CN113628189A - 一种基于图像识别的快速带钢划痕缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于图像识别的快速带钢划痕缺陷检测方法，步骤包括：步骤1，获得高清的图像I₁；步骤2，对图像I₁采用改进的均值漂移平滑算法对图像I₁进行背景平滑，增强划痕边缘细节部分，并构造非线性变换函数提高图像对比度，得到图像I₃；步骤3，对图像I₃进行分块处理，并将子块图像进行子块个数序号标记，再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数、灰度均值、偏态系数SK以及灰度级距离D；步骤4，判断每个子块是否含有划痕缺陷，并对含有缺陷的子块图像进行统计，将带有划痕的子块图像进行拼接获得图像I₄。本发明方法，解决了现有算法复杂性过大、算法不稳定和鲁棒性差的问题。

Description

一种基于图像识别的快速带钢划痕缺陷检测方法

技术领域

本发明属于人工智能技术领域，涉及一种基于图像识别的快速带钢划痕缺陷检测方法。

背景技术

随着科技的发展，汽车、航天、机械电子等高端行业对带钢的表面质量要求越来越高。然而，表面质量主要是产品表面缺陷带来的，其中划痕是轧钢表面常见的缺陷之一。在生产过程中，带钢表面的划痕通常是沿带钢运行方向造成的狭长状，通常有两种类型，分别为高温区划痕和常温区划痕，并且两种划痕造成的颜色不同，前者为浅蓝色或者黑色，后者为灰白色或者呈金属光泽。划痕的严重程度将影响下游用户的生产与使用，因此，如何检测和控制带钢的质量已经成为带钢生产企业亟需解决的热点问题。

目前划痕的检测手段主要是人工开卷检测和基于机器视觉的检测。但是由于长时间工作和嘈杂生产环境的影响，人眼会出现视觉疲劳，难免会产生漏检的情况，检测效果不佳。为了解决该问题，基于图像处理的划痕检测方式被提出用于提高缺陷检测的效率，然而由于生产环境的影响，导致获取的图像清晰，缺陷特征不明显，对后续分割结果带来很大困难，而且算法复杂性将成倍的增加，随之而来的就是算法不稳定和鲁棒性差的问题，而实时检测也很难实现。

发明内容

本发明的目的是提供一种基于图像识别的快速带钢划痕缺陷检测方法，解决了现有技术中存在的算法复杂性过大、算法不稳定和鲁棒性差的问题。

本发明所采用的技术方案是，一种基于图像识别的快速带钢划痕缺陷检测方法，按照以下步骤实施：

步骤1，获取检测图像，

在高亮度LED照明条件下，采用工业相机对带钢上下表面进行实时采集，获得高清的图像I₁；

步骤2，对图像I₁进行预处理，

采用改进的均值漂移平滑算法对图像I₁进行背景平滑，增强划痕边缘细节部分，并构造非线性变换函数提高图像对比度，得到图像I₃；

步骤3，对图像I₃进行分块处理，并将子块图像按照从上到下从左到右的顺序进行子块个数序号标记，再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数{l₁,l₂,...,l₆₄}、灰度均值{m₁,m₂,...,m₆₄}、偏态系数SK以及灰度级距离D；

步骤4，利用偏态系数SK和灰度级距离D判断每个子块是否含有划痕缺陷，并对含有缺陷的子块图像进行统计，将带有划痕的子块图像进行拼接获得图像I₄，即成。

本发明的有益效果是，针对由于生产环境的影响，造成获取的图像出现不清晰，缺陷特征不明显，划痕缺陷检测实时难实现的问题。本发明通过改进的均值漂移平滑算法对图像进行背景平滑，增强图像缺陷特征，并且该算法省略分割算法，采用基于分块灰度统计的方法直接去检测子块，判断是否含有缺陷，再将子块进行拼接，可以避免有效处理图像中有阴影、照度不均、对比度不同、突发噪声、背景复杂等情况，为带钢划痕缺陷检测提供一种新的实时检测思路。

附图说明

图1为本发明方法的实施例流程图；

图2为本发明方法中改进的均值漂移平滑的实施例流程图；

图3为本发明方法中构造的非线性变换函数曲线图；

图4a是实施例带钢表面图像I₁，图4b是改进均值漂移滤波的效果图像I₂；

图5为本发明方法中计算特征的数学模型图；

图6a为本发明方法中的分块无缺陷子图及其灰度直方图，图6b为本发明方法中的分块有缺陷子图及其灰度直方图；

图7a是本发明方法中的经过预处理后图像I₃的分块结果，图7b为本发明方法实施例的缺陷检测结果图像I₄。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

参照图1，本发明基于的带钢划痕缺陷程度的检测方法，按照以下步骤实施：

步骤1，获取检测图像，

在高亮度LED照明条件下，采用工业相机对带钢上下表面进行实时采集，保证在恶劣的钢厂环境下能够获得高清的带钢表面的图像I₁；

步骤2，对步骤1获得的图像I₁进行预处理，

采用改进的均值漂移平滑算法对图像I₁进行背景平滑，增强划痕边缘细节部分，并构造非线性变换函数提高图像对比度，均值漂移平滑的算法流程如图2所示，

2.1)图像I₁中的像素点包括两类信息：即坐标空间和颜色空间，将各像素点的坐标值x^s和像素点灰度值x^r共同构成特征向量X＝(x^s,x^r)，设置一个每次迭代平滑的正数阈值σ，选取图像I₁左上方第一个像素点x开始进行平滑算法；

2.2)将本次迭代的像素点x记为迭代初始点x₀；在第一次迭代时给定一个初始带宽h，取值为10，之后每次迭代按照下式计算空间带宽h_s、值域带宽h_r以及像素x邻域均值mean，表达式如下：

其中，T_s、T_r表示对固定值h的放大缩小系数，x_i为x邻域像素，i＝1,2,...,n，n为滑动窗口(带宽)范围内像素点的总个数；

2.3)设M(x)为均值漂移迭代的函数式，其表达式为：

其中，

为窗口中像素点坐标值，

为窗口中像素点灰度值，

当|M(x)-x|＞σ，将M(x)赋值给x，并返回步骤2.2)继续迭代；

当|M(x)-x|≤σ，停止迭代，将此时的迭代中心点x的像素灰度值赋给初始值x₀；

2.4)继续对图像I₁下一个像素点重复步骤2.2)及步骤2.3)，直到遍历图像I₁上所有的像素点，得到均值漂移平滑的图像I₂，如图4b所示；

2.5)为了提高均值漂移平滑后的图像I₂的对比度，构造一个非线性变换函数如公式(5)，函数曲线图如图3所示，其目的是保持低灰度值不变(即背景灰度值)，拉伸高灰度值(即划痕缺陷灰度值)，将接近1区域(即背景灰度区域)的灰度值进一步提升，使背景区域与缺陷区域有更高的对比度，为后续灰度直方图特征值提取的更加准确打下基础，非线性变换函数的表达式如下：

其中，f(x,y)为均值漂移平滑后的图像I₂，F(x,y)为经过线性变换后的结果图，记为图像I₃；

步骤3，对步骤2得到的图像I₃进行分块处理，即分成8*8的子块图像，如图7a所示，并将子块图像按照从上到下从左到右的顺序进行子块个数序号标记，再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数{l₁,l₂,...,l₆₄}、灰度均值{m₁,m₂,...,m₆₄}、偏态系数SK以及灰度级距离D，具体过程是：

3.1)确定图像I₃尺寸，分块顺序是将图像I₃按照从上到下从左到右依次进行分块并对子块进行序号标记，顺序是{B₁,B₂,...,B₆₄}；实施例中，由于划痕缺陷最长0.3毫米，在图像上约占32个像素，因此将512*512的图像分成大小为64*64的子块图像，使占子块中划痕区域占比变大；

3.2)对每个子块图像求取灰度直方图H(k)、灰度均值m＝{m₁,m₂,...,m₆₄}以及子块中含有的灰度级的总数{l₁,l₂,...,l₆₄}的具体步骤是：对子块图像按照0到255灰度级依次搜索，将含有灰度级的总数记为l并统计每个灰度级的像素点的数目N_k，灰度直方图H(k)的表达式是：

其中，N为子块图像的像素总数，k＝0,1,...,L-1，灰度级数为L，N_k是图像中灰度为k的像素总数，子块灰度均值m的表达式是：

3.3)由图6a、图6b可见，无缺陷子块图像和有缺陷子块图像在灰度直方图上的形状有明显的差异，表现在无缺陷子块图像的灰度直方图呈对称的形状，而缺陷子块图像的灰度直方图呈现偏右形状；由于划痕缺陷整体的像素值相对于背景较大，划痕在直方图上统计出来整体偏右，这种区别用灰度直方图的偏态系数SK表示，偏态系数SK的表达式是：

其中，N为子块图像的像素总数，m为子块灰度均值，x_i为子块中的像素点，

根据灰度直方图初步筛选出疑似子块缺陷图像的判断标准是：

a)当子块图像的灰度直方图偏态系数SK小于0时，说明灰度直方图形状偏左，该子块图像没有划痕缺陷；

b)当子块图像的灰度直方图偏态系数SK等于0时，说明灰度直方图形状呈对称的形状，说明子块图像整体均匀，当划痕长度较小时，统计出来的图像有可能仍然是对称形状，该子块图像被归为疑似划痕缺陷子块；

c)当子块图像的灰度直方图偏态系数SK大于0时，偏态系数越大，说明灰度直方图向右偏离程度也大，该子块图像被归为疑似划痕缺陷子块；

3.4)计算子块图像的灰度直方图灰度级距离D，来检测疑似划痕缺陷子块，

参照图6a、图6b，无缺陷子块图像的灰度级比较集中，而含有划痕缺陷的子块背景部分灰度级比较集中，划痕部分灰度级较高，整体看来灰度级分散程度较大，因此采用灰度级距离来描述这种分散程度，对缺陷子块图像确定一个阈值T_i判断疑似子块图像中是否含有子块缺陷图像，(经过多次处理这一类图像，确定阈值T_i的经验值)，具体判断方式是：

其中，缺陷子块的灰度级距离D的表达式是：

式中，m为子块灰度均值，k为均值m对应的灰度级，d_i为子块中灰度级大小，l为该子块中灰度级总数；

步骤4，利用步骤3得到的偏态系数SK和灰度级距离D判断每个子块是否含有划痕缺陷，并对含有缺陷的子块图像进行统计，将带有划痕的子块图像进行拼接获得图像I₄，如图7b所示。

统计划痕区域在水平方向上所占总的块数row、在垂直方向所占的总的块数colum、以及含有划痕的块数所占的面积比ratio，并且根据行业标准对划痕缺陷进行严重程度的判断，具体过程是：

4.1)由于划痕缺陷的方向多变，当划痕缺陷出现时经常导致该缺陷的周围都会被影响，因此统计所有缺陷子块在图像I₃垂直方向上和水平方向上所占的块数，就能够体现出划痕最大的影响范围，图像I₃分块计算特征的数学模型图如图5所示。

由于子块图像是按照从上到下从左至右的顺序进行编号排列，排成共8行8列方格，如图5所示实施例；当统计图像I₃垂直方向上缺陷子块数量时，根据步骤3中判断出的缺陷子块标记，依次判断每一行是否含有缺陷子块，然后将含有缺陷子块的行进行累计用row表示；当统计图像I₃水平方向上缺陷子块数量时，根据步骤3.3)和步骤3.4)判断出的缺陷子块标记，依次判断每一列是否含有缺陷子块，然后将含有缺陷子块的列进行累计用column表示，最后统计出缺陷子块与总的分块数目比例ratio；

4.2)根据子块标记序号顺序进行标记，逐列进行拼接，只保留缺陷子块，无缺陷子块区域灰度值的赋值为0，如式(11)所示，以便快速标记出缺陷部分，检测结果如图7b所示：

式中，B_i(x,y)为子块图像，i为分块标记序号；

4.3)根据获得的特征量row、column以及ratio，视特征量的数值大小将该钢板进行严重程度划分，针对不同的用户，判定其为不同的缺陷程度，生成缺陷检验结果图像I₄，即成。

Claims (5)

1.一种基于图像识别的快速带钢划痕缺陷检测方法，其特征在于，按照以下步骤实施：

步骤1，获取检测图像，

在高亮度LED照明条件下，采用工业相机对带钢上下表面进行实时采集，获得高清的图像I₁；

步骤2，对图像I₁进行预处理，

采用改进的均值漂移平滑算法对图像I₁进行背景平滑，增强划痕边缘细节部分，并构造非线性变换函数提高图像对比度，得到图像I₃；

步骤3，对图像I₃进行分块处理，并将子块图像按照从上到下从左到右的顺序进行子块个数序号标记，再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数{l₁,l₂,...,l₆₄}、灰度均值{m₁,m₂,...,m₆₄}、偏态系数SK以及灰度级距离D；

步骤4，利用偏态系数SK和灰度级距离D判断每个子块是否含有划痕缺陷，并对含有缺陷的子块图像进行统计，将带有划痕的子块图像进行拼接获得图像I₄，即成。

2.根据权利要求1所述的基于图像识别的快速带钢划痕缺陷检测方法，其特征在于，所述的步骤2中，具体过程是：

2.1)图像I₁中的像素点x包括两类信息：即坐标空间和颜色空间，将各像素点的坐标值x^s和像素点灰度值x^r共同构成特征向量X＝(x^s,x^r)，设置一个每次迭代平滑的正数阈值σ，选取图像I₁左上方第一个像素点x开始进行平滑算法；

2.2)将本次迭代的像素点x记为迭代初始点x₀；在第一次迭代时给定一个初始带宽h，取值为10，之后每次迭代按照下式计算空间带宽h_s、值域带宽h_r以及像素x邻域均值mean，表达式如下：

其中，T_s、T_r表示对固定值h的放大缩小系数，x_i为x邻域像素，i＝1,2,...,n，n为滑动窗口范围内像素点的总个数；

2.3)设M(x)为均值漂移迭代的函数式，其表达式为：

其中，

为窗口中像素点坐标值，

为窗口中像素点灰度值，

当|M(x)-x|＞σ，将M(x)赋值给x，并返回步骤2.2)继续迭代；

当|M(x)-x|≤σ，停止迭代，将此时的迭代中心点x的像素灰度值赋给初始值x₀；

2.4)继续对图像I₁下一个像素点重复步骤2.2)及步骤2.3)，直到遍历图像I₁上所有的像素点，得到均值漂移平滑的图像I₂；

2.5)为了提高均值漂移平滑后的图像I₂的对比度，构造一个非线性变换函数如公式(5)，非线性变换函数的表达式如下：

其中，f(x,y)为均值漂移平滑后的图像I₂，F(x,y)为经过线性变换后的结果图，记为图像I₃。

3.根据权利要求1所述的基于图像识别的快速带钢划痕缺陷检测方法，其特征在于，所述的步骤3中，具体过程是：

3.1)确定图像I₃尺寸，分块顺序是将图像I₃按照从上到下从左到右依次进行分块并对子块进行序号标记，顺序是{B₁,B₂,...,B₆₄}；

3.2)对每个子块图像求取灰度直方图H(k)、灰度均值m＝{m₁,m₂,...,m₆₄}以及子块中含有的灰度级的总数{l₁,l₂,...,l₆₄}的具体步骤是：对子块图像按照0到255灰度级依次搜索，将含有灰度级的总数记为l并统计每个灰度级的像素点的数目N_k，灰度直方图H(k)的表达式是：

其中，N为子块图像的像素总数，k＝0,1,...,L-1，灰度级数为L，N_k是图像中灰度为k的像素总数，子块灰度均值m的表达式是：

3.3)由于划痕缺陷整体的像素值相对于背景较大，划痕在直方图上统计出来整体偏右，这种区别用灰度直方图的偏态系数SK表示，偏态系数SK的表达式是：

其中，N为子块图像的像素总数，m为子块灰度均值，x_i为子块中的像素点，

根据灰度直方图初步筛选出疑似子块缺陷图像；

3.4)计算子块图像的灰度直方图灰度级距离D，来检测疑似划痕缺陷子块，

采用灰度级距离来描述这种分散程度，对缺陷子块图像确定一个阈值T_i判断疑似子块图像中是否含有子块缺陷图像，具体判断方式是：

其中，缺陷子块的灰度级距离D的表达式是：

式中，m为子块灰度均值，k为均值m对应的灰度级，d_i为子块中灰度级大小，l为该子块中灰度级总数。

4.根据权利要求3所述的基于图像识别的快速带钢划痕缺陷检测方法，其特征在于，所述的步骤3中，根据灰度直方图初步筛选出疑似子块缺陷图像的判断标准是：

a)当子块图像的灰度直方图偏态系数SK小于0时，说明灰度直方图形状偏左，该子块图像没有划痕缺陷；

b)当子块图像的灰度直方图偏态系数SK等于0时，说明灰度直方图形状呈对称的形状，说明子块图像整体均匀，当划痕长度较小时，统计出来的图像有可能仍然是对称形状，该子块图像被归为疑似划痕缺陷子块；

c)当子块图像的灰度直方图偏态系数SK大于0时，偏态系数越大，说明灰度直方图向右偏离程度也大，该子块图像被归为疑似划痕缺陷子块。

5.根据权利要求1所述的基于图像识别的快速带钢划痕缺陷检测方法，其特征在于，所述的步骤4中，具体过程是：

统计划痕区域在水平方向上所占总的块数row、在垂直方向所占的总的块数colum、以及含有划痕的块数所占的面积比ratio，并且根据行业标准对划痕缺陷进行严重程度的判断，具体过程是：

4.1)统计所有缺陷子块在图像I₃垂直方向上和水平方向上所占的块数，就能够体现出划痕最大的影响范围，得到图像I₃分块计算特征的数学模型，

当统计图像I₃垂直方向上缺陷子块数量时，根据步骤3中判断出的缺陷子块标记，依次判断每一行是否含有缺陷子块，然后将含有缺陷子块的行进行累计用row表示；当统计图像I₃水平方向上缺陷子块数量时，根据步骤3.3)和步骤3.4)判断出的缺陷子块标记，依次判断每一列是否含有缺陷子块，然后将含有缺陷子块的列进行累计用column表示，最后统计出缺陷子块与总的分块数目比例ratio；

4.2)根据子块标记序号顺序进行标记，逐列进行拼接，只保留缺陷子块，无缺陷子块区域灰度值的赋值为0，如式(11)所示，以便快速标记出缺陷部分，检测结果如下：

式中，B_i(x,y)为子块图像，i为分块标记序号；

4.3)根据获得的特征量row、column以及ratio，视特征量的数值大小将该钢板进行严重程度划分，针对不同的用户，判定其为不同的缺陷程度，生成缺陷检验结果图像I₄。

Images