CN114972357B - 一种基于图像处理的轧辊表面缺陷检测方法及*** - Google Patents
一种基于图像处理的轧辊表面缺陷检测方法及*** Download PDFInfo
- Publication number
- CN114972357B CN114972357B CN202210924271.0A CN202210924271A CN114972357B CN 114972357 B CN114972357 B CN 114972357B CN 202210924271 A CN202210924271 A CN 202210924271A CN 114972357 B CN114972357 B CN 114972357B
- Authority
- CN
- China
- Prior art keywords
- difference
- defect
- edge
- obtaining
- brightness
- 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 132
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000005286 illumination Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000003313 weakening effect Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000002950 deficient Effects 0.000 abstract description 8
- 238000012216 screening Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000035772 mutation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (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处理的轧辊表面缺陷检测方法及***。该方法通过分析高亮连通域边缘外亮度变弱方向上像素点的像素差异,确定差异边缘和附近光照区域的边界。根据附近光照区域的范围和高亮连通域的宽度获得亮度渐变性。根据亮度渐变性对缺陷区域进行初次筛选,获得第一缺陷区域和疑似缺陷区域。进一步获得疑似缺陷区域的区域亮度变化趋势,结合疑似缺陷区域中差异边缘的位置分布和像素差异获得差异边缘的缺陷概率。根据缺陷概率获得第二缺陷区域。本发明通过分析缺陷对高亮连通域影响的特征,实现了准确的缺陷检测。
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处理的轧辊表面缺陷检测方法及***。
背景技术
在冶金专用设备制造中,金属轧机中的轧辊是常见的配件。在生产轧辊的过程中可能会存在操作失误或者工艺不良导致的表面缺陷,大型的表面缺陷不仅影响轧辊的成色还影响轧辊使用质量。
在生产过程中为了实现自动化的表面缺陷检测,可利用轧辊图像中的图像信息利用人工智能技术识别出缺陷。可利用缺陷像素与正常像素的差异进行缺陷识别,或者利用神经网络分析轧辊图像的像素特征进行缺陷识别。但是在实际进行图像分析时,因为轧辊表面光滑,采集到的轧辊图像会受到光照的影响,在轧辊图像中形成多个高亮区域,高亮区域的像素特征会影响常规的缺陷检测方法,导致误判漏判。
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处理的轧辊表面缺陷检测方法及***,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的轧辊表面缺陷检测方法,所述方法包括:
获得轧辊图像;根据像素值获得所述轧辊图像中的高亮连通域;
根据像素值获得所述高亮连通域的边缘像素点在所述轧辊图像中的亮度变弱方向;在所述边缘像素点上设置滑窗,所述滑窗沿着所述亮度变弱方向进行滑动,获得相邻滑窗中心点之间的像素差异;根据所述像素差异获得高差异点与低差异点;以坐标信息连续的所述高差异点为一类差异边缘,以最长的所述差异边缘作为所述高亮连通域的附近光照区域的边界;
以附近光照区域边界到高亮连通域边缘的第一距离与高亮连通域宽度的比值作为区域亮度渐变性;若所述高亮连通域的所述区域亮度渐变性小于预设渐变性阈值,则所述高亮连通域为第一缺陷区域;反之则为疑似缺陷区域;
根据所述疑似缺陷区域的所述区域亮度渐变性和所述低差异点的所述像素差异获得区域亮度变化趋势;以所述第一距离与所述差异边缘到所述高亮连通域边缘的第二距离的比值作为位置分布指标;根据所述疑似缺陷区域中所述差异边缘对应的所述像素差异、所述区域亮度变化趋势和所述位置分布指标获得所述疑似缺陷区域中所述差异边缘为缺陷边缘的缺陷概率;若所述缺陷概率大于预设概率阈值,则认为所述差异边缘为缺陷边缘,获得第二缺陷区域。
进一步地,所述获得轧辊图像包括:
采集初始轧辊图像;去除所述初始轧辊图像中的背景,获得仅包含轧辊信息的所述轧辊图像。
进一步地,所述根据像素值获得所述轧辊图像中的高亮连通域包括:
获得所述轧辊图像的灰度直方图;获得所述灰度直方图中的灰度频数曲线;以所述灰度频数曲线最右侧的峰值点对应的左侧峰谷点的灰度级作为高亮阈值,以大于所述高亮阈值的灰度级对应的像素点作为高亮像素点,根据所述高亮像素点获得所述高亮连通域。
进一步地,所述根据像素值获得所述高亮连通域的边缘像素点在所述轧辊图像中的亮度变弱方向包括:
获得所述边缘像素点的海森矩阵;根据以所述海森矩阵的最大特征值对应的特征向量表示的方向作为所述亮度变弱方向。
进一步地,所述根据所述像素差异获得高差异点与低差异点包括:
利用K均值聚类法对所述像素差异对应的像素点进行聚类分组,获得所述高差异点和所述低差异点。
进一步地,所述以坐标信息连续的所述高差异点为一类差异边缘包括:
利用密度聚类算法处理所述高差异点,获得多个聚类簇,每个所述聚类簇为一类所述差异边缘。
进一步地,所述根据所述疑似缺陷区域的所述区域亮度渐变性和所述低差异点的所述像素差异获得区域亮度变化趋势包括:
进一步地,所述根据所述疑似缺陷区域中所述差异边缘对应的所述像素差异、所述区域亮度变化趋势和所述位置分布指标获得所述疑缺陷区域中所述差异边缘为缺陷边缘的缺陷概率包括:
根据缺陷概率计算公式获得所述缺陷概率,所述缺陷概率计算公式包括:
本发明还提出了一种基于图像处理的轧辊表面缺陷检测***,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任意一项所述一种基于图像处理的轧辊表面缺陷检测方法的步骤。
本发明具有如下有益效果:
本发明实施例通过分析高亮连通域外亮度变弱方向上的像素差异,确定出差异边缘和附近光照区域边界。进一步考虑到缺陷会影响轧辊表面的亮度变化,出现缺陷的地方其周围的高亮区域会发生突变,因此根据亮度突变性进行初始筛选,获得第一缺陷区域和疑似缺陷区域。通过疑似缺陷区域的区域亮度变化趋势和对应差异边缘的位置分布指标确定每个差异边缘的缺陷概率,根据缺陷概率对差异边缘进行有效筛选,获得第二缺陷区域。通过对亮度变化的特征获得第一缺陷区域和第二缺陷区域,实现了准确的缺陷检测功能。
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处理的轧辊表面缺陷检测方法流程图。
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处理的轧辊表面缺陷检测方法及***,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。
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处理的轧辊表面缺陷检测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的轧辊表面缺陷检测方法流程图,该方法包括:
步骤S1:获得轧辊图像;根据像素值获得轧辊图像中的高亮连通域。
在对轧辊进行图像采集时会不可避免的采集到除轧辊以外的其他图像信息,为了准确的对轧辊图像进行分析,需要将采集到的初始轧辊图像中的背景进行去除,获得仅包含轧辊信息的轧辊图像。可获得轧辊各个视角的轧辊图像用于后续缺陷检测。
需要说明的是,去除背景的方法可采用神经网络识别或者其他图像处理算法,在本发明实施例中,采用图割算法对初始轧辊图像进行分割,根据像素间的关联性获得轧辊图像。
轧辊因为光照的影响在轧辊图像中会呈现多个高亮区域,可根据像素值获得轧辊图像中的高亮连通域,具体包括:
获得轧辊图像的灰度直方图。灰度直方图中包含不同灰度级在图像中出现的频次信息。获得灰度直方图中的灰度频数曲线,即将灰度直方图中每个直方柱的顶部中心相连,并平滑处理。在本发明实施例中,利用高斯平滑滤波对曲线进行处理,获得灰度频数曲线。
灰度频数曲线的峰值点表示一个相同灰度级的区域,轧辊图像中的灰度频数曲线应类似与三次函数,拥有多个波峰和波谷。因此以灰度频数曲线最右侧的峰值点对应的左侧峰谷点的灰度级作为高亮阈值,以大于高亮阈值的灰度级对应的像素点作为高亮像素点,根据高亮像素点获得高亮连通域。
在本发明实施例中,获得高亮像素点后,将高亮像素点的像素值置为1,其他像素点的像素值置为0,方便后续连通域分析。利用8邻域分析法获得高亮连通域。
步骤S2:根据像素值获得高亮连通域的边缘像素点在轧辊图像中的亮度变弱方向;在边缘像素点上设置滑窗,滑窗沿着亮度变弱方向进行滑动,获得相邻滑窗中心点之间的像素差异;根据像素差异获得高差异点与低差异点;以坐标信息连续的高差异点为一类差异边缘,以最长的差异边缘作为高亮连通域的附近光照区域的边界。
在轧辊图像中,高亮连通域为因为光照形成的像素值一致的区域,高亮连通域附近还存在因为光照影响像素值渐变的普通光照区域,普通光照区域外还存在不受光照影响的正常区域,因为表面缺陷会导致亮度区域的突变,因此需要先获得普通光照区域,根据普通光照区域和高亮连通域的形态信息判断缺陷。
因为普通光照区域为高亮连通域外,且亮度逐渐变弱,所以需要获得根据像素值获得高亮连通域的边缘像素点在轧辊图像中的亮度变弱方向,具体包括:
获得边缘像素点的海森矩阵。海森矩阵又称黑塞矩阵,是一个多元函数的二阶偏导数构成的方针,描述了函数的局部曲率,图像可看成是一个函数,因此图像中某个点的海森矩阵表示了该位置处的像素值变化情况。海森矩阵的最大特征值对应的特征向量表示图像中像素值变化曲率最大的方向,因此将该方向作为亮度变弱方向,
在边缘像素点上设置滑窗,滑窗沿着亮度变弱方向进行滑动,获得相邻滑窗中心
点之间的像素差异,需要说明的是,像素差异为一个绝对值,仅表示两个像素点的像素
差异。表示第个连通域的边缘像素点在亮度变弱方向上第个滑窗中心点相较于前一
个滑窗中心点的像素差异。越大说明沿着光照变弱方向前后的灰度值差异越大,说明此
时对应的滑窗中心点处于变化的边缘,可能是缺陷像素点或者光照分界线的像素点或者其
他像素点。
对于附近光照区域而言,附近光照区域为普通光照区域,因此附近光照区域中的像素差异应是均匀的。如果像素点为表面缺陷像素点或者位于附近光照区域和正常区域的界限上,则对应的像素差异就会变大。因此根据像素差异对像素点进行分组,获得高差异点与低差异点。以坐标信息连续的高差异点为一类差异边缘,以最长的差异边缘作为高亮连通域的附近光照区域的边界。
优选的,利用K均值聚类法对像素差异对应的像素点进行聚类分组,获得高差异点和低差异点。
优选的,利用密度聚类算法处理高差异点,获得多个聚类簇,每个聚类簇为一类差异边缘。
步骤S3:以附近光照区域边界到高亮连通域边缘的第一距离与高亮连通域宽度的比值作为区域亮度渐变性;若高亮连通域的区域亮度渐变性大于预设渐变性阈值,则高亮连通域为第一缺陷区域;反之则为疑似缺陷区域。
在本发明实施例中,高亮连通域宽度的获取方法包括:对高亮连通域的边缘像素点的坐标信息进行主成分分析,获得两个主成分方向,每个主成分方向可视为一个二维向量,以二维向量特征值最大的主成分方向作为第一主成分方向,另一个为第二主成分方向。获得高亮连通域中所有边缘像素点在第二主成分方向上的投影点坐标,获得投影长度。以该投影长度作为高亮连通域的宽度。
以附近光照区域边界到高亮连通域边缘的第一距离与高亮连通域宽度的比值作为区域亮度渐变性。第一距离可用于表示附近光照区域的范围,如果一个连通域的宽度大,其附近光照区域的范围小,则说明该区域的亮度变化并不是均匀变化的,渐变性较小且可能存在较大的亮度突变性。因此可利用区域亮度渐变性的大小对连通域进行筛选,若高亮连通域的区域亮度渐变性小于预设渐变性阈值,则高亮连通域为第一缺陷区域;反之则为疑似缺陷区域。第一缺陷区域的形成原因为缺陷对高亮连通域的影响过大,因此以该高亮连通域整体作为第一缺陷区域,方便缺陷定位。疑似缺陷区域与其对应的附近光照区域存在一定的渐变性,需要对疑似缺陷区域中的差异边缘进行进一步分析。
在本发明实施例中,渐变性阈值设置为0.7。
步骤S4:根据疑似缺陷区域的区域亮度渐变性和低差异点的像素差异获得区域亮度变化趋势;以第一距离与差异边缘到高亮连通域边缘的第二距离的比值作为位置分布指标;根据疑似缺陷区域中差异边缘对应的像素差异、亮度均匀性和位置分布指标获得疑似缺陷区域中差异边缘为缺陷边缘的缺陷概率;若缺陷概率大于预设概率阈值,则认为差异边缘为缺陷边缘,获得第二缺陷区域。
根据疑似缺陷区域的区域亮度渐变性和低差异点的像素差异获得区域亮度变化趋势包括:
其中,为区域亮度变化趋势,为第个高亮连通域对应的第一距离,为第
个高亮连通域的高亮连通域宽度,为第个高亮连通域中低差异点的第一平均像素差
异。第一平均像素差异越大说明高亮连通域到附近光照区域边界之间的亮度变化越不均
匀,存在突变性。越小说明渐变性越差,即越大,高亮连通域到附近光照区域
边界之间的亮度变化越不均匀,存在突变性。因此区域亮度变化趋势表示高亮连通域到附
近光照区域边界之间的亮度变化趋势,区域亮度变化趋势越大,则说明高亮连通域到附近
光照区域边界之间的亮度变化较快,突变性较强。
以第一距离与差异边缘到高亮连通域边缘的第二距离的比值作为位置分布指标。在正常情况中,高亮连通域之外应是渐变的,因此差异边缘的距离应与高亮连通域较远,因此第二距离越小,说明差异边缘距离高亮连通域越近,位置分布指标越大,则该差异边缘为缺陷的概率越大。
根据疑似缺陷区域中差异边缘对应的像素差异、区域亮度变化趋势和位置分布指标获得疑缺陷区域中差异边缘为缺陷边缘的缺陷概率,具体包括:
根据缺陷概率计算公式获得缺陷概率,缺陷概率计算公式包括:
在缺陷概率计算公式中,表示区域亮度变化幅度大小,表示区域亮度变化趋
势,则表示区域亮度整体突变性,越大,则说明当前区域越受缺陷影响,缺
陷概率越大。位置分布指标越大,说明差异边缘距离高亮连通域越近,该差异边缘的缺陷概
率越大。
因此缺陷概率越大则对应的差异边缘越可能是缺陷,若缺陷概率大于预设概率阈值,则认为差异边缘为缺陷边缘,获得第二缺陷区域。
在本发明实施例中,概率阈值设置为1,需要说明的是,在其他实施例中可将缺陷概率归一化后重新设置概率阈值,在此不做限定。
在本发明实施例中,通过获取缺陷边缘的坐标信息,根据凸包检测方法获得第二缺陷区域。
工作人员可针对缺陷检测结果对轧辊产品产生的缺陷进行排查修补,提高生产效率。
综上所述,本发明实施例通过分析高亮连通域边缘外亮度变弱方向上像素点的像素差异,确定差异边缘和附近光照区域的边界。根据附近光照区域的范围和高亮连通域的宽度获得亮度渐变性。根据亮度渐变性对缺陷区域进行初次筛选,获得第一缺陷区域和疑似缺陷区域。进一步获得疑似缺陷区域的区域亮度变化趋势,结合疑似缺陷区域中差异边缘的位置分布和像素差异获得差异边缘的缺陷概率。根据缺陷概率获得第二缺陷区域。本发明实施例通过分析缺陷对高亮连通域影响的特征,实现了准确的缺陷检测。
本发明还提出了一种基于图像处理的轧辊表面缺陷检测***,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于图像处理的轧辊表面缺陷检测方法的步骤。
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)
1.一种基于图像处理的轧辊表面缺陷检测方法,其特征在于,所述方法包括:
获得轧辊图像;根据像素值获得所述轧辊图像中的高亮连通域;
根据像素值获得所述高亮连通域的边缘像素点在所述轧辊图像中的亮度变弱方向,具体包括:获得所述边缘像素点的海森矩阵;根据以所述海森矩阵的最大特征值对应的特征向量表示的方向作为所述亮度变弱方向;
在所述边缘像素点上设置滑窗,所述滑窗沿着所述亮度变弱方向进行滑动,获得相邻滑窗中心点之间的像素差异;根据所述像素差异获得高差异点与低差异点,具体包括:利用K均值聚类法对所述像素差异对应的像素点进行聚类分组,获得所述高差异点和所述低差异点;
以坐标信息连续的所述高差异点为一类差异边缘,以最长的所述差异边缘作为所述高亮连通域的附近光照区域的边界;
以附近光照区域边界到高亮连通域边缘的第一距离与高亮连通域宽度的比值作为区域亮度渐变性;若所述高亮连通域的所述区域亮度渐变性小于预设渐变性阈值,则所述高亮连通域为第一缺陷区域;反之则为疑似缺陷区域;
根据所述疑似缺陷区域的所述区域亮度渐变性和所述低差异点的所述像素差异获得区域亮度变化趋势;以所述第一距离与所述差异边缘到所述高亮连通域边缘的第二距离的比值作为位置分布指标;根据所述疑似缺陷区域中所述差异边缘对应的所述像素差异、所述区域亮度变化趋势和所述位置分布指标获得所述疑似缺陷区域中所述差异边缘为缺陷边缘的缺陷概率;若所述缺陷概率大于预设概率阈值,则认为所述差异边缘为缺陷边缘,获得第二缺陷区域。
2.根据权利要求1所述的一种基于图像处理的轧辊表面缺陷检测方法,其特征在于,所述获得轧辊图像包括:
采集初始轧辊图像;去除所述初始轧辊图像中的背景,获得仅包含轧辊信息的所述轧辊图像。
3.根据权利要求1所述的一种基于图像处理的轧辊表面缺陷检测方法,其特征在于,所述根据像素值获得所述轧辊图像中的高亮连通域包括:
获得所述轧辊图像的灰度直方图;获得所述灰度直方图中的灰度频数曲线;以所述灰度频数曲线最右侧的峰值点对应的左侧峰谷点的灰度级作为高亮阈值,以大于所述高亮阈值的灰度级对应的像素点作为高亮像素点,根据所述高亮像素点获得所述高亮连通域。
4.根据权利要求1所述的一种基于图像处理的轧辊表面缺陷检测方法,其特征在于,所述以坐标信息连续的所述高差异点为一类差异边缘包括:
利用密度聚类算法处理所述高差异点,获得多个聚类簇,每个所述聚类簇为一类所述差异边缘。
7.一种基于图像处理的轧辊表面缺陷检测***,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 |
---|---|---|---|
CN202210924271.0A CN114972357B (zh) | 2022-08-03 | 2022-08-03 | 一种基于图像处理的轧辊表面缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924271.0A CN114972357B (zh) | 2022-08-03 | 2022-08-03 | 一种基于图像处理的轧辊表面缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972357A CN114972357A (zh) | 2022-08-30 |
CN114972357B true CN114972357B (zh) | 2022-10-21 |
Family
ID=82969161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924271.0A Active CN114972357B (zh) | 2022-08-03 | 2022-08-03 | 一种基于图像处理的轧辊表面缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972357B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170567B (zh) * | 2022-09-07 | 2022-11-25 | 山东创乾海洋科技有限公司 | 一种船舶用的防水钢板缺陷检测方法 |
CN115254674B (zh) * | 2022-09-28 | 2023-01-17 | 南通思诺船舶科技有限公司 | 一种轴承缺陷分选方法 |
CN115294120B (zh) * | 2022-10-08 | 2023-01-20 | 誉隆半导体设备(江苏)有限公司 | 基于图像识别的阀门表面质量检测方法 |
CN115311283B (zh) * | 2022-10-12 | 2023-01-24 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及*** |
CN115375688B (zh) * | 2022-10-25 | 2023-04-28 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116051543B (zh) * | 2023-03-06 | 2023-06-16 | 山东锦霖钢材加工有限公司 | 一种用于钢材剥皮的缺陷识别方法 |
CN115994904B (zh) * | 2023-03-22 | 2023-05-30 | 山东万重山电子有限公司 | 基于计算机视觉的挂烫机面板生产质量检测方法 |
CN116091505B (zh) * | 2023-04-11 | 2023-06-30 | 青岛芯康半导体科技有限公司 | 一种蓝宝石衬底自动缺陷检测分类的方法和*** |
CN116311079B (zh) * | 2023-05-12 | 2023-09-01 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的民用安防工程监测方法 |
CN116363668B (zh) * | 2023-05-31 | 2023-08-29 | 山东一品文化传媒有限公司 | 一种图书智能校对方法及*** |
CN116542526B (zh) * | 2023-07-05 | 2023-09-19 | 山东省标筑建筑规划设计有限公司 | 一种国土空间规划中的灾害风险的评估方法、装置和设备 |
CN116645373B (zh) * | 2023-07-27 | 2023-10-20 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
CN116758061B (zh) * | 2023-08-11 | 2023-10-31 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
CN116758083B (zh) * | 2023-08-21 | 2023-10-31 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
CN116977358B (zh) * | 2023-09-22 | 2023-12-12 | 玖龙智能包装(天津)有限公司 | 一种瓦楞纸生产品质视觉辅助检测方法 |
CN116977333B (zh) * | 2023-09-22 | 2023-12-22 | 山东恒海钢结构有限公司 | 基于图像数据的装配式钢结构构件质量检测方法 |
CN117237354B (zh) * | 2023-11-15 | 2024-01-26 | 宜兴启明星物联技术有限公司 | 一种纺织衣物疵点视觉检测方法 |
CN117649391B (zh) * | 2023-12-11 | 2024-05-10 | 东莞市中钢模具有限公司 | 基于图像处理的压铸模具缺陷检测方法及*** |
CN117808801B (zh) * | 2024-02-29 | 2024-05-17 | 泰安大陆医疗器械有限公司 | 一种钢针排针植入视觉检测方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5179419A (en) * | 1991-11-22 | 1993-01-12 | At&T Bell Laboratories | Methods of detecting, classifying and quantifying defects in optical fiber end faces |
CN107392890B (zh) * | 2017-06-20 | 2020-05-19 | 华南理工大学 | 一种fpc铜线表面氧化缺陷检测方法及其检测*** |
CN111161222B (zh) * | 2019-12-13 | 2023-08-25 | 北京印刷学院 | 一种基于视觉显著性的印刷辊筒缺陷检测方法 |
CN114359270B (zh) * | 2022-03-09 | 2022-06-07 | 山东华硕汽车配件科技有限公司 | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 |
-
2022
- 2022-08-03 CN CN202210924271.0A patent/CN114972357B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114972357A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及*** | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN115294158A (zh) | 一种基于机器视觉的热连轧带钢图像分割方法 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN113538433A (zh) | 基于人工智能的机械铸件缺陷检测方法及*** | |
US20170091948A1 (en) | Method and system for automated analysis of cell images | |
CN116168026A (zh) | 基于计算机视觉的水质检测方法及*** | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
Zhang et al. | An accurate fuzzy measure-based detection method for various types of defects on strip steel surfaces | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与*** | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN113610850B (zh) | 一种基于图像处理的装饰纸纹理异常检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN115115637B (zh) | 基于图像金字塔思想的布匹缺陷检测方法 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
Krishnaveni et al. | Toward automatic quality detection of Jasmenum flower | |
CN115049651A (zh) | 一种钣金冲压异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |