CN109785290B - 基于局部光照归一化的钢板缺陷检测方法 - Google Patents
基于局部光照归一化的钢板缺陷检测方法 Download PDFInfo
- Publication number
- CN109785290B CN109785290B CN201811556028.8A CN201811556028A CN109785290B CN 109785290 B CN109785290 B CN 109785290B CN 201811556028 A CN201811556028 A CN 201811556028A CN 109785290 B CN109785290 B CN 109785290B
- Authority
- CN
- China
- Prior art keywords
- steel plate
- image
- gray
- local illumination
- data
- 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
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于局部光照归一化的钢板缺陷检测方法,含有以下步骤:1、使用彩色面阵相机对钢板表面进行拍照,采集到一帧拜尔阵列的原始图像数据;2、将图像数据处理为单通道分量的灰度图;3、处理灰度图得到降采样的灰度图像;4、使用盒型均值滤波器处理,得到局部光照数据;5、使用求商的方式求得灰度图像和局部光照数据之间的亮度差异数据;6、将亮度差异数据做阈值化处理,得到二值图像;7、进行连通域包围框检测;8、计算连通域及包围框面积进行评分和过滤,将缺陷归类;本发明可实现对平面钢板缺陷或不均匀光照下难以检测的非平面钢板缺陷的有效检测,检测灵敏度高,成本低,易于实现。
Description
技术领域:
本发明涉及一种钢板缺陷检测方法,具体涉及一种基于局部光照归一化的钢板缺陷检测方法。
背景技术:
大多数金属的缺陷检测主要关注划痕、断裂、凹坑、油污等特征,对于传统的视觉检测设备而言,检测一种平面金属物体是较为简单的,只需部署足够均匀的光源、克服高光反射即可直接应用典型的边缘增强算法,再通过阈值化处理得到检测结果。非平面金属物体主要是指具有一定曲率的金属产品或零部件,对于非平面钢板的检测,基于传统的缺陷检测***无法部署足够精确、理想的光源***,因此,非平面待检测样品难以克服光源不均一这一特性,非平面带来的反射问题使传统的阈值检测方法无法推广到曲面产品上。
一般的缺陷检测***主要分为滚筒展开检测***和零件切片检测***两种,而检测设备又分为线阵相机和面阵相机两种,甚至也有基于激光三维重建技术的检测设备。一般的缺陷检测***具有体积大、调试难、部署难的问题,体积大主要在于滚筒展开的体机较大。滚筒展开检测***所使用的是线阵相机而非面阵相机,线阵相机主要应用在基于扫描拼接的图像采集技术的检测设备中,因此,面阵相机无法使用,而线阵相机的成本高,部署精度要求也高,无法灵活推广至其它类似金属物体的缺陷检测中;另一种是基于面阵相机阵列的缺陷检测***,该***的局限在于只能通过设计足够理想的光源才能在拼接过程中不产生光斑问题。因此,这两种缺陷检测***都不适合作为非平面钢板的主要检测方法。
随着制造业的发展,越来越多的异形曲面钢板零件质量控制要求随着生产技术和应用场景的进步而提高,检测设备的部署难易程度和部署速度也成为检测方案的评价内容。因此,目前的制造业尤其特质金属板材的生产商需要一种部署灵活,易于搭建、易于调试的新型***,同时,实施成本也要求更低。
现有的板材缺陷检测方法并不能很好地实现非平面钢板的缺陷检测,其主要原因在于光源在曲面的表面上会产生不一样的反射效果,进而对光源产生更高的要求,需要使用环形同轴光源或者更能精确摆放的面光源等。
曲面的非平面钢板缺陷检测难以灵活实施的主要原因在于无法克服其曲面导致的光照度不同,现有的检测方法没有很好地摆脱光源的高要求问题。
发明内容:
本发明要解决的技术问题是:提供一种基于局部光照归一化的钢板缺陷检测方法,该方法可实现对平面钢板缺陷或不均匀光照下难以检测的非平面钢板缺陷的有效检测,检测灵敏度高,成本低,易于实现。
本发明的技术方案:
一种基于局部光照归一化的钢板缺陷检测方法,含有以下步骤:
步骤一、使用彩色面阵相机对钢板表面进行拍照,彩色面阵相机的传感器采集到一帧拜尔阵列的原始图像数据;
步骤二、将原始图像数据经过换算公式处理为单通道分量的灰度图;
步骤三、通过对单通道分量的灰度图进行处理得到降采样的灰度图像;
步骤四、使用盒型均值滤波器处理灰度图像,对钢板亮度分布进行计算,所得图像数据即局部光照数据;
步骤五、使用求商的方式,计算灰度图像和局部光照数据之间的比值,得到亮度差异数据;
步骤六、将亮度差异数据做阈值化处理,得到二值图像;
步骤七、对二值图像闭合处理,对闭合处理的连通域进行包围框检测,得到包围框中心锚点位置;
步骤八、对定位的包围框内部用评分公式进行计算,评分方式是通过计算连通域面积与包围框面积的商进行评分,根据评分值对钢板显著的缺陷进行分类。
步骤一中使用彩色面阵相机而不使用灰度相机的原因在于本发明方法可以克服大多数非理想情况,同时对相机的位深精度要求不高,而常见的灰度相机通常有10~14bit不等甚至更高的动态范围,对于钢板缺陷检测,一般的缺陷在8bit精度下所能呈现的灰阶变化普遍高于20个灰阶,因此,理论具备8bit传感器ADC都可以基于本方法进行实施。
步骤二中,使用2×2大小的CFA采样窗得到原始图像数据阵列内的R、G、G、B四个分量,并换算为单通道分量的灰度图。
一般的拜尔像素阵列是2×2的一种像素排列,对于提取的像素亮度结果,可以以以下矩阵表示:
其中,CFA是Color Filter Array的简称,也称色彩滤波阵列,在此对一组阵列用CFA名称表示,CFA(x,y)指CFA阵列以2×2的大小为单元时坐标的位置为了灰度化拜尔阵列数据,一种简单有效的实施方式如下公式所示:
其中,G(x,y)是得到的单通道分量值,通过对CFA单元的像素点求最大值得出。
一般的面阵传感器的ADC精度为10bit,通过一种映射手段保留10bit信息的同时使用8bit进行后面的信息处理。
在此定义一种带精度压缩的重映射表达式:
显然当输入位深为10,输出位深为8时:
进一步,为了得到较为准确的高光信息,需要对浮点结果四舍五入:
至此得到了可以转为8bit整形的图像。
其中,I(x,y)为最终得到的单通道灰度图像。
步骤三中,为了加快处理速度以及降噪问题的考量,使用整数倍宽度的正方形采样窗口对单通道分量的灰度图进行降采样得到降采样的灰度图像。
定义一个N×N大小的降采样卷积核,系数表达如下:
当滑动卷积核x轴和y轴步进大小为N时,即可实现一种均值去噪的降采样效果。
步骤四中,使用盒型滤波器对降采样图像进行处理,光照局部归一化的局部大小为滤波器卷积核大小,卷积表达式如下:
其中,Wf(x,y)是锚点位于卷积核原点位置(一般为左上角)的均值滤波器滑动窗,大小为一大于1的整数。求和运算位于窗Wf内运行,最终乘以缩放常数C。
缩放常数C的定义如下:
即缩放常数为求和窗口所包含像素数量的倒数。
步骤五中,使用求商的方式为:使用除法计算使局部光照数据和灰度图像数据进行归一化处理。
对F(x,y)和I(x,y)进行求商运算,归一化局部亮度,得到处理后的图像Z。
至此,得到的图像Z具有和线扫描相机得到的光照均一的拼接结果一样,能够明显地得到缺陷信息,且可以直接阈值化。
步骤六中,在实际应用过程中,若本发明的流程是逐帧执行且为一种扫描工件的形式,则需要保证本处理流程的处理时间恒定可控。
一般而言,输入图像P,则阈值化可以表示为:
上式中,C为当前位深的最大表示范围:
C=2depth-1=28-1=255
由于上述的计算可以通过查表来避免CPU缓存命中率变低导致的处理速度不一致问题,在此构建阈值化查找表TLUT:
对于灰阶i的图像,定义一个阈值Threshold后:
基于此,可以实现阈值化查表运算,保证计算时间恒定。
最终,得到了二值图像B:
B(x,y)=TLUT(Z(x,y))
步骤七中,进行一般的连通域分析,得到边界框Recti。
步骤八中,通过计算连通域面积与包围框面积的商进行评分,根据评分值区分较为显著的缺陷类型。
采用积分方法计算连通域面积和包围框面积。
在此定义一个归类方法来判定缺陷是否为划痕,由于其余缺陷为油污、凹坑等小且密集的缺陷,定义归类代价函数:
其中,对ROI(Recti)内的连通域像素求和,得到连通域面积,对Recti内的长宽求积,得到边界框面积。
最终的得分为两者的商。因此,当S足够小时,则认为是划痕,一般设置阈值为0.08。
本发明的有益效果:
1、本发明使用面阵相机和简单的面光源,通过使用局部光照归一化方法即可实现对平面钢板缺陷或不均匀光照下难以检测的非平面钢板缺陷的有效检测,检测灵敏度高。
2、本发明中克服了传统钢板缺陷检测方法中需要特制检测装备或特殊相机,克服了光源亮度不平衡的问题,无需使用线扫描相机或者相机阵列,亦无需使用特殊的超均匀LED条形光源及面光源等高精度光源,具有装备集成容易、检测成本低、集成方式灵活。
3、本发明对相机的摆放要求低,使用三脚架、或者其它方法简单固定相机即可,能够灵活地实施在各种工况下的加工车间、库房场景中。
4、本发明可以以软件的形式集成在任何计算机设备中或典型的机电***中,对处理器的性能要求较低,易于实现。
附图说明:
图1为本发明中处理局部光照归一化的算法框图;
图2为本发明控制处理时长建立阈值化查找表的流程框图。
具体实施方式:
基于局部光照归一化的钢板缺陷检测方法含有以下步骤:
步骤一、使用彩色面阵相机对钢板表面进行拍照,彩色面阵相机的传感器采集到一帧拜尔阵列的原始图像数据;
步骤二、将原始图像数据经过换算公式处理为单通道分量的灰度图;
步骤三、通过对单通道分量的灰度图进行处理得到降采样的灰度图像;
步骤四、使用盒型均值滤波器处理灰度图像,对钢板亮度分布进行计算,所得图像数据即局部光照数据;
步骤五、使用求商的方式比较灰度图像和局部光照数据之间的亮度差异,得到亮度差异数据;
步骤六、将亮度差异数据做阈值化处理,得到二值图像;
步骤七、对二值图像闭合处理,对闭合处理的连通域进行包围框检测,得到包围框中心锚点位置;
步骤八、对定位的包围框内部用评分公式进行计算,根据评分值对钢板显著的缺陷进行分类。
步骤一中使用彩色面阵相机而不使用灰度相机的原因在于本发明方法可以克服大多数非理想情况,同时对相机的位深精度要求不高,而常见的灰度相机通常有10~14bit不等甚至更高的动态范围,对于钢板缺陷检测,一般的缺陷在8bit精度下所能呈现的灰阶变化普遍高于20个灰阶,因此,理论具备8bit传感器ADC都可以基于本方法进行实施。
步骤二中,使用2×2大小的CFA采样窗得到原始图像数据阵列内的R、G、G、B四个分量,并换算为单通道分量的灰度图。
一般的拜尔像素阵列是2×2的一种像素排列,对于提取的像素亮度结果,可以以以下矩阵表示:
其中,CFA是Color Filter Array的简称,也称色彩滤波阵列,在此对一组阵列用CFA名称表示,CFA(x,y)指CFA阵列以2×2的大小为单元时坐标的位置为了灰度化拜尔阵列数据,一种简单有效的实施方式如下公式所示:
其中,G(x,y)是得到的单通道分量值,通过对CFA单元的像素点求最大值得出。
一般的面阵传感器的ADC精度为10bit,通过一种映射手段保留10bit信息的同时使用8bit进行后面的信息处理。
在此定义一种带精度压缩的重映射表达式:
显然当输入位深为10,输出位深为8时:
进一步,为了得到较为准确的高光信息,需要对浮点结果四舍五入:
至此得到了可以转为8bit整形的图像。
其中,I(x,y)为最终得到的单通道灰度图像。
步骤三中,为了加快处理速度以及降噪问题的考量,使用整数倍宽度的正方形采样窗口对单通道分量的灰度图进行降采样得到降采样的灰度图像。
定义一个N×N大小的降采样卷积核,系数表达如下:
当滑动卷积核x轴和y轴步进大小为N时,即可实现一种均值去噪的降采样效果。
步骤四中,使用盒型滤波器对降采样图像进行处理,光照局部归一化的局部大小为滤波器卷积核大小,卷积表达式如下:
其中,Wf(x,y)是锚点位于卷积核原点位置(一般为左上角)的均值滤波器滑动窗,大小为一大于1的整数。求和运算位于窗Wf内运行,最终乘以缩放常数C。
缩放常数C的定义如下:
即缩放常数为求和窗口所包含像素数量的倒数。
步骤五中,使用求商的方式为:使用除法计算使局部光照数据和灰度图像数据进行归一化处理。
对F(x,y)和I(x,y)进行求商运算,归一化局部亮度,得到处理后的图像Z。
至此,得到的图像Z具有和线扫描相机得到的光照均一的拼接结果一样,能够明显地得到缺陷信息,且可以直接阈值化。
局部光照归一化的处理流程如图1所示。
步骤六中,在实际应用过程中,若本发明的流程是逐帧执行且为一种扫描工件的形式,则需要保证本处理流程的处理时间恒定可控。
一般而言,输入图像P,则阈值化可以表示为:
上式中,C为当前位深的最大表示范围:
C=2depth-1=28-1=255
由于上述的计算可以通过查表来避免CPU缓存命中率变低导致的处理速度不一致问题,在此构建阈值化查找表TLUT:
对于灰阶i的图像,定义一个阈值Threshold后:
具体构建阈值查找表TLUT的流程图如图2所示。
基于此,可以实现阈值化查表运算,保证计算时间恒定。
最终,得到了二值图像B:
B(x,y)=TLUT(Z(x,y))
步骤七中,进行一般的连通域分析,得到边界框Recti。
步骤八中,通过计算连通域面积与包围框面积的商进行评分,根据评分值区分较为显著的缺陷类型、高光区域和阴影影响区域。
采用积分方法计算连通域面积和包围框面积。
在此定义一个归类方法来判定缺陷是否为划痕,由于其余缺陷为油污、凹坑等小且密集的缺陷,定义归类代价函数:
其中,对ROI(Recti)内的连通域像素求和,得到连通域面积,对Recti内的长宽求积,得到边界框面积。
最终的得分为两者的商。因此,当S足够小时,则认为是划痕,一般设置阈值为0.08。
Claims (4)
1.一种基于局部光照归一化的钢板缺陷检测方法,其特征是:含有以下步骤:
步骤一、使用彩色面阵相机对钢板表面进行拍照,彩色面阵相机的传感器采集到一帧拜尔阵列的原始图像数据;
步骤二、将原始图像数据经过换算公式处理为单通道分量的灰度图;
步骤三、通过对单通道分量的灰度图进行处理得到降采样的灰度图像;
步骤四、使用盒型均值滤波器处理灰度图像,对钢板亮度分布进行计算,所得图像数据即局部光照数据;
步骤五、使用求商的方式,计算灰度图像和局部光照数据之间的比值,得到亮度差异数据;
步骤六、将亮度差异数据做阈值化处理,得到二值图像;
步骤七、对二值图像闭合处理,对闭合处理的连通域进行包围框检测,得到包围框中心锚点位置;
步骤八、对定位的包围框内部用评分公式进行计算,评分方式是通过计算连通域面积与包围框面积的商进行评分,根据评分值对钢板的缺陷进行分类。
2.根据权利要求1所述的基于局部光照归一化的钢板缺陷检测方法,其特征是:所述步骤二中,使用2×2大小的CFA采样窗得到原始图像数据阵列内的R、G、G、B四个分量,并换算为单通道分量的灰度图。
3.根据权利要求1所述的基于局部光照归一化的钢板缺陷检测方法,其特征是:所述步骤三中,使用整数倍宽度的正方形采样窗口对单通道分量的灰度图进行降采样得到降采样的灰度图像。
4.根据权利要求1所述的基于局部光照归一化的钢板缺陷检测方法,其特征是:采用积分方法计算连通域面积和包围框面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556028.8A CN109785290B (zh) | 2018-12-19 | 2018-12-19 | 基于局部光照归一化的钢板缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556028.8A CN109785290B (zh) | 2018-12-19 | 2018-12-19 | 基于局部光照归一化的钢板缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109785290A CN109785290A (zh) | 2019-05-21 |
CN109785290B true CN109785290B (zh) | 2020-01-24 |
Family
ID=66497307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811556028.8A Active CN109785290B (zh) | 2018-12-19 | 2018-12-19 | 基于局部光照归一化的钢板缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785290B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838025A (zh) * | 2021-09-22 | 2021-12-24 | 联想(北京)有限公司 | 处理方法和处理装置 |
CN115375676B (zh) * | 2022-10-24 | 2023-01-24 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN117173156B (zh) * | 2023-10-23 | 2024-02-20 | 杭州百子尖科技股份有限公司 | 基于机器视觉的极片毛刺检测方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971133A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 基于案例推理的钢板表面缺陷的自动识别方法 |
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108876768A (zh) * | 2018-05-30 | 2018-11-23 | 杭州舜浩科技有限公司 | 导光板暗影缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101828536B1 (ko) * | 2013-04-11 | 2018-02-12 | 한화테크윈 주식회사 | 패널 검사 방법 및 장치 |
CN108982540A (zh) * | 2018-09-10 | 2018-12-11 | 五邑大学 | 一种螺钉外观瑕疵检测方法、装置及设备 |
-
2018
- 2018-12-19 CN CN201811556028.8A patent/CN109785290B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971133A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 基于案例推理的钢板表面缺陷的自动识别方法 |
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108876768A (zh) * | 2018-05-30 | 2018-11-23 | 杭州舜浩科技有限公司 | 导光板暗影缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
Automatic Printing Plate Defect Detection Based on a Simplified Homocentric Square Filter;Wen-Jing Zhang et al.;《2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics》;20161231;第336-340页 * |
基于彩色CMOS图像传感器的图像压缩预处理***的设计;崔巍 等;《科学技术与工程》;20060531;第6卷(第10期);第1387-1392页 * |
基于机器视觉的彩钢板缺陷检测和智能分类研究;孙创开;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715;第2017年卷(第7期);第I138-778页 * |
钎焊缺陷定量检测分析***设计;许强 等;《Equipment Manufacturing Technology》;20151231(第1期);第120-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109785290A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI805857B (zh) | 用於特性化一樣品之系統及方法 | |
CN109785290B (zh) | 基于局部光照归一化的钢板缺陷检测方法 | |
JP5920994B2 (ja) | マイクロプレートのウェル壁境界を識別するための方法及びシステム | |
CN112308832B (zh) | 一种基于机器视觉的轴承质量检测方法 | |
CN108346141B (zh) | 单边侧入光式导光板缺陷提取方法 | |
KR101635461B1 (ko) | 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及*** | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN109118471A (zh) | 一种适用于复杂环境下的打磨工件缺陷检测方法 | |
CN117115153B (zh) | 基于视觉辅助的印制线路板质量智能检测方法 | |
CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及*** | |
CN109886914B (zh) | 基于局部亮度不变性先验的纸张缺陷检测方法 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
JP2018096908A (ja) | 検査装置及び検査方法 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN111242888A (zh) | 一种基于机器视觉的图像处理方法及*** | |
CN114719749A (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及*** | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
Xia et al. | An automatic machine vision-based algorithm for inspection of hardwood flooring defects during manufacturing | |
KR20080056149A (ko) | 미지 품질의 패턴을 사용하여 기준 이미지를 생성하기 위한시스템 및 방법 | |
Lee et al. | Robust defect detection method for a non-periodic TFT-LCD pad area | |
KR20160054150A (ko) | 형태학적 영상 처리와 레이블링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191225 Address after: 414000 north of Baoshan Road, BAISHILING Industrial Park, Yueyang Economic and Technological Development Zone, Yueyang City, Hunan Province Applicant after: Hunan Datong Testing Co., Ltd Address before: Room 102, Building 1, Incubation Park, National University Science Park, Zhengzhou High-tech Zone, Henan Province Applicant before: Liu Yongchen |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |