CN104778684B - 钢材表面异质型缺陷的自动测量、表征分类方法及其*** - Google Patents
钢材表面异质型缺陷的自动测量、表征分类方法及其*** Download PDFInfo
- Publication number
- CN104778684B CN104778684B CN201510098897.0A CN201510098897A CN104778684B CN 104778684 B CN104778684 B CN 104778684B CN 201510098897 A CN201510098897 A CN 201510098897A CN 104778684 B CN104778684 B CN 104778684B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- steel
- defects
- ratio
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于钢材的表面缺陷分析领域的钢材表面异质型缺陷的自动测量、表征分类方法及其***,该***包括图像采集装置及处理器。首先获取钢材待测缺陷的原始图像,进行线性平均低通滤波去噪;运用局部自适应阈值分割算法得到二值图像;对分割后的图像进行最小子段区域标定以及提取其形态特征参数;采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积,即当量缺陷SDE,继而得到待测图像的缺陷率ρ,实现对各类钢材表面异质型缺陷的定量表征;所得缺陷率ρ按最佳阈值进行自动分类;测量完毕,将结果以图表文件显示输出。本发明解决了人工模式精度偏低,尤其能够填补对于钢中呈弯曲、枝杈形态分布的表面异质型缺陷人工测量模式无法处理的空白。
Description
技术领域
本发明涉及钢材的的各类表面异质型缺陷及其缺陷程度定量分析领域,具体涉及钢材表面异质型缺陷的自动测量、表征分类方法及其***。
背景技术
钢铁产品生产过程中,由于冶金生产过程长,历经炼钢、连铸以及轧制过程中多种工艺环节的诸多因素,使得钢材出现各种各样的表面异质型缺陷,诸如夹杂、氧化铁皮压入、疤/坑等表面质量问题,严重影响了板材外观及其使用性能。显然,这些缺陷的大小、分布及其缺陷程度对钢材的材质及其性能起着至关重要的影响。为了提高钢材的性能,充分发挥材质本身的作用,控制有害缺陷的影响,就必须对这些缺陷的大小、分布及其缺陷程度进行准确测量、表征和分类,以期达到炼钢、连铸以及轧制各工艺优化控制所需的对各类钢材表面异质型缺陷的定量表征要求。因此,如何精确、高效地测量与表征分析钢材缺陷的大小、分布及其缺陷程度,成为钢材材质分析领域中迫切需要解决的重要问题,其相关技术,目前国内外还未见报道。
由于钢材钢种不同,生产工艺各异,受到捕捉缺陷源的困扰,现在对于钢材表面异质型缺陷的分析尚停留在人工现场粗略测量的粗糙评价模式阶段,对于此类缺陷的分析方法为人工使用钢卷尺大致测量缺陷所在区域的整体长度和宽度,辅以计算该区域内异质缺陷的点数。显然,这种人工测量、表征、分类模式,其结果仅为定性评价,评价标准过于主观、粗糙,有的甚至难以评价,且必然带来诸如效率低、精度低及人力资源耗费过大等问题。
发明内容
本发明的目的是针对目前钢材表面异质型缺陷靠人工测量、表征与分类模式的低效率、低精度,甚至有的无法进行测量、表征的问题,提出了一种钢材表面异质型缺陷的自动测量、表征分类方法及其***,实现对钢材各类表面异质型缺陷的大小、分布及其缺陷程度进行精确、高效地测量、表征、分类。
本发明的技术方案是:钢材表面异质型缺陷的自动测量、表征分类方法,首先是利用摄像设备获取钢材待测缺陷的原始图像,并导入计算机;将钢材待测缺陷原始图像进行线性平均低通滤波去噪;运用局部自适应阈值分割算法得到待测缺陷的二值图像;对分割后的图像进行最小子段区域标定以及提取其形态特征参数;采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积,即当量缺陷SDE,继而得到待测图像的缺陷率ρ,完成对各类钢材表面异质型缺陷的定量表征;所得缺陷率ρ按最佳阈值进行自动分类;测量完毕,将上述表面异质型缺陷的测量及其定量表征、分类结果以图表文件显示输出。
本发明方法的具体步骤为:
1.原始图像的获取:利用摄像设备获取钢材待测缺陷的原始图像,并导入计算机;
2.图像预处理:将钢材待测缺陷原始图像进行线性平均低通滤波去噪;
3.二值图像的获取:运用局部自适应阈值分割算法得到待测缺陷的二值图像;
4.自动测量:对分割后的图像设定标尺并进行最小子段区域标定,对每一最小子段均采用最小外接盒形加以覆盖,同时提取其形态特征参数:长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax实现自动测量的过程;
5.定量表征:对二值图像模板数组进行遍历扫描,所述二值图像模板数组是指二值图像中所包含的有用信息,包括坐标位置、灰度大小的像素点的集合,采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积,即当量缺陷SDE,继而得到待测图像的缺陷率ρ,实现对钢材表面异质型缺陷的定量表征;
6.自动分类:对步骤5所得缺陷率ρ按最佳阈值进行自动分类;
上述方案中,还包括输出的步骤,具体为:将上述表面异质型缺陷的自动测量、定量表征和分类结果以图表文件显示输出。
上述方案中,所述步骤1钢材待测缺陷图像的采集过程:是利用摄像设备采集钢材待测缺陷原始图片模块,获取的原始图像存入图像采集卡中;
上述方案中,所述步骤2图像预处理过程:对原始图像进行线性平均低通滤波去噪处理,过滤掉包含在原始图像中的噪声;
上述方案中,所述步骤3二值图像获取:针对目标和背景占据不同灰度级范围的图像,采用基于区域划分的局部自适应阈值分割算法,对图像按坐标分块,对每一子块分别自动获得最佳阈值,得到目标与背景完全分离的二值图像;
上述方案中,所述步骤4对分割后的图像设定标尺并进行最小子段区域标定具体为:对目标缺陷按其特征点角点进行分段,得到包括首点和尾点的所有角点共n个,以及由这些角点构成的最小子段n-1段,对每一最小子段均采用最小外接盒形加以覆盖;同时提取其形态特征参数:长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax。
上述方案中,所述最小外接盒形为最小外接矩形。
上述方案中,所述步骤5基于图像灰度差异的无规区域面积算法为:对二值图像模板数组进行遍历扫描,具体为对二值分割后的缺陷图像模板数组进行遍历扫描,计算出目标图像中灰度值为0的像素点总数NA,并根据缺陷图像的分辨率从像素单位换算为实际单位,即以像素实际面积累加计算得出整个待测缺陷的总面积SDE,
SDE=X_SCALE×Y_SCALE×NA(μm2)
式中,X_SCALE为水平方向尺寸因子,即为每个像素在水平方向上的实际尺寸;
Y_SCALE为竖直方向尺寸因子,即为每个像素在竖直方向上的实际尺寸;
f(x,y)为(x,y)处的灰度值,为f(x,y)的取反;
M为图像的长,单位为像素;
N为图像的宽,单位为像素;
二值图像的大小为M×N;
缺陷率ρ为当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值,
A0为覆盖整个待测缺陷的最小外接矩形面积。
上述方案中,所述步骤6缺陷率ρ按最佳阈值进行自动分类具体为:用缺陷率ρ的三级阈值进行自动分类:当ρ≤6%时,视为缺陷率极低;当6%<ρ≤12%时,视为缺陷率较低;当12%<ρ≤18%时,视为缺陷率较高;当ρ>18%时,视为缺陷率极高。
本发明还提供了一种实现上述钢材表面异质型缺陷的自动测量、表征分类方法的***,该***包括图像采集装置和处理器;所述图像采集装置:用于获取钢材待测缺陷原始图像,并将钢材待测缺陷原始图像传送到所述处理器的图像预处理模块;
所述处理器包括图像预处理模块、图像二值分割模块、自动测量模块、定量表征模块、分类模块和输出模块;
所述图像预处理模块:用于将钢材待测缺陷原始图像进行线性平均低通滤波去噪,将预处理后的图像传送到所述图像二值分割模块;
所述图像二值分割模块:用于对经过预处理的图像采用局部自适应阈值分割算法进行二值分割,将得到钢材待测缺陷的二值图像传送到所述自动测量模块;
所述自动测量模块:用于对分割后的图像进行最小子段区域标定以及提取其形态特征参数,将测量数据传送到所述表征分析模块;
所述定量表征模块:用于计算当量缺陷SDE和钢材待测图像的缺陷率ρ,采用基于图像灰度差异的无规区域面积算法实现对表面异质型缺陷的定量表征,将完成的表面异质型缺陷的定量表征传送到所述分类模块;
所述分类模块:用于对钢材待测缺陷进行自动分类,将测量、表征、分类结果传送到所述输出模块;
所述输出模块:用用于将表面异质型缺陷的测量、表征、分类结果以图表文件显示输出。
上述方案中,所述图像采集模块包括摄像设备和图像采集卡,采集到的图像储存在所述图像采集卡中,并通过所述图像采集卡输入到所述图像预处理模块中进行处理。
进一步的,所述摄像设备为摄像头或专业相机。
上述方案中,所述图像采集卡和所述处理器可置于同一计算机中。
上述方案中,还包括打印机,所述输出模块与所述打印机连接,通过所述打印机将所述图表文件打印出来。
本发明的优点是:
1、通过图像预处理过程对原始图像进行线性平均低通滤波去噪处理,过滤掉包含在原始图像中的噪声,使图像平滑效果增强;
2、通过采用局部自适应阈值分割算法进行二值分割,得到目标缺陷与背景完全分割的二值图像;
3、本发明所提供的基于特征点的缺陷最小子段最小外接盒形之形态特征参数长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax提取方法,以及基于图像灰度差异的无规区域面积算法可实现钢材表面异质型缺陷的科学分类,即对钢材力学性能、成形性能有较大负面影响的诸如夹杂、氧化物、疤/坑等表面缺陷的缺陷程度进行精细表征分类,达到目前钢材缺陷分类方法中的分类最精细程度,缺陷程度分类吻合率接近100%;由此,就可使得生产企业通过其产品的表面缺陷及其缺陷率的精细分类、制备工艺和性能,反求得出产生这些缺陷的重要工艺因素及水平,获得减少或避免该类缺陷产生的钢材优化制备工艺;
4、通过本发明对钢材表面异质型缺陷图像的测量精度高达±0.001μm,为目前钢铁表面质量分析中的最高测量精度;整个测量、分类过程在标准配置的计算机上运行,完成一个视场的表面异质型缺陷精确测量、表征、分类仅需26秒左右,其效率比人工模式提高达数百倍之多。由此,就可在精确性、时效性以及在线检测方面,充分满足工业生产中对新钢材研发时待测材料图像数量非常巨大,且表面异质型缺陷形态极为复杂的测量及分类的严苛要求;
5、本发明的应用一举改变过去钢材表面异质型缺陷的测量、表征、分类所需的全人工模式,解决了人工模式中由于生理因素和主观因素所必然产生的测量、表征、分类结果中的漏检、误检等精度偏低问题。尤其能够彻底填补对于钢中呈弯曲、枝杈形态分布的表面异质型缺陷人工测量模式无法处理的空白;
6、本发明具有优异的普适性,可以推广应用于材料、公路、建筑等领域中一切数量较多、形态复杂的表面异质型缺陷的测量、表征、分类工作。
附图说明
图1是本发明的流程框图;
图2是图像采集***的硬件示意图;
图3是实施例1的原始图像;
图4是实施例1低通滤波去噪后的图像;
图5是实施例1二值分割后的图像;
图6是实施例1缺陷最小子段区域标定图及覆盖整个缺陷的最小外接矩形图;
图7是实施例1缺陷最大特征参数测量结果图;
图8是实施例1当量缺陷、缺陷率、缺陷分类结果图;
图9是实施例2的原始图像;
图10是实施例2低通滤波去噪后的图像;
图11是实施例2二值分割后的图像;
图12是实施例2缺陷最小子段区域标定图及覆盖整个缺陷的最小外接矩形图;
图13是实施例2缺陷最大特征参数测量结果图;
图14是实施例2当量缺陷、缺陷率、缺陷分类结果图;
图15是实施例3的原始图像;
图16是实施例3低通滤波去噪后的图像;
图17是实施例3二值分割后的图像;
图18是实施例3缺陷最小子段区域标定图及覆盖整个缺陷的最小外接矩形图;
图19是实施例3缺陷最大特征参数测量结果图;
图20是实施例3当量缺陷、缺陷率、缺陷分类结果图;
图21是实施例4的原始图像;
图22是实施例4低通滤波去噪后的图像;
图23是实施例4二值分割后的图像;
图24是实施例4缺陷最小子段区域标定图及覆盖整个缺陷的最小外接矩形图;
图25是实施例4缺陷最大特征参数测量结果图;
图26是实施例4当量缺陷、缺陷率、缺陷分类结果图。
图中,1、钢材试样 2、摄像设备 3、计算机 4、打印机
具体实施方式
本发明涉及到的线性平均低通滤波算法的具体内容可参见:杨丹,赵海滨,龙哲,等.MATLAB图像处理实例详解[M].北京:清华大学出版社,2013.7(第1版).ISBN 978-7-302-32186-6/PP181-189;局部自适应阈值分割算法的具体内容可参见:赵小川.现代数字图像处理技术提高及应用案例详解[M].北京:北京航空航天大学出版社,2012.4(第1版).ISBN 978-7-5124-0719-0/PP80-88;基于特征点的缺陷最小子段最小外接盒形之形态特征参数(L、B、Lmax、Bmax)提取方法,以及基于图像灰度差异的无规区域面积算法则是本专利的原始创新工作。
如图1所示,本发明首先利用图像采集模块获取钢材待测缺陷的原始图像,采集到的图像储存在图像采集卡中,并通过图像采集卡输入到图像预处理模块中对原始图像进行线性平均低通滤波去噪处理,过滤掉包含在原始图像中的噪声,使图像平滑效果增强。鉴于本发明的目的仅涉及缺陷的形态特征,而与颜色信息无关,通过图像二值分割模块故对其采用局部自适应阈值分割算法进行二值分割,得到目标缺陷与背景完全分割的二值图像。
在进行缺陷测量时,自动测量模块对上述图像设定标尺及进行最小子段区域标定,提取其形态特征参数,具体为从目标缺陷的左端点起,自左向右对目标缺陷按其特征点角点,角点为缺陷曲率发生变化点,进行分段,得到所有的角点,以及由这些角点构成的最小子段,对其采用最小外接盒形(矩形)加以覆盖,;同时提取其形态特征参数:长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax。
对二值图像模板数组进行遍历扫描,得到各像素点的坐标和灰度信息,采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积,将该值定义为当量缺陷SDE,继而得到待测图像的缺陷率ρ,缺陷率ρ为当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值,由此完成了对各类表面异质型缺陷的定量表征。再根据缺陷率ρ对待测缺陷进行精细分类:具体为用缺陷率ρ的三级最佳阈值:6%、12%、18%,区分出缺陷率极低、缺陷率较低、缺陷率较高、缺陷率极高四个类别。最后,将上述表面异质型缺陷的测量及其定量表征、分类结果以图表文件显示输出。
下面结合附图和4个具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于此。
实施例1:
利用图像采集模块获得钢材待测缺陷的原始图像,图像采集模块的硬件如图2所示:钢材试样1、摄像设备2、计算机3和打印机4;所述计算机4内插图像采集卡;所述摄像设备2为摄像头或专业相机。图像采集的具体步骤是利用摄像头/专业相机将图像调至合适焦距,在图像最清晰时摄像并存储到图像采集卡中得到原始图像,即可进行后续的图像处理。
如图3所示的原始图像为06CuCrNi中厚板经板面抛光后出现的弯曲状、局部断续状氧化网络,该网状中富集成分主要为Cu、Ni等。先对原始图像采用线性平均低通滤波对原始图像进行去噪处理。其原理主要是以阈值矩阵中每个阈值元素和其周围8邻域内阈值元素的平均灰度阈值来取代原来的灰度阈值,从而过滤掉包含在原始图像中的噪声,使图像平滑效果增强,低通滤波去噪后的图像如图4所示。
对滤波去噪后的图4还需进行二值分割以得到其二值图像,鉴于本发明仅涉及缺陷的形态特征,而与颜色信息无关,且目标缺陷只占整个图像区域的部分,为避免缺陷区域以外个别像素点由于灰度级相同而导致的误分割现象,本发明采用局部自适应阈值分割算法,对缺陷图像进行分块二值化处理。其原理主要是针对目标和背景占据不同灰度级范围的图像,采用基于区域划分的局部自适应阈值分割算法,即对图像按坐标分块,对每一子块分别自动获得最佳阈值,从而得到目标与背景完全分离的二值图像,二值分割后的图像如图5所示。
对上述目标图像进行滤波去噪、二值分割后,即可进行钢材表面异质型缺陷的精确测量、表征、分类工作。在测量时,需要对分割后的图像设定标尺并进行缺陷最小子段区域标定,提取其形态特征参数,具体为对各缺陷区域像素进行标识,从目标缺陷的左端点起,自左向右对目标缺陷按其特征点角点,角点即缺陷曲率发生变化处,进行分段,得到所有的角点包括首点和尾点共n个,以及由这些角点构成的最小子段,即n-1段,对每一最小子段均采用最小外接盒形(矩形)加以覆盖,同时提取其形态特征参数:长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax。
图像设定标尺及缺陷最小子段区域标定的具体步骤及算法如下:
(1)设定图像标尺,即标定目标图像中每个像素的实际尺寸:
①在待测图像中画一条水平直线,记下起始点坐标(x1,y)和终点坐标(x2,y),并计算该线段的长度L1=|x1-x2|(单位:微米)和所划过的像素N1;
②在待测图像中画一条竖直线,记下起始点坐标(x,y1)和终点坐标(x,y2),并计算该线段的长度L2=|y1-y2|(单位:微米)和所划过的像素N2;
③设定此缺陷图像的放大倍数A。
XY_SCALE=((X_SCALE)2+(Y_SCALE)2)1/2μm/pixel
上式中:X_SCALE—水平方向尺寸因子,即为每个像素在水平方向上的实际尺寸;
Y_SCALE—竖直方向尺寸因子,即为每个像素在竖直方向上的实际尺寸;
XY_SCALE—二维尺寸因子,即为每个像素的二维实际尺寸。
(2)对同一图像中各最小子段进行区域标定,该区域标定算法为递归标记与最小外接矩形提取算法,其步骤为:
①按从左到右,从上到下以TV光栅的方式从图像的左上角开始扫描,直到发现一个没有标记的1像素点;
②对此1像素点赋予一个新的标记NewFlag;
③按编号次序,对此目标像素(阴影)点的8个邻点进行扫描,如果遇到没有标记的1像素点就把它标记为NewFlag(也就是步骤②中的NewFlag);此时又要按上述次序扫描8个邻点中的1像素的8个邻点,如遇到没有标记的1像素,又将它标记为NewFlag;此过程是一个递归,在邻点中遇到没有标记的1像素点,递推一层,直到没有标记的1像素点被耗尽,才开始返回,返回也是层层返回;
④递归结束,继续扫描没有标记的1像素点,然后执行②、③两个步骤;
⑤反复执行上述过程直到光栅扫描到图像的右下角;
⑥对经上述步骤递归标记的每一目标最小子段,建立其外接投影圆,并将该圆周等分成64份,将该目标子段向圆周各个方向投影,得出投影宽度B1,以及垂直于该方向的投影宽度B2,此两者乘积即为该投影方向上外接矩形的面积,计算得出外接投影圆中所有32个外接矩形面积中的最小值,即为该目标最小子段的最小外接矩形面积,该投影方向即为最小外接矩形的方向,意即完成了该目标最小子段的最小外接矩形区域标定。
提取上述区域标定后的各最小子段最小外接矩形的长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax,其中缺陷最大特征参数测量结果为最大弦长Lmax=40.894μm、最大宽度Bmax=28.538μm(如图7所示)。
同时,为计算缺陷率ρ,还需对整个待测缺陷进行最小外接矩形覆盖,如图6所示。
采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积,将该值定义为当量缺陷SDE,其量纲与待测图像中的原有标尺一致,继而得到待测图像的缺陷率ρ,缺陷率ρ为当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值,意即为计算缺陷率,需要对整个待测缺陷进行最小外接矩形覆盖,如图6所示。
基于图像灰度差异的无规区域面积算法:对二值图像模板数组进行遍历扫描(所述二值图像模板数组是指二值图像中所有包含有用信息,包括坐标位置、灰度大小的像素点的集合,得到二值图像之后就会附带有相应的模板数组),具体为对二值分割后的缺陷图像模板数组进行遍历扫描,计算出目标图像中灰度值为0(二值图像中0表示目标缺陷区域,1表示图像背景区域)的像素点总数NA,并根据缺陷图像的分辨率从像素单位换算为实际单位,即以像素实际面积累加计算得出整个待测缺陷的总面积SDE。
SDE=X_SCALE×Y_SCALE×NA(μm2)
式中,X_SCALE为水平方向尺寸因子,即为每个像素在水平方向上的实际尺寸;
Y_SCALE为竖直方向尺寸因子,即为每个像素在竖直方向上的实际尺寸;
f(x,y)为(x,y)处的灰度值,为f(x,y)的取反;
M为图像的长,单位为像素;
N为图像的宽,单位为像素;
二值图像的大小为M×N;
缺陷率ρ为当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值,
A0为覆盖整个待测缺陷的最小外接矩形面积。
实施例1定量表征及分类结果如图8所述,当量缺陷SDE=2.389×103μ㎡、缺陷率ρ=14.236%;最后,根据缺陷率ρ的三级最佳阈值对缺陷进行类型判定,由于12%<ρ≤18%,故将其判定为缺陷率较高。本发明对钢材表面异质型缺陷图像的测量精度高达±0.001μ㎡。
实施例2:
为进一步证明本发明方法的普适性,如图9所示的原始图像为J55钢管坯表面分布的大量深浅不一的复杂夹杂物。现用本发明对其进行处理的过程为:首先利用图像采集模块获得钢材待测缺陷的原始图像,对采集到的原始图像进行线性平均低通滤波去噪,低通滤波去噪后的图像如图10所示;再对滤波后的图像进行局部自适应阈值分割处理,二值分割后的图像如图11所示;设定标尺并对缺陷各最小子段进行区域标定,提取长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax等特征参数,其中缺陷最大特征参数测量结果为最大弦长Lmax=9.390μm、最大宽度Bmax=9.043μm(如图13所示)。对二值图像模板数组进行遍历扫描,同时,为测量缺陷率,还需对整个待测缺陷进行最小外接矩形覆盖,如图12所示;计算得出待测缺陷的当量缺陷、缺陷率;根据缺陷率ρ的三级最佳阈值对实施例2缺陷进行类型判定。实施例2的定量表征及分类结果如图14所示,当量缺陷SDE=3.884×102μ㎡、缺陷率ρ=3.703%、由于ρ≤6%,故将其判定为缺陷率极低。
实施例3:
如图15所示的原始图像为ST14深冲冷轧板上分布极不规则的细小、碎片状氧化铁。现用本发明对其进行处理的过程为:首先利用图像采集模块获得钢材待测缺陷的原始图像,对原始图像进行线性平均低通滤波去噪,低通滤波去噪后的图像如图16所示;再对滤波后的图像进行局部自适应阈值分割处理,二值分割后的图像如图17所示;设定标尺并对缺陷各最小子段进行区域标定,提取长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax等特征参数,其中缺陷最大特征参数测量结果为最大弦长Lmax=54.476μm、最大宽度Bmax=24.602μm(如图19所示);对二值图像模板数组进行遍历扫描,同时,为测量缺陷率,还需对整个待测缺陷进行最小外接矩形覆盖,如图18所示;计算得出待测缺陷的当量缺陷、缺陷率;根据缺陷率ρ的三级最佳阈值对实施例3缺陷进行类型判定。实施例3的定量表征及分类结果如图20所示,当量缺陷SDE=4.348×103μ㎡、缺陷率ρ=10.006%,由于6%<ρ≤12%,故将其判定为缺陷率较低。
实施例4:
如图21所示的原始图像为车辆用热轧板上成片出现的、成分极为复杂的大量氧化夹渣物,该夹渣由Al2O3、TiO2、CaO、MnO等组成。现用本发明对其进行处理的过程为:首先利用图像采集模块获得钢材待测缺陷的原始图像,对原始图像进行线性平均低通滤波去噪,低通滤波去噪后的图像如图22所示;再对滤波后的图像进行局部自适应阈值分割处理,二值分割后的图像如图23所示;设定标尺并对缺陷各最小子段进行区域标定,提取长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax等特征参数,其中缺陷最大特征参数测量结果为最大弦长Lmax=36.685μm、最大宽度Bmax=18.702μm(如图25所示);对二值图像模板数组进行遍历扫描,同时,为测量缺陷率,还需对整个待测缺陷进行最小外接矩形覆盖,如图24所示;计算得出待测缺陷的当量缺陷、缺陷率;根据缺陷率ρ的三级最佳阈值对实施例4缺陷进行类型判定。实施例4的定量表征及分类结果如图26所示,当量缺陷SDE=1.632×103μ㎡、缺陷率ρ=23.254%,由于ρ>18%,故将其判定为缺陷率极高。
本发明所提供的基于特征点的缺陷最小子段最小外接盒形之形态特征参数长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax提取方法,以及基于图像灰度差异的无规区域面积算法可实现钢材表面异质型缺陷的科学分类,即对钢材力学性能、成形性能有较大负面影响的诸如夹杂、氧化物、疤/坑等表面缺陷的缺陷程度进行精细表征分类,达到目前钢材缺陷分类方法中的分类最精细程度,缺陷程度分类吻合率接近100%;由此,就可使得生产企业通过其产品的表面缺陷及其缺陷率的精细分类、制备工艺和性能,反求得出产生这些缺陷的重要工艺因素及水平,获得减少或避免该类缺陷产生的钢材优化制备工艺;
通过本发明对钢材表面异质型缺陷图像的测量精度高达±0.001μm,为目前钢铁表面质量分析中的最高测量精度;整个测量、分类过程在标准配置的计算机上运行,完成一个视场的表面异质型缺陷精确测量、表征、分类仅需26秒左右,其效率比人工模式提高达数百倍之多。由此,就可在精确性、时效性以及在线检测方面,充分满足工业生产中对新钢材研发时待测材料图像数量非常巨大,且表面异质型缺陷形态极为复杂的测量及分类的严苛要求;
本发明的应用一举改变过去钢材表面异质型缺陷的测量、表征、分类所需的全人工模式,解决了人工模式中由于生理因素和主观因素所必然产生的测量、表征、分类结果中的漏检、误检等精度偏低问题。尤其能够彻底填补对于钢中呈弯曲、枝杈形态分布的表面异质型缺陷人工测量模式无法处理的空白;
本发明具有优异的普适性,可以推广应用于材料、公路、建筑等领域中一切数量较多、形态复杂的表面异质型缺陷的测量、表征、分类工作。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (7)
1.钢材表面异质型缺陷的自动测量、表征分类方法,其特征在于,包括以下步骤:
1)原始图像的获取:利用摄像设备获取钢材待测缺陷的原始图像,并导入计算机;
2)图像预处理:将钢材待测缺陷原始图像进行线性平均低通滤波去噪;
3)二值图像的获取:运用局部自适应阈值分割算法得到待测缺陷的二值图像;
4)自动测量:对分割后的图像设定标尺并进行最小子段区域标定,具体为对目标缺陷按其特征点角点进行分段,得到包括首点和尾点的所有角点共n个,以及由这些角点构成的最小子段n-1段,对每一最小子段均采用最小外接盒形加以覆盖,所述最小外接盒形为最小外接矩形;同时提取其形态特征参数:长度L、宽度B,及其最大弦长Lmax、最大宽度Bmax,实现自动测量的过程;
5)定量表征:对二值图像模板数组进行遍历扫描,所述二值图像模板数组是指二值图像中所包含的有用信息,包括坐标位置、灰度大小的像素点的集合,采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积,即当量缺陷SDE,继而得到待测图像的缺陷率ρ,实现对钢材表面异质型缺陷的定量表征,
基于图像灰度差异的无规区域面积算法为:对二值图像模板数组进行遍历扫描,具体为对二值分割后的缺陷图像模板数组进行遍历扫描,计算出目标图像中灰度值为0的像素点总数NA,并根据缺陷图像的分辨率从像素单位换算为实际单位,即以像素实际面积累加计算得出整个待测缺陷的总面积SDE,
缺陷率ρ为当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值,
A0为覆盖整个待测缺陷的最小外接矩形面积;
6)自动分类:对步骤5)所得缺陷率ρ按最佳阈值进行自动分类,用缺陷率ρ的三级阈值进行自动分类:当ρ≤6%时,视为缺陷率极低;当6%<ρ≤12%时,视为缺陷率较低;当12%<ρ≤18%时,视为缺陷率较高;当ρ>18%时,视为缺陷率极高。
2.根据权利要求1所述的钢材表面异质型缺陷的自动测量、表征分类方法,其特征在于,还包括输出的步骤,具体为:将上述表面异质型缺陷的自动测量、定量表征和分类结果以图表文件显示输出。
3.根据权利要求1所述的钢材表面异质型缺陷的自动测量、表征分类方法,其特征在于,所述步骤5)中
SDE=X_SCALE×Y_SCALE×NA(μm2)
式中,X_SCALE为水平方向尺寸因子,即为每个像素在水平方向上的实际尺寸;
Y_SCALE为竖直方向尺寸因子,即为每个像素在竖直方向上的实际尺寸;
f(x,y)为(x,y)处的灰度值,为f(x,y)的取反;
M为图像的长,单位为像素;
N为图像的宽,单位为像素;
二值图像的大小为M×N。
4.实现权利要求1所述钢材表面异质型缺陷的自动测量、表征分类方法的***,其特征在于,包括图像采集装置和处理器;所述图像采集装置:用于获取钢材待测缺陷原始图像,并将钢材待测缺陷原始图像传送到所述处理器的图像预处理模块;
所述处理器包括图像预处理模块、图像二值分割模块、自动测量模块、定量表征模块、分类模块和输出模块;
所述图像预处理模块:用于将钢材待测缺陷原始图像进行线性平均低通滤波去噪;
所述图像二值分割模块:用于对经过预处理的图像采用局部自适应阈值分割算法进行二值分割;
所述自动测量模块:用于对分割后的图像进行最小子段区域标定以及提取其形态特征参数;
所述定量表征模块:用于计算当量缺陷SDE和钢材待测图像的缺陷率ρ,采用基于图像灰度差异的无规区域面积算法实现对表面异质型缺陷的定量表征;
所述分类模块:用于对钢材待测缺陷进行自动分类;
所述输出模块:用于将表面异质型缺陷的测量、表征、分类结果以图表文件显示输出。
5.根据权利要求4所述的钢材表面异质型缺陷的自动测量、表征分类方法的***,其特征在于,所述图像采集装置包括摄像设备(2)和图像采集卡,所述图像采集卡安装在计算机(3)内,所述摄像设备(2)与所述图像采集卡相连,采集到的原始图像通过所述图像采集卡输入到所述图像预处理模块中进行处理。
6.根据权利要求5所述的钢材表面异质型缺陷的自动测量、表征分类方法的***,其特征在于,所述摄像设备(2)为摄像头或专业相机。
7.根据权利要求4所述的钢材表面异质型缺陷的自动测量、表征分类方法的***,其特征在于,还包括打印机(4),所述输出模块与所述打印机(4)连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510098897.0A CN104778684B (zh) | 2015-03-06 | 2015-03-06 | 钢材表面异质型缺陷的自动测量、表征分类方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510098897.0A CN104778684B (zh) | 2015-03-06 | 2015-03-06 | 钢材表面异质型缺陷的自动测量、表征分类方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778684A CN104778684A (zh) | 2015-07-15 |
CN104778684B true CN104778684B (zh) | 2019-01-08 |
Family
ID=53620130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510098897.0A Expired - Fee Related CN104778684B (zh) | 2015-03-06 | 2015-03-06 | 钢材表面异质型缺陷的自动测量、表征分类方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778684B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106153635B (zh) * | 2016-09-27 | 2018-12-07 | 山东省科学院新材料研究所 | 一种镁及镁合金中缺陷的定量检测方法 |
CN106841234A (zh) * | 2016-12-30 | 2017-06-13 | 日照宝华新材料有限公司 | 酸洗平整表面氧化铁皮缺陷分类方法 |
CN107941812B (zh) * | 2017-12-20 | 2021-07-16 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN108627520A (zh) * | 2018-05-25 | 2018-10-09 | 北京英斯派克科技有限公司 | 一种非均质固体材料外观质量的在线检测***和方法 |
KR102154393B1 (ko) * | 2018-06-20 | 2020-09-09 | 에임시스템 주식회사 | 기계 학습 기반의 자동 결함 분류 방법 |
CN112037214B (zh) * | 2020-09-08 | 2024-02-23 | 北京西管安通检测技术有限责任公司 | 一种缺陷检测的评估方法、装置、电子设备及存储介质 |
CN112598642B (zh) * | 2020-12-22 | 2024-05-10 | 苏州睿信诺智能科技有限公司 | 一种高速高精度视觉检测方法 |
CN112800524A (zh) * | 2021-02-05 | 2021-05-14 | 河北工业大学 | 一种基于深度学习的路面病害三维重建方法 |
CN113112470B (zh) * | 2021-04-08 | 2023-12-15 | 揭阳市柏亿不锈钢有限公司 | 一种基于人工智能的冷轧过程钢材弯曲检测分析方法 |
CN114119712B (zh) * | 2021-11-30 | 2024-05-17 | 江苏沙钢集团淮钢特钢股份有限公司 | 一种基于图像处理的棒材轧制哈夫面氧化黑带宽度的测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1165124A (zh) * | 1996-02-13 | 1997-11-19 | 尼卡特株式会社 | 耐磨性氧化铝陶瓷及其制造方法 |
CN103201023A (zh) * | 2010-09-07 | 2013-07-10 | 东丽株式会社 | 分离膜、分离膜元件和分离膜的制造方法 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN103676242A (zh) * | 2013-12-23 | 2014-03-26 | 合肥京东方光电科技有限公司 | 彩膜基板的修补方法 |
CN103934291A (zh) * | 2013-01-21 | 2014-07-23 | 宝山钢铁股份有限公司 | 一种不锈钢产品的冷连轧机轧制润滑方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034931B2 (en) * | 2003-06-30 | 2006-04-25 | United Technologies Corporation | Method to grain inspect directionally solidified castings |
CN102494976B (zh) * | 2011-11-18 | 2014-04-09 | 江苏大学 | 一种超细晶粒钢晶粒的自动测量及其形态分类方法 |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测*** |
CN102980893A (zh) * | 2012-11-13 | 2013-03-20 | 上海交通大学 | 钢锭表面缺陷分类检测***及方法 |
CN103674965B (zh) * | 2013-12-06 | 2017-06-06 | 大族激光科技产业集团股份有限公司 | 一种晶圆外观缺陷的分类以及检测方法 |
-
2015
- 2015-03-06 CN CN201510098897.0A patent/CN104778684B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1165124A (zh) * | 1996-02-13 | 1997-11-19 | 尼卡特株式会社 | 耐磨性氧化铝陶瓷及其制造方法 |
CN103201023A (zh) * | 2010-09-07 | 2013-07-10 | 东丽株式会社 | 分离膜、分离膜元件和分离膜的制造方法 |
CN103934291A (zh) * | 2013-01-21 | 2014-07-23 | 宝山钢铁股份有限公司 | 一种不锈钢产品的冷连轧机轧制润滑方法 |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN103676242A (zh) * | 2013-12-23 | 2014-03-26 | 合肥京东方光电科技有限公司 | 彩膜基板的修补方法 |
Non-Patent Citations (1)
Title |
---|
铸件缺陷的计算机判定和统计;邓梦 等;《2007通信理论与技术新发展-第十二届全国青年通信学术会议论文集(上册)》;20070801;第921-925页 |
Also Published As
Publication number | Publication date |
---|---|
CN104778684A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778684B (zh) | 钢材表面异质型缺陷的自动测量、表征分类方法及其*** | |
Min et al. | Real time detection system for rail surface defects based on machine vision | |
Liu et al. | Machine vision based online detection of PCB defect | |
CN111855664B (zh) | 一种可调节隧道病害三维检测*** | |
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN102494976B (zh) | 一种超细晶粒钢晶粒的自动测量及其形态分类方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN109584286B (zh) | 一种基于广义回归神经网络的沥青路面构造深度计算方法 | |
CN103940708B (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN104880389A (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其*** | |
CN110264466A (zh) | 一种基于深度卷积神经网络的钢筋检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN106153635B (zh) | 一种镁及镁合金中缺陷的定量检测方法 | |
CN103759676A (zh) | 一种工件表面粗糙度非接触式的检测方法 | |
CN108416766A (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN102297660A (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN107727658A (zh) | 基于图像处理的受电弓裂纹在线检测装置及方法 | |
CN109035219A (zh) | 基于bp神经网络的fics金手指缺陷检测***及检测方法 | |
CN109540925A (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
CN104655642B (zh) | 一种钢材开裂型缺陷的自动测量、表征分类方法及其*** | |
Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190108 Termination date: 20200306 |
|
CF01 | Termination of patent right due to non-payment of annual fee |