论文部分内容阅读
【摘 要】在传统的钢坯低倍缺陷判定过程中,一般情况下采用人工判定的方法,主观性很大。随着计算机技术的发展、机器视觉技术的广泛应用,利用这种新技术可不受恶劣环境和主观因素的影响,能快速、高效、客观地识别钢坯低倍缺陷。
【关键词】机器视觉;低倍;自动识别
引言
所谓机器视觉就是通过图像采集设备将目标像转换为数字信号,用计算机对图像数字信号进行各种运算处理抽取目标特征。得益于计算机的强大运算能力,机器视觉在特征识别中显示出较之传统方法更为高效、快速、客观等优势。本文中的钢坯缺陷识别过程包括图像预处理、基于灰度投影算法的缺陷特征识别。
1.图像预处理
钢坯低倍照片通常来源于数码相机,受不同相机的成像器件、拍摄照明环境等影响,要提高图像识别的准确率,首先需对目标图像进行预处理,尽量减少图像本身的干扰因素。本文采用灰度转换、中值滤波等方法对目标图像进行预处理,并对图像进行二值化转换,为缺陷特征识别提供条件。
(1)灰度转换。实验中的目标图像是JPG图像格式,图像文件中包含每个像素的色彩信息,图像灰度化就是使色彩的三种颜色分量R、G、B的值相同,由于顏色值的取值范围是[0,255],所以灰度的级别只有256种,即灰度图象仅能表现256种灰度颜色,常用的灰度处理方法有最大值法、平均值法、加权平均值法等。
(2)中值滤波。受相机以及样品表面面洁净度等因素影响,图像中会产生干扰特征识别有害噪声。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,把数字图像中某点的值设置为该点邻域窗口内的所有象素点灰度值的中值代替,让周围的像素值接近的值,从而消除孤立的噪声点。方法是通过从图像中的某个采样窗口取出奇数个数据进行排序 ,用排序后的中值取代要处理的数据即可。
(3)二值化转换。图像二值化目的是最大限度的将图象中有价值的部分保留下来,是图像分析、特征提取与识别之前必要的图像预处理过程。图像二值化是在灰度图基础上以某一阀值(0<t<255)为界,将图像分为前景(关注部分)和背景两部分。图像二值化方法是:
①选取一个合适的二值化阀值。
②将像素灰度值大于阀值的设为255,小于阀值的灰度值设为0。
本文采用最大类间方差法,即OSTU算法(大津法)。OSTU算法的基本思想是用某一假定的灰度值将图像的灰度分成两类,当两类的类间方差最大时,前景和背景的差别越大。此灰度值就是图像二值化的最佳阈值。具体方法是:假设图像有 M 个灰度值,取值范围在 0 ~ M-1,在此范围内选取灰度值 t,将图像分成两组 G0 和 G1 , G0 包含的像素的灰度值范围在 0 ~ t, G1的灰度值范围在t+1~ M-1,用 N 表示图像像素总数,n0表示G0类像素数,n1表示G1类像素数。G0类像素概率p0=n0/N,G1类像素概率p1=n1/N。n[i]表示灰度值为 i 的像素的个数,则:
G0类像素灰度值均值为:
G1类像素灰度值均值为:
类间方差为:
采用遍历的方法得到使类间方差最大的阈值T,即,
2.灰度投影算法的缺陷特征识别
灰度投影算法原理是对灰度图像分别向下和向左两个方向进行灰度投影,分别找出行投影均值中最大值和最小值的差值d0和列投影均值中最大值和最小值的差值d1,如果这两个差值中有一个超过了阀值,则可认为图像存在缺陷。阀值是根据不同的缺陷类型来选取的一个经验值。
方法如下:
设图像大小为M*N,像素点f(i, j), ,,行数组D[N-1],列数组L[M-1], 分别存放灰度图像向下和向左投影的灰度均值。
for(int N1=0,N1<N-1,N1++)
for(int N2=0,N2<M-1,N2++)
d0 = max(D[N1]) - min(D[N1]), d1 = max(L[N2]) - min(L[N2])
若d0 或d1中有任一值大于阀值,即可判定图像存在缺陷。实
识别示例如下:
原图 灰度转换、二值化后 灰度投影算法识别结果
无缺陷 d0=9
d1=6设为阀值
中心裂纹 d0=24
d1=49
明显大于阀值, 有缺陷
中心缩孔 d0=19
d1=20
明显大于阀值, 有缺陷
3.结束语
本文介绍了机器视觉应用在钢坯低倍缺陷自动识别的技术,识别效果满意。通过该技术应用扩展,例如建立钢坯低倍缺陷分类图库,则可建立缺陷分类特征数据库,实现各钢坯低倍缺陷的自动分类定性识别。
参考文献
[1] 王宏,朱德生,唐威.一种基于灰度投影的带钢表面缺陷检测算法.东北大学学报 Vol.29,No.3
[2] 孙少林,马志强,汤伟.灰度图像二值化算法研究.
【关键词】机器视觉;低倍;自动识别
引言
所谓机器视觉就是通过图像采集设备将目标像转换为数字信号,用计算机对图像数字信号进行各种运算处理抽取目标特征。得益于计算机的强大运算能力,机器视觉在特征识别中显示出较之传统方法更为高效、快速、客观等优势。本文中的钢坯缺陷识别过程包括图像预处理、基于灰度投影算法的缺陷特征识别。
1.图像预处理
钢坯低倍照片通常来源于数码相机,受不同相机的成像器件、拍摄照明环境等影响,要提高图像识别的准确率,首先需对目标图像进行预处理,尽量减少图像本身的干扰因素。本文采用灰度转换、中值滤波等方法对目标图像进行预处理,并对图像进行二值化转换,为缺陷特征识别提供条件。
(1)灰度转换。实验中的目标图像是JPG图像格式,图像文件中包含每个像素的色彩信息,图像灰度化就是使色彩的三种颜色分量R、G、B的值相同,由于顏色值的取值范围是[0,255],所以灰度的级别只有256种,即灰度图象仅能表现256种灰度颜色,常用的灰度处理方法有最大值法、平均值法、加权平均值法等。
(2)中值滤波。受相机以及样品表面面洁净度等因素影响,图像中会产生干扰特征识别有害噪声。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,把数字图像中某点的值设置为该点邻域窗口内的所有象素点灰度值的中值代替,让周围的像素值接近的值,从而消除孤立的噪声点。方法是通过从图像中的某个采样窗口取出奇数个数据进行排序 ,用排序后的中值取代要处理的数据即可。
(3)二值化转换。图像二值化目的是最大限度的将图象中有价值的部分保留下来,是图像分析、特征提取与识别之前必要的图像预处理过程。图像二值化是在灰度图基础上以某一阀值(0<t<255)为界,将图像分为前景(关注部分)和背景两部分。图像二值化方法是:
①选取一个合适的二值化阀值。
②将像素灰度值大于阀值的设为255,小于阀值的灰度值设为0。
本文采用最大类间方差法,即OSTU算法(大津法)。OSTU算法的基本思想是用某一假定的灰度值将图像的灰度分成两类,当两类的类间方差最大时,前景和背景的差别越大。此灰度值就是图像二值化的最佳阈值。具体方法是:假设图像有 M 个灰度值,取值范围在 0 ~ M-1,在此范围内选取灰度值 t,将图像分成两组 G0 和 G1 , G0 包含的像素的灰度值范围在 0 ~ t, G1的灰度值范围在t+1~ M-1,用 N 表示图像像素总数,n0表示G0类像素数,n1表示G1类像素数。G0类像素概率p0=n0/N,G1类像素概率p1=n1/N。n[i]表示灰度值为 i 的像素的个数,则:
G0类像素灰度值均值为:
G1类像素灰度值均值为:
类间方差为:
采用遍历的方法得到使类间方差最大的阈值T,即,
2.灰度投影算法的缺陷特征识别
灰度投影算法原理是对灰度图像分别向下和向左两个方向进行灰度投影,分别找出行投影均值中最大值和最小值的差值d0和列投影均值中最大值和最小值的差值d1,如果这两个差值中有一个超过了阀值,则可认为图像存在缺陷。阀值是根据不同的缺陷类型来选取的一个经验值。
方法如下:
设图像大小为M*N,像素点f(i, j), ,,行数组D[N-1],列数组L[M-1], 分别存放灰度图像向下和向左投影的灰度均值。
for(int N1=0,N1<N-1,N1++)
for(int N2=0,N2<M-1,N2++)
d0 = max(D[N1]) - min(D[N1]), d1 = max(L[N2]) - min(L[N2])
若d0 或d1中有任一值大于阀值,即可判定图像存在缺陷。实
识别示例如下:
原图 灰度转换、二值化后 灰度投影算法识别结果
无缺陷 d0=9
d1=6设为阀值
中心裂纹 d0=24
d1=49
明显大于阀值, 有缺陷
中心缩孔 d0=19
d1=20
明显大于阀值, 有缺陷
3.结束语
本文介绍了机器视觉应用在钢坯低倍缺陷自动识别的技术,识别效果满意。通过该技术应用扩展,例如建立钢坯低倍缺陷分类图库,则可建立缺陷分类特征数据库,实现各钢坯低倍缺陷的自动分类定性识别。
参考文献
[1] 王宏,朱德生,唐威.一种基于灰度投影的带钢表面缺陷检测算法.东北大学学报 Vol.29,No.3
[2] 孙少林,马志强,汤伟.灰度图像二值化算法研究.