CN115311292A - 基于图像处理的带钢表面缺陷检测方法及*** - Google Patents
基于图像处理的带钢表面缺陷检测方法及*** Download PDFInfo
- Publication number
- CN115311292A CN115311292A CN202211245031.4A CN202211245031A CN115311292A CN 115311292 A CN115311292 A CN 115311292A CN 202211245031 A CN202211245031 A CN 202211245031A CN 115311292 A CN115311292 A CN 115311292A
- Authority
- CN
- China
- Prior art keywords
- value
- gray
- pixel
- strip steel
- segmentation
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 114
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 65
- 239000010959 steel Substances 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 54
- 238000005192 partition Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005096 rolling process 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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
本发明涉及图像处理技术领域,具体涉及基于图像处理的带钢表面缺陷检测方法及***。该方法首先获取带钢表面图像和对应的灰度直方图,对灰度直方图中第二波峰对应的像素点区域生长得到多个分割区域;对分割区域内的像素点的像素值进行置换。基于置换后的各分割区域的平均灰度值对分割区域分簇得到多个群集,计算群集内分割区域的欧式距离的均值作为距离均值;基于平均灰度值和距离均值计算群集的差异性;根据不同群集之间差异性的差异获取参考窗宽,基于参考窗宽对分割区域聚类,得到多个聚类类别,每个聚类类别对应一个缺陷区域。本发明根据该自适应的参考窗宽对分割区域进行聚类,进一步提高了缺陷区域获取的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的带钢表面缺陷检测方法及***。
背景技术
带钢是各类轧钢企业为了适应不同工业部门工业化生产各类金属或机械产品的需要,而生产的一种窄而长的钢板。目前常见的对钢板进行缺陷检测的方法为,获取带钢的边缘,对带钢边缘进行滑窗遍历,获取每个滑窗中间像素的偏移角度,根据该偏移角度的波动程度判断带钢边缘是否存在缺陷,并基于偏移角度的连续性对缺陷类进行划分,得到缺陷位置。该方法由于在判断的过程中会因为表面的划痕缺陷以及纹理影响判断,使得所获得的偏移角度对应的缺陷不准确。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于图像处理的带钢表面缺陷检测方法及***,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基于图像处理的带钢表面缺陷检测方法,该方法包括以下步骤:
采集带钢表面图像,对所述带钢表面图像进行灰度化,得到表面灰度图;
获取所述表面灰度图对应的灰度直方图,将灰度直方图中第二波峰处的灰度值对应的像素点作为种子像素点;基于种子像素点进行区域生长,得到多个分割区域;
以各分割区域内的像素点作为窗口中心,以各窗口内像素点的最大灰度值和最小灰度值的均值作为判断阈值,基于所述判断阈值对窗口内像素点的像素值进行置换,得到置换后的表面灰度图;计算置换后的表面灰度图中各分割区域的平均灰度值;
基于平均灰度值对分割区域进行分簇,得到多个群集,计算群集内两两分割区域之间的欧式距离的均值作为距离均值;基于所述平均灰度值和所述距离均值计算群集对应的差异性;根据不同群集之间差异性的差异获取参考窗宽,基于参考窗宽对分割区域进行聚类,得到多个聚类类别,每个聚类类别对应一个缺陷区域。
优选的,所述灰度直方图中第二波峰为:所述灰度直方图上除最大波峰外的第二大的波峰。
优选的,所述以各分割区域内的像素点作为窗口中心,包括:窗口的大小由小波峰在一定范围内的占比确定。
优选的,所述基于所述判断阈值对窗口内像素点的像素值进行置换,包括:
对于窗口内的像素点,当像素点的像素值小于判断阈值时,将像素点的像素值置换为0;当像素点的像素值大于等于判断阈值时,将像素点的像素值置换为1。
优选的,所述基于所述平均灰度值和所述距离均值计算群集对应的差异性,包括:
计算群集内各分割区域的平均灰度值和群集对应的距离均值的乘积,作为分割区域距离;群集内所有分割区域对应的分割区域距离的均值为群集对应的差异性。
优选的,所述根据不同群集之间差异性的差异获取参考窗宽,包括:
计算第一个分割区域的差异性和最后一个分割区域的差异性的差异性差值;获取区域中含有像素值为0的像素点的分割区域数量;所述差异性差值和所述分割区域数量的比值为参考窗宽。
第二方面,本发明一个实施例提供了基于图像处理的带钢表面缺陷检测***,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上述基于图像处理的带钢表面缺陷检测方法。
本发明实施例至少具有如下有益效果:
该方法首先获取带钢表面图像、表面灰度图和对应的灰度直方图,将灰度直方图中第二波峰处的灰度值对应的像素点作为种子像素点;基于种子像素点进行区域生长,得到多个分割区域;以各分割区域内的像素点作为窗口中心,以各窗口内像素点的最大灰度值和最小灰度值的均值作为判断阈值,基于判断阈值对窗口内像素点的像素值进行置换,得到置换后的表面灰度图;置换后的表面灰度图能够更清晰的反映出各分割区域的灰度特征。
计算置换后的表面灰度图中各分割区域的平均灰度值;基于平均灰度值对分割区域进行分簇,得到多个群集,计算群集内两两分割区域之间的欧式距离的均值作为距离均值;基于所述平均灰度值和所述距离均值计算群集对应的差异性;根据不同群集之间差异性的差异获取参考窗宽,根据该自适应的参考窗宽对分割区域进行聚类,进一步提高了缺陷区域获取的准确性。基于参考窗宽对分割区域进行聚类,得到多个聚类类别,每个聚类类别对应一个缺陷区域。本发明通过缺陷的灰度值与背景区域的灰度值的差异,对其进行自适应阈值分割,获得分割区域,然后根据缺陷的灰度变化获得参考窗宽,然后根据各分割区域的灰度特征不同对其进行聚类分析,得到缺陷区域。通过根据判断阈值对表面灰度图进行置换,并获取对应的参考窗宽,将带钢表面的缺陷准确的检测出来,实现多个缺陷检测的目的。
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基于图像处理的带钢表面缺陷检测方法的方法流程图。
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基于图像处理的带钢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。
本发明实施例提供了基于图像处理的带钢表面缺陷检测方法及***的具体实施方法,该方法适用于带钢表面缺陷检测场景。该场景下在带钢周围均匀的安装多个光源,通过相机采集带钢的带钢表面图像。为了解决在判断的过程中会因为表面的划痕缺陷以及纹理影响判断,使得所获得的偏移角度对应的缺陷不准确的问题。本发明通过缺陷的灰度值与背景区域的灰度值的差异,对其进行自适应阈值分割,获得分割区域,然后根据缺陷的灰度变化获得参考窗宽,然后根据各分割区域的灰度特征不同对其进行聚类分析,得到缺陷区域。通过根据判断阈值对表面灰度图进行置换,并获取对应的参考窗宽,将带钢表面的缺陷准确的检测出来,实现多个缺陷检测的目的。
下面结合附图具体的说明本发明所提供的基于图像处理的带钢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基于图像处理的带钢表面缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集带钢表面图像,对所述带钢表面图像进行灰度化,得到表面灰度图。
本发明通过图像处理的方法对带钢表面缺陷进行智能检测,故首先利用相机采集带钢表面图像。由于带钢为金属制品,在采集带钢表面图像时带钢的表面会发生光的反射,所以在采集带钢表面图像时需要光照均匀。光线的照射方向为俯视照射,且需要多个光源,均匀的安装在带钢的附近,从而形成均匀的光线,照射在带钢的表面。其中,该带钢表面图像为RGB图像。
在得到带钢表面图像后,对该带钢表面图像进行灰度化处理,得到表面灰度图。
步骤S200,获取所述表面灰度图对应的灰度直方图,将灰度直方图中第二波峰处的灰度值对应的像素点作为种子像素点;基于种子像素点进行区域生长,得到多个分割区域。
本发明是对带钢表面进行缺陷检测,带钢表面的缺陷的形状大小以及颜色特征通常是不同的,因此在进行缺陷检测时,需要根据不同的缺陷类型采用不同的方法进行缺陷检测,才能实现缺陷的快速检测,并且检测的结果更加的准确。首先根据缺陷的灰度值与背景区域的灰度值的差异,对表面灰度图进行自适应阈值分割,获得缺陷区域。然后根据各个缺陷的灰度特征不同,对其进行聚类分析,得到缺陷的聚类中心。最后根据缺陷的特征对其进行分类,得到各种缺陷。
首先,根据缺陷的灰度值与背景区域的灰度值的差异,对表面灰度图进行自适应阈值分割,获得缺陷区域。
对于较大的缺陷,通过传统的阈值分割算法就能将其分割出来,然后根据缺陷的特征进行区分就能检测到缺陷。但是对于带钢表面的许多微小的缺陷,仅通过传统的阈值分割算法,难以实现将微小的缺陷准确的分割出来,或者其分割出来的缺陷的特征出现混合,难以进行区分,使得缺陷检测的结果不够准确。因此本发明提出一种根据缺陷的特征进行不同类型的缺陷进行分类,其分类的方法是根据特征进行聚类,使得相同类型的缺陷处于同一图层中,实现了不同类型的缺陷处于不同的图层中,对缺陷实现了分区。
根据缺陷内的特征,采用自适应阈值分割的方法,将带钢表面的缺陷分割出来,然后根据缺陷的类型采用聚类的方法将缺陷进行分区,具体的:
在自适应阈值分割带钢表面图像中的缺陷时,首先根据缺陷与带钢表面的灰度值不同,建立带钢表面图像对应的表面灰度图的灰度直方图,采用不同的分割阈值获取缺陷区域的种子像素点,根据缺陷的特征进行边缘阈值的自适应,获得准确的缺陷分割区域。
由于图像的直方图可以看作是像素灰度值概率密度分布函数的近似,若一副图像包含背景区域和目标区域,那么它所对应的灰度直方图代表的像素灰度值概率密度分布函数实际上就是对应目标和背景的两个单峰分布密度函数的和。表面灰度图生成对应的灰度直方图,其对应的灰度级的范围为,当灰度级为i的像素点数量为,则灰度级i出现的概率为:
因为没有缺陷的带钢的表面是均匀的,不会发生灰度值的突变。而有缺陷的带钢的带钢表面图像中,缺陷的像素点的数量相较于背景区域的像素点的数量是较少的,且两者之间的灰度值是有一定的差异的,因此表面灰度图对应的灰度直方图中至少会形成两个波峰,其中频率最高的波峰作为大波峰,频率第二高的波峰作为小波峰,也即除最大波峰外的第二大的波峰作为小波峰,小波峰也成为第二波峰,大波峰表示的带钢表面图像中的背景区域,小波峰表示的是疑似缺陷区域。在灰度直方图的波峰中,最大频率对应的灰度值为波峰对应的区域的中心区域的像素点,将灰度直方图中小波峰处的最大频率的灰度值对应的像素点作为种子像素点,也即将灰度直方图中第二波峰处灰度值对应的像素点作为种子像素点。基于得到的种子像素点进行区域生长,会在图像中形成若干个分割区域,这些分割区域内的像素点即为疑似缺陷的疑似缺陷像素点。
步骤S300,以各分割区域内的像素点作为窗口中心,以各窗口内像素点的最大灰度值和最小灰度值的均值作为判断阈值,基于所述判断阈值对窗口内像素点的像素值进行置换,得到置换后的表面灰度图;计算置换后的表面灰度图中各分割区域的平均灰度值。
进一步的,根据种子像素点生长得到的多个分割区域,对于得到的分割区域进行边缘阈值的自适应。首先对于分割窗口内每个像素点,也即对于每个疑似缺陷像素点,以自身作为窗口中心,该窗口的大小根据灰度直方图的小波峰的比值确定,因为小波峰越大,反映疑似缺陷区域越大,其需要的窗口越大。窗口大小的计算公式为:
其中,为窗口大小,表示向下取整,表示小波峰处于范围内的占比。乘上50是因为缺陷像素点的占比较小,故为了根据占比得到窗口的大小需要乘上50。需要说明的是,I为灰度直方图上大波峰和小波峰之间的波谷处对应的像素点的灰度值。小波峰在范围内的占比越大,则对应的窗口越大,反之,小波峰在范围内的占比越小,则对应的窗口越小。
根据获得窗口寻找窗口内像素点的最大灰度值与最小灰度值,以窗口内像素点的最大灰度值和最小灰度值的均值作为判断阈值,基于该判断阈值对窗口内像素点的像素值进行置换,得到置换后的窗口。具体的:从表面灰度图的左上角开始逐个点扫描窗口内的像素点,对每个像素点作阈值判断,当像素点的像素值小于判断阈值时,将该像素点的像素值置换为0;当像素点的像素值大于等于判断阈值时,将该像素点的像素值置换为1,对表面灰度图中的所有像素点的像素值进行逐个窗口置换,置换完成后,得到置换后的窗口,并得到置换后的表面灰度图。
计算置换后的表面灰度图中各分割区域的平均灰度值,用于表征置换后各分割区域的灰度特征。
步骤S400,基于平均灰度值对分割区域进行分簇,得到多个群集,计算群集内两两分割区域之间的欧式距离的均值作为距离均值;基于所述平均灰度值和所述距离均值计算群集对应的差异性;根据不同群集之间差异性的差异获取参考窗宽,基于参考窗宽对分割区域进行聚类,得到多个聚类类别,每个聚类类别对应一个缺陷区域。
根据上述步骤获得了带钢表面的缺陷区域,但不能确定其缺陷对应的具体的缺陷类型,因此通过聚类的方法将同一类的缺陷提取出来然后加以识别,就能够得到不同的缺陷类型。
传统的聚类方法是需要人工选取聚类中心,该方法会减缓运行速度,并且选择太多的聚类中心会影响聚类的效果,使得聚类后的同一缺陷区域不准确。因此本发明对其进行改进,采用参考窗宽自动选取潜在的聚类中心作为初始簇聚类中心。
基于平均灰度值对分割区域进行分簇,得到多个群集,具体的:将平均灰度值相同的分割区域划分至同一群集中。计算群集内两两分割区域之间的欧式距离的均值作为距离均值;欧式距离表示局部密度,分割区域之间的欧式距离越小,则分割区域密度越大。
通过计算两两区域之间的欧式距离,对所有欧式距离求均值得到的距离均值表示分割区域之间的密度。然后基于平均灰度值和距离均值计算群集对应的差异性,也即通过各分割区域的平均灰度值和距离均值的标准化乘积来衡量群集间的差异性,计算群集内分割区域的差异性。具体的:计算群集内各分割区域的平均灰度值和群集对应的距离均值的乘积,作为分割区域的分割区域距离;群集内所有分割区域对应的分割区域距离的均值作为群集对应的差异性。
该差异性的计算公式为:
其中,表示具有相同平均灰度值的区域密度集合,也即以群集的相同平均灰度值的群集内分割区域距离均值之和;表示在整幅表面灰度图中,具有相同平均灰度值的区域的集群差异性,也就是根据灰度的不同,获得不同群集的差异性。
根据第一个分割区域与最后一个分割区域之间各分割区域的差异性,得到参考窗宽。从下到上逐一进行扫描,也即分割区域内的像素点从后往前进行遍历。获取置换后的表面灰度图中各分割区域内像素点的像素值,将像素值为255的像素点作为没有数据的像素点;当某个分割区域内第一次出现没有数据的像素点时,将这个分割区域内第一个没有数据的像素点作为转折点,将分割区域内转折点之前的所有点作为潜在的聚类中心点。
进一步的,计算第一个分割区域的差异性和最后一个分割区域的差异性的差异性差值;获取区域中含有像素值为0的像素点的分割区域数量,也即获取有数据的像素点的分割区域的分割区域数量;差异性差值和分割区域数量的比值为参考窗宽。由于缺陷像素点过多故可选择部分有效数据进行处理,也即选择有数据的像素点的分割区域进行处理,如分割区域内转折点之前的像素点进行等分,每等分成参考窗宽。其中,该参考窗宽即为聚类的参考窗宽。
其中,参考窗宽的计算公式为:
分割区域之间的差异性的差异越大,则参考窗宽对应的取值越大;反之,分割区域之间的差异性的差异越大小,则参考窗宽对应的取值越小。在对缺陷数据点进行潜在聚类中心确定后可得到转折点位置,从下到上的顺序进行扫描可确定在该转折点对应的分割区域之前的分割区域的中心点均为潜在的聚类中心点。在确定了潜在的聚类中心点的位置和参考窗宽以后,对获得的分割区域进行聚类,得到多个聚类类别,每个聚类类别对应一个缺陷区域,即得到相同缺陷的聚类区域。
根据得到的多个缺陷区域,根据缺陷的特征对缺陷区域进行分类,其缺陷的特征包括缺陷区域的平均灰度值、方差、倾斜度、峭度、能量和熵等,根据缺陷的特征对缺陷区域进行分类为本领域技术人员的公知技术,在此不再赘述,如根据缺陷的方差确定缺陷的严重程度类别。
综上所述,本发明涉及图像处理技术领域。该方法首先采集带钢表面图像,对带钢表面图像进行灰度化,得到表面灰度图;获取表面灰度图对应的灰度直方图,将灰度直方图中第二波峰处的灰度值对应的像素点作为种子像素点;基于种子像素点进行区域生长,得到多个分割区域;以各分割区域内的像素点作为窗口中心,以各窗口内像素点的最大灰度值和最小灰度值的均值作为判断阈值,基于判断阈值对窗口内像素点的像素值进行置换,得到置换后的表面灰度图;计算置换后的表面灰度图中各分割区域的平均灰度值;基于平均灰度值对分割区域进行分簇,得到多个群集,计算群集内两两分割区域之间的欧式距离的均值作为距离均值;基于所述平均灰度值和所述距离均值计算群集对应的差异性;根据不同群集之间差异性的差异获取参考窗宽,基于参考窗宽对分割区域进行聚类,得到多个聚类类别,每个聚类类别对应一个缺陷区域。本发明通过缺陷的灰度值与背景区域的灰度值的差异,对其进行自适应阈值分割,获得分割区域,然后根据各分割区域的灰度特征不同对其进行聚类分析,得到缺陷区域。
本发明实施例还提出了基于图像处理的带钢表面缺陷检测***,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上述方法的步骤。由于基于图像处理的带钢表面缺陷检测方法在上述给出了详细描述,不再赘述。
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。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.基于图像处理的带钢表面缺陷检测方法,其特征在于,该方法包括以下步骤:
采集带钢表面图像,对所述带钢表面图像进行灰度化,得到表面灰度图;
获取所述表面灰度图对应的灰度直方图,将灰度直方图中第二波峰处的灰度值对应的像素点作为种子像素点;基于种子像素点进行区域生长,得到多个分割区域;
以各分割区域内的像素点作为窗口中心,以各窗口内像素点的最大灰度值和最小灰度值的均值作为判断阈值,基于所述判断阈值对窗口内像素点的像素值进行置换,得到置换后的表面灰度图;计算置换后的表面灰度图中各分割区域的平均灰度值;
基于平均灰度值对分割区域进行分簇,得到多个群集,计算群集内两两分割区域之间的欧式距离的均值作为距离均值;基于所述平均灰度值和所述距离均值计算群集对应的差异性;根据不同群集之间差异性的差异获取参考窗宽,基于参考窗宽对分割区域进行聚类,得到多个聚类类别,每个聚类类别对应一个缺陷区域。
2.根据权利要求1所述的基于图像处理的带钢表面缺陷检测方法,其特征在于,所述灰度直方图中第二波峰为:所述灰度直方图上除最大波峰外的第二大的波峰。
3.根据权利要求1所述的基于图像处理的带钢表面缺陷检测方法,其特征在于,所述以各分割区域内的像素点作为窗口中心,包括:窗口的大小由小波峰在一定范围内的占比确定。
4.根据权利要求1所述的基于图像处理的带钢表面缺陷检测方法,其特征在于,所述基于所述判断阈值对窗口内像素点的像素值进行置换,包括:
对于窗口内的像素点,当像素点的像素值小于判断阈值时,将像素点的像素值置换为0;当像素点的像素值大于等于判断阈值时,将像素点的像素值置换为1。
5.根据权利要求1所述的基于图像处理的带钢表面缺陷检测方法,其特征在于,所述基于所述平均灰度值和所述距离均值计算群集对应的差异性,包括:
计算群集内各分割区域的平均灰度值和群集对应的距离均值的乘积,作为分割区域距离;群集内所有分割区域对应的分割区域距离的均值为群集对应的差异性。
6.根据权利要求1所述的基于图像处理的带钢表面缺陷检测方法,其特征在于,所述根据不同群集之间差异性的差异获取参考窗宽,包括:
计算第一个分割区域的差异性和最后一个分割区域的差异性的差异性差值;获取区域中含有像素值为0的像素点的分割区域数量;所述差异性差值和所述分割区域数量的比值为参考窗宽。
7.基于图像处理的带钢表面缺陷检测***,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 |
---|---|---|---|
CN202211245031.4A CN115311292B (zh) | 2022-10-12 | 2022-10-12 | 基于图像处理的带钢表面缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245031.4A CN115311292B (zh) | 2022-10-12 | 2022-10-12 | 基于图像处理的带钢表面缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311292A true CN115311292A (zh) | 2022-11-08 |
CN115311292B CN115311292B (zh) | 2023-01-17 |
Family
ID=83868422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211245031.4A Active CN115311292B (zh) | 2022-10-12 | 2022-10-12 | 基于图像处理的带钢表面缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311292B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601362A (zh) * | 2022-12-14 | 2023-01-13 | 临沂农业科技职业学院(筹)(Cn) | 一种基于图像处理的焊接质量评估方法 |
CN115661136A (zh) * | 2022-12-12 | 2023-01-31 | 深圳宝铭微电子有限公司 | 一种碳化硅材质的半导体缺陷检测方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115797353A (zh) * | 2023-02-08 | 2023-03-14 | 山东乾钢金属科技有限公司 | 一种冷轧带钢质量智能检测***及方法 |
CN115861290A (zh) * | 2022-12-30 | 2023-03-28 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN115861325A (zh) * | 2023-03-01 | 2023-03-28 | 山东中科冶金矿山机械有限公司 | 基于图像数据的悬架弹簧缺陷检测方法及*** |
CN115880699A (zh) * | 2023-03-03 | 2023-03-31 | 济南市莱芜区综合检验检测中心 | 一种食品包装袋检测方法及*** |
CN115937199A (zh) * | 2023-01-06 | 2023-04-07 | 山东济宁圣地电业集团有限公司 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
CN116309671A (zh) * | 2023-05-23 | 2023-06-23 | 浩珂科技有限公司 | 一种土工合成织物质量检测*** |
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116645367A (zh) * | 2023-07-27 | 2023-08-25 | 山东昌啸商贸有限公司 | 一种高端制造用的钢板切割质量检测方法 |
CN116703930A (zh) * | 2023-08-09 | 2023-09-05 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
CN117152444A (zh) * | 2023-10-30 | 2023-12-01 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117237396A (zh) * | 2023-11-16 | 2023-12-15 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
CN117237298A (zh) * | 2023-09-15 | 2023-12-15 | 广州乾丰印花有限公司 | 一种印花面料疵点检验方法、装置及计算设备 |
CN117333489A (zh) * | 2023-12-01 | 2024-01-02 | 苏州普洛泰科精密工业有限公司 | 一种薄膜破损检测装置及检测*** |
CN117690030A (zh) * | 2024-02-02 | 2024-03-12 | 陕西仙喜辣木茯茶有限公司 | 基于图像处理的多面发花识别方法及*** |
CN117934483A (zh) * | 2024-03-25 | 2024-04-26 | 青岛佳美洋食品有限公司 | 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011174896A (ja) * | 2010-02-25 | 2011-09-08 | Mitsubishi Heavy Ind Ltd | 撮像装置及び撮像方法 |
CN113409313A (zh) * | 2021-08-18 | 2021-09-17 | 济宁联威车轮制造有限公司 | 基于计算机视觉的车轮焊缝表面缺陷检测方法 |
CN114723700A (zh) * | 2022-03-31 | 2022-07-08 | 江苏宝诺铸造有限公司 | 一种基于计算机视觉的铁炉表面裂纹生长预测方法及*** |
CN115035106A (zh) * | 2022-08-10 | 2022-09-09 | 邹城市天晖软件科技有限公司 | 一种带钢缺陷智能检测方法 |
-
2022
- 2022-10-12 CN CN202211245031.4A patent/CN115311292B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011174896A (ja) * | 2010-02-25 | 2011-09-08 | Mitsubishi Heavy Ind Ltd | 撮像装置及び撮像方法 |
CN113409313A (zh) * | 2021-08-18 | 2021-09-17 | 济宁联威车轮制造有限公司 | 基于计算机视觉的车轮焊缝表面缺陷检测方法 |
CN114723700A (zh) * | 2022-03-31 | 2022-07-08 | 江苏宝诺铸造有限公司 | 一种基于计算机视觉的铁炉表面裂纹生长预测方法及*** |
CN115035106A (zh) * | 2022-08-10 | 2022-09-09 | 邹城市天晖软件科技有限公司 | 一种带钢缺陷智能检测方法 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661136A (zh) * | 2022-12-12 | 2023-01-31 | 深圳宝铭微电子有限公司 | 一种碳化硅材质的半导体缺陷检测方法 |
CN115661136B (zh) * | 2022-12-12 | 2023-03-07 | 深圳宝铭微电子有限公司 | 一种碳化硅材质的半导体缺陷检测方法 |
CN115601362B (zh) * | 2022-12-14 | 2023-03-21 | 临沂农业科技职业学院(筹) | 一种基于图像处理的焊接质量评估方法 |
CN115601362A (zh) * | 2022-12-14 | 2023-01-13 | 临沂农业科技职业学院(筹)(Cn) | 一种基于图像处理的焊接质量评估方法 |
CN115861290A (zh) * | 2022-12-30 | 2023-03-28 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN115861290B (zh) * | 2022-12-30 | 2024-01-19 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115937199B (zh) * | 2023-01-06 | 2023-05-23 | 山东济宁圣地电业集团有限公司 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
CN115937199A (zh) * | 2023-01-06 | 2023-04-07 | 山东济宁圣地电业集团有限公司 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
CN115797353A (zh) * | 2023-02-08 | 2023-03-14 | 山东乾钢金属科技有限公司 | 一种冷轧带钢质量智能检测***及方法 |
CN115861325B (zh) * | 2023-03-01 | 2023-06-20 | 山东中科冶金矿山机械有限公司 | 基于图像数据的悬架弹簧缺陷检测方法及*** |
CN115861325A (zh) * | 2023-03-01 | 2023-03-28 | 山东中科冶金矿山机械有限公司 | 基于图像数据的悬架弹簧缺陷检测方法及*** |
CN115880699B (zh) * | 2023-03-03 | 2023-05-09 | 济南市莱芜区综合检验检测中心 | 一种食品包装袋检测方法及*** |
CN115880699A (zh) * | 2023-03-03 | 2023-03-31 | 济南市莱芜区综合检验检测中心 | 一种食品包装袋检测方法及*** |
CN116309671A (zh) * | 2023-05-23 | 2023-06-23 | 浩珂科技有限公司 | 一种土工合成织物质量检测*** |
CN116309671B (zh) * | 2023-05-23 | 2023-08-11 | 浩珂科技有限公司 | 一种土工合成织物质量检测*** |
CN116580021B (zh) * | 2023-07-03 | 2023-09-22 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116645367A (zh) * | 2023-07-27 | 2023-08-25 | 山东昌啸商贸有限公司 | 一种高端制造用的钢板切割质量检测方法 |
CN116645367B (zh) * | 2023-07-27 | 2023-12-01 | 山东昌啸商贸有限公司 | 一种高端制造用的钢板切割质量检测方法 |
CN116703930B (zh) * | 2023-08-09 | 2023-10-31 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
CN116703930A (zh) * | 2023-08-09 | 2023-09-05 | 湖北三环三立汽车后视镜有限公司 | 一种汽车后视镜模具成型检测方法 |
CN117237298A (zh) * | 2023-09-15 | 2023-12-15 | 广州乾丰印花有限公司 | 一种印花面料疵点检验方法、装置及计算设备 |
CN117237298B (zh) * | 2023-09-15 | 2024-05-14 | 广州乾丰印花有限公司 | 一种印花面料疵点检验方法、装置及计算设备 |
CN117152444B (zh) * | 2023-10-30 | 2024-01-26 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117152444A (zh) * | 2023-10-30 | 2023-12-01 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117237396A (zh) * | 2023-11-16 | 2023-12-15 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
CN117237396B (zh) * | 2023-11-16 | 2024-02-06 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
CN117333489B (zh) * | 2023-12-01 | 2024-02-02 | 苏州普洛泰科精密工业有限公司 | 一种薄膜破损检测装置及检测*** |
CN117333489A (zh) * | 2023-12-01 | 2024-01-02 | 苏州普洛泰科精密工业有限公司 | 一种薄膜破损检测装置及检测*** |
CN117690030A (zh) * | 2024-02-02 | 2024-03-12 | 陕西仙喜辣木茯茶有限公司 | 基于图像处理的多面发花识别方法及*** |
CN117690030B (zh) * | 2024-02-02 | 2024-04-26 | 陕西仙喜辣木茯茶有限公司 | 基于图像处理的多面发花识别方法及*** |
CN117934483A (zh) * | 2024-03-25 | 2024-04-26 | 青岛佳美洋食品有限公司 | 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法 |
CN117934483B (zh) * | 2024-03-25 | 2024-05-31 | 青岛佳美洋食品有限公司 | 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115311292B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115311270A (zh) | 一种塑料制品表面缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN116168026A (zh) | 基于计算机视觉的水质检测方法及*** | |
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN115797342B (zh) | 一种工业控制电容触摸lcd显示总成缺陷检测方法 | |
CN114723705A (zh) | 一种基于图像处理的布匹瑕疵的检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN114862855B (zh) | 基于模板匹配的纺织品缺陷检测方法及*** | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测*** | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN114897773A (zh) | 一种基于图像处理的扭曲木材检测方法及*** | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及*** | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
CN114581376A (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及*** | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN117611583A (zh) | 基于人工智能的铝复合板缺陷检测方法及*** | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及*** | |
CN116246174A (zh) | 基于图像处理的甘薯种类识别方法 | |
CN117173176B (zh) | 基于图像处理的多晶层光刻工艺热点检测方法 |
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 |