Nothing Special   »   [go: up one dir, main page]

CN108020554A - 一种带钢表面缺陷识别检测方法 - Google Patents

一种带钢表面缺陷识别检测方法 Download PDF

Info

Publication number
CN108020554A
CN108020554A CN201711043550.1A CN201711043550A CN108020554A CN 108020554 A CN108020554 A CN 108020554A CN 201711043550 A CN201711043550 A CN 201711043550A CN 108020554 A CN108020554 A CN 108020554A
Authority
CN
China
Prior art keywords
detection
defect
image
value
steel strip
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.)
Pending
Application number
CN201711043550.1A
Other languages
English (en)
Inventor
王芳
高峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUXI GANGWAN NETWORK TECHNOLOGY Co Ltd
Original Assignee
WUXI GANGWAN NETWORK TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WUXI GANGWAN NETWORK TECHNOLOGY Co Ltd filed Critical WUXI GANGWAN NETWORK TECHNOLOGY Co Ltd
Priority to CN201711043550.1A priority Critical patent/CN108020554A/zh
Publication of CN108020554A publication Critical patent/CN108020554A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G01N2021/8864—Mapping zones of defects

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明所公开的一种带钢表面缺陷识别检测方法，该方法包括：步骤1、通过高速线阵相机对带钢原始图像进行采集，利用自适应快速中值滤波算法对图像进行去噪处理；步骤2、采用动态阈值分割法将表面区域中划痕检测的感兴趣区域提取出来，然后进行图像边缘检测处理，之后传入检测计算机；步骤3、所述检测计算机去除伪缺陷目标，同时采用过滤方式合并同类型缺陷，然后进行特征规则检测识别；步骤4、所述检测计算机对缺陷分类规则集中未知缺陷类型进行特征处理将其量化，并迭代记录到所述缺陷分类规则集中；步骤5、将带钢的原始缺陷图像和检测计算机的检测识别结果集进行存储和显示。本发明提高了对带钢表面缺陷识别检测效率并且克服了检测缺陷类型单一的问题。

Description

一种带钢表面缺陷识别检测方法
技术领域
本发明涉及带钢表面质量信息检测技术，特别涉及一种带钢表面缺陷识别检测方法。
背景技术
近几年，带钢由于其广泛的应用范围已成为汽车生产、机械制造、化工等工业不可缺少的材料，在带钢的生产和加工过程中会出现各种类型的缺陷，比如：裂纹、结疤、孔洞、卷边和擦伤等。目前，带钢表面质量缺陷检测多采用人工目测的方法，但该方法有很多弊端，如恶劣环境下，无法做到24小时在线检测；无法对微小的划伤等严重缺陷进行检测；对缺陷的认定和判断有很大的主观性。
在传统的表面缺陷特征提取技术中，如CN101644684A的发明公开了一种连铸板坯表面裂纹在线检测方法，该方法实现了对高温板坯的在线裂纹检测，但是该方法只能针对一种缺陷实现在线检测而不能同时实现多种缺陷的在线检测和分类，并且对带钢的检测效果并不理想。
因此，有必要发明一种实时检测、精准分类和高准确率的带钢表面缺陷识别检测方法。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种带钢表面缺陷识别检测方法，该方法不仅可以保证检测效率高并且可以对缺陷分类进行精准确认和分类。
技术方案：本发明所述的带钢表面缺陷识别检测方法，包括以下步骤：
步骤1、通过高速线阵相机对带钢原始图像进行采集，利用自适应快速中值滤波算法对图像进行去噪处理。
步骤2、采用动态阈值分割法将表面区域中划痕检测的感兴趣区域提取出来，然后进行图像边缘检测处理，之后传入检测计算机。
步骤3、所述检测计算机去除伪缺陷目标，同时采用过滤方式合并同类型缺陷，然后进行特征规则检测识别。
步骤4、所述检测计算机对缺陷分类规则集中未知缺陷类型进行特征处理将其量化，并迭代记录到所述缺陷分类规则集中。
步骤5、将带钢的原始缺陷图像和检测计算机的检测识别结果集进行存储和显示。
本发明步骤1中的图像去噪，具体包括：
步骤1.1、将采集的所述带钢原始图像划分为M×M个滤波滑动窗口，其中，M≥3，且M为奇数。
步骤1.2、将步骤1.1所得滤波滑动窗口中的像素点进行逐一扫描，将中心点的像素值xij与其邻域像素点的像素值θab进行比较，当xij＝θab时，对该像素点进行灰度值投票；并判断xij是否为极值，若xij为极值，则进行下一步。
步骤1.3、按照灰度值出现的次数统计投票箱数组的值，并将第一个满足公式1或公式2的像素点的灰度值替换中心点像素值，实现中值滤波。
Nmin+N≥0.5×(M×M+1) 公式1
Nmax+N≥0.5×(M×M+1) 公式2
其中，N为灰度值等于中心点像素值得像素个数，Nmin为灰度值比中心点像素值小的像素个数，Nmax为灰度值比中心点像素值大的像素个数。
所述将动态阈值分割法处理后的图像进行实时分割，并提取其几何、颜色、纹理和拓扑等图像特征，阈值分割定义为：
s＝{(r,c)∈Rgmin≤fr,c≤gmax} 公式3
阈值分割将图像的灰度值处于某一指定灰度值范围内全部点选到输出区域s中，使gmin＝0或gmax＝2b-1，根据光照的强度来调整gmin和gmax大小。
优选的，所述边缘检测采用Sobel边缘检测算子和/或Prewitt边缘检测算子。
优选的，所述步骤4中的缺陷分类规则集为通过人为编辑分类规则由检测计算机合成的指定目标规则。
有益效果：本发明通过对图像处理，提高了缺陷识别检测效率；通过自适应快速中值滤波技术和边缘检测算法，可以完整有效的提取出图像中的图像特征；通过对缺陷分类规则集不断的学习和完善，克服了检测缺陷类型单一的问题。
附图说明
图1是本发明的缺陷检测识别流程图。
具体实施方式
如图1，本发明公开的带钢表面缺陷识别检测方法具体步骤包括：
步骤1、通过高速线阵相机对带钢原始图像进行采集，对图像进行预处理，利用自适应快速中值滤波算法对图像进行去噪处理。
图像去噪具体步骤为：
步骤1.1、将采集的所述带钢原始图像划分为M×M个滤波滑动窗口，其中，M≥3，且M为奇数。
步骤1.2、将步骤1.1所得滤波滑动窗口中的像素点进行逐一扫描，将中心点的像素值xij与其邻域像素点的像素值θab进行比较，当xij＝θab时，对该像素点进行灰度值投票；并判断xij是否为极值，若xij为极值，则进行下一步。
步骤1.3、按照灰度值出现的次数统计投票箱数组的值，并将第一个满足公式1或公式2的像素点的灰度值替换中心点像素值，实现中值滤波。
Nmin+N≥0.5×(M×M+1) 公式1
Nmax+N≥0.5×(M×M+1) 公式2
其中，N为灰度值等于中心点像素值得像素个数，Nmin为灰度值比中心点像素值小的像素个数，Nmax为灰度值比中心点像素值大的像素个数。
步骤2、采用动态阈值分割法将表面区域中划痕检测的感兴趣区域提取出来，然后进行图像边缘检测处理，之后传入检测计算机。
将动态阈值分割法处理后的图像进行实时分割，并提取其几何、颜色、纹理和拓扑等图像特征，阈值分割定义为：
s＝{(r,c)∈Rgmin≤fr,c≤gmax} 公式3
阈值分割将图像的灰度值处于某一指定灰度值范围内全部点选到输出区域s中，使gmin＝0或gmax＝2b-1，根据光照的强度来调整gmin和gmax大小。
边缘检测采用Sobel边缘检测算子，其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。
本发明的边缘检测也可采用Prewitt边缘检测算子，其是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。
步骤3、检测计算机去除伪缺陷目标，同时采用过滤方式合并同类型缺陷，然后进行特征规则检测识别。
步骤4、检测计算机对缺陷分类规则集中未知缺陷类型进行特征处理将其量化，并迭代记录到所述缺陷分类规则集中；缺陷分类规则集为通过人为编辑分类规则由检测计算机合成的指定目标规则。
步骤5、将带钢的原始缺陷图像和检测计算机的检测识别结果集进行存储和显示。

Claims (5)

1.一种带钢表面缺陷识别检测方法，其特征在于，该方法包括以下步骤：
步骤1、通过高速线阵相机对带钢原始图像进行采集，利用自适应快速中值滤波算法对图像进行去噪处理；
步骤2、采用动态阈值分割法将表面区域中划痕检测的感兴趣区域提取出来，然后进行图像边缘检测处理，之后传入检测计算机；
步骤3、所述检测计算机去除伪缺陷目标，同时采用过滤方式合并同类型缺陷，然后进行特征规则检测识别；
步骤4、所述检测计算机对缺陷分类规则集中未知缺陷类型进行特征处理将其量化，并迭代记录到所述缺陷分类规则集中；
步骤5、将带钢的原始缺陷图像和检测计算机的检测识别结果集进行存储和显示。
2.根据权利要求1所述的带钢表面缺陷识别检测方法，其特征在于，所述步骤1中，图像去噪的过程为
步骤1.1、将采集的所述带钢原始图像划分为M×M个滤波滑动窗口，其中，M≥3，且M为奇数；
步骤1.2、将步骤1.1所得滤波滑动窗口中的像素点进行逐一扫描，将中心点的像素值xij与其邻域像素点的像素值θab进行比较，当xij＝θab时，对该像素点进行灰度值投票；并判断xij是否为极值，若xij为极值，则进行下一步；
步骤1.3、按照灰度值出现的次数统计投票箱数组的值，并将第一个满足公式1或公式2的像素点的灰度值替换中心点像素值，实现中值滤波；
Nmin+N≥0.5×(M×M+1) 公式1
Nmax+N≥0.5×(M×M+1) 公式2
其中，N为灰度值等于中心点像素值得像素个数，Nmin为灰度值比中心点像素值小的像素个数，Nmax为灰度值比中心点像素值大的像素个数。
3.根据权利要求1所述的带钢表面缺陷识别检测方法，其特征在于，所述将动态阈值分割法处理后的图像进行实时分割，并提取其几何、颜色、纹理和拓扑等图像特征，阈值分割定义为：
s＝{(r,c)∈Rgmin≤fr,c≤gmax} 公式3
阈值分割将图像的灰度值处于某一指定灰度值范围内全部点选到输出区域s中，使gmin＝0或gmax＝2b-1，根据光照的强度来调整gmin和gmax大小。
4.根据权利要求1所述的带钢表面缺陷识别检测方法，其特征在于所述边缘检测采用Sobel边缘检测算子和/或Prewitt边缘检测算子。
5.根据权利要求1所述的带钢表面缺陷识别检测方法，其特征在于，所述步骤4中的缺陷分类规则集为通过人为编辑分类规则由检测计算机合成的指定目标规则。
CN201711043550.1A 2017-10-31 2017-10-31 一种带钢表面缺陷识别检测方法 Pending CN108020554A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711043550.1A CN108020554A (zh) 2017-10-31 2017-10-31 一种带钢表面缺陷识别检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711043550.1A CN108020554A (zh) 2017-10-31 2017-10-31 一种带钢表面缺陷识别检测方法

Publications (1)

Publication Number Publication Date
CN108020554A true CN108020554A (zh) 2018-05-11

Family

ID=62079623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711043550.1A Pending CN108020554A (zh) 2017-10-31 2017-10-31 一种带钢表面缺陷识别检测方法

Country Status (1)

Country Link
CN (1) CN108020554A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830834A (zh) * 2018-05-23 2018-11-16 重庆交通大学 一种爬索机器人视频缺陷信息自动提取方法
CN110033437A (zh) * 2019-03-12 2019-07-19 福建三钢闽光股份有限公司 一种基于卷积神经网络的中厚板压痕智能识别方法
CN112598621A (zh) * 2020-11-27 2021-04-02 攀钢集团西昌钢钒有限公司 一种冷轧带钢表面质量的智能判定方法
CN112614087A (zh) * 2020-11-27 2021-04-06 攀钢集团西昌钢钒有限公司 一种冷轧带钢表面质量的智能判定方法
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法
CN114820597A (zh) * 2022-06-24 2022-07-29 江苏欧盛液压科技有限公司 一种基于人工智能的冶炼品缺陷检测方法、装置及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914111A (zh) * 2015-05-18 2015-09-16 北京华检智研软件技术有限责任公司 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN105069807A (zh) * 2015-08-28 2015-11-18 西安工程大学 一种基于图像处理的冲压工件缺陷检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104914111A (zh) * 2015-05-18 2015-09-16 北京华检智研软件技术有限责任公司 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN105069807A (zh) * 2015-08-28 2015-11-18 西安工程大学 一种基于图像处理的冲压工件缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何小利等: "基于机器视觉技术的物体表面缺陷检测", 《洛阳师范学院学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830834A (zh) * 2018-05-23 2018-11-16 重庆交通大学 一种爬索机器人视频缺陷信息自动提取方法
CN108830834B (zh) * 2018-05-23 2022-03-11 重庆交通大学 一种爬索机器人视频缺陷信息自动提取方法
CN110033437A (zh) * 2019-03-12 2019-07-19 福建三钢闽光股份有限公司 一种基于卷积神经网络的中厚板压痕智能识别方法
CN112598621A (zh) * 2020-11-27 2021-04-02 攀钢集团西昌钢钒有限公司 一种冷轧带钢表面质量的智能判定方法
CN112614087A (zh) * 2020-11-27 2021-04-06 攀钢集团西昌钢钒有限公司 一种冷轧带钢表面质量的智能判定方法
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法
CN114723751B (zh) * 2022-06-07 2022-09-23 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法
CN114820597A (zh) * 2022-06-24 2022-07-29 江苏欧盛液压科技有限公司 一种基于人工智能的冶炼品缺陷检测方法、装置及系统
CN114820597B (zh) * 2022-06-24 2022-09-20 江苏欧盛液压科技有限公司 一种基于人工智能的冶炼品缺陷检测方法、装置及系统

Similar Documents

Publication Publication Date Title
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN109961049B (zh) 一种复杂场景下香烟品牌识别方法
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN109816652B (zh) 一种基于灰度显著性的复杂铸件缺陷识别方法
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN105139386B (zh) 一种快速自动检测电气接插件焊点不合格品的图像处理方法
Choi et al. Detection of pinholes in steel slabs using Gabor filter combination and morphological features
CN107478657A (zh) 基于机器视觉的不锈钢表面缺陷检测方法
CN103175844A (zh) 一种金属零部件表面划痕缺陷检测方法
CN110827235B (zh) 钢板表面缺陷检测方法
CN107490582B (zh) 一种流水线工件检测系统
CN102426649A (zh) 一种简单的高准确率的钢印数字自动识别方法
CN113706490B (zh) 一种晶片缺陷检测方法
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN111402238A (zh) 一种通过机器视觉实现的缺陷标识系统
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN111667475B (zh) 一种基于机器视觉的大枣分级检测方法
CN106485696B (zh) 一种基于机器视觉的易爆危险品压合缺陷的检测方法
CN109101976B (zh) 一种灭弧栅片表面缺陷的检测方法
CN112669265B (zh) 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法
CN112560941A (zh) 基于图像检测的煤矸识别方法
CN106780437B (zh) 一种快速qfn芯片塑封图像获取与放大方法
CN106651893A (zh) 一种基于边缘检测的墙体裂缝识别方法
CN115931898A (zh) 一种陶瓷基板表面缺陷视觉检测方法、装置及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180511