CN115330781B - 一种钢板缺陷识别方法 - Google Patents
一种钢板缺陷识别方法 Download PDFInfo
- Publication number
- CN115330781B CN115330781B CN202211250374.XA CN202211250374A CN115330781B CN 115330781 B CN115330781 B CN 115330781B CN 202211250374 A CN202211250374 A CN 202211250374A CN 115330781 B CN115330781 B CN 115330781B
- Authority
- CN
- China
- Prior art keywords
- blocks
- image
- defect
- graph
- merging
- 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 150
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 61
- 239000010959 steel Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002950 deficient Effects 0.000 claims abstract description 67
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图形数据识别技术领域,具体涉及一种钢板缺陷识别方法。该方法包括:对包含缺陷的钢板表面图像进行预处理获得灰度图;将灰度图划分为预设尺寸的正方形的图像块,利用所述图像块的综合特征获得缺陷判断器;获得灰度图像中的独立块记为初始独立块,对初始独立块进行持续的划分,得到像素数量小于预设阈值的缺陷像素块;获得合并块,将所有合并块组成不同类型的待分解图形;对不同类型的待分解图形分别利用对应的图形分解方法进行持续的分解,最终得到缺陷像素块;提取缺陷像素块中的钢板缺陷区域。本发明根据钢板缺陷的纹理和灰度特征得到的钢板缺陷区域的较为精确的估计范围,提高了后续对缺陷进行识别分类的准确性。
Description
技术领域
本发明涉及图形数据识别技术领域,具体涉及一种钢板缺陷识别方法。
背景技术
钢板的应用在现在的社会中随处可见,其用途也非常广泛,化工、机械制造、航空航天、汽车、家电等行业对其都有很大的需求量,因此对钢板的质量要求也是越来越严格,作为钢铁行业的主要产品,钢板在生产时由于生产工艺、生产环境、生产设备故障等原因,在钢板的表面会出现不同类型的缺陷,这些缺陷不仅仅会影响钢板的外观,同时会限制钢板的用途,严重的可能会直接报废,这样就会降低钢板生产厂家的经济效益。
钢板表面的缺陷在空间位置的分布随机和形态结构比较复杂,采用人工检测的方法很难对钢板表面的缺陷进行精确的分割,随着图像处理技术的发展,利用图像处理的阈值分割、边缘检测、形态学处理检测表面缺陷,这一类算法针对正常区域与缺陷区域灰度值变化较为明显且缺陷区域分布比较离散的情况有着很好的效果,但是对于不同类型的缺陷区域分布比较密集的情况,效果并不是很好,并不能准确的将钢板表面的各缺陷区域分割并识别出来。
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钢板缺陷识别方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种钢板缺陷识别方法:对包含缺陷的钢板表面图像进行预处理获得灰度图;将灰度图划分为预设尺寸的正方形的图像块,基于每个图像块的灰度直方图和灰度共生矩阵获得各图像块的综合特征,并利用所述各图像块的综合特征获得存在缺陷的图像块作为缺陷块;利用所述各图像块的综合特征获得缺陷判断器;
将存在缺陷且与其他存在缺陷的图像块没有重合边的图像块记为独立块,将与其他存在缺陷的图像块有重合边的缺陷块记为合并块;将灰度图像中的独立块记为初始独立块,将初始独立块均匀划分为四个为正方形的一级块,将四个一级块中的独立块记为一级独立块,对一级独立块继续划分,获得二级独立块,继续划分直至最后获取的独立块中像素数量小于预设阈值,或者出现合并块,停止划分;将像素数量小于预设阈值的独立块作为缺陷像素块;
当出现合并块停止划分时,将所有合并块组成不同类型的待分解图形;对不同类型的待分解图形分别利用对应的图形分解方法进行分解,分别获得不同的子块,利用缺陷判断器筛选缺陷子块;将存在重合边的缺陷子块合并为待分解图形,继续利用对应的图形分解方法进行分解,得到一级子块并筛选出存在缺陷的一级缺陷子块,直至灰度图中存在缺陷的子块占据所有子块的数目的比值达到最大,或者最后获取的子块中像素数量小于预设阈值,停止划分,得到缺陷像素块;提取缺陷像素块中的钢板缺陷区域。
优选地,对包含缺陷的钢板表面图像进行预处理获得灰度图包括:将钢板表面图像灰度化并利用直方图均衡化对灰度化后的图像进行增强获得灰度图。
优选地,基于每个图像块的灰度直方图和灰度共生矩阵获得各图像块的综合特征包括:基于每个图像块的灰度直方图获得图像块的灰度特征,包括灰度方差、灰度均值、峭度、歪度、熵和能量;基于图像块的灰度共生矩阵获得图像块的纹理特征,包括能量、熵值、对比度和逆差距;所述纹理特征和灰度特征组成特征向量作为图像块的综合特征。
优选地,利用所述各图像块的综合特征获得存在缺陷的图像块作为缺陷块包括:基于各图像块的综合特征进行聚类将图像块分为两类,其中图像块数量较多的一类为不存在缺陷的图像块;图像块数量较少的一类为存在缺陷的图像块,将存在缺陷的图像块作为缺陷块。
优选地,利用所述图像块的综合特征获得缺陷判断器包括:利用LDA算法对不存在缺陷的图像块和缺陷块的综合特征进行处理,获得权向量和权阈值,基于所述权向量和权阈值获得缺陷判断器。
优选地,当出现合并块停止划分时,将所有合并块组成不同类型的待分解图形包括:初始独立块划分得到的四个一级块中若只有两个合并块,则两个合并块组成的图形为一种类型的待分解图形,记为第一图形;初始独立块划分得到的四个一级块中若只有三个合并块,则三个合并块组成的图形为一种类型的待分解图形,记为第二图形;若初始独立块划分得到的四个一级块全为合并块,则四个合并块组成一种类型的待分解图形,记为第三图形。
优选地,对不同类型的待分解图形分别利用对应的图形分解方法进行分解包括:对于第一图形,获得过两个合并块的中心点的直线交第一图形两个长边的线段对第一图形进行分解;对于第二图形,利用过三个合并块的中心点的水平方向上的直线和竖直方向上的直线对第二图形进行分解;利用过四个合并块的中心点的水平方向上的直线和竖直方向上的直线对第三图形进行分解。
优选地,将存在重合边的缺陷子块合并为待分解图形包括:存在重合边的缺陷子块合并为待分解图形时,优先级别分别为合并为第三图形大于合并为第一图形,合并为第一图形大于合并为第二图形;其中,在将存在重合边的缺陷子块合并为待分解图形时,若不能合并为第一、第二和第三图形,利用存在重合边的缺陷子块相邻的不存在缺陷的子块进行填补,将填补后形成的图形再分解为第一、第二或第三图形。
优选地,提取缺陷像素块中的钢板缺陷区域包括:对缺陷像素块进行直方图均衡化处理,利用显著性FT算法对直方图均衡化后的缺陷像素块处理获得钢板缺陷区域。
本发明实施例至少具有如下有益效果:本发明通过对包含缺陷的钢板表面图像的灰度图进行划分获得预设尺寸图像块,同时基于图像块的综合特征获得缺陷判断器判断是否含有缺陷;对独立的图像块和可以合并的图像块不断的进行块的划分,同时独立块和可以合并的图像块合并的待分解图形的划分方法不同,不同的待分解图形对应的图像分解方法不同,提高了图像块划分时的精细程度,在划分的过程中不断的缩小块的尺寸,使得缺陷区域能够占据块的大部分面积,在后续根据现有技术提取缺陷区域时,能够快速准确的将钢板缺陷区域从缺陷像素块中分割出来,同时,解决了两个缺陷区域较近的情况不易分割的问题。
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为本发明提供的一种钢板缺陷识别方法的方法流程图。
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,对依据本发明提出一种钢板缺陷识别方法,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钢板缺陷识别方法的具体方案。
实施例1:
本发明的主要应用场景为:拍摄生产的钢板的表面图像,对表面图像中存在缺陷的区域进行图形学上的分割,以便能够将存在缺陷的区域分割出来,识别出钢板表面出现的缺陷的类型。
请参阅图1,其示出了本发明一个实施例提供的一种钢板缺陷识别方法,该方法包括以下步骤:
步骤S1,对包含缺陷的钢板表面图像进行预处理获得灰度图;将灰度图划分为预设尺寸的正方形的图像块,基于每个图像块的灰度直方图和灰度共生矩阵获得各图像块的综合特征,并利用所述各图像块的综合特征获得存在缺陷的图像块作为缺陷块;利用所述图像块的综合特征获得缺陷判断器。
首先,需要获得包含缺陷的钢板表面图像,需要说明的是在拍摄钢板表面图像时,需要以俯视的视角拍摄平放的钢板的表面获得钢板表面图像,其中钢板表面图像为彩色的RGB图像,将其灰度化,并采用直方图均衡化对灰度化后的图像进行图像增强获得灰度图。
进一步的,在钢板缺陷中,缺陷区域相较于正常钢板表面区域的比例较小。一般采用图像分块的思想,将一张图分割成若干个图像块,分别对每个图像块进行钢板缺陷检测。然而,当钢板缺陷分布在在距离较近的不同位置,例如位于同一个图像块里,他们可能属于不同的缺陷类别,此时采用图像分块无法将他们区分开,将这两个属于不同类别的缺陷提取出来作为一个缺陷区域进行缺陷检测,在后续对其进行分类时,会产生误分类的情况。此外在图像分块中,如果缺陷的位置恰好在图像块的边角很小的一处,此时采用较大的图像块进行分割,会出现分类结果不准确,例如采用阈值分割,这一小块区域对整体的灰度值分布影响不大,此时并不能准确的分割出来,同时还会增加计算量。
本实施例以划分的图像块为基础,基于每个图像块的灰度信息和纹理信息判断图像块是否存在缺陷,具体为:
将灰度图划分预设尺寸的正方形的图像块,其中预设尺寸的大小由实施者根据实际情况确定;获得每个图像块的灰度直方图,同时基于每个图像块的灰度直方图获得其灰度特征,包括灰度方差、灰度均值/>、峭度/>、歪度/>、熵/>和能量/>;同时获得每个图像块的灰度共生矩阵,基于每个图像块的灰度共生矩阵获得每个图像块的纹理特征,包括能量/>、熵值/>、对比度/>和逆差矩/>;各图像块的纹理特征和灰度特征组成每个图像块的特征向量,,其中T表示向量的转置,特征向量为各图像块的综合特征;
不存在缺陷的正常的图像块之间的灰度和纹理特征是十分相似的,且与存在缺陷的图像块之间的灰度和纹理特征相差是十分大的。采用基于密度的聚类算法,对于每个图像块的综合特征计算其到距离其第/>近的综合特征的欧式距离/>,其中/>,将距离/>从小到大排序,然后将距离/>的拐点作为邻域半径/>,数目阈值/>。由此将正常图像块与缺陷图像块分到不同的类别。优选地,本实施例中认为正常的图像块数量是多于出现缺陷的图像块的数量的,由此将包含最多图像块数目的类别判定为正常图像块,其他类别的出现缺陷的图像块判定为缺陷图像块,也即是缺陷块。
最后,采用LDA算法,将所有正常图像块的综合特征作为第一类,所有缺陷图像块的综合特征/>作为第二类,/>算法输出的是/>的权向量/>和为常数的阈值权/>,基于输出的权向量和权阈值获得缺陷判断器:
其中,表示权向量的转置,在进行判断时将图像块的综合特征带入缺陷判断器,如果/>,则说明该图像块应被判别为正常的图像块;如果/>,则说明该图像块应被判别为存在缺陷的图像块。至此获得灰度图中所有存在缺陷的图像块。
步骤S2,将存在缺陷且与其他存在缺陷的图像块没有重合边的图像块记为独立块,将与其他存在缺陷的图像块有重合边的缺陷块记为合并块;将灰度图像中的独立块记为初始独立块,将初始独立块均匀划分为四个为正方形的一级块,将四个一级块中的独立块记为一级独立块,对一级独立块继续划分,获得二级独立块,继续划分直至最后获取的独立块中像素数量小于预设阈值,或者出现合并块,停止划分;将像素数量小于预设阈值的独立块作为缺陷像素块。
首先,为了能够更加精确的将缺陷区域分割出来,需要将缺陷区域局限在一个较小的块中,使得缺陷区域尽可能的逼近包含它的块。在步骤S1中得到了存在缺陷的图像块,若果存在缺陷的图像块与其他存在缺陷的图像块不存在重合的边,这样的将其称为独立块,其中与其他存在缺陷的图像块存在重合边的称为合并块,需说明的是,在本实施例中存在重合边的意思是两个块有一个边能够完全重合。
进一步的,对于灰度图中的独立块将其称为初始独立块,将初始独立块均匀划分为四个为正方形的一级块,需要说明的是划分为四个正方形的一级块时,是在初始独立块中画“十字”将一个初始独立块均匀的划分为四个正方形的一级块;获得一级块中的独立块,将其记为一级独立块,对于一级独立块继续进行划分,划分方法与划分初始独立块时一样,获得四个为正方形的二级块,利用缺陷判断器获得二级块中的独立块,记为二级独立块,对于二级独立块,需要继续划分,划分的方法与划分初始独立块时一样,得到三级独立块,直至获得的独立块中像素的数量小于预设阈值,在本实施例中,预设阈值的取值为20,也即是像素的数量小于20的独立块便不再划分。
最后,在划分独立块时,可能会出现合并块,当出现合并块此时需要停止独立块的划分了,用另外图形分解的方法对合并块进行处理,另外对于独立块划分的迭代是建立在独立块在划分的过程中一直有独立块的出现的基础上的,另外,需要说明的是,停止划分独立块的划分的条件一种是最后得到的独立块已经足够小,也即是最后得到的独立块中像素的数目小于20,在这种条件下存在缺陷的独立块为缺陷像素块,另一种条件是出现了合并块,此时已经不能按照划分独立块的方法进行划分了。
步骤S3,当出现合并块停止划分时,将所有合并块组成不同类型的待分解图形;对不同类型的待分解图形分别利用对应的图形分解方法进行分解,分别获得不同的子块,利用缺陷判断器筛选缺陷子块;将存在重合边的缺陷子块合并为待分解图形,继续利用对应的图形分解方法进行分解,得到一级子块并筛选出存在缺陷的一级缺陷子块,直至灰度图中存在缺陷的子块占据所有子块的数目的比值达到最大,或者最后获取的子块中像素数量小于预设阈值,停止划分,得到缺陷像素块;提取缺陷像素块中的钢板缺陷区域。
首先,在划分独立块的过程中,若出现合并块,则停止步骤S2中独立块划分方法,转而使用图形分解的方法,对于合并块进行划分,首先要对于合并块进行合并,以一个初始独立块划分得到一级块为例,若四个一级块中若只有两个合并块,则两个合并块组成的图形为一种类型的待分解图形,记为第一图形,此时第一图形为两个一级块组成的长方形;若初始独立块划分得到的四个一级块中若只有三个合并块,则三个合并块组成的图形为一种类型的待分解图形,记为第二图形,此时的第二图形为三个一级块组成的带有一个拐角的图形;若初始独立块划分得到的四个一级块全为合并块,则四个合并块组成一种类型的待分解图形,记为第三图形,此时的第三图形为四个一级块组成的一个正方形,其中第一图形、第二图形和第三图形都统称为待分解图形,只不过是类型不同。在刚开始将灰度图划分为图像块时,对于其中的合并块的合并与一级块中的合并块的合并是一样的。
对于合并块合并的待分解图形分解方法是不一样,都有其对应的图形分解方法,此时为了避免缺陷出现在第一、第二和第三图形的中心区域,因此采用交错网格法,对第一、第二和第三图形提取其中心区域。对于第一图形,第一图形的中心区域是以中心点为起点作中心点连线的垂线中间的区域,也即是获得过四个一级块中的两个合并块的中心点的直线交第一图形两个长边的线段对第一图形进行分解,进行分解后可以得到第一图形中一个正方形和两个尺寸相同的小长方形的子块;对于第二图形,利用过四个一级块中的三个合并块的中心点的水平方向上的直线和竖直方向上的直线对第二图形进行分解,获得5个小正方形,2个小长方形,和一个与第二图形形状相同尺寸小于第二图形的图形,第二图形的中心区域为与第二图形形状相同尺寸小于第二图形的图形;对于第三图形,利用全为合并块的四个一级块的中心点的水平方向上的直线和竖直方向上的直线对第三图形进行分解,获得4个小正方,4个小长方形和1个为第三图形的中心区域的正方形;通过划分得到的多个不同的图形为多个不同的子块。
利用缺陷分类器对这些子块进行筛选,获得存在缺陷的子块,记为缺陷子块,对于具有重合边的缺陷子块进行合并,合并的情况有两种,一种是合并之后为第一图形、第二图形或第三图形,另外一种就是合并之后并不是第一图形、第二图形或第三图形,对于这种的需要填补一个子块使其能够分解成第一图形、第二图或第三图形,例如有三个缺陷子块相连接,则在三个缺陷子块的任意一端补一个子块,使其能够分为两个第一图形。另外对于与其他没有重合边的缺陷子块则利用步骤S2划分一级块的方法进行划分。
需要说明的是,存在重合边的缺陷子块合并为待分解图形时,优先级别分别为合并为第三图形大于合并为第一图形,合并为第一图形大于合并为第二图形,也即是优先合并为第一图形,其次为第二图形,最后才为第三图形;其中,在将存在重合边的缺陷子块合并为待分解图形时,若不能合并为第一、第二和第三图形,利用存在重合边的缺陷子块相邻的不存在缺陷的子块进行填补,将填补后形成的图形在分解为第一、第二或第三图形。
进一步的,存在重合边的缺陷子块合并为待分解图形,继续对三种不同类型待分解图形的利用对应的图形分解方法进行分解,得到一级子块并利用缺陷判断器筛选出存在缺陷的一级子块,记为一级缺陷子块,同样的一级缺陷子块同样分为存在重合边的和不存在重合边的一级缺陷子块,对于存在重合边的一级缺陷子块同样通过合并为第一、第二或第三图形、或者是合并后填补子块然后分解为第一、第二或第三图形的方法获得第一、第二或第三图形,再次利用每种类型的待分解图形对应的图形分解方法进行分解。同样的,图形分解也是一个迭代的过程,其停止的条件为直至灰度图中存在缺陷的子块占据所有子块的数目的比值达到最大,或者最后获取的子块中像素数量小于预设阈值。需要说明的是,这里判定停止时存在缺陷的子块包括步骤S2中获得缺陷像素块,也即是分块的操作和图形分解的操作是同时进行的,停止后,获得缺陷像素块,缺陷像素块的特点为足够小且缺陷区域占据一个缺陷像素块的大部分区域,且每个缺陷像素块之间都是独立且不相交的,这样得到的缺陷像素块很好地解决了缺陷分布在同一钢板图像在距离较近的不同位置的分别对他们的进行范围估计的情况,也解决了在图像分块中,缺陷位置恰好在相邻图像块的边角处的问题。
最后,对于最后得到的独立不相交的缺陷像素块进行细分割,将缺陷区域和正常区域精细的分割出来,对缺陷像素块进行局部灰度级扩展,假设原来缺陷像素块中的灰度级的范围是,将缺陷像素块的灰度级进行直方图均衡化,将灰度级拓展到,提高灰度的对比度。利用显著性FT算法对直方图均衡化后的缺陷像素块提取显著图,设置显著阈值为0.7,将大于显著值阈值的显著点所在区域作为缺陷像素块中的钢板缺陷区域,由此可以精确的获得钢板的图像中的所有钢板缺陷区域。
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。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 (6)
1.一种钢板缺陷识别方法,其特征在于,该方法包括:对包含缺陷的钢板表面图像进行预处理获得灰度图;将灰度图划分为预设尺寸的正方形的图像块,基于每个图像块的灰度直方图和灰度共生矩阵获得各图像块的综合特征,并利用所述各图像块的综合特征获得存在缺陷的图像块作为缺陷块;利用所述各图像块的综合特征获得缺陷判断器;
将存在缺陷且与其他存在缺陷的图像块没有重合边的图像块记为独立块,将与其他存在缺陷的图像块有重合边的缺陷块记为合并块;将灰度图像中的独立块记为初始独立块,将初始独立块均匀划分为四个为正方形的一级块,将四个一级块中的独立块记为一级独立块,对一级独立块继续划分,获得二级独立块,继续划分直至最后获取的独立块中像素数量小于预设阈值,或者出现合并块,停止划分;将像素数量小于预设阈值的独立块作为缺陷像素块;
当出现合并块停止划分时,将所有合并块组成不同类型的待分解图形;对不同类型的待分解图形分别利用对应的图形分解方法进行分解,分别获得不同的子块,利用缺陷判断器筛选缺陷子块;将存在重合边的缺陷子块合并为待分解图形,继续利用对应的图形分解方法进行分解,得到一级子块并筛选出存在缺陷的一级缺陷子块,直至灰度图中存在缺陷的子块占据所有子块的数目的比值达到最大,或者最后获取的子块中像素数量小于预设阈值,停止划分,得到缺陷像素块;提取缺陷像素块中的钢板缺陷区域;
所述当出现合并块停止划分时,将所有合并块组成不同类型的待分解图形包括:初始独立块划分得到的四个一级块中若只有两个合并块,则两个合并块组成的图形为一种类型的待分解图形,记为第一图形;初始独立块划分得到的四个一级块中若只有三个合并块,则三个合并块组成的图形为一种类型的待分解图形,记为第二图形;若初始独立块划分得到的四个一级块全为合并块,则四个合并块组成一种类型的待分解图形,记为第三图形;
所述对不同类型的待分解图形分别利用对应的图形分解方法进行分解包括:对于第一图形,获得过两个合并块的中心点的直线交第一图形两个长边的线段对第一图形进行分解;对于第二图形,利用过三个合并块的中心点的水平方向上的直线和竖直方向上的直线对第二图形进行分解;利用过四个合并块的中心点的水平方向上的直线和竖直方向上的直线对第三图形进行分解;
所述将存在重合边的缺陷子块合并为待分解图形包括:存在重合边的缺陷子块合并为待分解图形时,优先级别分别为合并为第三图形大于合并为第一图形,合并为第一图形大于合并为第二图形;其中,在将存在重合边的缺陷子块合并为待分解图形时,若不能合并为第一、第二和第三图形,利用存在重合边的缺陷子块相邻的不存在缺陷的子块进行填补,将填补后形成的图形再分解为第一、第二或第三图形。
2.根据权利要求1所述的一种钢板缺陷识别方法,其特征在于,所述对包含缺陷的钢板表面图像进行预处理获得灰度图包括:将钢板表面图像灰度化并利用直方图均衡化对灰度化后的图像进行增强获得灰度图。
3.根据权利要求1所述的一种钢板缺陷识别方法,其特征在于,所述基于每个图像块的灰度直方图和灰度共生矩阵获得各图像块的综合特征包括:基于每个图像块的灰度直方图获得图像块的灰度特征,包括灰度方差、灰度均值、峭度、歪度、熵和能量;基于图像块的灰度共生矩阵获得图像块的纹理特征,包括能量、熵值、对比度和逆差距;所述纹理特征和灰度特征组成特征向量作为图像块的综合特征。
4.根据权利要求1所述的一种钢板缺陷识别方法,其特征在于,所述利用所述各图像块的综合特征获得存在缺陷的图像块作为缺陷块包括:基于各图像块的综合特征进行聚类将图像块分为两类,其中图像块数量较多的一类为不存在缺陷的图像块;图像块数量较少的一类为存在缺陷的图像块,将存在缺陷的图像块作为缺陷块。
5.根据权利要求1所述的一种钢板缺陷识别方法,其特征在于,所述利用所述图像块的综合特征获得缺陷判断器包括:利用LDA算法对不存在缺陷的图像块和缺陷块的综合特征进行处理,获得权向量和权阈值,基于所述权向量和权阈值获得缺陷判断器。
6.根据权利要求1所述的一种钢板缺陷识别方法,其特征在于,所述提取缺陷像素块中的钢板缺陷区域包括:对缺陷像素块进行直方图均衡化处理,利用显著性FT算法对直方图均衡化后的缺陷像素块处理获得钢板缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250374.XA CN115330781B (zh) | 2022-10-13 | 2022-10-13 | 一种钢板缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250374.XA CN115330781B (zh) | 2022-10-13 | 2022-10-13 | 一种钢板缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330781A CN115330781A (zh) | 2022-11-11 |
CN115330781B true CN115330781B (zh) | 2023-07-28 |
Family
ID=83913498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250374.XA Active CN115330781B (zh) | 2022-10-13 | 2022-10-13 | 一种钢板缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330781B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205911B (zh) * | 2023-04-27 | 2023-07-18 | 济南市莱芜区综合检验检测中心 | 基于机器视觉的皮革制体育用品外观缺陷检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100485371C (zh) * | 2005-12-01 | 2009-05-06 | 渤海船舶重工有限责任公司 | 钢板预处理过程中的上、下表面缺陷在线自动检测方法 |
CN106780486B (zh) * | 2017-01-16 | 2019-12-24 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
CN110618134A (zh) * | 2019-09-16 | 2019-12-27 | 山西大数据产业发展有限公司 | 钢板表面质量缺陷检测评级***及方法 |
-
2022
- 2022-10-13 CN CN202211250374.XA patent/CN115330781B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115330781A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN106846316B (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
Zhao et al. | A method for detection and classification of glass defects in low resolution images | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN115330781B (zh) | 一种钢板缺陷识别方法 | |
Ai et al. | Surface detection of continuous casting slabs based on curvelet transform and kernel locality preserving projections | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与*** | |
CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN104268600A (zh) | 一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法 | |
CN105469384A (zh) | 车牌图像质量的综合评价方法 | |
CN109858484B (zh) | 一种基于偏斜评价的多类别变换车牌校正方法 | |
TW201910021A (zh) | 鋼帶尾端破損的偵測方法 | |
CN104268509A (zh) | 泥头车车牌检测的方法及*** | |
CN107945164B (zh) | 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法 | |
CN116342589B (zh) | 一种跨视场划痕缺陷连续性检测方法和*** | |
CN106056575A (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN110728669A (zh) | 一种视频马赛克检测方法 | |
CN115393325A (zh) | 织物疵点的检测方法和*** | |
CN110378354B (zh) | 一种基于组织滤波算法的提花织物图片颜色提取方法 | |
CN107967680B (zh) | 基于峰值阈值和混合特征的纺织品瑕疵检测方法 | |
CN117788467B (zh) | 一种钛金属板材缺陷图像分类方法 |
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 |