CN116071363A - 一种自动化型钢智能生产监测*** - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种自动化型钢智能生产监测***。该***包括数据预处理模块、缺陷区域获取模块和质量监测评价模块。该***通过数据预处理模块获取型钢表面图像中的待测区域和对应的初始评价值；通过缺陷区域获取模块对型钢表面图像中的待测区域进行分析，得到对应的总缺陷区域；通过质量监测评价模块结合总缺陷区域的面积占比和初始评价值得到目标评价值，结合目标评价值和初始评价值，实现对型钢表面图像对应的型钢的生产质量的监控。本发明在传统SSIM算法比对图像相似度时引入目标评级值进行评价，减少对于型钢表面重复度较高时产生的误判以及全局特征计算量过大的问题。

Description

一种自动化型钢智能生产监测***

技术领域

本发明涉及图像处理技术领域，具体涉及一种自动化型钢智能生产监测***。

背景技术

生产监测场景中，型钢在生产后需要对其质量进行检测，因为当模具使用磨损后会导致型钢产品表面发生形变，轻则会影响型钢产品的质量，对使用者带来不好的使用体验，重则会导致钢材报废，故需要通过采用计算机视觉对型钢产品的生产质量进行高效准确的监测。

目前常见的对型钢进行质量监测的方法为：在型钢连续生产的顺序图像下，通过结构相似性算法(Structural Similarity, SSIM)对采集到的待监测图像进行比对判断，而缺陷部位对全局的灰度参数影响程度较小，从而对较小的缺陷特征不能准确筛除，监测的准确性较低。

发明内容

为了解决传统SSIM算法对型钢的待监测图像的监测准确性较低的技术问题，本发明的目的在于提供一种自动化型钢智能生产监测***，所采用的技术方案具体如下：

数据预处理模块，获取型钢表面图像中的待测区域和对应的初始评价值；

缺陷区域获取模块，根据待测区域中像素点的像素值和预设标准钢材像素值的差异筛选出初始缺陷像素点；根据初始缺陷像素点的邻域内像素点的像素值的波动情况，得到型钢表面图像中初始缺陷像素点的磨损评价值；选取任意初始缺陷像素点作为目标缺陷像素点，基于目标缺陷像素点和其他初始缺陷像素点的距离、磨损评价值的差异，得到型钢表面图像中目标缺陷像素点和其他初始缺陷像素点的归属程度；根据目标缺陷像素点和其他初始缺陷像素点的归属程度，从初始缺陷像素点中筛选出目标缺陷像素点对应的所属缺陷像素点；由目标缺陷像素点对应的所属缺陷像素点构建目标缺陷像素点对应的分缺陷区域；由所有初始缺陷像素点的分缺陷区域构成型钢表面图像中的总缺陷区域；

质量监测评价模块，根据总缺陷区域的面积占比和初始评价值得到评价调节值；根据评价调节值和初始评价值得到目标评价值；基于所述目标评价值判断型钢表面图像对应的型钢的生产质量。

优选的，所述初始评价值的获取方法为：

利用SSIM算法计算型钢表面图像中待测区域和标准型钢图像中待测区域的结果相似性，将所述结果相似性作为型钢表面图像的初始评价值。

优选的，所述初始缺陷像素点的获取方法为：

将所述待测区域中各像素点的像素值和预设标准钢材像素值的差值的绝对值，作为判别差值；将所述判别差值大于预设差异阈值的像素点作为初始缺陷像素点。

优选的，所述初始缺陷像素点的磨损评价值的获取方法为：

计算初始缺陷像素点的邻域内像素点的像素值均值；

计算初始缺陷像素点的邻域内各像素点的像素值和像素值均值的差值的立方，将初始缺陷像素点的邻域内各像素点对应的差值的立方之和，作为差异和；

将初始缺陷像素点邻域内像素点的像素值方差的立方，作为初始立方差；

计算预设第四阈值倍数的初始立方差，作为立方差；将所述差异和与所述立方差的比值的绝对值，作为调节评价值；将所述调节评价值和预设第一阈值的和值作为第一调节值；

计算初始缺陷像素点的像素值和预设标准钢材像素值的差值的绝对值作为初始缺陷像素点的像素差值；将所述像素差值的正相关映射值作为待调评价值；

将所述待调评价值和第一调节值的比值作为磨损评价值。

优选的，所述归属程度的获取方法为：

计算所有初始缺陷像素点的磨损评价值的均值，作为固定评价值；计算目标缺陷像素点的磨损评价值和固定评价值的差值，作为固定差值；将除目标缺陷像素点外的任一初始缺陷像素点作为第二缺陷像素点，计算目标缺陷像素点和第二缺陷像素点的磨损评价值的差值的绝对值，作为磨损绝对值；将磨损绝对值和预设第一阈值的和值作为调节磨损绝对值；对固定差值和调节磨损绝对值的比值进行正相关映射，将得到的结果值作为损失参数值；

计算目标缺陷像素点和第二缺陷像素点的欧氏距离；

将损失函数值和所述欧式距离的比值的归一化值作为目标缺陷像素点和第二缺陷像素点的归属程度。

优选的，所述根据目标缺陷像素点和其他初始缺陷像素点的归属程度，从初始缺陷像素点中筛选出目标缺陷像素点对应的所属缺陷像素点，包括：

获取目标缺陷像素点和其他初始缺陷像素点的归属程度；对于目标缺陷像素点，将归属程度大于预设第二阈值的与目标缺陷像素点对应的初始缺陷像素点作为目标缺陷像素点对应的所属缺陷像素点。

优选的，所述由目标缺陷像素点对应的所属缺陷像素点构建目标缺陷像素点对应的分缺陷区域，包括：

由目标缺陷像素点对应的所属缺陷像素点构建最小外接凸多边形，将所述最小外接凸多边形作为目标缺陷像素点的分缺陷区域。

优选的，所述根据总缺陷区域的面积占比和初始评价值得到评价调节值，包括：

将总缺陷区域的面积占比的正相关映射值的归一化值和初始评价值的乘积的相反值，作为评价调节值。

优选的，所述根据评价调节值和初始评价值得到目标评价值，包括：

将评价调节值和初始评价值的和值，作为目标评价值。

优选的，所述基于所述目标评价值判断型钢表面图像对应的型钢的生产质量，包括：

当目标评价值大于预设第三阈值时，型钢表面图像对应的型钢的生产质量为合格；当目标评价值小于或者等于预设第三阈值时，型钢表面图像对应的型钢的生产质量为不合格。

本发明实施例至少具有如下有益效果：

该***包括数据预处理模块、缺陷区域获取模块和质量监测评价模块，首先从待测区域中筛选出初始缺陷像素点，对初始缺陷像素点进行初次筛选，粗略得到可能为缺陷区域的像素点，后续仅对初始缺陷像素点进行分析，减少了计算量。进一步的，计算初始缺陷像素点的磨损评价值，该磨损评价值从像素点邻域内灰度值的变化情况反映了像素点属于发生磨损的缺陷区域的概率。计算两个初始缺陷像素点的归属程度，归属程度反映了两个初始缺陷像素点所属同一缺陷区域的概率，以便于后续得到型钢表面图像中的缺陷区域；构建目标缺陷像素点对应的分缺陷区域，并由分缺陷区域构成总缺陷区域，该总缺陷区域是分别结合各初始缺陷像素点邻域内的灰度情况进行分析得到磨损程度和结合各初始缺陷像素点属于同一缺陷区域的归属情况两个方面的情况得到的总缺陷区域，考虑了灰度情况和归属情况得到的总缺陷区域，相对于仅根据灰度筛选出的缺陷区域，其真实的缺陷区域的监控更加准确；计算目标评价值，该目标评价值反映了型钢表面图像的局部特征，通过形变对型钢表面图像的特征相似性产生破坏的局部位置特征在比对初始评价值时引入反映局部特征的评价调节值，减少传统SSIM算法使用图像全局特征进行对比，在型钢表面重复度较高会产生误判以及全局特征计算量过大的问题；基于目标评价值判断型钢表面图像对应的型钢的生产质量。本发明在传统SSIM算法比对图像相似度时引入局部特征进行评价，减少传统SSIM算法对于型钢表面重复度较高时产生的误判以及全局特征计算量过大的问题。

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为本发明一个实施例所提供的一种自动化型钢智能生产监测***的***框图。

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自动化型钢智能生产监测***，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一种自动化型钢智能生产监测***的具体实施方法，该方法适用于型钢缺陷检测场景。该场景下通过生产线上安装的相机来采集钢材的表面俯视图，作为初始型钢图像。为了解决传统SSIM算法对型钢的待监测图像的监测准确性较低的技术问题，本发明通过数据预处理模块获取待测区域和初始评价值，通过缺陷区域获取模块获取总缺陷区域，通过质量监测评价模块获取型钢表面图像对应的型钢的生产质量。

下面结合附图具体的说明本发明所提供的一种自动化型钢智能生产监测***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自动化型钢智能生产监测***的***框图，该***包括以下模块：

数据预处理模块10，获取型钢表面图像中的待测区域和对应的初始评价值。

利用相机采集初始型钢图像。需要说明的是，该初始型钢图像为RGB图像。

使用现有的加权灰度化方法得到初始型钢图像的灰度图，作为型钢表面图像。

对同一型钢产品进行多次图像采集，减少单张图像偶发的异常情况影响型钢图像质量。得到了待检测的型钢表面图像集。

钢材随着模具磨损会逐渐在大面积的灰度相似的区域中出现破坏相似性的局部缺陷位置，通过钢材局部缺陷自身的灰度波动特性综合SSIM算法对于灰度特性的评价方式构建评价值的高精度优化方法，在钢材表面本身具有粗糙区域的影响下依然能够对缺陷位置进行准确识别。

本发明对待检测的型钢表面图像集内的型钢表面图像进行处理，获取型钢产品的高精度的目标评价值的步骤为：（1）获取相似性的初始评价值。（2）划分初始缺陷像素点。（3）根据初始评价值综合不同初始缺陷像素点之间的形态差异设置评价调节值。（4）综合初始评价值以及评价调节值，获得高精度的目标评价值。

首先获取型钢表面图像中的待测区域和对应的初始评价值，具体的：由于待测的型钢表面图像内部含有钢材和背景，通过现有的连通域算法检测得到型钢表面图像中仅含有型钢的待测区域。利用SSIM算法计算型钢表面图像中待测区域和标准型钢图像中待测区域的结果相似性，将所述结果相似性作为型钢表面图像的初始评价值。需要说明的是，利用传统SSIM算法通过亮度、对比度和结构三个方向可直接获得三个评价值，分别为亮度评价、对比度评价和结构评价。初始评价值是通过亮度评价、对比度评价和结构评价这三个评价值进行合成得到的，得到的初始评价值为全局特征。需要说明的是，利用传统SSIM算法得到结构相似性时本领域技术人员的公知技术，在此不再进行赘述。其中，标准型钢图像中的型钢为没有缺陷的型钢。

缺陷区域获取模块20，根据待测区域中像素点的像素值和预设标准钢材像素值的差异筛选出初始缺陷像素点；根据初始缺陷像素点的邻域内像素点的像素值的波动情况，得到型钢表面图像中初始缺陷像素点的磨损评价值；选取任意初始缺陷像素点作为目标缺陷像素点，基于目标缺陷像素点和其他初始缺陷像素点的距离、磨损评价值的差异，得到型钢表面图像中目标缺陷像素点和其他初始缺陷像素点的归属程度；根据目标缺陷像素点和其他初始缺陷像素点的归属程度，从初始缺陷像素点中筛选出目标缺陷像素点对应的所属缺陷像素点；由目标缺陷像素点对应的所属缺陷像素点构建目标缺陷像素点对应的分缺陷区域；由所有初始缺陷像素点的分缺陷区域构成型钢表面图像中的总缺陷区域。

缺陷位置会随机分布在灰度较为均匀的钢材表面，通过超出与预设标准钢材像素值差异在钢材自身容许的灰度波动，筛选出初始缺陷像素点。也即根据型钢表面图像中像素点的像素值和预设标准钢材像素值的差异筛选出初始缺陷像素点，具体的：将所述待测区域中各像素点的像素值和预设标准钢材像素值的差值的绝对值，作为判别差值；将所述判别差值大于预设差异阈值的像素点作为初始缺陷像素点。在本发明实施例中预设标准钢材像素值的取值为134，预设差异阈值的取值为10，在其他实施例中实施者可根据实际情况调整该取值。

实现在待测区域中获取到初始缺陷位置的像素点，也即初始缺陷像素点。由于带钢自身存在灰度波动，因此仅通过固定阈值筛选出初始缺陷像素点时，会存在较多的初始缺陷像素点。

由于带钢自身存在灰度波动，因此需要判断初始缺陷像素点是由于带钢表面自身存在不均匀或是由于模具磨损产生损伤的灰度波动。

对于不均匀位置为钢材氧化层未完全去除产生较为紧密且独立的斑点部位；磨损损伤产生具有一定延展性的灰度变化区域。故进一步的根据初始缺陷像素点的邻域内像素点的像素值的波动情况，得到初始缺陷像素点作为磨损损伤的磨损评价值。该磨损评价值的获取方法为：计算初始缺陷像素点的邻域内像素点的像素值均值；计算初始缺陷像素点的邻域内各像素点的像素值和像素值均值的差值的立方，将初始缺陷像素点的邻域内各像素点对应的差值的立方之和，作为差异和；将初始缺陷像素点邻域内像素点的像素值方差的立方，作为初始立方差；计算预设第四阈值倍数的初始立方差，作为立方差；将所述差异和与所述立方差的比值的绝对值，作为调节评价值；将所述调节评价值和预设第一阈值的和值作为第一调节值；计算初始缺陷像素点的像素值和预设标准钢材像素值的差值的绝对值作为初始缺陷像素点的像素差值；将所述像素差值的正相关映射值作为待调评价值。将所述待调评价值和第一调节值的比值作为磨损评价值。

该磨损评价值的计算公式为：

其中，为初始缺陷像素点p对应的磨损评价值；为初始缺陷像素点p对应的邻域内第i个像素点的像素值；为初始缺陷像素点p对应的像素值均值；为初始缺陷像素点p的像素值；为预设第一阈值；为自然常数；I为预设第四阈值，该预设第四阈值也即邻域内像素点的数量；为初始缺陷像素点p对应的差异和；为初始缺陷像素点p对应的第一立方；为初始缺陷像素点p对应的调节评价值；为初始缺陷像素点p对应的第一调节值；为初始缺陷像素点p对应的立方差；为初始缺陷像素点p对应的邻域内像素点像素值的方差；初始缺陷像素点p对应的像素差值；为初始缺陷像素点p的待调评价值；为预设标准钢材像素值。在本发明实施例中I的取值为8，预设第一阈值的取值为数学无穷小量，在其他实施例中实施者可根据实际情况调节该取值。在分母上加入预设第一阈值是为了避免出现分母为0的情况出现，故预设第一阈值在原则上遵循尽可能小的原则且取值不能为0，因为预设第一阈值越小对磨损评价值整体的计算影响越小，故在本发明实施例中预设第一阈值的取值为数学无穷小量。需要说明的是预设第四阈值的取值为邻域内像素点的数量，这里乘上邻域内像素点的数量的目的是为了避免中分子对初始缺陷像素点p和对应的邻域内所有像素点的差异和进行计算时出现数值过大的问题，因为分子是计算了I个像素点的像素值差值，故除上邻域内像素点的数量，使得的值在能够反映像素点与邻域内像素点的像素值差异的情况下，避免取值过大，增加后续计算的复杂度。

因为磨损损伤产生具有一定延展性的灰度变化区域，故初始缺陷像素点的3*3邻域内的像素点的灰度变化越平滑，初始缺陷像素点邻域内像素点的灰度值之间的差异会较小，灰度值的波动程度也越小。该磨损评价值的计算公式的分子部分中，即结合了偏度的概念，分式结果越接近于0，反映灰度分布越均匀，其正负号反映了前后偏移，这里通过加上绝对值以保证不为负数，其加上绝对值之后，调节评价值的取值越接近0，反映邻域内灰度分布越均匀，当调节评价值的取值越大，则邻域内灰度分布越不均匀。当初始像素点与预设标准钢材像素值的差异越大时，初始缺陷像素点P为磨损损伤的概率越大，磨损评价值则越大，磨损评价值反映了初始缺陷像素点的磨损的情况，磨损评价值越大，初始缺陷像素点属于磨损损伤的缺陷区域的概率越大。反之，初始缺陷像素点的3*3邻域内的像素点的灰度变化越不平滑，也即调节评价值越大，且初始缺陷像素点与预设标准钢材像素值的差异越小时，则初始缺陷像素点P作为磨损损伤的磨损评价值越小。为像素差值的正相关映射值，也即初始缺陷像素点的像素值与预设标准钢材像素值的差异的正相关映射。该正相关映射值综合反映出初始缺陷像素点的像素值与预设标准钢材像素值的差异。

进而获取每个初始缺陷像素点对应的磨损评价值，实现对初始缺陷像素点出现磨损损伤的可能评价的判断。

对于磨损损伤，产生较多初始缺陷像素点P的同时，存在的磨损评价值较高且较相似，据初始缺陷像素点P的磨损评价值在待测区域中的分布关系，得到待测区域中初始缺陷像素点P对应的分缺陷区域Q。

SSIM采取的全局特征进行判断，而模具磨损缺陷形成的局部异常特征对全局的图像属性特征产生较小的影响，从而在SSIM匹配过程中被忽视局部信息。

首先选取任意初始缺陷像素点作为目标缺陷像素点，基于目标缺陷像素点和其他初始缺陷像素点的距离、磨损评价值的差异，得到目标缺陷像素点和其他初始缺陷像素点的属于同一缺陷位置的归属程度。该归属程度的获取方法为：

计算所有初始缺陷像素点的磨损评价值的均值，作为固定评价值；计算目标缺陷像素点的磨损评价值和固定评价值的差值，作为固定差值；将除目标缺陷像素点外的任一初始缺陷像素点作为第二缺陷像素点，计算目标缺陷像素点和第二缺陷像素点的磨损评价值的差值的绝对值，作为磨损绝对值；将磨损绝对值和预设第一阈值的和值作为调节磨损绝对值；对固定差值和调节磨损绝对值的比值进行正相关映射，将得到的结果值作为损失参数值；计算目标缺陷像素点和第二缺陷像素点的欧氏距离；将损失函数值和所述欧式距离的比值的归一化值作为目标缺陷像素点和第二缺陷像素点的归属程度。

以初始缺陷像素点作为目标缺陷像素点，以初始缺陷像素点作为第二缺陷像素点为例，该归属程度的计算公式为：

其中，为目标缺陷像素点和第二缺陷像素点的归属程度；为归一化值函数；为自然常数；为目标缺陷像素点的磨损评价值；为第二缺陷像素点的磨损评价值；为固定评价值；为预设第一阈值；为目标缺陷像素点和第二缺陷像素点的欧式距离；为目标缺陷像素点的固定差值；为目标缺陷像素点和第二缺陷像素点的磨损绝对值；为目标缺陷像素点和第二缺陷像素点的调节磨损绝对值；为目标缺陷像素点和第二缺陷像素点的损失参数值。

其中，由于固定评价值为定值，而越大，则说明目标缺陷像素点的磨损程度越高，而越小代表目标缺陷像素点和第二缺陷像素点的磨损程度越接近，也即两个初始缺陷像素点属于同一缺陷的概率越大，并通过以自然常数为底数的指数函数进行正相关映射，进一步扩大固定差值和调节磨损绝对值的比值的增长，以便于后续获取总缺陷区域Q。两个初始缺陷像素点的欧式距离反映了两个初始缺陷像素点在图像上的位置分布，两个初始缺陷像素点的欧式距离越小，属于同一缺陷的概率越大，其对应的归属程度越大；反之，两个初始缺陷像素点的欧式距离越大，属于同一缺陷的概率越小，其对应的归属程度越小。sigmoid为现有的值域[0,1]的归一化函数，即归属程度的取值范围为[0,1]。

对于任意初始缺陷像素点，计算初始缺陷像素点P和其他初始缺陷像素点的归属程度。根据初始缺陷像素点和其他初始缺陷像素点的归属程度，从其他初始缺陷像素点中筛选出初始缺陷像素点P对应的所属缺陷像素点。具体的：以初始缺陷像素点为目标缺陷像素点，对于目标缺陷像素点，将归属程度大于预设第二阈值的与目标缺陷像素点对应的初始缺陷像素点作为目标缺陷像素点对应的所属缺陷像素点。在本发明实施例中预设第二阈值为根据生产标准设置的阈值，该预设第二阈值的取值为0.8，在其他实施例中实施者可根据实际情况调整该取值。

目标每个初始缺陷像素点所对应的所属缺陷像素点后，由各初始缺陷像素点对应的所属缺陷像素点构建各初始缺陷像素点对应的分缺陷区域，具体的：由目标缺陷像素点对应的所属缺陷像素点构建最小外接凸多边形，将所述最小外接凸多边形作为目标缺陷像素点的分缺陷区域，也可以说利用现有的凸包算法获取所属缺陷区域构成的分缺陷区域。

得到每个初始缺陷像素点对应的分缺陷区域之后，由所有初始缺陷像素点对应的分缺陷区域构成待测区域中的总缺陷区域。并获取总缺陷区域的面积。在本发明实施例中，总缺陷区域的面积即为总缺陷区域内像素点的数量。

质量监测评价模块30，根据总缺陷区域的面积占比和初始评价值得到评价调节值；根据评价调节值和初始评价值得到目标评价值；基于所述目标评价值判断型钢表面图像对应的型钢的生产质量。

当前型钢表面图像中待测区域中缺陷区域越大，则型钢表面图像与标准型钢图像之间的匹配程度则越低，因此根据总缺陷区域的面积占比设置评价调节值，对SSIM算法的匹配程度进行监督。根据总缺陷区域的面积占比和初始评价值得到评价调节值，具体的：将总缺陷区域的面积占比的正相关映射值的归一化值和初始评价值的乘积的相反值，作为评价调节值。

该评价调节值的计算公式为：

其中，为评价调节值；为初始评价值；为归一化函数；为以自然常数为底数的指数函数；为总缺陷区域的面积；为型钢表面图像的面积；为总缺陷区域的面积占比。

当型钢表面图像中总缺陷区域的面积占比越大，则当前型钢表面图像中质量越差，对应的评价调节值越小，反之，当型钢表面图像中总缺陷区域的面积占比越小，则当前型钢表面图像中质量越好，对应的评价调节值越大。该评价调节值反映了型钢表面图像的局部特征。其结合后续的初始评价值，以达到对待监测图像更准确的监控。

将局部特征引入全局判断，得到目标评价值。该目标评价值的获取方法为：将评价调节值和初始评价值的和值，作为目标评价值。

将结合型钢表面图像的局部特征和全局特征得到的目标评价值，作为最终的结果相似性，提高了传统SSIM相似性衡量的准确性。

该目标评价值反映了当前的型钢表面图像和标准型钢图像的相似程度，型钢表面图像对应的目标评价值越大，则型钢表面图像和标准型钢图像越相似，型钢表面图像出现质量问题的概率越小；型钢表面图像对应的目标评价值越小，则型钢表面图像和标准型钢图像差异越大，型钢表面图像出现质量问题的概率越大。当型钢表面图像和标准型钢图像一模一样时，其对应的目标评价值为1，该目标评价值的取值范围为[-1,1]。

进一步的，基于所述目标评价值判断型钢表面图像对应的型钢的生产质量，具体的：当目标评价值大于预设第三阈值时，型钢表面图像对应的型钢的生产质量为合格；当目标评价值小于或者等于预设第三阈值时，型钢表面图像对应的型钢的生产质量为不合格。在本发明实施例中预设第三阈值的取值为0.8，在其他实施例中实施者可根据实际情况调整该取值。将生产质量为不合格的型钢及时进行监测剔除，以保证生产稳定进行。需要说明的是预设第三阈值的设定规则是首先通过人为参与从多张历史型钢表面图像中选取出合格的历史型钢表面图像，计算每张合格的历史型钢表面图像的目标评价值，将合格的历史型钢表面图像中最小的目标评价值的取值作为预设第三阈值。

综上所述，本发明涉及图像处理技术领域。该***首先通过数据预处理模块获取型钢表面图像中的待测区域和对应的初始评价值；再通过缺陷区域获取模块从待测区域中筛选出初始缺陷像素点；根据初始缺陷像素点的邻域内像素点的像素值的波动情况，得到初始缺陷像素点的磨损评价值；选取任意初始缺陷像素点作为目标缺陷像素点，基于目标缺陷像素点和其他初始缺陷像素点的距离、磨损评价值的差异，得到目标缺陷像素点和其他初始缺陷像素点的归属程度；根据目标缺陷像素点和其他初始缺陷像素点的归属程度，筛选出目标缺陷像素点对应的所属缺陷像素点；由目标缺陷像素点对应的所属缺陷像素点构建目标缺陷像素点对应的分缺陷区域，并由分缺陷区域构成总缺陷区域；最后，根据质量监测评价模块，根据总缺陷区域的面积占比和初始评价值得到评价调节值；根据评价调节值和初始评价值得到目标评价值；基于目标评价值判断型钢表面图像对应的型钢的生产质量。本发明在传统SSIM算法比对图像相似度时引入局部特征进行评价，减少传统SSIM算法对于型钢表面重复度较高时产生的误判以及全局特征计算量过大的问题。

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。

Claims (10)

1.一种自动化型钢智能生产监测***，其特征在于，该***包括以下模块：

数据预处理模块，获取型钢表面图像中的待测区域和对应的初始评价值；

缺陷区域获取模块，根据待测区域中像素点的像素值和预设标准钢材像素值的差异筛选出初始缺陷像素点；根据初始缺陷像素点的邻域内像素点的像素值的波动情况，得到型钢表面图像中初始缺陷像素点的磨损评价值；选取任意初始缺陷像素点作为目标缺陷像素点，基于目标缺陷像素点和其他初始缺陷像素点的距离、磨损评价值的差异，得到型钢表面图像中目标缺陷像素点和其他初始缺陷像素点的归属程度；根据目标缺陷像素点和其他初始缺陷像素点的归属程度，从初始缺陷像素点中筛选出目标缺陷像素点对应的所属缺陷像素点；由目标缺陷像素点对应的所属缺陷像素点构建目标缺陷像素点对应的分缺陷区域；由所有初始缺陷像素点的分缺陷区域构成型钢表面图像中的总缺陷区域；

质量监测评价模块，根据总缺陷区域的面积占比和初始评价值得到评价调节值；根据评价调节值和初始评价值得到目标评价值；基于所述目标评价值判断型钢表面图像对应的型钢的生产质量。

2.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述初始评价值的获取方法为：

利用SSIM算法计算型钢表面图像中待测区域和标准型钢图像中待测区域的结果相似性，将所述结果相似性作为型钢表面图像的初始评价值。

3.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述初始缺陷像素点的获取方法为：

将所述待测区域中各像素点的像素值和预设标准钢材像素值的差值的绝对值，作为判别差值；将所述判别差值大于预设差异阈值的像素点作为初始缺陷像素点。

4.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述初始缺陷像素点的磨损评价值的获取方法为：

计算初始缺陷像素点的邻域内像素点的像素值均值；

计算初始缺陷像素点的邻域内各像素点的像素值和像素值均值的差值的立方，将初始缺陷像素点的邻域内各像素点对应的差值的立方之和，作为差异和；

将初始缺陷像素点邻域内像素点的像素值方差的立方，作为初始立方差；

计算预设第四阈值倍数的初始立方差，作为立方差；将所述差异和与所述立方差的比值的绝对值，作为调节评价值；将所述调节评价值和预设第一阈值的和值作为第一调节值；

计算初始缺陷像素点的像素值和预设标准钢材像素值的差值的绝对值作为初始缺陷像素点的像素差值；将所述像素差值的正相关映射值作为待调评价值；

将所述待调评价值和第一调节值的比值作为磨损评价值。

5.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述归属程度的获取方法为：

计算所有初始缺陷像素点的磨损评价值的均值，作为固定评价值；计算目标缺陷像素点的磨损评价值和固定评价值的差值，作为固定差值；将除目标缺陷像素点外的任一初始缺陷像素点作为第二缺陷像素点，计算目标缺陷像素点和第二缺陷像素点的磨损评价值的差值的绝对值，作为磨损绝对值；将磨损绝对值和预设第一阈值的和值作为调节磨损绝对值；对固定差值和调节磨损绝对值的比值进行正相关映射，将得到的结果值作为损失参数值；

计算目标缺陷像素点和第二缺陷像素点的欧氏距离；

将损失函数值和欧式距离的比值的归一化值作为目标缺陷像素点和第二缺陷像素点的归属程度。

6.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述根据目标缺陷像素点和其他初始缺陷像素点的归属程度，从初始缺陷像素点中筛选出目标缺陷像素点对应的所属缺陷像素点，包括：

获取目标缺陷像素点和其他初始缺陷像素点的归属程度；对于目标缺陷像素点，将归属程度大于预设第二阈值的与目标缺陷像素点对应的初始缺陷像素点作为目标缺陷像素点对应的所属缺陷像素点。

7.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述由目标缺陷像素点对应的所属缺陷像素点构建目标缺陷像素点对应的分缺陷区域，包括：

由目标缺陷像素点对应的所属缺陷像素点构建最小外接凸多边形，将所述最小外接凸多边形作为目标缺陷像素点的分缺陷区域。

8.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述根据总缺陷区域的面积占比和初始评价值得到评价调节值，包括：

将总缺陷区域的面积占比的正相关映射值的归一化值和初始评价值的乘积的相反值，作为评价调节值。

9.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述根据评价调节值和初始评价值得到目标评价值，包括：

将评价调节值和初始评价值的和值，作为目标评价值。

10.根据权利要求1所述的一种自动化型钢智能生产监测***，其特征在于，所述基于所述目标评价值判断型钢表面图像对应的型钢的生产质量，包括：

当目标评价值大于预设第三阈值时，型钢表面图像对应的型钢的生产质量为合格；当目标评价值小于或者等于预设第三阈值时，型钢表面图像对应的型钢的生产质量为不合格。

Images