CN116645367B - 一种高端制造用的钢板切割质量检测方法 - Google Patents
一种高端制造用的钢板切割质量检测方法 Download PDFInfo
- Publication number
- CN116645367B CN116645367B CN202310926389.1A CN202310926389A CN116645367B CN 116645367 B CN116645367 B CN 116645367B CN 202310926389 A CN202310926389 A CN 202310926389A CN 116645367 B CN116645367 B CN 116645367B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- connected domain
- gray
- target
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 129
- 239000010959 steel Substances 0.000 title claims abstract description 129
- 238000005520 cutting process Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000003064 k means clustering Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 35
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 5
- 238000003698 laser cutting Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种高端制造用的钢板切割质量检测方法。该方法包括:获取钢板切面的灰度图像;根据灰度图像中各连通域内各像素点的位置分布、各像素点与其相邻像素点的灰度差异,得到对应的稳定程度;基于稳定程度和像素点的灰度值确定各连通域纹理特征值的分布区间;根据分布区间、灰度图像中像素点的灰度值、图像数据集中各历史图像中像素点的灰度值,筛选目标历史图像;基于目标历史图像在K‑means聚类时对应的目标K值以及灰度图像中各连通域纹理特征值的分布区间,对灰度图像中的像素点进行聚类获得聚类结果,进而判断钢板的切割质量是否合格。本发明提高了钢板切割质量检测结果的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种高端制造用的钢板切割质量检测方法。
背景技术
激光切割技术可以在钢板上进行精确、高速、高质量的切割,在整个切割领域中是重中之重。激光切割技术在工业环境下,无法一直保持合适的切割速度和功率,不可避免的会存在切割质量不佳的情况,切面表面会存在一些深浅不一的裂隙,这些裂隙对高端制造用的钢板质量评价影响十分大,因此需要对切割后的高端制造用的钢板进行切割质量检测,以便于及时对钢板切割方法进行调整。
现有的对于钢板表面的切割质量检测一般采用K-means聚类算法,但是此算法依赖K的选择,对噪声过于敏感,且初始聚类中心设置的不同可能会导致最终获得的聚类结果不同,只能粗略的体现缺陷数量,无法对缺陷程度进行量化,进而导致无法准确地对钢板切割质量进行评价。
发明内容
为了解决现有方法在对钢板切割质量进行检测时存在的检测结果的准确度较低的问题,本发明的目的在于提供一种高端制造用的钢板切割质量检测方法,所采用的技术方案具体如下:
本发明提供了一种高端制造用的钢板切割质量检测方法,该方法包括以下步骤:
获取待检测钢板切面的灰度图像;
利用滑窗在所述灰度图像上滑动获得各窗口区域,对各窗口区域进行边缘检测获得各窗口区域内的各连通域;根据各连通域中各像素点的位置分布、各像素点与其相邻像素点的灰度差异,得到各连通域对应的稳定程度;基于所述稳定程度和像素点的灰度值确定各连通域纹理特征值的分布区间;
根据所述灰度图像中各连通域纹理特征值的分布区间、所述灰度图像中像素点的灰度值、图像数据集中各历史图像中像素点的灰度值,从图像数据集中筛选目标历史图像;
基于目标历史图像在K-means聚类时对应的目标K值以及所述灰度图像中各连通域纹理特征值的分布区间,采用K-means聚类算法对所述灰度图像中的像素点进行聚类获得聚类结果;结合所述聚类结果和目标历史图像中各连通域纹理特征值的分布区间,判断待检测钢板的切割质量是否合格。
优选的,滑窗的尺寸的获取,包括:
对所述灰度图像进行阈值分割获得各目标子区域,分别获取各目标子区域的最小外接矩形;计算所有最小外接矩形的平均宽度;
将滑窗的长和宽均设置为所述平均宽度的预设倍数。
优选的,所述根据各连通域中各像素点的位置分布、各像素点与其相邻像素点的灰度差异,得到各连通域对应的稳定程度,包括:
对于任一连通域:
对于该连通域中的任一行:将该行各像素点的两个相邻像素点的灰度差异,确定为对应像素点的横向差分值;分别计算该行各横向差分值的平方值,将该行所有横向差分值的平方值的和值记为该行对应的第一指标;将所述第一指标与所述所有最小外接矩形的平均宽度的比值,确定为该行的行灰度变化参数;
对于该连通域中的任一列:将该列各像素点的两个相邻像素点的灰度差异,确定为对应像素点的纵向差分值;分别计算该行各纵向差分值的平方值,将该行所有纵向差分值的平方值的和值记为该列对应的第二指标;将所述第二指标与所述所有最小外接矩形的平均宽度的比值,确定为该列的列灰度变化参数;
对该连通域进行直线检测获得该连通域中的各直线段;
根据该连通域中的各直线段的方向、各行的行灰度变化参数和各列的列灰度变化参数,得到该连通域对应的稳定程度。
优选的,根据该连通域中的各直线段的方向、各行的行灰度变化参数和各列的列灰度变化参数,得到该连通域对应的稳定程度,包括:
根据该连通域中各行的行灰度变化参数,计算所有行的行灰度变化参数的方差;将所述行灰度变化参数的方差确定为该连通域的横向稳定度;
根据该连通域中各列的列灰度变化参数,计算所有列的列灰度变化参数的方差;将所述列灰度变化参数的方差确定为该连通域的纵向稳定度;
分别统计该连通域中横向方向上的直线段的数量和纵向方向上的直线的数量,将两个方向上直线段的数量最多的方向确定为目标方向;
基于所述横向稳定度、所述纵向稳定度、所述目标方向和预设权重,得到该连通域对应的稳定程度。
优选的,基于所述稳定程度和像素点的灰度值确定各连通域纹理特征值的分布区间,包括:
对于任一连通域:
根据该连通域中每个目标方向上每个像素点的灰度值,分别获取该连通域中每个目标方向上所有像素点的平均灰度值、最大灰度值和最小灰度值;
根据所述平均灰度值、所述最大灰度值、所述最小灰度值和该连通域对应的稳定程度,得到该连通域纹理特征值的分布区间的下限值和上限值;基于所述下限值和上限值获得该连通域纹理特征值的分布区间。
优选的,采用如下公式计算该连通域纹理特征值的分布区间的下限值和上限值:
,
其中,为该连通域纹理特征值的分布区间的下限值,/>为该连通域纹理特征值的分布区间的上限值,K为该连通域中目标方向的数量,/>为该连通域中第k个目标方向上所有像素点的平均灰度值,/>为该连通域中第k个目标方向上所有像素点的最小灰度值,/>为该连通域中第k个目标方向上所有像素点的最大灰度值,C为该连通域对应的稳定程度。
优选的,根据所述灰度图像中各连通域纹理特征值的分布区间、所述灰度图像中像素点的灰度值、图像数据集中各历史图像中像素点的灰度值,从图像数据集中筛选目标历史图像,包括:
对于所述灰度图像中的任一窗口区域:将该窗口区域中所有连通域纹理特征值的分布区间的下限值中的最小值,确定为该窗口区域的纹理特征最小值;将该窗口区域中所有连通域纹理特征值的分布区间的上限值中的最大值,确定为该窗口区域的纹理特征最大值;基于所述纹理特征最小值和所述纹理特征最大值获得该窗口区域的纹理特征区间;
将所述灰度图像中所有窗口区域的纹理特征区间的下限值的众数记为所述灰度图像对应的第一众数;将所述灰度图像中所有窗口区域的纹理特征区间的上限值的众数记为所述灰度图像对应的第二众数;将图像数据集中各历史图像中所有窗口区域的纹理特征区间的下限值的众数记为对应历史图像对应的第三众数;将图像数据集中各历史图像中所有窗口区域的纹理特征区间的上限值的众数记为对应历史图像对应的第四众数;
将所述灰度图像中各窗口区域的纹理特征区间的中值记为所述灰度图像中对应窗口区域的第一中值,分别计算所述灰度图像中所有窗口区域的第一中值的标准差和熵值;将图像数据集中各历史图像中各窗口区域的纹理特征区间的中值记为对应历史图像中对应窗口区域的第二中值,分别计算图像数据集中各历史图像中所有窗口区域的第二中值的标准差和熵值;
根据所述第一众数、所述第二众数、所述第三众数、所述第四众数、所述第一中值的标准差和熵值、所述第二中值的标准差和熵值,从图像数据集中筛选目标历史图像。
优选的,根据所述第一众数、所述第二众数、所述第三众数、所述第四众数、所述第一中值的标准差和熵值、所述第二中值的标准差和熵值,从图像数据集中筛选目标历史图像,包括:
分别将所述第一众数与各历史图像对应的第三众数之间的差异,确定为所述灰度图像与各历史图像的第一差异;将所述第二众数与各历史图像对应的第四众数之间的差异,确定为所述灰度图像与各历史图像的第二差异;
根据所述第一差异、所述第二差异、灰度图像中所有窗口区域的第一中值的标准差与所述各历史图像中所有窗口区域的第二中值的标准差之间的差异、灰度图像中所有窗口区域的第一中值的熵值与各历史图像中所有窗口区域的第二中值的熵值之间的差异,得到所述灰度图像与各历史图像的匹配参数;
将最小的匹配参数对应的历史图像作为目标历史图像。
优选的,基于目标历史图像在K-means聚类时对应的目标K值以及所述灰度图像中各连通域纹理特征值的分布区间,采用K-means聚类算法对所述灰度图像中的像素点进行聚类获得聚类结果,包括:
将目标历史图像在K-means聚类时对应的目标K值作为所述灰度图像在进行K-means聚类时的K值;
将所述灰度图像中各连通域纹理特征值的分布区间的中值作为各连通域的特征值,基于所述各连通域的特征值获得各连通域对应的类别,分别在每个类别中面积最大的连通域中任选一个像素点作为初始聚类中心;
基于所述灰度图像在进行K-means聚类时的K值和所述初始聚类中心,对所述灰度图像在进行K-means聚类获得聚类结果。
优选的,所述结合所述聚类结果和目标历史图像中各连通域纹理特征值的分布区间,判断待检测钢板的切割质量是否合格,包括:
基于目标历史图像中各连通域纹理特征值的分布区间,确定目标历史图像中每个聚类簇对应的纹理特征区间;基于灰度图像中各连通域纹理特征值的分布区间,确定灰度图像中每个聚类簇对应的纹理特征区间;
将目标历史图像中缺陷区域所在的聚类簇记为目标历史图像中的缺陷聚类簇;
对于所述灰度图像中的任一聚类簇:分别判断该聚类簇对应的纹理特征区间是否大于目标历史图像中任一缺陷聚类簇对应的纹理特征区间的预设占比阈值,若大于,则将该聚类簇确定为所述灰度图像中的缺陷聚类簇;
判断所述灰度图像中的所有缺陷聚类簇的总面积是否大于面积阈值,若大于,则判定待检测钢板的切割质量不合格;若小于或等于,则判定待检测钢板的切割质量合格。
本发明至少具有如下有益效果:
本发明首先结合待检测钢板切面的灰度图像中每个连通域中像素点的位置分布、像素点与其相邻像素点的灰度值,确定了每个连通域纹理特征值的分布区间,本发明对每个连通域内纹理特征进行了分析,获取的纹理特征值的分布区间的准确度更高;然后根据待检测钢板切面的灰度图像中每个连通域纹理特征值的分布区间、待检测钢板切面的灰度图像中像素点的灰度值、图像数据集中各历史图像中像素点的灰度值,从图像数据集中筛选出了目标历史图像,目标历史图像与待检测钢板切面的灰度图像的相似程度最高,因此目标历史图像在K-means聚类时对应的目标K值更适合作为待检测钢板切面的灰度图像在K-means聚类时的K值,本发明基于目标历史图像在K-means聚类时对应的目标K值以及检测钢板切面的灰度图像中每个连通域纹理特征值的分布区间,采用K-means聚类算法对待检测钢板切面的灰度图像中的像素点进行聚类,获得了聚类结果,本发明自适应地确定待检测钢板切面的灰度图像对应的K值,提高了聚类效果的准确度,又基于聚类结果对待检测钢板的切割质量进行判断,提高了待检测钢板的切割质量检测结果的准确度。
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为本发明实施例所提供的一种高端制造用的钢板切割质量检测方法的流程图。
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高端制造用的钢板切割质量检测方法进行详细说明如下。
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高端制造用的钢板切割质量检测方法的具体方案。
一种高端制造用的钢板切割质量检测方法实施例:
本实施例所针对的具体场景为:在对高端制造用的钢板进行激光切割时,切面会产生深浅不一的裂隙和划痕,使得切面粗糙不平整,此时需要对钢板切面进行图像缺陷检测。现有方法判断切面的缺陷程度主要采用均值聚类算法,但是均值聚类算法依赖对数量K的选择,对噪声过于敏感,无法对缺陷程度进行量化,进而导致钢板质量检测结果的准确度较低。本实施例在K-means聚类算法的基础上,提出了一种改进初始聚类中心点选取的K均值聚类算法,通过大小合适的窗口确定缺陷的纹理特征,量化不同窗口内的缺陷程度,进而选取合适的K值,并确定初始聚类中心;最后基于聚类结果对待检测钢板的质量进行评价。
本实施例提出了一种高端制造用的钢板切割质量检测方法,如图1所示,本实施例的一种高端制造用的钢板切割质量检测方法包括以下步骤:
步骤S1,获取待检测钢板切面的灰度图像。
本实施例主要是针对激光切割时切面的裂隙进行视觉检测,因此首先在切面一侧设置高分辨率相机,使得相机的镜头正对待检测钢板的切面,利用相机采集待检测钢板切面的RGB图像,对采集到的待检测钢板切面的RGB图像进行灰度化处理,获得灰度图,对获得的灰度图进行高斯滤波处理,过滤掉图像中的噪声,得到效果良好的切面灰度图,将滤波处理后的图像记为待检测钢板切面的灰度图像。其中,RGB图像为彩色图像。
至此,获得了待检测钢板切面的灰度图像,用于后续对待检测钢板的切割质量的评价。
步骤S2,利用滑窗在所述灰度图像上滑动获得各窗口区域,对各窗口区域进行边缘检测获得各窗口区域内的各连通域;根据连通域中各像素点与其相邻像素点的灰度差异,得到各连通域对应的稳定程度;基于所述稳定程度确定各连通域纹理特征值的分布区间。
获得待检测钢板切面的灰度图像后,需要选取大小合适的滑窗,使得囊括的连通域的数量适中,不会造成窗口内各种细小通域数量过多,最后导致纹理特征失去代表性。
具体的,首先采用大津阈值法对待检测钢板切面的灰度图像进行处理,图像中的裂隙和凹槽会变成多个灰度值为0的连通域,对获得的图像进行形态学操作,去除小的噪点和断裂的线段,获得光滑的连通域,将此时获得的连通域记为目标子区域,也即对待检测钢板切面的灰度图像进行了阈值分割获得了多个目标子区域。大津阈值法是一种自适应的二值化方法,该方法为现有技术,此处不再过多赘述。分别获取各目标子区域的最小外接矩形;计算所有最小外接矩形的平均宽度;将滑窗的长和宽均设置为所述平均宽度的预设倍数。本实施例中的预设倍数为1.8,在具体应用中,实施者可根据具体情况进行设置。
获得滑窗的尺寸后,利用滑窗在待检测钢板切面的灰度图像上从左到右、从上到下进行滑动,每次滑动均对应一个窗口区域,滑窗的滑动步长与滑窗的宽度相等,均为所有最小外接矩形的平均宽度的1.8倍,采用上述方法,能够获得待检测钢板切面的灰度图像中的多个窗口区域。
采用Canny算子对每个窗口区域进行边缘检测,提取每个窗口区域内的连通域。接下来本实施例将首先对单个连通域进行分析,若单个连通域像素点的灰度较一致,也即未发生剧烈变化,则说明连通域内的纹理稳定程度较高。因此本实施例将首先分别根据各连通域中各像素点与其相邻像素点的灰度差异,获得灰度差分值,灰度差分值包括横向差分值和纵向差分值,获取灰度差分值是为了对像素点的横向灰度变化情况和纵向灰度变化情况进行评价;获得灰度变化情况后,可以综合像素点的横向灰度变化和纵向灰度变化,分析连通域的纹理变化程度;通过对纹理变化程度进行加权,即可表征连通域的纹理特征,本实施例结合横向差分值确定行灰度变化参数,结合纵向差分值确定列灰度变化参数,行灰度变化参数反映的是连通域内横向方向上像素点灰度变化的剧烈程度,行灰度变化参数越大,说明连通域内每一行像素点的灰度变化幅度越大,连通域内可能同时存在较深和较浅的地方,也即连通域内的纹理变化越不一致;列灰度变化参数反映的是连通域内纵向方向上像素点灰度变化的剧烈程度,列灰度变化参数越大,说明连通域内每一列像素点的灰度变化幅度越大,连通域内可能同时存在较深和较浅的地方,也即连通域内的纹理变化越不一致。因此本实施例根据行灰度变化参数和列灰度变化参数,确定各连通域对应的稳定程度。
具体的,对于任一连通域:
对于该连通域中的任一行:将该行各像素点的两个相邻像素点的灰度差异,确定为对应像素点的横向差分值;例如:对于该行中的第5个像素点,将该行中第4个像素点与第6个像素点的灰度值的差值的绝对值,确定为该行中第5个像素点的横向差分值。需要说明的是:由于该行第1个像素点的左侧不存在像素点,该行最后1个像素点的右侧不存在像素点,因此不计算该行第1个像素点和最后1个像素点的横向差分值。分别计算该行各横向差分值的平方值,将该行所有横向差分值的平方值的和值记为该行对应的第一指标;将所述第一指标与所述所有最小外接矩形的平均宽度的比值,确定为该行的行灰度变化参数。根据该连通域中各行的行灰度变化参数,计算所有行的行灰度变化参数的方差;将所述行灰度变化参数的方差确定为该连通域的横向稳定度。
对于该连通域中的任一列:将该列各像素点的两个相邻像素点的灰度差异,确定为对应像素点的纵向差分值;例如:对于该列中的第3个像素点,将该列中第2个像素点与第4个像素点的灰度值的差值的绝对值,确定为该列中第3个像素点的纵向差分值。需要说明的是:由于该列第1个像素点的上方不存在像素点,该行最后1个像素点的下方不存在像素点,因此不计算该列第1个像素点和最后1个像素点的纵向差分值。分别计算该行各纵向差分值的平方值,将该行所有纵向差分值的平方值的和值记为该列对应的第二指标;将所述第二指标与所述所有最小外接矩形的平均宽度的比值,确定为该列的列灰度变化参数。根据该连通域中各列的列灰度变化参数,计算所有列的列灰度变化参数的方差;将所述列灰度变化参数的方差确定为该连通域的纵向稳定度。
该连通域中第i行的行灰度变化参数和第j列的列灰度变化参数的具体计算公式分别为:
其中,为该连通域中第i行的行灰度变化参数,/>为该连通域中第j列的列灰度变化参数,d为所有最小外接矩形的平均宽度,M为该连通域中第i行中像素点的横向差分值的数量,N为该连通域中第j列中像素点的纵向差分值的数量,/>为该连通域中第i行中像素点的第m个横向差分值,/>为该连通域中第j列中像素点的第n个纵向差分值。
为第i行对应的第一指标;/>为第j列对应的第二指标。若该连通域内的裂痕缺陷比较明显,则该连通域内像素点的灰度差分值较大,也即横向差分值和纵向差分值均较大;缺陷表现在图像上,除了灰度差分值的大小,还有它们在窗口中的占比,本实施例计算连通域内像素点在横轴方向上或在纵向方向上的差分值的平方之和与所有最小外接矩形的平均宽度的比值,该比值越大,说明该连通域内的缺陷越明显。
在获得该连通域中每行的行灰度变化参数和每列的列灰度变化参数后,本实施例将该连通域内所有行的行灰度变化参数的方差确定为该连通域的横向稳定度,将连通域内所有列的行灰度变化参数的方差确定为该连通域的纵向稳定度。采用上述方法,获得了该连通域的横向稳定度和纵向稳定度,接下来本实施例将结合该连通域的横向稳定度和纵向稳定度来确定该连通域整体的稳定程度,也即计算该连通域对应的稳定程度,由于激光在对钢板进行切割时产生的裂缝或者割痕方向较固定,也即划痕或者割痕大部分都是朝着相同的方向延伸的,因此在计算该连通域对应的稳定程度时应当赋予该方向更大的权重。
具体的,对该连通域进行直线检测获得该连通域中的各直线段;本实施例采用霍夫直线检测的方法对连通域进行直线检测,该方法为现有技术,此处不再过多赘述。分别统计该连通域中横向方向上的直线段的数量和纵向方向上的直线的数量,将两个方向上直线段的数量最多的方向确定为目标方向,若该连通域中横向方向上的直线段的数量大于纵向方向上的直线的数量,则将横向方向作为目标方向;若该连通域中横向方向上的直线段的数量小于或等于纵向方向上的直线的数量,则将纵向方向作为目标方向,在目标方向上的稳定度的权重应当较大。本实施例结合该连通域的横向稳定度、该连通域的纵向稳定度、目标方向和预设权重,确定该连通域对应的稳定程度,该连通域对应的稳定程度的具体计算公式为:
其中,Q为该连通域对应的稳定程度,为该连通域的横向稳定度,/>为该连通域的纵向稳定度,/>为第一权重,/>为第二权重。
由于目标方向上的稳定度的权重应当较大,因此,当目标方向为横向时,本实施例设置为0.7,/>为0.3,也即横向稳定度对应的权重大于纵向稳定度对应的权重;当目标方向为纵向时,本实施例设置/>为0.3,/>为0.7,也即纵向稳定度对应的权重大于横向稳定度对应的权重。在具体应用中,实施者可根据具体情况进行设置。
纹理特征值的分布区间需要代表整体连通域的纹理分布情况,不能直接使用灰度上下限对稳定程度加权获得,而是需要与平均值求均值进行收敛再加权,即可得到连通域的纹理特征值的分布区间的上下限,进而确定连通域纹理特征值的分布区间。本实施例在获得了该连通域对应的稳定程度后,将结合该连通域对应的稳定程度和该连通域中像素点的灰度分布情况,确定该连通域纹理特征值的分布区间。
具体的,分别获取该连通域中每个目标方向上所有像素点的平均灰度值、最大灰度值和最小灰度值;根据所述平均灰度值、所述最大灰度值、所述最小灰度值和该连通域对应的稳定程度,得到该连通域纹理特征值的分布区间的下限值和上限值;基于所述下限值和上限值获得该连通域纹理特征值的分布区间。需要说明的是:若目标方向为横向,则分别获取了该连通域中每一行所有像素点的平均灰度值、最大灰度值和最小灰度值,该连通域中每一行对应一个平均灰度值、一个最大灰度值和一个最小灰度值;若目标方向为纵向,则分别获取了该连通域中每一列所有像素点的平均灰度值、最大灰度值和最小灰度值,该连通域中每一列对应一个平均灰度值、一个最大灰度值和一个最小灰度值。该连通域纹理特征值的分布区间的下限值和上限值的具体表达式分别为:
其中,为该连通域纹理特征值的分布区间的下限值,/>为该连通域纹理特征值的分布区间的上限值,K为该连通域中目标方向的数量,/>为该连通域中第k个目标方向上所有像素点的平均灰度值,/>为该连通域中第k个目标方向上所有像素点的最小灰度值,/>为该连通域中第k个目标方向上所有像素点的最大灰度值,C为该连通域对应的稳定程度。
为第k个目标方向上所有像素点的平均灰度值和最小灰度值两者的均值,除以255为进行归一化处理,归一化后的值越小,说明纹理特征值的分布区间偏小的程度越接近于最小灰度值,利用/>对该连通域对应的稳定程度进行修正,使得该连通域内取值较小的稳定程度变成一个大小适中又能反映灰度分布的值;灰度低的连通域所在的窗口纹理特征值的分布区间的下限值会偏小,这个窗口会更接近于钢板异常区域,相反,灰度高的连通域所在的窗口纹理特征值的分布区间的上限值会偏大,这个窗口会更接近于钢板正常区域。
在获得该连通域纹理特征值的分布区间的下限值和上限值/>后,将[作为该连通域纹理特征值的分布区间。
采用上述方法,能够获得待检测钢板切面的灰度图像中每个连通域纹理特征值的分布区间。
步骤S3,根据所述灰度图像中各连通域纹理特征值的分布区间、所述灰度图像中像素点的灰度值、图像数据集中各历史图像中像素点的灰度值,从图像数据集中筛选目标历史图像。
接下来本实施例将从图像数据集中获取一张与待检测钢板切面的灰度图像相似度最高的图像,基于图像数据集中的图像在K-means聚类时对应的K值,确定待检测钢板切面的灰度图像K-means聚类时的K值。图像数据集是由多张钢板切面的图像构成的,这些图像均是在历史检测过程中采集到的图像,这些图像中包含各种各样的缺陷图像以及无缺陷的正常图像,均为灰度图像,本实施例将图像数据集中的每张图像记为一张历史图像,每张历史图像与待检测钢板切面的灰度图像的尺寸均相同。
对于所述灰度图像中的任一窗口区域:将该窗口区域中所有连通域纹理特征值的分布区间的下限值中的最小值,确定为该窗口区域的纹理特征最小值;将该窗口区域中所有连通域纹理特征值的分布区间的上限值中的最大值,确定为该窗口区域的纹理特征最大值;基于所述纹理特征最小值和所述纹理特征最大值获得该窗口区域的纹理特征区间;也即该窗口区域的纹理特征区间的下限值为该窗口区域的纹理特征最小值,该窗口区域的纹理特征区间的上限值为该窗口区域的纹理特征最大值。将所述灰度图像中所有窗口区域的纹理特征区间的下限值的众数记为所述灰度图像对应的第一众数;将所述灰度图像中所有窗口区域的纹理特征区间的上限值的众数记为所述灰度图像对应的第二众数;将图像数据集中各历史图像中所有窗口区域的纹理特征区间的下限值的众数记为对应历史图像对应的第三众数;将图像数据集中各历史图像中所有窗口区域的纹理特征区间的上限值的众数记为对应历史图像对应的第四众数;将所述灰度图像中各窗口区域的纹理特征区间的中值记为所述灰度图像中对应窗口区域的第一中值,分别计算所述灰度图像中所有窗口区域的第一中值的标准差和熵值;标准差和熵值的计算方法均为现有技术,此处不再过多赘述;将图像数据集中各历史图像中各窗口区域的纹理特征区间的中值记为对应历史图像中对应窗口区域的第二中值,分别计算图像数据集中各历史图像中所有窗口区域的第二中值的标准差和熵值。分别将所述第一众数与各历史图像对应的第三众数之间的差异,确定为所述灰度图像与各历史图像的第一差异;将所述第二众数与各历史图像对应的第四众数之间的差异,确定为所述灰度图像与各历史图像的第二差异;根据所述第一差异、所述第二差异、灰度图像中所有窗口区域的第一中值的标准差与所述各历史图像中所有窗口区域的第二中值的标准差之间的差异、灰度图像中所有窗口区域的第一中值的熵值与各历史图像中所有窗口区域的第二中值的熵值之间的差异,得到所述灰度图像与各历史图像的匹配参数。
对于图像数据集中的任一历史图像,待检测钢板切面的灰度图像与该历史图像的匹配参数的具体计算公式为:
其中,Y为待检测钢板切面的灰度图像与该历史图像的匹配参数;为待检测钢板切面的灰度图像中所有窗口区域的纹理特征区间的下限值的众数与该历史图像中所有窗口区域的纹理特征区间的下限值的众数之间的差异,也即待检测钢板切面的灰度图像对应的第一众数与该历史图像对应的第三众数之间的差异;/>为待检测钢板切面的灰度图像中所有窗口区域的纹理特征区间的上限值的众数与该历史图像中所有窗口区域的纹理特征区间的上限值的众数之间的差异,也即待检测钢板切面的灰度图像对应的第二众数与该历史图像对应的第四众数之间的差异;/>为待检测钢板切面的灰度图像中所有窗口区域的第一中值的标准差,/>为该历史图像中所有窗口区域的第二中值的标准差,/>为待检测钢板切面的灰度图像中所有窗口区域的第一中值的熵值,/>为该历史图像中所有窗口区域的第二中值的熵值,e为自然常数,| |为取绝对值符号。
待检测钢板切面的灰度图像对应的第一众数与该历史图像对应的第三众数之间的差异的计算方法为:计算待检测钢板切面的灰度图像对应的第一众数与该历史图像对应的第三众数之间的差值的绝对值,将该绝对值作为待检测钢板切面的灰度图像对应的第一众数与该历史图像对应的第三众数之间的差异。待检测钢板切面的灰度图像对应的第二众数与该历史图像对应的第四众数之间的差异的计算方法为:计算待检测钢板切面的灰度图像对应的第二众数与该历史图像对应的第四众数之间的差值的绝对值,将该绝对值作为待检测钢板切面的灰度图像对应的第二众数与该历史图像对应的第四众数之间的差异。
能够反映标准差之间的差异情况,二者的标准差反映的是对应的图像内纹理的差异程度,标准差之间的差异越小,说明待检测钢板切面的灰度图像与该历史图像的纹理复杂程度越相似。/>能够反映熵值之间的差异情况,熵值之间的差异越小,说明待检测钢板切面的灰度图像与该历史图像的纹理复杂程度越相似。/>越大,也即越接近于1,则/>越小,说明待检测钢板切面的灰度图像与该历史图像的相似度越高。
采用上述方法,能够获得待检测钢板切面的灰度图像与图像数据集中每个历史图像的匹配参数,匹配参数越小,说明对应历史图像与待检测钢板切面的灰度图像的相似程度越高,因此本实施例将最小的匹配参数对应的历史图像作为目标历史图像。
至此,从图像数据集中筛选出了与待检测钢板切面的灰度图像最相似的目标历史图像。
步骤S4,基于目标历史图像在K-means聚类时对应的目标K值以及所述灰度图像中各连通域纹理特征值的分布区间,采用K-means聚类算法对所述灰度图像中的像素点进行聚类获得聚类结果;结合所述聚类结果和目标历史图像中各连通域纹理特征值的分布区间,判断待检测钢板的切割质量是否合格。
本实施例在上述步骤中筛选出了目标历史图像,目标历史图像与待检测钢板切面的灰度图像相似度最高,接下来本实施例将目标历史图像在K-means聚类时对应的目标K值作为所述灰度图像在进行K-means聚类时的K值。
目标历史图像在K-means聚类时对应的目标K值的获取方法为:采用人工设置K值的方法对目标历史图像进行多次聚类,并人工评价每次聚类的聚类效果,将聚类结果最好时对应的K值作为目标历史图像在K-means聚类时对应的目标K值,在人工设置K值时,K的初始值为2,每次增加1,依次对目标历史图像中的像素点进行多次K-means聚类。
在确定待检测钢板切面的灰度图像K-means聚类时的K值后,为了进一步提高聚类结果的准确度,本实施例将确定待检测钢板切面的灰度图像K-means聚类时的初始聚类中心,具体的,将待检测钢板切面的灰度图像中各连通域纹理特征值的分布区间的中值作为各连通域的特征值,每个连通域均有一个特征值。采用本实施例提供的方法,能够获得目标历史图像中每个连通域纹理特征值的分布区间,由于目标历史图像在利用其对应的目标K值聚类后获得的聚类簇中可能存在多个完整的连通域,因此本实施例将基于目标历史图像内每个聚类簇内所有完整的连通域纹理特征值的分布区间确定每个聚类簇纹理特征值的分布区间。具体的,对于任一聚类簇,将该聚类簇中所有完整的连通域纹理特征值的分布区间的下限值的最小值确定为该聚类簇对应的纹理特征区间的下限值,将该聚类簇中所有完整的连通域纹理特征值的分布区间的上限值的最大值确定为该聚类簇对应的纹理特征区间的上限值,基于该聚类簇对应的纹理特征区间的下限值和该聚类簇对应的纹理特征区间的上限值,获得该聚类簇对应的纹理特征区间。采用上述方法,能够获得目标历史图像内每个聚类簇对应的纹理特征区间。
由于本实施例中待检测钢板切面的灰度图像中每个连通域均有一个对应的纹理特征值的分布区间,因此接下来将分别判断待检测钢板切面的灰度图像中每个连通域属于哪个分布区间,进而确定每个连通域对应的类别。具体的,对于任一连通域,判断该连通域的特征值位于目标历史图像内哪个聚类簇对应的纹理特征区间中,该连通域的特征值所处的纹理特征区间的序号作为该连通域对应的类别,例如:该连通域的特征值位于目标历史图像内第3个聚类簇对应的纹理特征区间中,则该连通域对应的类别为第3类。采用上述方法,对待检测钢板切面的灰度图像中每个连通域对应的类别进行判断,确定了待检测钢板切面的灰度图像中每个连通域对应的类别,本实施例分别在每个类别中面积最大的连通域中任选一个像素点作为初始聚类中心,也即在待检测钢板切面的灰度图像中筛选了K个初始聚类中心,然后采用K-means聚类对待检测钢板切面的灰度图像中的像素点进行聚类,获得聚类结果。
在获得待检测钢板切面的灰度图像的聚类结果后,本实施例将基于聚类结果对待检测钢板的切割质量进行判断。类比目标历史图像中每个聚类簇对应的纹理特征区间的获取方法,获得待检测钢板切面的灰度图像中每个聚类簇对应的纹理特征区间,本实施例已经对目标历史图像中每个聚类簇对应的纹理特征区间的获取方法进行了详细说明,因此不再对待检测钢板切面的灰度图像中每个聚类簇对应的纹理特征区间的获取方法进行说明。本实施例将目标历史图像中缺陷区域所在的聚类簇记为目标历史图像中的缺陷聚类簇,需要说明的是,目标历史图像中缺陷区域是由人工提前判断好的,目标历史图像中缺陷聚类簇的数量不一定为1个。对于待检测钢板切面的灰度图像中的任一聚类簇:分别判断该聚类簇对应的纹理特征区间是否大于目标历史图像中任一缺陷聚类簇对应的纹理特征区间的65%,若大于,则将待检测钢板切面的灰度图像中的该聚类簇确定为将待检测钢板切面的灰度图像中的缺陷聚类簇;若小于或等于,则将待检测钢板切面的灰度图像中的该聚类簇确定为将待检测钢板切面的灰度图像中的正常聚类簇,也即该聚类簇内不存在缺陷。65%为预设占比阈值,在具体应用中,实施者可根据具体情况进行设置。例如:目标历史图像中第一个缺陷聚类簇对应的纹理特征区间为[10,50],目标历史图像中第一个缺陷聚类簇对应的纹理特征区间为[40,80],待检测钢板切面的灰度图像中的一个聚类簇对应的纹理特征区间为[15,55],对于目标历史图像中第一个缺陷聚类簇而言,,87.5%>65%,因此待检测钢板切面的灰度图像中的该聚类簇属于缺陷区域。采用上述方法,能够筛选出待检测钢板切面的灰度图像中的所有缺陷聚类簇。
统计待检测钢板切面的灰度图像中的所有缺陷聚类簇的总面积,待检测钢板切面的灰度图像中的所有缺陷聚类簇的总面积越大,说明待检测钢板的切割质量越差,因此本实施例判断待检测钢板切面的灰度图像中的所有缺陷聚类簇的总面积是否大于面积阈值,若大于,则判定待检测钢板的切割质量不合格;若小于或等于,则判定待检测钢板的切割质量合格。在具体应用中,面积阈值实施者根据采集的图像大小进行设定。
采用本实施例提供的方法完成了对待检测钢板的切割质量的判断。
本实施例首先结合待检测钢板切面的灰度图像中每个连通域中像素点的位置分布、像素点与其相邻像素点的灰度值,确定了每个连通域纹理特征值的分布区间,本实施例对每个连通域内纹理特征进行了分析,获取的纹理特征值的分布区间的准确度更高;然后根据待检测钢板切面的灰度图像中每个连通域纹理特征值的分布区间、待检测钢板切面的灰度图像中像素点的灰度值、图像数据集中各历史图像中像素点的灰度值,从图像数据集中筛选出了目标历史图像,目标历史图像与待检测钢板切面的灰度图像的相似程度最高,目标历史图像在K-means聚类时对应的目标K值更适合作为待检测钢板切面的灰度图像在K-means聚类时的K值,因此本实施例基于目标历史图像在K-means聚类时对应的目标K值以及检测钢板切面的灰度图像中每个连通域纹理特征值的分布区间,采用K-means聚类算法对待检测钢板切面的灰度图像中的像素点进行聚类,获得了聚类结果,本实施例自适应地确定待检测钢板切面的灰度图像对应的K值,提高了聚类效果的准确度,又基于聚类结果对待检测钢板的切割质量进行判断,提高了待检测钢板的切割质量检测结果的准确度。
需要说明的是: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 (4)
1.一种高端制造用的钢板切割质量检测方法,其特征在于,该方法包括以下步骤:
获取待检测钢板切面的灰度图像;
利用滑窗在所述灰度图像上滑动获得各窗口区域,对各窗口区域进行边缘检测获得各窗口区域内的各连通域;根据各连通域中各像素点的位置分布、各像素点与其相邻像素点的灰度差异,得到各连通域对应的稳定程度;基于所述稳定程度和像素点的灰度值确定各连通域纹理特征值的分布区间;
根据所述灰度图像中各连通域纹理特征值的分布区间、所述灰度图像中像素点的灰度值、图像数据集中各历史图像中像素点的灰度值,从图像数据集中筛选目标历史图像;
基于目标历史图像在K-means聚类时对应的目标K值以及所述灰度图像中各连通域纹理特征值的分布区间,采用K-means聚类算法对所述灰度图像中的像素点进行聚类获得聚类结果;结合所述聚类结果和目标历史图像中各连通域纹理特征值的分布区间,判断待检测钢板的切割质量是否合格;
滑窗的尺寸的获取,包括:
对所述灰度图像进行阈值分割获得各目标子区域,分别获取各目标子区域的最小外接矩形;计算所有最小外接矩形的平均宽度;
将滑窗的长和宽均设置为所述平均宽度的预设倍数;
所述根据各连通域中各像素点的位置分布、各像素点与其相邻像素点的灰度差异,得到各连通域对应的稳定程度,包括:
对于任一连通域:
对于该连通域中的任一行:将该行各像素点的两个相邻像素点的灰度差异,确定为对应像素点的横向差分值;分别计算该行各横向差分值的平方值,将该行所有横向差分值的平方值的和值记为该行对应的第一指标;将所述第一指标与所述所有最小外接矩形的平均宽度的比值,确定为该行的行灰度变化参数;
对于该连通域中的任一列:将该列各像素点的两个相邻像素点的灰度差异,确定为对应像素点的纵向差分值;分别计算该行各纵向差分值的平方值,将该行所有纵向差分值的平方值的和值记为该列对应的第二指标;将所述第二指标与所述所有最小外接矩形的平均宽度的比值,确定为该列的列灰度变化参数;
对该连通域进行直线检测获得该连通域中的各直线段;
根据该连通域中的各直线段的方向、各行的行灰度变化参数和各列的列灰度变化参数,得到该连通域对应的稳定程度;
根据该连通域中的各直线段的方向、各行的行灰度变化参数和各列的列灰度变化参数,得到该连通域对应的稳定程度,包括:
根据该连通域中各行的行灰度变化参数,计算所有行的行灰度变化参数的方差;将所述行灰度变化参数的方差确定为该连通域的横向稳定度;
根据该连通域中各列的列灰度变化参数,计算所有列的列灰度变化参数的方差;将所述列灰度变化参数的方差确定为该连通域的纵向稳定度;
分别统计该连通域中横向方向上的直线段的数量和纵向方向上的直线的数量,将两个方向上直线段的数量最多的方向确定为目标方向;
基于所述横向稳定度、所述纵向稳定度、所述目标方向和预设权重,得到该连通域对应的稳定程度;
基于所述稳定程度和像素点的灰度值确定各连通域纹理特征值的分布区间,包括:
对于任一连通域:
根据该连通域中每个目标方向上每个像素点的灰度值,分别获取该连通域中每个目标方向上所有像素点的平均灰度值、最大灰度值和最小灰度值;
根据所述平均灰度值、所述最大灰度值、所述最小灰度值和该连通域对应的稳定程度,得到该连通域纹理特征值的分布区间的下限值和上限值;基于所述下限值和上限值获得该连通域纹理特征值的分布区间;
根据所述灰度图像中各连通域纹理特征值的分布区间、所述灰度图像中像素点的灰度值、图像数据集中各历史图像中像素点的灰度值,从图像数据集中筛选目标历史图像,包括:
对于所述灰度图像中的任一窗口区域:将该窗口区域中所有连通域纹理特征值的分布区间的下限值中的最小值,确定为该窗口区域的纹理特征最小值;将该窗口区域中所有连通域纹理特征值的分布区间的上限值中的最大值,确定为该窗口区域的纹理特征最大值;基于所述纹理特征最小值和所述纹理特征最大值获得该窗口区域的纹理特征区间;
将所述灰度图像中所有窗口区域的纹理特征区间的下限值的众数记为所述灰度图像对应的第一众数;将所述灰度图像中所有窗口区域的纹理特征区间的上限值的众数记为所述灰度图像对应的第二众数;将图像数据集中各历史图像中所有窗口区域的纹理特征区间的下限值的众数记为对应历史图像对应的第三众数;将图像数据集中各历史图像中所有窗口区域的纹理特征区间的上限值的众数记为对应历史图像对应的第四众数;
将所述灰度图像中各窗口区域的纹理特征区间的中值记为所述灰度图像中对应窗口区域的第一中值,分别计算所述灰度图像中所有窗口区域的第一中值的标准差和熵值;将图像数据集中各历史图像中各窗口区域的纹理特征区间的中值记为对应历史图像中对应窗口区域的第二中值,分别计算图像数据集中各历史图像中所有窗口区域的第二中值的标准差和熵值;
根据所述第一众数、所述第二众数、所述第三众数、所述第四众数、所述第一中值的标准差和熵值、所述第二中值的标准差和熵值,从图像数据集中筛选目标历史图像;
所述结合所述聚类结果和目标历史图像中各连通域纹理特征值的分布区间,判断待检测钢板的切割质量是否合格,包括:
基于目标历史图像中各连通域纹理特征值的分布区间,确定目标历史图像中每个聚类簇对应的纹理特征区间;基于灰度图像中各连通域纹理特征值的分布区间,确定灰度图像中每个聚类簇对应的纹理特征区间;
将目标历史图像中缺陷区域所在的聚类簇记为目标历史图像中的缺陷聚类簇;
对于所述灰度图像中的任一聚类簇:分别判断该聚类簇对应的纹理特征区间是否大于目标历史图像中任一缺陷聚类簇对应的纹理特征区间的预设占比阈值,若大于,则将该聚类簇确定为所述灰度图像中的缺陷聚类簇;
判断所述灰度图像中的所有缺陷聚类簇的总面积是否大于面积阈值,若大于,则判定待检测钢板的切割质量不合格;若小于或等于,则判定待检测钢板的切割质量合格。
2.根据权利要求1所述的一种高端制造用的钢板切割质量检测方法,其特征在于,采用如下公式计算该连通域纹理特征值的分布区间的下限值和上限值:
,
其中,为该连通域纹理特征值的分布区间的下限值,/>为该连通域纹理特征值的分布区间的上限值,K为该连通域中目标方向的数量,/>为该连通域中第k个目标方向上所有像素点的平均灰度值,/>为该连通域中第k个目标方向上所有像素点的最小灰度值,/>为该连通域中第k个目标方向上所有像素点的最大灰度值,C为该连通域对应的稳定程度。
3.根据权利要求1所述的一种高端制造用的钢板切割质量检测方法,其特征在于,根据所述第一众数、所述第二众数、所述第三众数、所述第四众数、所述第一中值的标准差和熵值、所述第二中值的标准差和熵值,从图像数据集中筛选目标历史图像,包括:
分别将所述第一众数与各历史图像对应的第三众数之间的差异,确定为所述灰度图像与各历史图像的第一差异;将所述第二众数与各历史图像对应的第四众数之间的差异,确定为所述灰度图像与各历史图像的第二差异;
根据所述第一差异、所述第二差异、灰度图像中所有窗口区域的第一中值的标准差与所述各历史图像中所有窗口区域的第二中值的标准差之间的差异、灰度图像中所有窗口区域的第一中值的熵值与各历史图像中所有窗口区域的第二中值的熵值之间的差异,得到所述灰度图像与各历史图像的匹配参数;
将最小的匹配参数对应的历史图像作为目标历史图像。
4.根据权利要求1所述的一种高端制造用的钢板切割质量检测方法,其特征在于,基于目标历史图像在K-means聚类时对应的目标K值以及所述灰度图像中各连通域纹理特征值的分布区间,采用K-means聚类算法对所述灰度图像中的像素点进行聚类获得聚类结果,包括:
将目标历史图像在K-means聚类时对应的目标K值作为所述灰度图像在进行K-means聚类时的K值;
将所述灰度图像中各连通域纹理特征值的分布区间的中值作为各连通域的特征值,基于所述各连通域的特征值获得各连通域对应的类别,分别在每个类别中面积最大的连通域中任选一个像素点作为初始聚类中心;
基于所述灰度图像在进行K-means聚类时的K值和所述初始聚类中心,对所述灰度图像在进行K-means聚类获得聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926389.1A CN116645367B (zh) | 2023-07-27 | 2023-07-27 | 一种高端制造用的钢板切割质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926389.1A CN116645367B (zh) | 2023-07-27 | 2023-07-27 | 一种高端制造用的钢板切割质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645367A CN116645367A (zh) | 2023-08-25 |
CN116645367B true CN116645367B (zh) | 2023-12-01 |
Family
ID=87643744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310926389.1A Active CN116645367B (zh) | 2023-07-27 | 2023-07-27 | 一种高端制造用的钢板切割质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645367B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113156B (zh) * | 2023-10-20 | 2024-01-09 | 浙江鸿昌铝业有限公司 | 一种用于铝型材的锯切断面质量分析方法 |
CN117171693B (zh) * | 2023-10-30 | 2024-01-26 | 山东交通学院 | 一种木工打磨过程中的切割异常检测方法 |
CN117237245B (zh) * | 2023-11-16 | 2024-01-26 | 湖南云箭智能科技有限公司 | 一种基于人工智能与物联网的工业物料质量监测方法 |
CN117237385B (zh) * | 2023-11-16 | 2024-01-26 | 江苏龙达纺织科技有限公司 | 基于图割的纺织品转移印花图案提取方法及*** |
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*** |
CN117522875B (zh) * | 2024-01-08 | 2024-04-05 | 深圳市新创源精密智造有限公司 | 基于图像滤波的半导体载带生产质量视觉检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007062563A1 (fr) * | 2005-12-01 | 2007-06-07 | Bohai Shipbuilding Industry Co., Ltd. | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier |
CN112636642A (zh) * | 2020-12-17 | 2021-04-09 | 广东工业大学 | 一种柔性材料数控切割刀头性能状态评估方法及装置 |
CN115018828A (zh) * | 2022-08-03 | 2022-09-06 | 深圳市尹泰明电子有限公司 | 一种电子元器件的缺陷检测方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及*** |
CN115311277A (zh) * | 2022-10-11 | 2022-11-08 | 南通美乐柯材料科技有限公司 | 一种不锈钢制品的凹坑缺陷识别方法 |
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 |
CN116228798A (zh) * | 2023-05-10 | 2023-06-06 | 青岛星跃铁塔有限公司 | 基于机器视觉的铁塔智能切割检测方法 |
-
2023
- 2023-07-27 CN CN202310926389.1A patent/CN116645367B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007062563A1 (fr) * | 2005-12-01 | 2007-06-07 | Bohai Shipbuilding Industry Co., Ltd. | Procede d'examen automatique en ligne pour des detections de defauts de surface d'acier pendant le pretraitement de toles d'acier |
CN112636642A (zh) * | 2020-12-17 | 2021-04-09 | 广东工业大学 | 一种柔性材料数控切割刀头性能状态评估方法及装置 |
CN115018828A (zh) * | 2022-08-03 | 2022-09-06 | 深圳市尹泰明电子有限公司 | 一种电子元器件的缺陷检测方法 |
CN115311277A (zh) * | 2022-10-11 | 2022-11-08 | 南通美乐柯材料科技有限公司 | 一种不锈钢制品的凹坑缺陷识别方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及*** |
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 |
CN116228798A (zh) * | 2023-05-10 | 2023-06-06 | 青岛星跃铁塔有限公司 | 基于机器视觉的铁塔智能切割检测方法 |
Non-Patent Citations (2)
Title |
---|
Real-time Detection of Steel Strip Surface Defects Based on Improved YOLO Detection Network;Jiangyun Li et al;《IFAC》;76-81 * |
板带钢表面缺陷目标检测与分类算法研究_田思洋2019年第07期;田思洋;《中国博士学位论文全文数据库(电子期刊)》;第2019卷(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116645367A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN104794491B (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN107157447B (zh) | 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及*** | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测*** | |
CN115861290B (zh) | 一种肤感木门表面缺陷检测方法 | |
CN111402236B (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN116703911B (zh) | 一种led灯生产质量检测*** | |
CN116452598A (zh) | 基于计算机视觉的车桥生产质量快速检测方法及*** | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN115690387A (zh) | 一种基于图像识别的合金表面检测*** | |
CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测*** | |
CN117437228B (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 |
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 |