CN113674231A - 基于图像增强的轧制过程中氧化铁皮检测方法与*** - Google Patents
基于图像增强的轧制过程中氧化铁皮检测方法与*** Download PDFInfo
- Publication number
- CN113674231A CN113674231A CN202110917316.7A CN202110917316A CN113674231A CN 113674231 A CN113674231 A CN 113674231A CN 202110917316 A CN202110917316 A CN 202110917316A CN 113674231 A CN113674231 A CN 113674231A
- Authority
- CN
- China
- Prior art keywords
- image
- label
- contrast
- interpolation parameter
- quality
- 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.)
- Granted
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于图像增强的轧制过程中氧化铁皮检测方法与***。该方法利用色彩滤波阵列采集钢铁轧制过程中的灰色图像;构建插值参数回归网络,将灰色图像通过插值参数回归网络得到HDR图像,对HDR图像进行聚类以完成氧化铁皮的检测。利用更改的色彩滤波阵列采集图像,对该图像中的每个位置用不同参数的滤波模板进行滤波操作,针对不同的位置的不同需求设定不同的滤波模板,使得获取的HDR图像更加无明显色偏且对比度强,以降低对HDR图像中氧化铁皮的漏检。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于图像增强的轧制过程中氧化铁皮检测方法与***。
背景技术
氧化铁皮是钢板高温状态暴露与空气中在其表面形成的氧化膜,在钢铁生产的热轧工序中,钢板冷却时生成氧化铁皮。在轧制过程中需要利用高压水枪将钢铁表面的氧化铁皮去除,以免影产品的质量。在利用高压水枪去除氧化铁皮的过程中,需要对钢铁表面的氧化铁皮进行检测,判断氧化铁皮的去除效果,而轧制过程中高温高亮的场景经常会淹没氧化铁皮的特征,造成漏检。
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图像增强的轧制过程中氧化铁皮检测方法与***,所采用的技术方案具体如下:
本发明实施例提供了一种基于图像增强的轧制过程中氧化铁皮检测方法,该方法包括:
利用色彩滤波阵列采集钢铁轧制过程中的灰色图像;
构建插值参数回归网络,将所述灰色图像通过所述插值参数回归网络得到HDR图像,对所述HDR图像进行聚类以完成氧化铁皮的检测;
所述插值参数回归网络的构建方法为:
获取所述灰色图像的RGB图像;检测所述RGB图像的质量类别以得到信息软标签、质量硬标签以及所述质量类别的置信度;获取所述质量类别为好的所述RGB图像的色偏因子和对比度图像,结合所述置信度、所述色偏因子和所述对比度图像分别得到色偏标签和对比度标签;
对所述灰度图像进行采样得到三个通道的拆分图,分别对三个所述拆分图构建初始插值参数图,将所述初始插值参数图加入高斯噪声后获取对应两通道的插值参数图,所述插值参数图中的像素值为二维高斯函数中的两个方差;根据所述插值参数图中不同位置处的所述方差得到对应位置的滤波模板,利用所述滤波模板完成对应位置的插值操作得到该位置的像素值,进而分别得到三个所述通道的通道图像,将所述通道图像进行通道合并得到一张所述HDR图像;
获取所述HDR图像的所述质量类别、所述色偏因子和所述对比度图像,进而结合所述信息软标签、所述质量硬标签、所述色偏标签和所述对比度标签构建所述插值参数回归网络的损失函数。
进一步地,所述色彩滤波阵列为GCCB。
进一步地,所述结合所述置信度、所述色偏因子和所述对比度图像分别得到色偏标签和对比度标签的方法,包括:
根据多张所述质量类别为好的所述RGB图像的所述置信度为每一张所述RGB图像分配权重;
结合所述权重和所述色偏因子得到所述色偏标签;结合所述权重和所述对比度图像得到所述对比度标签。
进一步地,所述初始插值参数图中的每个位置的所述像素值为0。
进一步地,所述高斯函数为:
进一步地,所述结合所述信息软标签、所述质量硬标签、所述色偏标签和所述对比度标签构建所述插值参数回归网络的损失函数的方法,包括:
根据所述信息软标签和所述质量硬标签构建质量损失函数;
由所述色偏标签构建色偏损失函数;由所述对比度标签构建对比度损失函数;
将所述质量损失函数、所述色偏损失函数和所述对比度损失函数进行加权求和得到所述损失函数。
进一步地,一种基于图像增强的轧制过程中氧化铁皮检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明实施例至少存在以下有益效果:利用更改的色彩滤波阵列采集图像,对该图像中的每个位置用不同参数的滤波模板进行滤波操作,针对不同的位置的不同需求设定不同的滤波模板,使得获取的HDR图像更加无明显色偏且对比度强,以降低对HDR图像中氧化铁皮的漏检。
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图像增强的轧制过程中氧化铁皮检测方法的流程图;
图2为本发明一个实施例所提供的一种基于图像增强的轧制过程中氧化铁皮检测方法的步骤流程图;
图3为本发明实施例所提供的灰度图像的拆分示意图;
图4为本发明实施例所提供的5×5的邻域范围内像素点的坐标信息的示意图;
图5为本发明实施例所提供的判别器结构的示意图。
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图像增强的轧制过程中氧化铁皮检测方法与***,其具体实施方式、结构、特征及其作用,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。
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。
下面结合附图具体的说明本发明所提供的一种基于图像增强的轧制过程中氧化铁皮检测方法与***的具体方案。
本发明实施例所针对的具体场景为:钢铁轧制生产过程中,需要用高压水枪去除表面的氧化铁皮,对氧化铁皮进行实时检测。
参照附图1和附图2,本发明实施例提供了一种基于图像增强的轧制过程中氧化铁皮检测方法,该方法包括以下具体步骤:
步骤S001,利用色彩滤波阵列采集钢铁轧制过程中的灰色图像。
具体的,考虑到轧制环境下红色偏强,且为了后续获得RGB彩色图像的多样性,本发明实施例采用GCCB色彩滤波阵列,其中C为全透通透,可以采集所有色光,进而利用色彩滤波阵列采集钢铁轧制过程中的灰度图像。
步骤S002,构建插值参数回归网络,将灰色图像通过插值参数回归网络得到HDR图像,对HDR图像进行聚类以完成氧化铁皮的检测。
具体的,首先获取灰色图像的RGB图像;检测RGB图像的质量类别以得到信息软标签、质量硬标签以及质量类别的置信度;获取质量类别为好的RGB图像的色偏因子和对比度图像,结合置信度、色偏因子和对比度图像分别得到色偏标签和对比度标签。
对由色彩滤波阵列采集到的灰度图像进行线性插值得到RGB图像。考虑到轧制生产过程中高温高亮的生产环境,常常使采集的图像中出现曝光过度的现象进而淹没纹理特征,因此本发明实施例构建质量判别网络对采集到的RGB图像进行质量判断。其中,质量判别网络为Encoder+2×FC结构,且在训练阶段,质量判别网络输入为采集到的RGB图像,第一全连接(FC1)和第二全连接(FC2)的输出相同,均为质量好坏的分类结果,标签数据为人为标注的质量类别标签,并转换为one-hot编码;损失函数为交叉熵损失函数,利用梯度下降法不断更新网络参数完成训练。
需要说明的是,质量判别网络的质量类别标签为one-hot标签:当图像的质量类别标签为[0,1]时,该图像对应的信息熵为0,且该标签的信息量很小,因此将该质量类别标签称为质量硬标签。
由于第一全连接和第二全连接之间是有差别的,该差别是在推理过程中分类器的设置,但在训练阶段第一全连接和第二全连接完全相同,则在推理阶段第一全连接(FC1)的分类器为softmax函数:
其中i为第i神经元的预测值。
第二全连接层(FC2)的分类器为:
其中,T为一个调节参数。
该调节参数T的数值可以使得输出分类结果中所有分类的分布越平缓,当将该分布作为标签时,在保证正确分类的基础上,使得标签的信息熵变大,且该标签包含的信息量增大,则该标签称为信息软标签。
进一步地,获取质量类别为好的RGB图像,对RGB图像进一步处理得到该RGB图像的色偏因子和对比度图像,具体处理方法为:
1)以图像I为例,将图像I送入质量判别网络,当输出的质量类别为好时,记录质量类别为好时图片I的置信度zI。
2)将图像I转换至Lab颜色空间,其中Lab颜色空间是基于人对颜色的感觉来设计的,是由一个亮度通道L和两个颜色通道a,b组成的。
3)在Lab颜色空间中计算图像I的色偏因子K。
具体的,计算图像I在a-b色度平面上等效圆的中心点坐标(da,db)、半径R以及等效圆中心到a-b色度平面原点的距离D,计算公式如下:
其中,MN为图像I的尺寸;Ra为等效圆的半径在a轴上的投影长度;Rb为等效圆的半径在b轴上的投影长度;(c,f)为像素点的坐标;a为a轴上像素点的像素值值;b为b轴上像素点的像素值。
需要说明的是,a轴代表图像I中a通道的各位置的像素值;b轴代表图像I中b通道的各位置的像素值。
利用等效圆的半径R和距离D得到图像I的色偏因子K,则色偏因子的计算公式为:
其中,色偏因子K越大表示色偏越严重。
4)利用灰度共生矩阵得到图像I的对比度图像。
具体的,将图像I转换至灰度图像,设置大小为5×5的窗口,对每一个像素点的5×5大小的邻域内计算灰度共生矩阵,记像素点(c,f)对应的灰度共生矩阵为G(c,f),灰度共生矩阵G(c,f)的主对角线附近的惯性矩为对应邻域的对比度Con,反应了该邻域范围内图像的清晰度和纹理沟纹的深浅,则对比度的计算公式如下:
Con(c,f)=∑u∑v(u-v)2G(c,f)(u,v)
其中,u,v表示灰度共生矩阵G(c,f)的行和列;Con(c,f)为像素点(c,f)的对比度。
需要说明的是,图像I中每一个像素点均对应一个对比度,则能够得到与图像I等大的对比度图像。
进一步地,通过上述步骤1)至步骤4)能够获取质量类别为好的RGB图像的置信度、色偏因子和对比度图像,结合置信度、色偏因子和对比度图像分别得到色偏标签和对比度标签,则具体过程为:
1)根据多张质量类别为好的RGB图像的置信度为每一张RGB图像分配权重。
具体的,为了防止单一的质量分类结果的误差以及不同置信度对标签数据的影响,利用置信度对每一张RGB图像分配权重α,则图像I的权重αI的计算公式为:
其中,zm为第m张RGB图像的置信度;Num为质量类别为好的RGB图像的数量。
2)结合权重和色偏因子得到色偏标签;结合权重和对比度图像得到对比度标签。
具体的,色偏标签K0的计算公式为:
其中,αm为第m张RGB图像的权重;Km为第m张RGB图像的色偏因子。
对比度标签Con0的计算公式为:
其中,Conm为第m张RGB图像的对比度图像。
需要说明的是,K0是一个常数;Con0为一张与RGB图像等大的对比度图像,该图像反映了不同位置的对比度差异。
其次,对灰度图像进行采样得到三个通道的拆分图,分别对三个拆分图构建初始插值参数图,将初始插值参数图加入高斯噪声后获取对应两通道的插值参数图,插值参数图中的像素值为二维高斯函数中的两个方差;根据插值参数图中不同位置处的方差得到对应位置的滤波模板,利用滤波模板完成对应位置的插值操作得到该位置的像素值,进而分别得到三个通道的通道图像,将通道图像进行通道合并得到一张HDR图像。
参照附图3,由于色彩滤波阵列采集到的图像是一张灰度图像,且在利用插值法获得彩色图像时,只考虑了对应色光与对应彩色通道的影响,所以插值参数回归网络的第一步是对灰度图像进行拆分。由于C通道可以采集所有色光,所以生成R通道图像的拆分图中保留R和C通道的数值,记为R-C图;同理得到G通道的拆分图G-C图和B通道的拆分图B-C图。
分别对三个通道的拆分图构建对应的初始插值参数图,即初始插值参数图1、初始插值参数图2和初始插值参数图3。分别对三张初始插值参数图加入高斯噪声并进行归一化处理,将归一化处理后的图像送入三个并行的编码器-解码器结构的网络中,编码器对初始插值参数图进行下采样得到特征图,解码器对特征图不断进行上采样操作得到与输入图像等大的两通道的插值参数图。
优选的,本发明实施例中初始插值参数图中每个位置的像素值为0。
需要说明的是,由于每一个通道需要进行的处理不同,所以三个并行的编码器-解码器结构的网络的结构参数不同,进而得到三张不同的插值参数图,即由第一编码器-第一解码器得到插值参数图1、第二编码器-第二解码器得到插值参数图2、第三编码器-第三解码器得到插值参数图3,其中插值参数图1对应R通道、插值参数图2对应G通道、插值参数图3对应B通道。每张插值参数图都为两通道的图像,且每个通道对应像素值分别为二维高斯函数中的两个方差σc与σf。
进一步地,利用二维高斯函数和插值参数图中不同位置的像素值可以自适应的得到对应位置的滤波模板,利用滤波模板完成对应位置的插值操作得到该位置的最终像素值。
优选的,本发明实施例中的二维高斯函数为:
其中,f(x,y)为滤波模板中像素点(c,f)的邻域范围内每个位置的系数,该系数表示对应位置的像素值对像素点(c,f)的像素值的贡献度;为像素点(c,f)处横坐标对应的方差;为像素点(c,f)处纵坐标对应的方差。
需要说明的是,利用由二维高斯函数得到的每个像素点对应的系数,让该系数与对应位置的像素值相乘再相加即可得到像素点(c,f)处的像素值。
作为一个示例,本发明实施例以G通道为例来详细介绍G通道图像的获取方法:
1)以G通道中的位置(,f)为例,根据插值参数图2能够得到位置(,f)对应的两个方差σc(c,f)和σf(c,f)。由于是为了获取位置(c,f)处的像素值,以位置(c,f)为中心获得一个5×5的邻域范围,邻域内的每一个像素点对应的坐标信息如图4所示。
2)结合两个方差σc(c,f)和σf(c,f)以及邻域范围内每个像素点的坐标信息和二维高斯函数得到位置(c,f)的一个5×5的滤波模板,将滤波模板上的系数与对应位置的像素值相乘再相加能够得到位置(,f)处的像素值。
3)利用步骤1)至步骤2)的方法获取G通道中每个位置的像素值,进而得到G通道图像。
相同的,利用G通道图像的获取方法,根据插值参数图1获取R通道图像,根据插值参数图3获取B通道图像,进而将R通道图像、G通道图像和B通道图像进行通道合并操作的达到一张HDR图像。
最后,获取HDR图像的质量类别、色偏因子和对比度图像,进而结合信息软标签、质量硬标签、色偏标签和对比度标签构建插值参数回归网络的损失函数。
由于本发明实施例是为了得到一张高质量、无色偏、对比度强的HDR图像,因此借鉴生成式对抗网络的思想构建判别器,利用判别器对HDR图像进行判断,以得到HDR图像的质量类别、色偏因子和对比度图像。
需要说明的是,参照附图5,本发明实施例中判别器的具体结构为第四编码器-第三全连接输出图像的信息软标签,且第三全连接和第二全连接中的分类器相同;第五编码器-第四全连接输出色偏因子;第六编码器-第四解码器输出对比度图像。
进一步地,结合HDR图像的判断结果、信息软标签、质量硬标签、色偏标签和对比度标签构建插值参数回归网络的损失函数,具体方法为:
1)根据信息软标签和质量硬标签得到质量损失函数。
利用信息软标签和质量硬标签来约束HDR图像的质量,则质量损失函数的计算公式为:
其中,Loss1为质量损失函数;T为判别器分类器中的调节参数,取值为T=10;KLdiv表示KL散度,反应网络的输出与信息软标签的分布近似度;CrossEntropy为交叉熵函数;QT为HDR图像的信息软标签。
2)由色偏标签得到色偏损失函数。
利用色偏标签来约束HDR图像的色偏,则色偏损失函数的计算公式为:
3)由对比度标签得到对比度损失函数。
利用对比度标签来约束HDR图像中每个位置的对比度,则对比度损失函数的计算公式为:
4)将质量损失函数、色偏损失函数和对比度损失函数进行加权求和得到损失函数。
Loss=βLoss1+Loss2+(1-β-γ)Loss3
其中,Loss为损失函数;β为质量损失函数的权重;γ为色偏损失函数的权重。
优选的,本发明实施例中β=0.35,γ=0.35。
采用梯度下降法不断迭代完成插值参数回归网络的训练,且训练过程中借鉴生成式对抗网络的交替训练方法来完成网络的训练。
进一步地,将GCCB色彩滤波阵列采集的灰度图像送入训练好的插值参数回归网络中得到一张高质量的HDR图像,且该HDR图像中各区域的色偏和对比度均满足要求,进而利用灰度聚类对HDR图像进行处理,即可得到氧化铁皮的检测结果。
需要说明的是,本发明实施例中灰度聚类采用K-means聚类算法,且定义聚类的簇数为2,距离公式定义为像素值的差值的平方。
综上所述,本发明实施例中提供了一种基于图像增强的轧制过程中氧化铁皮检测方法,该方法利用GCCB色彩滤波阵列采集钢铁轧制过程中的灰色图像;获取灰色图像对应的RGB图像,检测RGB图像的质量类别、色偏因子和对比度图像以得到质量硬标签、信息软标签、色偏标签和对比度标签;根据插值参数图中不同位置处的像素值可以自适应的得到不同位置的滤波模板,利用该滤波模板完成对应位置的插值操作得到最终的像素值,进而得到一张HDR图像,根据由HDR图像的质量类别、质量硬标签和信息软标签得到质量损失、HDR图像的色偏因子和色偏标签得到色偏损失、HDR图像的对比度图像和对比度标签得到对比度损失构建的损失函数以训练插值参数回归网络,进而将灰色图像通过插值参数回归网络得到HDR图像,对HDR图像进行聚类以完成氧化铁皮的检测。利用更改的色彩滤波阵列采集图像,对该图像中的每个位置用不同参数的滤波模板进行滤波操作,针对不同的位置的不同需求设定不同的滤波模板,使得获取的HDR图像更加无明显色偏且对比度强,以降低对HDR图像中氧化铁皮的漏检。
进一步地,本发明实施例提供了一种基于图像增强的轧制过程中氧化铁皮检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于图像增强的轧制过程中氧化铁皮检测方法的步骤。
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 (7)
1.一种基于图像增强的轧制过程中氧化铁皮检测方法,其特征在于,该方法包括:
利用色彩滤波阵列采集钢铁轧制过程中的灰色图像;
构建插值参数回归网络,将所述灰色图像通过所述插值参数回归网络得到HDR图像,对所述HDR图像进行聚类以完成氧化铁皮的检测;
所述插值参数回归网络的构建方法为:
获取所述灰色图像的RGB图像;检测所述RGB图像的质量类别以得到信息软标签、质量硬标签以及所述质量类别的置信度;获取所述质量类别为好的所述RGB图像的色偏因子和对比度图像,结合所述置信度、所述色偏因子和所述对比度图像分别得到色偏标签和对比度标签;
对所述灰度图像进行采样得到三个通道的拆分图,分别对三个所述拆分图构建初始插值参数图,将所述初始插值参数图加入高斯噪声后获取对应两通道的插值参数图,所述插值参数图中的像素值为二维高斯函数中的两个方差;根据所述插值参数图中不同位置处的所述方差得到对应位置的滤波模板,利用所述滤波模板完成对应位置的插值操作得到该位置的像素值,进而分别得到三个所述通道的通道图像,将所述通道图像进行通道合并得到一张所述HDR图像;
获取所述HDR图像的所述质量类别、所述色偏因子和所述对比度图像,进而结合所述信息软标签、所述质量硬标签、所述色偏标签和所述对比度标签构建所述插值参数回归网络的损失函数。
2.如权利要求1所述的方法,其特征在于,所述色彩滤波阵列为GCCB。
3.如权利要求1所述的方法,其特征在于,所述结合所述置信度、所述色偏因子和所述对比度图像分别得到色偏标签和对比度标签的方法,包括:
根据多张所述质量类别为好的所述RGB图像的所述置信度为每一张所述RGB图像分配所述权重;
结合所述权重和所述色偏因子得到所述色偏标签;结合所述权重和所述对比度图像得到所述对比度标签。
4.如权利要求1所述的方法,其特征在于,所述初始插值参数图中的每个所述位置的所述像素值为0。
6.如权利要求1所述的方法,其特征在于,所述结合所述信息软标签、所述质量硬标签、所述色偏标签和所述对比度标签构建所述插值参数回归网络的损失函数的方法,包括:
根据所述信息软标签和所述质量硬标签构建质量损失函数;
由所述色偏标签构建色偏损失函数;由所述对比度标签构建对比度损失函数;
将所述质量损失函数、所述色偏损失函数和所述对比度损失函数进行加权求和得到所述损失函数。
7.一种基于图像增强的轧制过程中氧化铁皮检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917316.7A CN113674231B (zh) | 2021-08-11 | 2021-08-11 | 基于图像增强的轧制过程中氧化铁皮检测方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110917316.7A CN113674231B (zh) | 2021-08-11 | 2021-08-11 | 基于图像增强的轧制过程中氧化铁皮检测方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674231A true CN113674231A (zh) | 2021-11-19 |
CN113674231B CN113674231B (zh) | 2022-06-07 |
Family
ID=78542229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110917316.7A Active CN113674231B (zh) | 2021-08-11 | 2021-08-11 | 基于图像增强的轧制过程中氧化铁皮检测方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674231B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958139A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市盘古环保科技有限公司 | 一种高级氧化智能监测方法 |
CN117078562A (zh) * | 2023-10-16 | 2023-11-17 | 四川中科友成科技有限公司 | 一种视频图像去雾方法、装置、计算机设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103843032A (zh) * | 2012-08-08 | 2014-06-04 | 杜比实验室特许公司 | 用于高动态范围图像的图像处理 |
CN107949864A (zh) * | 2015-08-25 | 2018-04-20 | 汤姆逊许可公司 | 基于亮度区域的逆色调映射 |
US20200007718A1 (en) * | 2018-06-29 | 2020-01-02 | Ati Technologies Ulc | Method and apparatus for nonlinear interpolation color conversion using look up tables |
CN111292264A (zh) * | 2020-01-21 | 2020-06-16 | 武汉大学 | 一种基于深度学习的图像高动态范围重建方法 |
US20200314289A1 (en) * | 2019-03-25 | 2020-10-01 | Apple Inc. | High dynamic range color conversion using selective interpolation |
CN112213330A (zh) * | 2020-10-28 | 2021-01-12 | 巴中职业技术学院 | 一种用于纺织布料瑕疵的高动态成像检测方法及*** |
CN112381743A (zh) * | 2020-12-01 | 2021-02-19 | 影石创新科技股份有限公司 | 图像处理方法、装置、设备和存储介质 |
CN112465787A (zh) * | 2020-12-03 | 2021-03-09 | 天津大学 | 基于深度学习的数字微镜高亮缺陷检测方法 |
CN112529775A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种图像处理的方法和装置 |
CN112991493A (zh) * | 2021-04-09 | 2021-06-18 | 华南理工大学 | 基于vae-gan和混合密度网络的灰度图像着色方法 |
-
2021
- 2021-08-11 CN CN202110917316.7A patent/CN113674231B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103843032A (zh) * | 2012-08-08 | 2014-06-04 | 杜比实验室特许公司 | 用于高动态范围图像的图像处理 |
CN107949864A (zh) * | 2015-08-25 | 2018-04-20 | 汤姆逊许可公司 | 基于亮度区域的逆色调映射 |
US20200007718A1 (en) * | 2018-06-29 | 2020-01-02 | Ati Technologies Ulc | Method and apparatus for nonlinear interpolation color conversion using look up tables |
US20200314289A1 (en) * | 2019-03-25 | 2020-10-01 | Apple Inc. | High dynamic range color conversion using selective interpolation |
CN112529775A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种图像处理的方法和装置 |
CN111292264A (zh) * | 2020-01-21 | 2020-06-16 | 武汉大学 | 一种基于深度学习的图像高动态范围重建方法 |
CN112213330A (zh) * | 2020-10-28 | 2021-01-12 | 巴中职业技术学院 | 一种用于纺织布料瑕疵的高动态成像检测方法及*** |
CN112381743A (zh) * | 2020-12-01 | 2021-02-19 | 影石创新科技股份有限公司 | 图像处理方法、装置、设备和存储介质 |
CN112465787A (zh) * | 2020-12-03 | 2021-03-09 | 天津大学 | 基于深度学习的数字微镜高亮缺陷检测方法 |
CN112991493A (zh) * | 2021-04-09 | 2021-06-18 | 华南理工大学 | 基于vae-gan和混合密度网络的灰度图像着色方法 |
Non-Patent Citations (3)
Title |
---|
MEKIDES ASSEFA等: "《Correction of over-exposure using color channel correlations》", 《2014 IEEE GLOBAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING (GLOBALSIP)》 * |
王殿伟等: "《基于模拟多曝光融合的低照度全景图像增强》", 《光学 精密工程》 * |
苏健凌等: "《机器视觉技术在烟草行业的应用》", 《技术创新与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958139A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市盘古环保科技有限公司 | 一种高级氧化智能监测方法 |
CN116958139B (zh) * | 2023-09-20 | 2023-11-21 | 深圳市盘古环保科技有限公司 | 一种高级氧化智能监测方法 |
CN117078562A (zh) * | 2023-10-16 | 2023-11-17 | 四川中科友成科技有限公司 | 一种视频图像去雾方法、装置、计算机设备及介质 |
CN117078562B (zh) * | 2023-10-16 | 2023-12-26 | 四川中科友成科技有限公司 | 一种视频图像去雾方法、装置、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113674231B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111741211B (zh) | 图像显示方法和设备 | |
CN108492271B (zh) | 一种融合多尺度信息的自动图像增强***及方法 | |
CN113674231B (zh) | 基于图像增强的轧制过程中氧化铁皮检测方法与*** | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN112949520B (zh) | 一种基于多尺度小样本的航拍车辆检测方法及检测*** | |
CN111340732B (zh) | 一种低照度视频图像增强方法及装置 | |
CN114581345B (zh) | 一种基于自适应线性灰度化的图像增强方法及*** | |
CN111798469A (zh) | 基于深度卷积神经网络的数字图像小数据集语义分割方法 | |
CN110555877B (zh) | 一种图像处理方法、装置及设备、可读介质 | |
CN113449691A (zh) | 一种基于非局部注意力机制的人形识别***及方法 | |
CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、***及设备 | |
CN115641391A (zh) | 一种基于密集残差和双流注意力的红外图像彩色化方法 | |
CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN114581318B (zh) | 一种低照明度图像增强方法及*** | |
CN111861949A (zh) | 一种基于生成对抗网络的多曝光图像融合方法及*** | |
CN113658067B (zh) | 一种基于人工智能的气密性检测中水体图像增强方法及*** | |
CN114708615A (zh) | 基于图像增强的低照度环境下人体检测方法、电子设备及储存介质 | |
CN116843690A (zh) | 图像质量评估方法、设备及*** | |
CN116309213A (zh) | 一种基于生成对抗网络的高实时多源图像融合方法 | |
CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及*** | |
CN114140361A (zh) | 融合多级特征的生成式对抗网络图像去雾方法 | |
CN113379611B (zh) | 图像处理模型的生成方法、处理方法、存储介质及终端 | |
CN113674186A (zh) | 基于自适应调整因子的图像合成方法、装置 |
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 |