CN107610119B - 基于直方图分解的带钢表面缺陷精准检测方法 - Google Patents
基于直方图分解的带钢表面缺陷精准检测方法 Download PDFInfo
- Publication number
- CN107610119B CN107610119B CN201710879464.8A CN201710879464A CN107610119B CN 107610119 B CN107610119 B CN 107610119B CN 201710879464 A CN201710879464 A CN 201710879464A CN 107610119 B CN107610119 B CN 107610119B
- Authority
- CN
- China
- Prior art keywords
- histogram
- gray
- membership
- defect
- image
- 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 82
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 41
- 239000010959 steel Substances 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 230000002950 deficient Effects 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000012887 quadratic function Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- LFEUVBZXUFMACD-UHFFFAOYSA-H lead(2+);trioxido(oxo)-$l^{5}-arsane Chemical compound [Pb+2].[Pb+2].[Pb+2].[O-][As]([O-])([O-])=O.[O-][As]([O-])([O-])=O LFEUVBZXUFMACD-UHFFFAOYSA-H 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及基于直方图分解的带钢表面缺陷精准检测方法,该方法包括如下步骤:读取图像;从待检测的灰度图像直方图中采集确定属于背景的采样点;拟合直方图分解曲线;根据分解曲线fc及待检测的灰度图像直方图中各灰度级对应的频率f(gi)定义隶属度函数μA,以隶属度函数μA表示各灰度级及其对应的像素点隶属于缺陷的程度;设定置信度α,然后根据模糊理论及隶属度函数μA生成隶属度矩阵;在隶属度矩阵中寻找所有的连通区域并对各连通区域中隶属度值求和;设定连通域阈值TH,如果该连通区域的隶属度值之和大于连通域阈值TH,则此连通区域对应的所有像素点均记为1,判断为缺陷点,反之,记为0,为非缺陷点,实现缺陷的准确定位。
Description
技术领域
本发明属于带钢表面缺陷检测技术领域,特别是涉及基于直方图分解的带钢表面缺陷精准检测方法。
背景技术
带钢是当前工业生产的重要原材料,对当前工业起到至关重要的作用。但由于生产环境、传送辊与带钢磨损等的影响,带钢表面极易产生各类复杂缺陷,这些缺陷不仅影响钢材的美观,而且严重影响产品的耐腐蚀、抗疲劳、抗磨损等能力给其质量带来严重影响,这往往给企业造成不可预估的经济损失,故相关的企业对钢材的表面质量提出了更高的要求。近年来,随着钢材需求量的不断增加,生产线往往要求更快的速度及更高的检测精度,而人工目检已经不能满足要求。随着计算机技术的发展,计算机视觉越来越多地被用于物体检测、人脸识别等领域。在缺陷检测领域,基于计算机视觉的检测技术同样受到国内外学者的关注。
现有的检测方法大致分为基于分类的方法与基于异常检测的方法两类。基于分类的方法将检测问题看做是一个分类正常与非正常区域的二分类问题,特征提取与分类器选择是重要的两个步骤。该方法的主要局限性为:1)需要预先采集合理的正负样本作为训练数据,而在工业生产中有些缺陷类型是不可预知的,这使得负样本(缺陷样本)很难采集完全;2)好的分类结果往往需要高维特征的辅助,这使得训练过程耗时较长。基于异常检测的方法是通过对待检测的灰度图像进行纹理分析,提取纹理特征用以查找图像中具有异常特征的区域从而实现缺陷定位。该类方法中有些具有高的运算负担,如:X.Bi,等人(X.Bi,X.Xu and J.Shen,“An automatic detection method ofmura defects for liquidcrystal display using real Gabor filters,”20158th International Congress onImage and Signal Processing(CISP),Shenyang,2015,pp.871-875.)使用不同方向及尺度的滤波器对图像分别进行滤波操作,这就增加了该方法的计算量。有些方法只能检测图像边缘,如:D.Aiger等人(D.Aiger andH.Talbot,“The phase only transform forunsupervised surface defect detection,”Computer Vision and PatternRecognition(CVPR),2010IEEE Conference on,San Francisco,CA,2010,pp.295-302.)提出一种基于傅里叶变换的PHOT算法对纹理表面缺陷进行定位。有些方法本身的计算精度有待提高,如:Yuan等人(Xiao-cui Yuan,Lu-shen Wu,Qingjin Peng,“An improved Otsumethod using the weighted object variance for defect detection,”Appl.Surf.Sci.,Vol.349,pp.472-484,Sep.2015.)提出的改进Otsu阈值算法只对直方图具有双峰或者接近双峰的图像可以得到好的检测效果。因此研究具有高检测率且具有低复杂度的检测方法具有非常重要的意义。
发明内容
针对现有技术的不足,本发明所要解决的技术问题是,提供一种基于直方图分解的带钢表面缺陷精准检测方法。该方法通过一种新的直方图分解方式,得到了带钢图像中缺陷及非缺陷像素点的统计数量信息,由此数量信息定义隶属度函数,从而可判断各像素点属于缺陷的可能性。而后建立隶属度矩阵,利用它的连通区域特性及阈值获得最后结果。此方法可检测各类带钢缺陷,且具有高效率、高精度的特点。
本发明解决所述技术问题采用的技术方案是,提供一种基于直方图分解的带钢表面缺陷精准检测方法,该方法包括如下步骤:
步骤1,读取图像:线阵相机在线获取待检测的灰度图像I并存储于计算机内存中,从内存中读取到待检测的灰度图像I;生成待检测的灰度图像直方图,获得各灰度级gi对应的频率f(gi),其中i∈[1,L]且i∈Z,Z为全体整数集合,L为待检测的灰度图像所含有的灰度级总数;
步骤2,从待检测的灰度图像直方图中采集确定属于背景的采样点:建立带钢表面的灰度图像数据库,基于该数据库设定不同图像的背景灰度级均值所能取得的最大值为bmax、所能取得的最小值为bmin;对于待检测的灰度图像,在[bmin,bmax]区间内搜索当f(gi)取得最大值时的gi,并定义其为ba;然后基于数据库设置小于ba的采样点个数为n1、大于ba的采样点个数为n2,从而获得所有采样点{(gi,f(gi))|gi∈[ba-n1,ba+n2]},该所有采样点即为属于背景的采样点;
步骤3,拟合直方图分解曲线:使用最小二乘法对步骤2所采集的属于背景的采样点进行高斯拟合,得到一条分解曲线fc,该分解曲线将待检测的灰度图像直方图分解为背景子直方图与前景子直方图;
步骤4,定义隶属度函数:根据步骤3得到的分解曲线fc及步骤1中得到的待检测的灰度图像直方图中各灰度级对应的频率f(gi)定义隶属度函数μA,以隶属度函数μA表示各灰度级及其对应的像素点隶属于缺陷的程度;
步骤5,生成隶属度矩阵:设定置信度α,然后根据模糊理论及步骤4定义的隶属度函数μA生成隶属度矩阵;
步骤6,缺陷定位:在隶属度矩阵中寻找所有的连通区域并对各连通区域中隶属度值求和;设定连通域阈值TH,如果该连通区域的隶属度值之和大于连通域阈值TH,则此连通区域对应的所有像素点均记为1,判断为缺陷点,反之,记为0,说明此连通区域对应的所有像素点均为非缺陷点,从而实现了缺陷的准确定位。
与现有技术相比,本发明的有益效果:
1.本发明的检测方法主要对待检测的灰度图像直方图进行分解后利用模糊理论对每一灰度级属于缺陷的程度进行分析,解决了现有的阈值方法由于认为每一个灰度级不是属于缺陷就是非缺陷而导致图像检测精度不高的技术问题,且其检测精度为像素级别,可获得缺陷的细节信息。
2.本发明的检测方法适用范围广,对低对比度图像以及含有无明显边缘缺陷的图像同样具有高检测率,经实验测试其检测率达到97%左右,可满足在线带钢表面缺陷检测要求。
3.本发明的检测方法主要是针对灰度级进行操作,故具备检测速度快的特点,可进行实时检测。
附图说明
图1是本发明基于直方图分解的带钢表面缺陷精准检测方法的流程图;
图2是本发明检测方法所采用的检测装置的结构示意图,
其中1-计算机,2-传输设备,3-线阵相机,4-条形频闪光源,5-传送辊;
图3为采样点选取方法的示意图;
图4为隶属度矩阵连通区域方法效果说明图,其中M矩阵为隶属度矩阵,R表示为结果。
具体实施方式
下面结合实施例及附图对本发明做进一步的说明,但并不以此作为对本申请权利要求保护范围的限定。
本发明一种基于直方图分解的带钢表面缺陷精准检测方法(简称方法,参见图1),包括如下步骤:
步骤1,读取图像:线阵相机在线获取待检测的灰度图像I并存储于计算机内存中,检测程序从内存中读取到待检测的灰度图像I;生成待检测的灰度图像直方图,获得各灰度级gi对应的频率f(gi),其中i∈[1,L]且i∈Z,Z为全体整数集合,L为待检测的灰度图像所含有的灰度级总数;
步骤2,从待检测的灰度图像直方图中采集确定属于背景的采样点:建立带钢表面的灰度图像数据库,基于该数据库设定不同图像的背景灰度级均值所能取得的最大值为bmax、所能取得的最小值为bmin;对于待检测的灰度图像,在[bmin,bmax]区间内搜索当f(gi)取得最大值时的gi,并定义其为ba;然后基于数据库设置小于ba的采样点个数为n1、大于ba的采样点个数为n2,从而获得所有采样点{(gi,f(gi))|gi∈[ba-n1,ba+n2]},该所有采样点即为属于背景的采样点;
步骤3,拟合直方图分解曲线:使用最小二乘法对步骤2所采集的属于背景的采样点进行高斯拟合,得到一条分解曲线fc,该分解曲线将待检测的灰度图像直方图分解为背景子直方图与前景子直方图;
步骤4,定义隶属度函数:根据步骤3得到的分解曲线fc及步骤1中得到的待检测的灰度图像直方图中各灰度级对应的频率f(gi)定义隶属度函数μA,以隶属度函数μA表示各灰度级及其对应的像素点隶属于缺陷的程度;
步骤5,生成隶属度矩阵:设定置信度α,然后根据模糊理论及步骤4定义的隶属度函数μA生成隶属度矩阵;所述置信度α的取值为(0,1);
步骤6,缺陷定位:在隶属度矩阵中寻找所有的连通区域并对各连通区域中隶属度值求和;设定连通域阈值TH,如果该连通区域的隶属度值之和大于连通域阈值TH,则此连通区域对应的所有像素点均记为1,判断为缺陷点,反之,记为0,说明此连通区域对应的所有像素点均为非缺陷点,从而实现了缺陷的准确定位。
本发明方法的进一步特征在于步骤1中的具体步骤为:
1-1:缺陷检测前使用条形频闪光源为带钢表面提供光源,通过线阵相机获取待检测的灰度图像I并存储于计算机的内存中;
1-2:从计算机的内存中读取待检测的灰度图像I,生成待检测的灰度图像直方图,获得各灰度级gi对应的频率f(gi),其中i∈[1,L]且i∈Z,L为待检测的灰度图像所含有的灰度级总数。
本发明方法的进一步特征在于所述条形频闪光源为红色条形频闪光源。
本发明方法的进一步特征在于所述线阵相机为黑白线阵相机。
本发明方法的进一步特征在于步骤3拟合直方图分解曲线的具体步骤为:
3-1:设定分解曲线fc为式(1):
其中g为自变量,a、b、c为三个待估计常量;
3-2:根据最小二乘法求取分解曲线fc中a、b、c的估计值:
在式(1)等号两侧取对数,将fc(g)转换为二次函数:
其中A、B、C分别为二次函数的二次项、一次项及常数项系数,它们根据a、b、c所得;
求得A、B、C估计值用式(2)表示:
本发明方法的进一步特征在于步骤4定义隶属度函数包括以下步骤:
4-1:设对任一非缺陷像素点来说,灰度级gi出现的概率为:
4-2:设fN(gi)表示灰度级为gi的非缺陷像素点频率,则不考虑fN(gi)范围的情况下,fN(gi)=n的概率为:
4-3:不考虑fN(gi)范围的情况下,fN(gi)≥f(gi)的概率为:
4-4:则由式(4)和式(5)求得fN(gi)≤f(gi)条件下,fN(gi)=n的条件概率P1用式(6)表示,
4-5:求得fN(gi)=n条件下,灰度级为gi的像素点为缺陷点的概率P2用式(7)表示,
4-6:由P1及P2,隶属度函数用式(8)表示,
本发明方法的进一步特征在于步骤5生成隶属度矩阵包括以下步骤:
5-1:定义gi的模糊度为d(gi),其可表示为
d(gi)=2|μA(gi)-[μA(gi)+0.5]| (9)
5-2:设定置信度α,然后利用模糊度d(gi)及隶属度μA(gi)定义灰度级gi的两个清晰集合,即缺陷灰度级集合C0和非缺陷灰度级集合C1,用式(10)表示,
其中C0为缺陷灰度级集合,所有属于C0的灰度级对应的像素点均被认为是缺陷像素点。C1为非缺陷灰度级集合,所有属于C1的灰度级对应的像素点均被认为是非缺陷像素点。
5-3:由两个清晰集合,定义隶属度矩阵M,则隶属度矩阵中的元素用式(11)表示,
其中I(x,y)表示像素点(x,y)的灰度级,由此待检图像像素点与隶属度矩阵元素将产生一一对应关系;M(x,y)=1则表示像素点(x,y)为缺陷点;M(x,y)=0则表示像素点(x,y)为非缺陷点;M(x,y)=μA(I(x,y))则表示像素点(x,y)属于缺陷的程度。
本发明方法的进一步特征在于步骤6缺陷定位的具体步骤为:
6-1.在隶属度矩阵中寻找M(x,y)≠0的像素点组成的所有连通区域,每块连通区域的像素点用(x1,y1),(x2,y2),...,(xm,ym)表示,其中m为该连通区域中含有的像素点总数;
6-2.设置连通域阈值TH,计算各连通区域中隶属度之和,并获得结果图R,其中
当R(x,y)为1则表示像素点(x,y)为缺陷,显示为白色;R(x,y)为0则表示像素点(x,y)为非缺陷,显示为黑色,定位缺陷所在像素位置,从而完成带钢表面缺陷像素级的精确检测。
本发明方法中n1和n2是用来确定选取的背景采样点的数量的,所以n1和n2选取的时候,不能使采样点包含缺陷采样点,而且利用所选择的采样点需要进行曲线拟合,要保证得到的拟合曲线fc是最接近于真实的根据整个背景子直方图拟合得到的曲线,具体的数值根据所检测图像集选择,可以设置为1-10。不同的带钢生产线产品表面亮度或者纹理背景会有不一样,连通域阈值的具体选取需要根据实际应用而定,选能够得到最好效果的值。对于本申请的实验库,连通域阈值TH可以设置为4-7,优选为5。
本发明检测方法所使用的检测装置包括传送辊5,在传送辊5上方设有条形频闪光源4以及线阵相机3,所述线阵相机3通过传输设备2与计算机1相连。通过线阵相机3获取待检测带钢灰度图像并存储于计算机内存,而后从内存调出图像利用本发明的方法判断图像有无缺陷及缺陷的位置。根据特征对判断缺陷类型以及其产生的比例,通过这个比例信息,人工对带钢出现问题的生产环节进行维修。本发明在线阵相机的选择方面也可以使用彩色相机,带钢的图像缺陷检测与颜色没有很大的相关性,一般实际生产线上是用的黑白相机;使用黑白线阵相机采集灰度图像,因该种线阵相机可以满足***的检测要求且售价相对便宜使用,最重要的是它具有扫描速度快且精度高的优点。在光源的选择方面,使用条形频闪光源,通过一定频率的闪光为带钢表面提供光源保证线阵相机采集图像的高清晰度,并且选用红色光源进行照明。
实施例1
本实施例基于直方图分解的带钢表面缺陷精准检测方法的步骤是:
步骤1,读取图像:
使用如图2所示的检测装置在线获取待检测的灰度图像I,
1-1:缺陷检测前使用条形频闪光源为带钢表面提供光源,通过线阵相机获取待检测的灰度图像I并存储于计算机的内存中;
1-2:从计算机的内存中读取待检测的灰度图像I,生成待检测的灰度图像直方图,获得各灰度级gi对应的频率f(gi),其中i∈[1,L]且i∈Z,L为待检测的灰度图像所含有的灰度级总数。
步骤2,从待检测的灰度图像直方图中采集确定属于背景的采样点:
建立带钢表面的灰度图像数据库,基于该数据库设定图像背景灰度级均值所能取得最大值bmax=135、所能取得最小值bmin=101。如图3所示,在[bmin,bmax]区间内搜索当f(gi)取得最大值时的gi,并定义其为ba。设置小于ba的采样点个数n1=8、大于ba采样点个数n2=8,从而获得所有采样点{(gi,f(gi))|gi∈[ba-8,ba+8]},此采样点共n1+n2+1=17个;
步骤3,拟合直方图分解曲线:
3-1:设定分解曲线fc为式(1):
其中g为自变量,a、b、c为三个待估计常量;
3-2:根据最小二乘法求取分解曲线fc中a、b、c的估计值:
在式(1)等号两侧取对数,将fc(g)转换为二次函数:
其中A、B、C分别为二次函数的二次项、一次项及常数项系数,它们根据a、b、c所得;
求得A、B、C估计值用式(2)表示:
步骤4,定义隶属度函数:
4-1:设对任一非缺陷像素点来说,灰度级gi出现的概率为:
4-2:设fN(gi)表示灰度级为gi的非缺陷像素点频率,则不考虑fN(gi)范围的情况下,fN(gi)=n的概率为:
4-3:不考虑fN(gi)范围的情况下,fN(gi)≥f(gi)的概率为:
4-4:则由式(4)和式(5)求得fN(gi)≤f(gi)条件下,fN(gi)=n的条件概率P1用式(6)表示,
4-5:求得fN(gi)=n条件下,灰度级为gi的像素点为缺陷点的概率P2用式(7)表示,
4-6:由P1及P2,隶属度函数用式(8)表示,
步骤5,生成隶属度矩阵:
5-1:定义gi的模糊度为d(gi),其可表示为
d(gi)=2|μA(gi)-[μA(gi)+0.5]| (9)
5-2:设定置信度α=0.005,然后利用模糊度d(gi)及隶属度μA(gi)定义灰度级gi的两个清晰集合,即缺陷灰度级集合C0和非缺陷灰度级集合C1,用式(10)表示,
其中C0为缺陷灰度级集合,所有属于C0的灰度级对应的像素点均被认为是缺陷像素点。C1为非缺陷灰度级集合,所有属于C1的灰度级对应的像素点均被认为是非缺陷像素点。
5-3:由两个清晰集合,定义隶属度矩阵M,则隶属度矩阵中的元素用式(11)表示,
其中I(x,y)表示像素点(x,y)的灰度级,由此待检图像像素点与隶属度矩阵元素将产生一一对应关系;M(x,y)=1则表示像素点(x,y)为缺陷点;M(x,y)=0则表示像素点(x,y)为非缺陷点;M(x,y)=μA(I(x,y))则表示像素点(x,y)属于缺陷的程度。
步骤6,缺陷定位:
6-1.在隶属度矩阵中寻找M(x,y)≠0的像素点组成的所有连通区域,每块连通区域的像素点用(x1,y1),(x2,y2),...,(xm,ym)表示,其中m为该连通区域中含有的像素点总数。如图4所示,左边为隶属度矩阵M,此矩阵共含4个连通区域,分别用连通区域1、连通区域2、连通区域3、连通区域4进行表示;
6-2.计算各连通区域中隶属度之和并设置连通域阈值TH=5,获得结果图R,其中
当R(x,y)为1则表示像素点(x,y)为缺陷,显示为白色;R(x,y)为0则表示像素点(x,y)为非缺陷,显示为黑色。图4中仅连通区域4满足隶属度之和为5.8大于5,因此得结果图R中仅连通区域4对应的像素点被定为缺陷点,并标为1,显示为白色。
将本实施例检测方法定位的缺陷计算检出率及误检率:
使用以上实施例在线采集300幅带钢缺陷图像,其中包含多种缺陷,且每幅待检图像可能存在多个缺陷,经统计其中共计347个缺陷。使用本实施例方法,准确检测出缺陷337个,有6个缺陷被错误检出,由此计算其检出率为:337/347=97.1%,误检率为:6/347=1.73%。与Liu等人(Maofu Liu,Ya Liu,Huijun Hu,Liqiang Nie,“Genetic algorithmand mathematical morphology based binarization method for strip steel defectimage with non-uniform illumination,”Journal ofVisual Communication and ImageRepresentation,vol.37,pp 70-77,May.2016.)提到的方法相比,准确率提高了约10%。
在本实施例中,检测装置所使用的硬件型号如下表所示:
由此结果可知,本发明方法可精准检测带钢缺陷,且简单易行,易编写,适用于工业生产。
以上所述仅为本发明的实施例之一而已,并不用以限制本发明,凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均应包含在本发明权利要求保护的范围之内。
本发明未述及之处适用于现有技术。
Claims (7)
1.一种基于直方图分解的带钢表面缺陷精准检测方法,该方法包括如下步骤:
步骤1,读取图像:线阵相机在线获取待检测的灰度图像I并存储于计算机内存中,从内存中读取到待检测的灰度图像I;生成待检测的灰度图像直方图,获得各灰度级gi对应的频率f(gi),其中i∈[1,L]且i∈Z,Z为全体整数集合,L为待检测的灰度图像所含有的灰度级总数;
步骤2,从待检测的灰度图像直方图中采集确定属于背景的采样点:建立带钢表面的灰度图像数据库,基于该数据库设定不同图像的背景灰度级均值所能取得的最大值为bmax、所能取得的最小值为bmin;对于待检测的灰度图像,在[bmin,bmax]区间内搜索当f(gi)取得最大值时的gi,并定义其为ba;然后基于数据库设置小于ba的采样点个数为n1、大于ba的采样点个数为n2,从而获得所有采样点{(gi,f(gi))|gi∈[ba-n1,ba+n2]},该所有采样点即为属于背景的采样点;
步骤3,拟合直方图分解曲线:使用最小二乘法对步骤2所采集的属于背景的采样点进行高斯拟合,得到一条分解曲线fc,该分解曲线将待检测的灰度图像直方图分解为背景子直方图与前景子直方图;
步骤4,定义隶属度函数:根据步骤3得到的分解曲线fc及步骤1中得到的待检测的灰度图像直方图中各灰度级对应的频率f(gi)定义隶属度函数μA,以隶属度函数μA表示各灰度级及其对应的像素点隶属于缺陷的程度;
步骤5,生成隶属度矩阵:设定置信度α,然后根据模糊理论及步骤4定义的隶属度函数μA生成隶属度矩阵;
步骤6,缺陷定位:在隶属度矩阵中寻找所有的连通区域并对各连通区域中隶属度值求和;设定连通域阈值TH,如果该连通区域的隶属度值之和大于连通域阈值TH,则此连通区域对应的所有像素点均记为1,判断为缺陷点,反之,记为0,说明此连通区域对应的所有像素点均为非缺陷点,从而实现了缺陷的准确定位。
2.根据权利要求1所述的基于直方图分解的带钢表面缺陷精准检测方法,其特征在于步骤3拟合直方图分解曲线的具体步骤为:
3-1:设定分解曲线fc为式(1):
其中g为自变量,表示灰度级,a、b、c为三个待估计常量;
3-2:根据最小二乘法求取分解曲线fc中a、b、c的估计值:
在式(1)等号两侧取对数,将fc(g)转换为二次函数:
其中A、B、C分别为二次函数的二次项、一次项及常数项系数,它们根据a、b、c所得;
求得A、B、C估计值用式(2)表示:
3.根据权利要求2所述的基于直方图分解的带钢表面缺陷精准检测方法,其特征在于步骤4定义隶属度函数的具体步骤是:
4-1:设对任一非缺陷像素点来说,灰度级gi出现的概率为:
其中为c的估计值;
4-2:设fN(gi)表示灰度级为gi的非缺陷像素点频率,则不考虑fN(gi)范围的情况下,fN(gi)=n的概率为:
4-3:不考虑fN(gi)范围的情况下,fN(gi)≥f(gi)的概率为:
4-4:则由式(4)和式(5)求得fN(gi)≤f(gi)条件下,fN(gi)=n的条件概率P1用式(6)表示,
4-5:求得fN(gi)=n条件下,灰度级为gi的像素点为缺陷点的概率P2用式(7)表示,
4-6:由P1及P2,隶属度函数用式(8)表示,
ba为在[bmin,bmax]区间内搜索当f(gi)取得最大值时的gi。
4.根据权利要求3所述的基于直方图分解的带钢表面缺陷精准检测方法,其特征在于步骤5生成隶属度矩阵包括以下步骤:
5-1:定义gi的模糊度为d(gi),d(gi)表示为
d(gi)=2|μA(gi)-[μA(gi)+0.5]| (9)
5-2:设定置信度α,然后利用模糊度d(gi)及隶属度μA(gi)定义灰度级gi的两个清晰集合,即缺陷灰度级集合C0和非缺陷灰度级集合C1,用式(10)表示,
5-3:由两个清晰集合,定义隶属度矩阵M,则隶属度矩阵中的元素用式(11)表示,
其中I(x,y)表示像素点(x,y)的灰度级,由此待检测的灰度图像像素点与隶属度矩阵元素将产生一一对应关系;M(x,y)=1则表示像素点(x,y)为缺陷点;M(x,y)=0则表示像素点(x,y)为非缺陷点;M(x,y)=μA(I(x,y))则表示像素点(x,y)属于缺陷的程度。
6.根据权利要求1所述的基于直方图分解的带钢表面缺陷精准检测方法,其特征在于所述置信度α的取值为(0,1)。
7.根据权利要求1所述的基于直方图分解的带钢表面缺陷精准检测方法,其特征在于所述线阵相机为黑白线阵相机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710879464.8A CN107610119B (zh) | 2017-09-26 | 2017-09-26 | 基于直方图分解的带钢表面缺陷精准检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710879464.8A CN107610119B (zh) | 2017-09-26 | 2017-09-26 | 基于直方图分解的带钢表面缺陷精准检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610119A CN107610119A (zh) | 2018-01-19 |
CN107610119B true CN107610119B (zh) | 2019-10-15 |
Family
ID=61058001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710879464.8A Active CN107610119B (zh) | 2017-09-26 | 2017-09-26 | 基于直方图分解的带钢表面缺陷精准检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610119B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288566B (zh) * | 2019-05-23 | 2021-12-07 | 北京中科晶上科技股份有限公司 | 一种目标缺陷提取方法 |
CN113934190B (zh) * | 2021-12-17 | 2022-03-22 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114897772B (zh) * | 2022-03-31 | 2024-05-14 | 河南省开仑化工有限责任公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及*** |
CN115035106B (zh) * | 2022-08-10 | 2022-11-08 | 邹城市天晖软件科技有限公司 | 一种带钢缺陷智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568956A (zh) * | 2013-10-12 | 2015-04-29 | 上海掌迪自动化科技有限公司 | 基于机器视觉的带钢表面缺陷的检测方法 |
CN106373124A (zh) * | 2016-09-21 | 2017-02-01 | 哈尔滨工业大学 | 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法 |
CN106373123A (zh) * | 2016-09-21 | 2017-02-01 | 哈尔滨工业大学 | 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法 |
CN106645190A (zh) * | 2017-01-20 | 2017-05-10 | 河北工业大学 | 基于模板匹配的带钢表面缺陷精准检测方法 |
-
2017
- 2017-09-26 CN CN201710879464.8A patent/CN107610119B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568956A (zh) * | 2013-10-12 | 2015-04-29 | 上海掌迪自动化科技有限公司 | 基于机器视觉的带钢表面缺陷的检测方法 |
CN106373124A (zh) * | 2016-09-21 | 2017-02-01 | 哈尔滨工业大学 | 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法 |
CN106373123A (zh) * | 2016-09-21 | 2017-02-01 | 哈尔滨工业大学 | 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法 |
CN106645190A (zh) * | 2017-01-20 | 2017-05-10 | 河北工业大学 | 基于模板匹配的带钢表面缺陷精准检测方法 |
Non-Patent Citations (8)
Title |
---|
Automatic surface defect detection for mobile phone screen glass based on machine vision;Chuanxia Jian等;《Applied Soft Computing》;20161025;第348–358页 * |
Defect Detection Of Steel Surface Using Entropy Segmentation;Gagan Kishore Nand等;《2014 Annual IEEE India Conference (INDICON)》;20141231;第1-6页 * |
Detection and Classification of Surface Defects of Cold Rolling Mill Steel Using Morphology and Neural Network;Mohammad Reza Yazdchi等;《2008 International Conference on Computational Intelligence for Modelling Control & Automation》;20090724;第1071-1076页 * |
Review of vision-based steel surface inspection systems;Nirbhar Neogi等;《. EURASIP Journal on Image and Video Processing 2014》;20141231;第1-19页 * |
Steel Surface Defect Detection Using a New Haar–Weibull-Variance Model in Unsupervised Manner;Kun Liu等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20170718;第2585-2596页 * |
基于机器视觉木材表面缺陷图像分割研究;陈炜文;《中国优秀硕士学位论文全文数据库 农业科技辑》;20170315(第3期);D049-185 * |
灰度直方图在木材表面缺陷检测中的应用;尹建新等;《浙江林学院学报》;20081231;第272-276页 * |
织物缺陷检测关键技术研究;邵鑫玉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115(第1期);I138-912 * |
Also Published As
Publication number | Publication date |
---|---|
CN107610119A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN108090494B (zh) | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN101995412B (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
Chen et al. | Multivariate video analysis and Gaussian process regression model based soft sensor for online estimation and prediction of nickel pellet size distributions | |
Laga et al. | Image-based plant stornata phenotyping | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
Yao et al. | Inspection of rice appearance quality using machine vision | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN117315670B (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN113947598A (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及*** | |
CN107679581B (zh) | 基于红外图像像素矩阵的特征值处理煤气流分布的方法 | |
Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails | |
Yang et al. | Application of highlight removal and multivariate image analysis to color measurement of flotation bubble images | |
CN116091818B (zh) | 基于多神经网络级联模型的指针式仪表读数识别方法 |
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 |