CN112712512A - 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** - Google Patents
一种基于人工智能的热轧带钢结疤缺陷检测方法及*** Download PDFInfo
- Publication number
- CN112712512A CN112712512A CN202110009493.5A CN202110009493A CN112712512A CN 112712512 A CN112712512 A CN 112712512A CN 202110009493 A CN202110009493 A CN 202110009493A CN 112712512 A CN112712512 A CN 112712512A
- Authority
- CN
- China
- Prior art keywords
- edge
- edge line
- line
- strip steel
- scab
- 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.)
- Withdrawn
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 56
- 239000010959 steel Substances 0.000 title claims abstract description 56
- 206010039509 Scab Diseases 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 231100000241 scar Toxicity 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 9
- 239000000758 substrate Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010339 dilation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的热轧带钢结疤缺陷检测方法及***。该方法包括以下步骤:获取热轧带钢的RGB图像并转化为灰度图;对灰度图进行滤波处理,对处理后的灰度图进行直线检测和边缘检测,将获得的直线和第一边缘线进行重合度判断,滤除掉孤立直线和误差边缘线得到第二边缘线;对第二边缘线进行交点筛选,保留能够通过交点获取完整轮廓的第二边缘线和/或与灰度图边界构成完整轮廓的第二边缘线,记为第三边缘线,确定结疤区域;根据结疤区域的第三边缘线上是否存在阴影判断结疤区域的边缘是否存在翘曲部分,并获取结疤区域的翘曲程度。本发明实施例能够极大的消除掉噪声干扰,准确快速地检测出带钢的结疤缺陷。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的热轧带钢结疤缺陷检测方法及***。
背景技术
在冶金工业中,热轧带钢结疤缺陷又称为重皮缺陷,该缺陷一般以不规则的舌状、鱼鳞状、条状或M状的金属薄片分布于带钢表面。该缺陷存在形式分为两种,一种与带钢基体相连;另一种与带钢基体不相连,但仍粘合在表面上,易于脱落,且在脱落后会形成凹坑,使得基体表面不再平整,影响使用。造成结疤缺陷的原因主要是由于板坯表面有结疤、毛刺,轧后残留在带钢表面或者板坯经火焰清理后留有残渣,在轧制过程中被压入表面。目前热轧带钢结疤缺陷的检测主要通过人工检测以及图像识别和图像分割技术对缺陷进行特征提取和识别,获取识别结果。
发明人在实践中,发现上述现有技术存在以下缺陷:
人为主观判断可能会出现错判漏判等情况,导致检测结果并不精确;采用神经网络进行训练检测的方式需要训练数据,计算量较大,且带钢表面覆盖有大量噪声曲线,神经网络检测时会受到大量干扰从而导致准确度不高。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的热轧带钢结疤缺陷检测方法及***,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的热轧带钢结疤缺陷检测方法,该方法包括以下步骤:
获取热轧带钢的RGB图像,将图像转化为灰度图;
对灰度图进行滤波处理,对处理后的灰度图进行直线检测和边缘检测,将获得的直线和第一边缘线进行重合度判断,滤除掉孤立直线和不能构成闭合曲线的误差边缘线,得到准确的边缘线,记为第二边缘线;
对第二边缘线进行交点筛选,保留能够通过交点获取完整轮廓的第二边缘线和/或与灰度图边界构成完整轮廓的第二边缘线,将保留的第二边缘线记为第三边缘线,通过第三边缘线确定结疤区域;
根据结疤区域的第三边缘线上是否存在阴影判断结疤区域的边缘是否存在翘曲部分,并根据翘曲长度和相应的第三边缘线长度的比值获取结疤区域的翘曲程度。
优选的,不能构成闭合曲线的误差边缘线的获取步骤包括:
对通过重合度判断后保留的与直线有重合区域的第一边缘线进行检测,对于重合区域的线段两端在排除直线梯度方向的其他方向进行像素遍历,任一方向的像素数量超过预设阈值则保留,否则为不能构成闭合曲线的误差边缘线。
优选的,交点筛选的步骤包括:
对每条第二边缘线从第一个灰度值不为零的像素点开始筛选,根据像素点与相邻像素点的不同梯度方向的数量判断像素点是否为交点,并对交点进行编号标记。
优选的,通过交点获取完整轮廓的步骤包括:
对标记后的每个交点进行梯度搜索,找到灰度值不为零的相邻像素点之后,继续以新像素点为中心点继续进行梯度搜索,直到任一方向上的像素梯度路线能再次回到标记的初始像素位置,即获取了完整轮廓。
优选的,判断结疤区域的边缘是否存在翘曲部分的步骤包括:
滑窗在第三边缘线上滑动,得到多个窗口,获得每个窗口内灰度值小于灰度值阈值的像素点的数量,当连续多个窗口中的数量大于数量阈值,判断为边缘翘曲。
第二方面,本发明另一个实施例提供了一种基于人工智能的热轧带钢结疤缺陷检测***,该***包括以下模块:
图像获取模块,用于获取热轧带钢的RGB图像,将图像转化为灰度图;
误差滤除模块,用于对灰度图进行滤波处理,对处理后的灰度图进行直线检测和边缘检测,将获得的直线和第一边缘线进行重合度判断,滤除掉孤立直线和不能构成闭合曲线的误差边缘线,得到准确的边缘线,记为第二边缘线;
结疤区域确定模块,用于对第二边缘线进行交点筛选,保留能够通过交点获取完整轮廓的第二边缘线和/或与灰度图边界构成完整轮廓的第二边缘线,将保留的第二边缘线记为第三边缘线,通过第三边缘线确定结疤区域;
翘曲程度判断模块,用于根据结疤区域的第三边缘线上是否存在阴影判断结疤区域的边缘是否存在翘曲部分,并根据翘曲长度和相应的第三边缘线长度的比值获取结疤区域的翘曲程度。
优选的,误差滤除模块还包括:
误差边缘线获取模块,用于对通过重合度判断后保留的与直线有重合区域的第一边缘线进行检测,对于重合区域的线段两端在排除直线梯度方向的其他方向进行像素遍历,任一方向的像素数量超过预设阈值则保留,否则为不能构成闭合曲线的误差边缘线。
优选的,结疤区域确定模块还包括:
交点筛选模块,用于对每条第二边缘线从第一个灰度值不为零的像素点开始筛选,根据像素点与相邻像素点的不同梯度方向的数量判断像素点是否为交点,并对交点进行编号标记。
优选的,结疤区域确定模块还包括:
轮廓判断模块,用于对标记后的每个交点进行梯度搜索,找到灰度值不为零的相邻像素点之后,继续以新像素点为中心点继续进行梯度搜索,直到任一方向上的像素梯度路线能再次回到标记的初始像素位置,即获取了完整轮廓。
优选的,翘曲程度获取模块还包括:
翘曲判断模块,用于滑窗在第三边缘线上滑动,得到多个窗口,获得每个窗口内灰度值小于灰度值阈值的像素点的数量,当连续多个窗口中的数量大于数量阈值,判断为边缘翘曲。
本发明实施例具有如下有益效果:
1.针对带钢表面所特有的图像特征,本发明实施例通过直线检测和边缘检测进行重合度判断进而滤除孤立直线,对滤除后的边缘线再进行交点筛选滤除不能构成闭合轮廓的边缘线,极大地消除掉噪声干扰,并且根据结疤的特点进行快速检测,方便指导工作人员及时切除带有结疤区域的带钢部分。
2.本发明实施例通过图像处理对结疤缺陷进行检测,相对于采用神经网络进行训练检测的方式来说,不用训练数据,计算量大大减少,检测效率更高。
3.依靠人工智能实现机器代替人工实现对热轧带钢结疤缺陷的快速自动检测,耗时少,提高检测效率,节约成本。
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为本发明一个实施例所提供的一种基于人工智能的热轧带钢结疤缺陷检测方法的流程图;
图2为本发明一个实施例所提供的一种基于人工智能的热轧带钢结疤缺陷检测方法的步骤流程图;
图3为本发明实施例所提供的关于带钢结疤区域拍摄不完整的示例图;
图4为本发明一个实施例所提供的一种基于人工智能的热轧带钢结疤缺陷检测***的结构框图。
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基于人工智能的热轧带钢结疤缺陷检测方法及***,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。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
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。
下面结合附图具体说明本发明所提供的一种基于人工智能的热轧带钢结疤缺陷检测方法及***的具体方案。
请参阅图1和图2,其中,图1示出了本发明一个实施例所提供的一种基于人工智能的热轧带钢结疤缺陷检测方法的流程图;图2示出了本发明一个实施例所提供的一种基于人工智能的热轧带钢结疤缺陷检测方法的步骤流程图。该方法包括以下步骤:
步骤S001,获取热轧带钢的RGB图像,将图像转化为灰度图。
具体的,使用RGB相机对热轧带钢进行图像采集,并将采集到的图像转换为灰度图。
步骤S002,对灰度图进行滤波处理,对处理后的灰度图进行直线检测和边缘检测,将获得的直线和第一边缘线进行重合度判断,滤除掉孤立直线和不能构成闭合曲线的误差边缘线,得到准确的边缘线,记为第二边缘线。具体包括以下步骤:
1)对转换为灰度图的图像进行双边滤波。
该滤波方法同时考虑邻近信息与颜色相似信息,可以在滤除噪声和平滑图像的同时对边缘进行保存。
具体过程为:
a)使用两个高斯滤波,一个负责计算空间邻近度的权值,另一个负责计算像素值相似度的权值。
b)通过各个点到中心点的空间邻近度计算的各个权值进行优化,将其优化为空间邻近度计算的权重和像素值相似度计算的权重的乘积,将每个点的两个权重的乘积与该点像素值相乘并求和,除以所有点的两个权重的乘积的和,得到中心点的像素值,从而达到保边去噪的效果。
2)对经双边滤波后的图像一方面使用霍夫直线检测方法检测图像中的直线,另一方面使用Canny边缘检测算法进行图像边缘提取,获得第一边缘线。
霍夫直线检测过程为:
将图像中的每个像素点变换到霍夫空间,即笛卡尔直角坐标系中的一点对应霍夫空间中的一条曲线。
上述步骤完成后,霍夫空间内曲线交点最亮的坐标点(θ,r)即代表图像中的多个像素点位于同一条直线。
Canny边缘检测算法的主要步骤为:
a)使用高斯矩阵乘以图像中每一个像素点及其邻域,取其带权重的平均值作为最后的灰度值。
b)通过点乘一个sobel或其他算子得到不同方向的梯度值gx(m,n),gy(m,n)。
c)过滤非极大值。过滤不是边缘的点,使边缘的宽度尽可能为单个像素点。如果单个像素点属于边缘则这个像素点在梯度方向上的梯度值是最大的,否则不是边缘,将其灰度值设为0。
d)设置两个阈值,分别为maxVal,minVal。其中大于maxVal的均视为边缘,而低于minVal的均视为非边缘。对于中间的像素点,如果与确定为边缘的像素点邻接则定为边缘,否则为非边缘。
3)对上述步骤a~d中得到的直线和第一边缘线进行重合度判断,以筛选掉孤立直线以及误差边缘线所组成的噪声,具体过程为:
a)在霍夫直线检测得到的直线集合中,任选其中一条直线作为初始直线开始进行遍历,设该条直线的方程为y1=a1x+b1,将第一边缘线的坐标代入该条直线。
b)由于在边缘检测后的边缘线集合中,非边缘区域灰度全部置为0,若存在某条第一边缘线上的点全部位于该直线方程上,则该第一边缘线为孤立直线,对其进行滤除,将该条第一边缘线像素灰度置为0;否则进行保留,并进行下一步判断。重复此过程,直到将所有完全属于直线方程的第一边缘线滤除。
c)对与直线方程有重合区域且保留下来的第一边缘线进行像素遍历,即得到直线段的两个端点坐标后,以两个端点为起点,在排除直线梯度方向的其他梯度方向进行像素遍历,并设置像素阈值,若两个方向中任意一个方向像素数量超过像素阈值则保留,否则作为误差边缘线进行滤除。
作为一个示例,在本发明实施例中,像素阈值为50。
d)重复上述三个步骤,直到图像中所有的直线全部完成重合度判断。最终获得去除噪声后的准确的边缘线,记为第二边缘线。
步骤S003,对第二边缘线进行交点筛选,保留能够通过交点获取完整轮廓的第二边缘线和/或与灰度图边界构成完整轮廓的第二边缘线,将保留的第二边缘线记为第三边缘线,通过第三边缘线确定结疤区域。
具体过程为:
1)对第二边缘线集合进行梯度搜索遍历,也即对于每条第二边缘线,从第一个像素点开始作为中心点,对其八邻域像素点进行遍历,并找到其中灰度值不为0的像素点。如果一个像素与其相邻像素的梯度方向个数为1个,则说明该点不为交点;如果一个像素与其相邻像素的不同梯度方向个数为2个,则根据该像素相邻的两个像素点的坐标与该像素点的坐标可分别求出过该像素点到两个相邻像素点之间的斜率,若斜率一致,则可判断该点不为交点;若斜率不一致,则该点为交点,并进行序号标记。
2)如果一个像素与其相邻像素的不同梯度方向个数超过2个,即可判断该点为该条边缘线内的一个交点,并对该交点进行序号标记。
需要说明的是,其中相邻像素的斜率梯度信息可由各像素坐标得到。
3)在得到的每个边缘线的交点中,从初始标记序号的交点开始对其八邻域灰度值不为0的像素点继续进行梯度搜索,找到灰度值不为0的相邻像素点后,则继续更新新像素点为中心点继续进行搜索,若多个方向均搜索到,则所有方向上的相邻像素点均更新为新的中心点。
需要说明的是,梯度搜索时,相邻梯度方向只能单向遍历,即已经遍历过的像素点不再进行遍历。
4)重复上述步骤,直到其中任一方向上的像素梯度路线能再次回到初始序号标记的像素位置,则可判断该边缘线中包含完整轮廓;否则,继续对后续交点进行遍历分析,最终存在任意一个交点经其梯度路线能回到初始序号标记的位置,则可判断该条边缘线上包含有完整轮廓;否则,说明该条边缘线不具有完整轮廓,对其进行滤除。
需要说明的是,在上述判断过程中,可能存在如图3所示结疤轮廓拍摄不完整的情况,因此在本发明实施例中,当一个交点的不同梯度路线上的中心点坐标均更新到图像边界坐标集合中时,与灰度图边界构成了完整轮廓,对该条边缘线同样进行保留。
步骤S004,根据结疤区域的第三边缘线上像素点的灰度值判断结疤区域的边缘是否存在翘曲部分,并根据翘曲长度和相应的第三边缘线长度的比值获取结疤区域的翘曲程度。
需要说明的是,由于热轧带钢结疤缺陷为多余的金属薄片分布于带钢表面,因此结疤缺陷区域均存在一定程度的翘曲,在成像时该翘曲部分由于光线遮挡会在其翘曲部分附近产生阴影。
具体步骤包括:
1)获取多次膨胀操作之后的膨胀边缘ROI区域的灰度图。
对所有的边缘轮廓进行多次形态学膨胀操作,其中核为3×3大小的正方形九宫格。本发明实施例中设置窗口尺寸为9×9,膨胀次数为n∈[1,20],在此区间寻找最优次数n使得膨胀后的边缘线宽度在不超过窗口尺寸的范围内最大。将膨胀后的边缘像素全部标记为1,其余标记为0,并与原始图像的灰度图相乘后得到只含有膨胀后边缘ROI区域的灰度图。
2)设置滑窗尺寸和滑窗步长,并设定像素阈值来判断闭合轮廓区域是否存在翘曲部分,具体过程为:
a)以结疤区域的第三边缘线中任意一个像素点为起点,并将该点作为中心点,按照顺时针方向根据位置坐标确定该中心点到下一个像素点的梯度方向,并使用尺寸为9×9的窗口以其中一边垂直于该梯度方向的方式依次一个像素向前移动进行窗口内像素遍历。
b)设置灰度阈值gt,并在此中心点所在窗口内统计灰度值小于阈值gt的像素个数m1。继续滑动窗口,并将中心点更新为顺时针方向的下一个像素点,重复步骤一统计得到第二个窗口内灰度值小于灰度阈值的像素个数m2;以此类推直到将该条边缘线上的像素点遍历完成。其中每次更新的中心点按照初始边缘线上各像素坐标值进行选取,窗口则针对膨胀后的ROI区域进行滑窗统计。
作为一个示例,在本发明实施例中,gt=50。
c)设置窗口像素数量阈值Nt,当连续s个滑窗内的窗内像素灰度值小于阈值gt的个数超过Nt时,则可判断为边缘翘曲,即此时可确定该轮廓区域为热轧带钢结疤缺陷区域。
作为一个示例,在本发明实施例中,Nt=30,s=5。
3)通过对边缘翘曲长度的检测来对结疤区域翘曲程度进行判断,具体过程为:
a)统计得到同一个边缘轮廓中窗口内像素灰度值小于阈值gt的个数超过Nt时的最大滑窗数量,并由此确定最大滑窗数量内所对应的中心点像素组成的连线长度l,设其所在边缘线总长度为Q,则可使用来表示该处热轧带钢结疤缺陷的翘曲程度。
b)当有多个翘曲区域时,对其翘曲程度进行排序,按照翘曲程度由高到低的顺序对其进行处理,方便指导工作人员及时切除带有结疤区域的带钢部分。
综上所述,本发明实施例提出一种基于人工智能的热轧带钢结疤缺陷检测方法。首先使用传统的工业RGB相机对热轧带钢进行图片采集,然后将获得的图像转换为灰度图后进行双边滤波。将滤波后的图像一方面进行霍夫直线检测,另一方面进行边缘检测,并通过两方的检测结果将图像中的孤立直线噪声进行去除;之后对保留下来的边缘线通过交点筛选进行闭合程度判断,确定结疤区域;将结疤区域的边缘线通过膨胀和原始灰度图相乘并进行滑窗处理,获取轮廓区域的翘曲程度。本发明实施例能够极大的消除掉噪声干扰,准确快速地检测出带钢的结疤缺陷。
基于与上述方法相同的发明构思,本发明另一个实施例提供了一种基于人工智能的热轧带钢结疤缺陷检测***,请参阅图4,该***包括以下模块:图像获取模块1001、误差滤除模块1002、结疤区域确定模块1003以及翘曲程度判断模块1004。
具体的,图像获取模块1001用于获取热轧带钢的RGB图像,将图像转化为灰度图;误差滤除模块1002用于对灰度图进行滤波处理,对处理后的灰度图进行直线检测和边缘检测,将获得的直线和第一边缘线进行重合度判断,滤除掉孤立直线和不能构成闭合曲线的误差边缘线,得到准确的第二边缘线;结疤区域确定模块1003用于对第二边缘线进行交点筛选,保留能够通过交点获取完整轮廓的第二边缘线和/或与灰度图边界构成完整轮廓的第二边缘线,将保留的第二边缘线记为第三边缘线,通过第三边缘线确定结疤区域;翘曲程度判断模块1004用于根据结疤区域的第三边缘线上是否存在阴影判断结疤区域的边缘是否存在翘曲部分,并根据翘曲长度和相应的第三边缘线长度的比值获取结疤区域的翘曲程度。
优选的,误差滤除模块还包括:
误差边缘线获取模块,用于对通过重合度判断后保留的与直线有重合区域的第一边缘线进行检测,对于重合区域的线段两端在排除直线梯度方向的其他方向进行像素遍历,任一方向的像素数量超过预设阈值则保留,否则为不能构成闭合曲线的误差边缘线。
优选的,结疤区域确定模块还包括:
交点筛选模块,用于对每条第二边缘线从第一个灰度值不为零的像素点开始筛选,根据像素点与相邻像素点的不同梯度方向的数量判断像素点是否为交点,并对交点进行编号标记。
优选的,结疤区域确定模块还包括:
轮廓判断模块,用于对标记后的每个交点进行梯度搜索,找到灰度值不为零的相邻像素点之后,继续以新像素点为中心点继续进行梯度搜索,直到任一方向上的像素梯度路线能再次回到标记的初始像素位置,即获取了完整轮廓。
优选的,翘曲程度获取模块还包括:
翘曲判断模块,用于滑窗在第三边缘线上滑动,得到多个窗口,获得每个窗口内灰度值小于灰度值阈值的像素点的数量,当连续多个窗口中的数量大于数量阈值,判断为边缘翘曲。
综上所述,本发明实施例提出一种基于人工智能的热轧带钢结疤缺陷检测***。首先通过图像获取模块1001对热轧带钢进行图片采集并将获得的图像转换为灰度图,然后通过误差滤除模块1002对灰度图进行双边滤波,将滤波后的图像一方面进行霍夫直线检测,另一方面进行边缘检测,并通过两方的检测结果将图像中的孤立直线噪声进行去除;之后通过结疤区域确定模块1003对保留下来的边缘线通过交点筛选进行闭合程度判断,确定结疤区域;最终通过翘曲程度判断模块1004将结疤区域的边缘线通过膨胀和原始灰度图相乘并进行滑窗处理,获取轮廓区域的翘曲程度。本发明实施例能够极大的消除掉噪声干扰,准确快速地检测出带钢的结疤缺陷。
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。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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)
1.一种基于人工智能的热轧带钢结疤缺陷检测方法,其特征在于,该方法包括以下步骤:
获取热轧带钢的RGB图像,将所述图片转化为灰度图;
对所述灰度图进行滤波处理,对处理后的所述灰度图进行直线检测和边缘检测,将获得的所述直线和第一边缘线进行重合度判断,滤除掉孤立直线和不能构成闭合曲线的误差边缘线,得到准确的边缘线,记为第二边缘线;
对所述第二边缘线进行交点筛选,保留能够通过所述交点获取完整轮廓的第二边缘线和/或与所述灰度图边界构成完整轮廓的第二边缘线,将保留的所述第二边缘线记为第三边缘线,通过所述第三边缘线确定结疤区域;
根据所述结疤区域的所述第三边缘线上是否存在阴影判断所述结疤区域的边缘是否存在翘曲部分,并根据翘曲长度和相应的所述第三边缘线长度的比值获取所述结疤区域的翘曲程度。
2.根据权利要求1所述的一种基于人工智能的热轧带钢结疤缺陷检测方法,其特征在于,所述不能构成闭合曲线的误差边缘线的获取步骤包括:
对通过重合度判断后保留的与直线有重合区域的第一边缘线进行检测,对于重合区域的线段两端在排除所述直线梯度方向的其他方向进行像素遍历,任一方向的像素数量超过预设阈值则保留,否则为所述不能构成闭合曲线的误差边缘线。
3.根据权利要求1所述的一种基于人工智能的热轧带钢结疤缺陷检测方法,其特征在于,所述交点筛选的步骤包括:
对每条所述第二边缘线从第一个灰度值不为零的像素点开始筛选,根据所述像素点与相邻像素点的不同梯度方向的数量判断所述像素点是否为所述交点,并对所述交点进行编号标记。
4.根据权利要求3所述的一种基于人工智能的热轧带钢结疤缺陷检测方法,其特征在于,所述通过所述交点获取完整轮廓的步骤包括:
对标记后的每个所述交点进行梯度搜索,找到灰度值不为零的相邻像素点之后,继续以新像素点为中心点继续进行梯度搜索,直到任一方向上的像素梯度路线能再次回到标记的初始像素位置,即获取了完整轮廓。
5.根据权利要求1所述的一种基于人工智能的热轧带钢结疤缺陷检测方法,其特征在于,所述判断所述结疤区域的边缘是否存在翘曲部分的步骤包括:
滑窗在所述第三边缘线上滑动,得到多个窗口,获得每个所述窗口内灰度值小于灰度值阈值的像素点的数量,当连续多个窗口中的所述数量大于数量阈值,判断为边缘翘曲。
6.一种基于人工智能的热轧带钢结疤缺陷检测***,其特征在于,该***包括以下模块:
图像获取模块,用于获取热轧带钢的RGB图像,将所述图像转化为灰度图;
误差滤除模块,用于对所述灰度图进行滤波处理,对处理后的所述灰度图进行直线检测和边缘检测,将获得的直线和第一边缘线进行重合度判断,滤除掉孤立直线和不能构成闭合曲线的误差边缘线,得到准确的边缘线,记为第二边缘线;
结疤区域确定模块,用于对所述第二边缘线进行交点筛选,保留能够通过所述交点获取完整轮廓的第二边缘线和/或与所述灰度图边界构成完整轮廓的第二边缘线,将保留的所述第二边缘线记为第三边缘线,通过所述第三边缘线确定结疤区域;
翘曲程度判断模块,用于根据所述结疤区域的所述第三边缘线上是否存在阴影判断所述结疤区域的边缘是否存在翘曲部分,并根据翘曲长度和相应的所述第三边缘线长度的比值获取所述结疤区域的翘曲程度。
7.根据权利要求6所述的一种基于人工智能的热轧带钢结疤缺陷检测***,其特征在于,所述误差滤除模块还包括:
误差边缘线获取模块,用于对通过重合度判断后保留的与直线有重合区域的第一边缘线进行检测,对于重合区域的线段两端在排除所述直线梯度方向的其他方向进行像素遍历,任一方向的像素数量超过预设阈值则保留,否则为所述不能构成闭合曲线的误差边缘线。
8.根据权利要求6所述的一种基于人工智能的热轧带钢结疤缺陷检测***,其特征在于,所述结疤区域确定模块还包括:
交点筛选模块,用于对每条所述第二边缘线从第一个灰度值不为零的像素点开始筛选,根据所述像素点与相邻像素点的不同梯度方向的数量判断所述像素点是否为所述交点,并对所述交点进行编号标记。
9.根据权利要求8所述的一种基于人工智能的热轧带钢结疤缺陷检测***,其特征在于,所述结疤区域确定模块还包括:
轮廓判断模块,用于对标记后的每个所述交点进行梯度搜索,找到灰度值不为零的相邻像素点之后,继续以新像素点为中心点继续进行梯度搜索,直到任一方向上的像素梯度路线能再次回到标记的初始像素位置,即获取了完整轮廓。
10.根据权利要求6所述的一种基于人工智能的热轧带钢结疤缺陷检测***,其特征在于,所述翘曲程度获取模块还包括:
翘曲判断模块,用于滑窗在所述第三边缘线上滑动,得到多个窗口,获得每个所述窗口内灰度值小于灰度值阈值的像素点的数量,当连续多个窗口中的所述数量大于数量阈值,判断为边缘翘曲。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009493.5A CN112712512A (zh) | 2021-01-05 | 2021-01-05 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009493.5A CN112712512A (zh) | 2021-01-05 | 2021-01-05 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712512A true CN112712512A (zh) | 2021-04-27 |
Family
ID=75548344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110009493.5A Withdrawn CN112712512A (zh) | 2021-01-05 | 2021-01-05 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712512A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592826A (zh) * | 2021-08-02 | 2021-11-02 | 佛山名奥弹簧开发有限公司 | 一种线材表面缺陷的识别方法及*** |
CN113642609A (zh) * | 2021-07-15 | 2021-11-12 | 东华大学 | 基于图像识别技术的共混聚合物中分散相形貌的表征方法 |
CN113643074A (zh) * | 2021-09-24 | 2021-11-12 | 金成技术有限公司 | 基于人工智能的钣金结构生产报价快速评估方法及*** |
CN113658133A (zh) * | 2021-08-16 | 2021-11-16 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及*** |
CN113935996A (zh) * | 2021-12-16 | 2022-01-14 | 武汉市菲利纸业有限责任公司 | 基于图像处理的瓦楞纸透楞现象检测方法及*** |
CN113935953A (zh) * | 2021-09-18 | 2022-01-14 | 南通豪派金属制品有限公司 | 基于图像处理的钢卷缺陷检测方法 |
CN114612384A (zh) * | 2022-01-30 | 2022-06-10 | 扬州长青树体育用品有限公司 | 一种运动护具外观材料缺陷检测方法及*** |
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*** |
CN114782475A (zh) * | 2022-06-16 | 2022-07-22 | 南通金石包装印刷有限公司 | 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法 |
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
CN114972833A (zh) * | 2022-07-27 | 2022-08-30 | 南通森田消防装备有限公司 | 用于消防水带衬里缺陷分类的检测方法 |
CN115035117A (zh) * | 2022-08-11 | 2022-09-09 | 南通宏大实验仪器有限公司 | 基于人工智能的带钢重叠检测分析方法与*** |
CN115049669A (zh) * | 2022-08-16 | 2022-09-13 | 如皋富美龙金属制品有限公司 | 金属缺陷识别方法 |
CN115063429A (zh) * | 2022-08-18 | 2022-09-16 | 山东安德机械科技有限公司 | 一种用于机械配件的质量检测方法 |
CN115082429A (zh) * | 2022-07-20 | 2022-09-20 | 山东马勒铝业科技有限公司 | 一种基于图像处理的铝棒缺陷检测方法 |
CN115115642A (zh) * | 2022-08-30 | 2022-09-27 | 启东万惠机械制造有限公司 | 基于图像处理的带钢结疤缺陷检测方法 |
CN115115632A (zh) * | 2022-08-29 | 2022-09-27 | 海门市新亚镍丝网有限公司 | 一种纺织品接缝滑移检测伴随现象的分析方法 |
CN115311275A (zh) * | 2022-10-11 | 2022-11-08 | 南通百仕灵新能源科技有限公司 | 一种电子元器件表面缺陷检测方法及*** |
CN115861307A (zh) * | 2023-02-21 | 2023-03-28 | 深圳市百昌科技有限公司 | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 |
CN115868814A (zh) * | 2023-03-02 | 2023-03-31 | 济南野风酥食品有限公司 | 一种具有视觉感知的煎饼机智能调控方法及*** |
CN116630315A (zh) * | 2023-07-24 | 2023-08-22 | 山东东阿亿福缘阿胶制品有限公司 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
CN116912254A (zh) * | 2023-09-14 | 2023-10-20 | 山东博诚电气有限公司 | 基于数据增强预处理的电缆缺陷识别方法 |
-
2021
- 2021-01-05 CN CN202110009493.5A patent/CN112712512A/zh not_active Withdrawn
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642609A (zh) * | 2021-07-15 | 2021-11-12 | 东华大学 | 基于图像识别技术的共混聚合物中分散相形貌的表征方法 |
CN113642609B (zh) * | 2021-07-15 | 2024-03-26 | 东华大学 | 基于图像识别技术的共混聚合物中分散相形貌的表征方法 |
CN113592826A (zh) * | 2021-08-02 | 2021-11-02 | 佛山名奥弹簧开发有限公司 | 一种线材表面缺陷的识别方法及*** |
CN113658133A (zh) * | 2021-08-16 | 2021-11-16 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及*** |
CN113935953A (zh) * | 2021-09-18 | 2022-01-14 | 南通豪派金属制品有限公司 | 基于图像处理的钢卷缺陷检测方法 |
CN113643074A (zh) * | 2021-09-24 | 2021-11-12 | 金成技术有限公司 | 基于人工智能的钣金结构生产报价快速评估方法及*** |
CN113935996A (zh) * | 2021-12-16 | 2022-01-14 | 武汉市菲利纸业有限责任公司 | 基于图像处理的瓦楞纸透楞现象检测方法及*** |
CN113935996B (zh) * | 2021-12-16 | 2022-03-15 | 武汉市菲利纸业有限责任公司 | 基于图像处理的瓦楞纸透楞现象检测方法及*** |
CN114612384A (zh) * | 2022-01-30 | 2022-06-10 | 扬州长青树体育用品有限公司 | 一种运动护具外观材料缺陷检测方法及*** |
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*** |
CN114782475A (zh) * | 2022-06-16 | 2022-07-22 | 南通金石包装印刷有限公司 | 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法 |
CN115082429A (zh) * | 2022-07-20 | 2022-09-20 | 山东马勒铝业科技有限公司 | 一种基于图像处理的铝棒缺陷检测方法 |
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
CN114972833A (zh) * | 2022-07-27 | 2022-08-30 | 南通森田消防装备有限公司 | 用于消防水带衬里缺陷分类的检测方法 |
CN115035117A (zh) * | 2022-08-11 | 2022-09-09 | 南通宏大实验仪器有限公司 | 基于人工智能的带钢重叠检测分析方法与*** |
CN115049669A (zh) * | 2022-08-16 | 2022-09-13 | 如皋富美龙金属制品有限公司 | 金属缺陷识别方法 |
CN115063429A (zh) * | 2022-08-18 | 2022-09-16 | 山东安德机械科技有限公司 | 一种用于机械配件的质量检测方法 |
CN115063429B (zh) * | 2022-08-18 | 2022-11-11 | 山东安德机械科技有限公司 | 一种用于机械配件的质量检测方法 |
CN115115632B (zh) * | 2022-08-29 | 2023-04-07 | 海门市新亚镍丝网有限公司 | 一种纺织品接缝滑移检测伴随现象的分析方法 |
CN115115632A (zh) * | 2022-08-29 | 2022-09-27 | 海门市新亚镍丝网有限公司 | 一种纺织品接缝滑移检测伴随现象的分析方法 |
CN115115642A (zh) * | 2022-08-30 | 2022-09-27 | 启东万惠机械制造有限公司 | 基于图像处理的带钢结疤缺陷检测方法 |
CN115311275B (zh) * | 2022-10-11 | 2023-03-24 | 南通百仕灵新能源科技有限公司 | 一种电子元器件表面缺陷检测方法及*** |
CN115311275A (zh) * | 2022-10-11 | 2022-11-08 | 南通百仕灵新能源科技有限公司 | 一种电子元器件表面缺陷检测方法及*** |
CN115861307A (zh) * | 2023-02-21 | 2023-03-28 | 深圳市百昌科技有限公司 | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 |
CN115861307B (zh) * | 2023-02-21 | 2023-04-28 | 深圳市百昌科技有限公司 | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 |
CN115868814A (zh) * | 2023-03-02 | 2023-03-31 | 济南野风酥食品有限公司 | 一种具有视觉感知的煎饼机智能调控方法及*** |
CN116630315A (zh) * | 2023-07-24 | 2023-08-22 | 山东东阿亿福缘阿胶制品有限公司 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
CN116630315B (zh) * | 2023-07-24 | 2023-09-29 | 山东东阿亿福缘阿胶制品有限公司 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
CN116912254A (zh) * | 2023-09-14 | 2023-10-20 | 山东博诚电气有限公司 | 基于数据增强预处理的电缆缺陷识别方法 |
CN116912254B (zh) * | 2023-09-14 | 2023-12-08 | 山东博诚电气有限公司 | 基于数据增强预处理的电缆缺陷识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712512A (zh) | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和*** | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量*** | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN110866903A (zh) | 基于霍夫圆变换技术的乒乓球识别方法 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及*** | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN107389693A (zh) | 一种基于机器视觉的印刷品缺陷自动检测方法 | |
CN105447489B (zh) | 一种图片ocr识别***的字符与背景粘连噪声消除方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN114127784A (zh) | 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质 | |
CN106875430A (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN116993742A (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN117078680A (zh) | 一种巡检机器人用管廊支吊架异常检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210427 |