为:
式中,表示第个像素点的第个增强参照点的参照程度;表示预设参数, 为第个增强参照点的第一区域的像素点总个数;表示第个增强参照点的第一区域中 第个像素点的第一差值;表示第个增强参照点的第一区域中第个像素点的梯度方向 与水平方向的夹角;为预设参数,防止分母为0,防止导致公式无意义。
至此,获得每个增强参照点的参照程度。
3.获取每个增强参照点的最终参照程度。
具体的,对于第个像素点的第个增强参照点,将距离第个增强参照点最近的突 变点记为第个突变点,将经过并垂直于第个突变点的梯度方向的直线记为第一直线,将 在第一直线上获取第个突变点前后各相邻的2个像素点记为第个增强参照点的第二像素 点集;将第个增强参照点的第二像素点集组成的区域记为第个增强参照点的D邻域,将第个增强参照点的D邻域中2个像素点之间的灰度差值绝对值记为第个增强参照点的第二 差值,将第个增强参照点的D邻域中2个像素点之间的梯度方向差值绝对值记为第个增强 参照点的第二方向差值。
则第个像素点的第个增强参照点的最终参照程度的计算表达为:
式中,表示第个像素点的第个增强参照点的最终参照程度;表示第个像 素点的第个增强参照点的参照程度;表示第个增强参照点的第二差值;表示第个增 强参照点的第二方向差值;为预设参数,防止分母为0,防止导致公式无意义。
至此,获得每个增强参照点的最终参照程度。
步骤S004:通过获取的每个像素点的增强程度值对钢板灰度图像进行图像增强,得到增强后的钢板图像,根据增强后的钢板图像进行缺陷检测。
需要说明的是,一个像素点的增强程度受其增强参照点的影响,且增强参照点不唯一,对这些增强参照点的增强可能性进行加权求和以此来表示该像素点的增强程度值。
具体的,钢板灰度图像中第个像素点的增强程度值的计算表达式为:
式中,表示钢板灰度图像中第个像素点的增强程度值;表示第个像素点的增 强参照点的总数量;表示第个像素点的第个增强参照点的最终参照程度;表示第个 像素点的第个增强参照点的灰度值。
需要说明的是,图像增强的目的是为了识别凸显钢板灰度图像中刀花区域,需要对刀花区域附近的像素点进行增强从而显现刀花区域的边界。当像素点距离其最近突变点距离过远时,则该像素点没有增强的必要,对此需要通过像素点距最近突变点的距离与整幅图像的宽度的比值作为一个权重来描述像素点增强的必要性。通过像素点的原始灰度值再加上它的增强程度值,从而得到增强后的像素值,从而达到图像增强的目的。
具体的,钢板灰度图像中第个像素点的增强后的像素值的计算表达式为:
式中,表示钢板灰度图像中第个像素点的增强后的像素值;表示在第个像素 点的水平方向上,距离第个像素点最近的突变点与第个像素点之间的欧式距离;表示钢 板灰度图像的宽度;表示钢板灰度图像中第个像素点的原始灰度值;表示钢板灰度图像 中第个像素点的增强程度值。
通过上述方法,获取钢板灰度图像中每个像素点的增强后的像素值,从而完成对钢板灰度图像的增强,得到增强后的钢板灰度图像;对增强后的钢板灰度图像利用大津阈值算法,获得增强后的钢板灰度图像的分割阈值,进而完成对增强后的钢板灰度图像的阈值分割,由此识别出钢板灰度图像中的刀花缺陷,完成缺陷检测。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,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 (10)

1.一种钢板表面缺陷视觉检测方法,其特征在于,该方法包括以下步骤:
获取钢板灰度图像;
获取钢板灰度图像中每个像素点为突变点可能性;根据每个像素点为突变点可能性得到钢板灰度图像中所有突变点;
获取钢板灰度图像中每个像素点的所有增强参照点;根据获取每个像素点的每个增强参照点对应的突变点,得到每个像素点的每个增强参照点的参照程度;根据每个像素点的每个增强参照点的参照程度得到每个像素点的每个增强参照点的最终参照程度;
根据每个像素点的每个增强参照点的最终参照程度获得每个像素点的增强程度值;根据每个像素点的增强程度值获取每个像素点的增强后的像素值;根据每个像素点的增强后的像素值完成对获取钢板灰度图像增强,得到增强后的钢板灰度图像;根据增强后的钢板灰度图像检测图像缺陷。
2.根据权利要求1所述一种钢板表面缺陷视觉检测方法,其特征在于,所述获取钢板灰度图像中每个像素点为突变点可能性,包括的具体方法为:
对于钢板灰度图像中第个像素点,利用soble算子获所述像素点的梯度方向和梯度幅值,则钢板灰度图像中第/>个像素点为突变点可能性的计算表达式为:
式中,表示第/>个像素点为突变点可能性;/>表示第/>个像素点的梯度幅值;/>表示第/>个像素点的梯度方向与水平方向的夹角;/>为预设参数。
3.根据权利要求1所述一种钢板表面缺陷视觉检测方法,其特征在于,所述根据每个像素点为突变点可能性得到钢板灰度图像中所有突变点,包括的具体方法为:
对于钢板灰度图像中第个像素点,若第/>个像素点为突变点可能性大于预设参数/>,则将第/>个像素点记为突变点;同理,获取钢板灰度图像中所有突变点。
4.根据权利要求1所述一种钢板表面缺陷视觉检测方法,其特征在于,所述获取钢板灰度图像中每个像素点的所有增强参照点,包括的具体方法为:
对于钢板灰度图像中第个像素点,在第/>个像素点的水平方向上获取所有突变点和像素点,将距离第/>个像素点最近的突变点,记为第/>个突变点;将第/>个突变点与第/>个像素点之间的欧式距离记为第一距离,将第/>个突变点的梯度方向记为第一方向;对于在第/>个像素点的水平方向上任意一个像素点记为第/>个像素点,将距离第/>个像素点最近的突变点,记为第/>个突变点;将第/>个突变点与第/>个像素点之间的欧式距离记为第二距离,将第/>个突变点的梯度方向记为第二方向;若第一距离等于第二距离且第一方向与第二方向一致,则选取第/>个像素点为第/>个像素点的增强参考点;同理,获取第/>个像素点的所有增强参照点。
5.根据权利要求1所述一种钢板表面缺陷视觉检测方法,其特征在于,所述根据获取每个像素点的每个增强参照点对应的突变点,得到每个像素点的每个增强参照点的参照程度的具体公式为:
式中,表示第/>个像素点的第/>个增强参照点的参照程度;/>表示预设参数;/>表示第个增强参照点的第一区域中第/>个像素点的第一差值;/>表示第/>个增强参照点的第一区域中第/>个像素点的梯度方向与水平方向的夹角;/>为预设参数。
6.根据权利要求5所述一种钢板表面缺陷视觉检测方法,其特征在于,所述第个增强参照点的第一区域和第/>个增强参照点的第一区域中第/>个像素点的第一差值的获取方法为:
对于第个像素点的第/>个增强参照点,将距离第/>个增强参照点最近的突变点记为第/>个突变点,将经过并垂直于第/>个突变点的梯度方向的直线记为第一直线,将在第一直线上获取第/>个突变点前后各相邻的/>个像素点记为第/>个增强参照点的第一像素点集;将第个增强参照点的第一像素点集组成的区域记为第/>个增强参照点的第一区域,将第/>个增强参照点的第一区域中第/>个像素点与第/>个突变点的灰度差值记为第/>个像素点的第一差值。
7.根据权利要求1所述一种钢板表面缺陷视觉检测方法,其特征在于,所述根据每个像素点的每个增强参照点的参照程度得到每个像素点的每个增强参照点的最终参照程度的具体公式为:
式中,表示第/>个像素点的第/>个增强参照点的最终参照程度;/>表示第/>个像素点的第/>个增强参照点的参照程度;/>表示第/>个增强参照点的第二差值;/>表示第/>个增强参照点的第二方向差值;/>为预设参数。
8.根据权利要求7所述一种钢板表面缺陷视觉检测方法,其特征在于,所述第个增强参照点的第二差值和第/>个增强参照点的第二方向差值的获取方法为:
对于第个像素点的第/>个增强参照点,将距离第/>个增强参照点最近的突变点记为第/>个突变点,将经过并垂直于第/>个突变点的梯度方向的直线记为第一直线,将在第一直线上获取第/>个突变点前后各相邻的2个像素点记为第/>个增强参照点的第二像素点集;将第个增强参照点的第二像素点集组成的区域记为第/>个增强参照点的D邻域,将第/>个增强参照点的D邻域中2个像素点之间的灰度差值绝对值记为第/>个增强参照点的第二差值,将第/>个增强参照点的D邻域中2个像素点之间的梯度方向差异记为第/>个增强参照点的第二方向差值。
9.根据权利要求1所述一种钢板表面缺陷视觉检测方法,其特征在于,所述根据每个像素点的每个增强参照点的最终参照程度获得每个像素点的增强程度值的具体公式为:
式中,表示钢板灰度图像中第/>个像素点的增强程度值;/>表示第/>个像素点的增强参照点的总数量;/>表示第/>个像素点的第/>个增强参照点的最终参照程度;/>表示第/>个像素点的第/>个增强参照点的灰度值。
10.根据权利要求1所述一种钢板表面缺陷视觉检测方法,其特征在于,所述根据每个像素点的增强程度值获取每个像素点的增强后的像素值的具体公式为:
式中,表示钢板灰度图像中第/>个像素点的增强后的像素值;/>表示在第/>个像素点的水平方向上,距离第/>个像素点最近的突变点与第/>个像素点之间的欧式距离;/>表示钢板灰度图像的宽度;/>表示钢板灰度图像中第/>个像素点的原始灰度值;/>表示钢板灰度图像中第个像素点的增强程度值。
CN202311787979.7A 2023-12-25 2023-12-25 一种钢板表面缺陷视觉检测方法 Active CN117455916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311787979.7A CN117455916B (zh) 2023-12-25 2023-12-25 一种钢板表面缺陷视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311787979.7A CN117455916B (zh) 2023-12-25 2023-12-25 一种钢板表面缺陷视觉检测方法

Publications (2)

Publication Number Publication Date
CN117455916A true CN117455916A (zh) 2024-01-26
CN117455916B CN117455916B (zh) 2024-03-15

Family

ID=89593290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311787979.7A Active CN117455916B (zh) 2023-12-25 2023-12-25 一种钢板表面缺陷视觉检测方法

Country Status (1)

Country Link
CN (1) CN117455916B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050069187A1 (en) * 2003-09-30 2005-03-31 Konica Minolta Medical & Graphic, Inc. Image processing method, image processing apparatus and image processing program
WO2019071976A1 (zh) * 2017-10-12 2019-04-18 北京大学深圳研究生院 基于区域增长和眼动模型的全景图像显著性检测方法
CN114119560A (zh) * 2021-11-29 2022-03-01 杭州国家集成电路设计产业化基地有限公司 图像质量评价方法、系统、计算机可读存储介质
CN114878574A (zh) * 2022-03-31 2022-08-09 南通东德纺织科技有限公司 基于机器视觉的布匹缺陷检测方法、装置及系统
CN115830033A (zh) * 2023-02-23 2023-03-21 威海锐鑫丰金属科技有限公司 基于机器视觉的汽车轮毂表面缺陷检测方法
WO2023065792A1 (zh) * 2021-10-22 2023-04-27 杭州睿胜软件有限公司 图像处理方法、装置、电子设备和计算机可读存储介质
WO2023134789A1 (zh) * 2022-10-25 2023-07-20 苏州德斯米尔智能科技有限公司 一种用于带式输送设备的自动检测方法
CN116542976A (zh) * 2023-07-06 2023-08-04 深圳市佳合丰科技有限公司 一种模切件缺陷的视觉检测系统
CN116577351A (zh) * 2023-07-14 2023-08-11 深圳市深卓越光电有限公司 基于图像数据的液晶玻璃基板偏光片质量检测方法
CN116664559A (zh) * 2023-07-28 2023-08-29 深圳市金胜电子科技有限公司 基于机器视觉的内存条损伤快速检测方法
CN116843692A (zh) * 2023-09-04 2023-10-03 青岛冠宝林活性炭有限公司 基于人工智能的再生活性炭状态检测方法
CN116883293A (zh) * 2023-09-08 2023-10-13 青岛云智霄凡科技有限公司 一种用于神经麻醉穿刺的图像增强处理方法
CN117078672A (zh) * 2023-10-13 2023-11-17 深圳市凯尔文电子有限公司 基于计算机视觉的手机屏幕缺陷智能检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050069187A1 (en) * 2003-09-30 2005-03-31 Konica Minolta Medical & Graphic, Inc. Image processing method, image processing apparatus and image processing program
WO2019071976A1 (zh) * 2017-10-12 2019-04-18 北京大学深圳研究生院 基于区域增长和眼动模型的全景图像显著性检测方法
WO2023065792A1 (zh) * 2021-10-22 2023-04-27 杭州睿胜软件有限公司 图像处理方法、装置、电子设备和计算机可读存储介质
CN114119560A (zh) * 2021-11-29 2022-03-01 杭州国家集成电路设计产业化基地有限公司 图像质量评价方法、系统、计算机可读存储介质
CN114878574A (zh) * 2022-03-31 2022-08-09 南通东德纺织科技有限公司 基于机器视觉的布匹缺陷检测方法、装置及系统
WO2023134789A1 (zh) * 2022-10-25 2023-07-20 苏州德斯米尔智能科技有限公司 一种用于带式输送设备的自动检测方法
CN115830033A (zh) * 2023-02-23 2023-03-21 威海锐鑫丰金属科技有限公司 基于机器视觉的汽车轮毂表面缺陷检测方法
CN116542976A (zh) * 2023-07-06 2023-08-04 深圳市佳合丰科技有限公司 一种模切件缺陷的视觉检测系统
CN116577351A (zh) * 2023-07-14 2023-08-11 深圳市深卓越光电有限公司 基于图像数据的液晶玻璃基板偏光片质量检测方法
CN116664559A (zh) * 2023-07-28 2023-08-29 深圳市金胜电子科技有限公司 基于机器视觉的内存条损伤快速检测方法
CN116843692A (zh) * 2023-09-04 2023-10-03 青岛冠宝林活性炭有限公司 基于人工智能的再生活性炭状态检测方法
CN116883293A (zh) * 2023-09-08 2023-10-13 青岛云智霄凡科技有限公司 一种用于神经麻醉穿刺的图像增强处理方法
CN117078672A (zh) * 2023-10-13 2023-11-17 深圳市凯尔文电子有限公司 基于计算机视觉的手机屏幕缺陷智能检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
董家顺;王兴东;李殿杰;汤勃;李震;: "基于改进K-means算法的钢管表面缺陷视觉检测方法", 武汉科技大学学报, no. 06, 29 October 2020 (2020-10-29), pages 42 - 49 *
高如新;杨晓雪;齐成;: "基于钢板表面缺陷检测的图像增强研究", 河南理工大学学报(自然科学版), no. 06, 15 December 2015 (2015-12-15), pages 107 - 111 *

Also Published As

Publication number Publication date
CN117455916B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN108509919B (zh) 一种基于深度学习对视频或图片中水线的检测和识别方法
CN103530590A (zh) Dpm二维码识别系统
CN113487721B (zh) 一种基于三维点云的预制构件自动化识别方法
CN111161260A (zh) 一种基于深度学习的热轧带钢表面缺陷检测方法及装置
CN116758084A (zh) 基于图像数据的钣金件焊接缺陷智能检测方法
CN116664586B (zh) 一种基于多模态特征融合的玻璃缺陷检测方法及系统
CN117689655B (zh) 基于计算机视觉的金属钮扣表面缺陷检测方法
CN105571511A (zh) 一种船舶外板成型精度在线检测方法
CN115601347A (zh) 基于灰度纹理分析的钢板表面缺陷检测方法
CN115060754B (zh) 一种不锈钢制品表面质量检测方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
CN117197140A (zh) 基于机器视觉的不规则金属扣成型检测方法
CN109389593A (zh) 一种红外图像小目标的检测方法、装置、介质及设备
CN113487722A (zh) 一种基于三维激光扫描方法的混凝土构件自动化检测方法
CN115311279A (zh) 一种织物经纬瑕疵的机器视觉识别方法
CN107292899B (zh) 一种针对二维激光扫描仪的角点特征提取方法
CN1987893A (zh) 一种面向摄像整纬器的织物纹理图像识别方法
CN117455916B (zh) 一种钢板表面缺陷视觉检测方法
CN107657620A (zh) 一种带纹理的金属凝固区域识别的方法及系统
CN117036358B (zh) 一种数控机床刀具磨损检测方法及系统
CN114140416A (zh) 一种基于机器视觉的玻璃边缘检测方法和系统
CN113344148A (zh) 一种基于深度学习的海上舰船目标识别方法
CN113673385A (zh) 基于红外图像的海面舰船检测方法
CN116403007B (zh) 基于目标向量的遥感影像变化检测方法

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