钢材表面异质型缺陷的自动测量、表征分类方法及其系统技术方案

本发明专利技术属于钢材的表面缺陷分析领域的钢材表面异质型缺陷的自动测量、表征分类方法及其系统，该系统包括图像采集装置及处理器。首先获取钢材待测缺陷的原始图像，进行线性平均低通滤波去噪；运用局部自适应阈值分割算法得到二值图像；对分割后的图像进行最小子段区域标定以及提取其形态特征参数；采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积，即当量缺陷SDE，继而得到待测图像的缺陷率ρ，实现对各类钢材表面异质型缺陷的定量表征；所得缺陷率ρ按最佳阈值进行自动分类；测量完毕，将结果以图表文件显示输出。本发明专利技术解决了人工模式精度偏低，尤其能够填补对于钢中呈弯曲、枝杈形态分布的表面异质型缺陷人工测量模式无法处理的空白。

【技术实现步骤摘要】

本专利技术涉及钢材的的各类表面异质型缺陷及其缺陷程度定量分析领域，具体涉及钢材表面异质型缺陷的自动测量、表征分类方法及其系统。
技术介绍
钢铁产品生产过程中，由于冶金生产过程长，历经炼钢、连铸以及轧制过程中多种工艺环节的诸多因素，使得钢材出现各种各样的表面异质型缺陷，诸如夹杂、氧化铁皮压入、疤/坑等表面质量问题，严重影响了板材外观及其使用性能。显然，这些缺陷的大小、分布及其缺陷程度对钢材的材质及其性能起着至关重要的影响。为了提高钢材的性能，充分发挥材质本身的作用，控制有害缺陷的影响，就必须对这些缺陷的大小、分布及其缺陷程度进行准确测量、表征和分类，以期达到炼钢、连铸以及轧制各工艺优化控制所需的对各类钢材表面异质型缺陷的定量表征要求。因此，如何精确、高效地测量与表征分析钢材缺陷的大小、分布及其缺陷程度，成为钢材材质分析领域中迫切需要解决的重要问题，其相关技术，目前国内外还未见报道。由于钢材钢种不同，生产工艺各异，受到捕捉缺陷源的困扰，现在对于钢材表面异质型缺陷的分析尚停留在人工现场粗略测量的粗糙评价模式阶段，对于此类缺陷的分析方法为人工使用钢卷尺大致测量缺陷所在区域的整体长度和宽度，辅以计算该区域内异质缺陷的点数。显然，这种人工测量、表征、分类模式，其结果仅为定性评价，评价标准过于主观、粗糙，有的甚至难以评价，且必然带来诸如效率低、精度低及人力资源耗费过大等问题。
技术实现思路
本专利技术的目的是针对目前钢材表面异质型缺陷靠人工测量、表征与分类模式的低效率、低精度，甚至有的无法进行测量、表征的问题，提出了一种钢材表面异质型缺陷的自动测量、表征分类方法及其系统，实现对钢材各类表面异质型缺陷的大小、分布及其缺陷程度进行精确、高效地测量、表征、分类。本专利技术的技术方案是：钢材表面异质型缺陷的自动测量、表征分类方法，首先是利用摄像设备获取钢材待测缺陷的原始图像，并导入计算机；将钢材待测缺陷原始图像进行线性平均低通滤波去噪；运用局部自适应阈值分割算法得到待测缺陷的二值图像；对分割后的图像进行最小子段区域标定以及提取其形态特征参数；采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积，即当量缺陷SDE，继而得到待测图像的缺陷率ρ，完成对各类钢材表面异质型缺陷的定量表征；所得缺陷率ρ按最佳阈值进行自动分类；测量完毕，将上述表面异质型缺陷的测量及其定量表征、分类结果以图表文件显示输出。本专利技术方法的具体步骤为：1.原始图像的获取：利用摄像设备获取钢材待测缺陷的原始图像，并导入计算机；2.图像预处理：将钢材待测缺陷原始图像进行线性平均低通滤波去噪；3.二值图像的获取：运用局部自适应阈值分割算法得到待测缺陷的二值图像；4.自动测量：对分割后的图像设定标尺并进行最小子段区域标定，对每一最小子段均采用最小外接盒形加以覆盖，同时提取其形态特征参数：长度L、宽度B，及其最大弦长Lmax、最大宽度Bmax实现自动测量的过程；5.定量表征：对二值图像模板数组进行遍历扫描，采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积，即当量缺陷SDE，继而得到待测图像的缺陷率ρ，实现对钢材表面异质型缺陷的定量表征；6.自动分类：对步骤5所得缺陷率ρ按最佳阈值进行自动分类；上述方案中，还包括输出的步骤,具体为：将上述表面异质型缺陷的自动测量、定量表征和分类结果以图表文件显示输出。上述方案中，所述步骤1钢材待测缺陷图像的采集过程：是利用摄像设备采集钢材待测缺陷原始图片模块，获取的原始图像存入图像采集卡中；上述方案中，所述步骤2图像预处理过程：对原始图像进行线性平均低通滤波去噪处理，过滤掉包含在原始图像中的噪声；上述方案中，所述步骤3二值图像获取：针对目标和背景占据不同灰度级范围的图像，采用基于区域划分的局部自适应阈值分割算法，对图像按坐标分块，对每一子块分别自动获得最佳阈值，得到目标与背景完全分离的二值图像；上述方案中，所述步骤4对分割后的图像设定标尺并进行最小子段区域标定具体为：对目标缺陷按其特征点角点进行分段，得到包括首点和尾点的所有角点共n个，以及由这些角点构成的最小子段n-1段，对每一最小子段均采用最小外接盒形加以覆盖；同时提取其形态特征参数：长度L、宽度B，及其最大弦长Lmax、最大宽度Bmax。上述方案中，所述最小外接盒形为最小外接矩形。上述方案中，所述步骤5基于图像灰度差异的无规区域面积算法为：对二值图像模板数组进行遍历扫描，具体为对二值分割后的缺陷图像模板数组进行遍历扫描，计算出目标图像中灰度值为0的像素点总数NA，并根据缺陷图像的分辨率从像素单位换算为实际单位，即以像素实际面积累加计算得出整个待测缺陷的总面积SDE，SDE＝X_SCALE×Y_SCALE×NA(μm2)式中，X_SCALE为水平方向尺寸因子，即为每个像素在水平方向上的实际尺寸；Y_SCALE为竖直方向尺寸因子，即为每个像素在竖直方向上的实际尺寸；f(x,y)为(x，y)处的灰度值；M为图像的长，单位为像素；N为图像的宽，单位为像素；二值图像的大小为M×N；缺陷率ρ为当量缺陷SDE与覆盖整个待测缺陷的最小外接矩形面积的比值， ρ = SDE A 0 ]]>A0为覆盖整个待测缺陷的最小外接矩形面积。上述方案中，所述步骤6缺陷率ρ按最佳阈值进行自动分类具体为：用缺陷率ρ的三级最佳阈进行自动分类：当ρ≤6％时，视为缺陷率极低；当6％＜ρ≤12％时，视为缺陷率较低；当12％＜ρ≤18％时，视为缺陷率较高；当ρ＞18％时，视为缺陷率极高。本专利技术还提供了一种实现上述钢材表面异质型缺陷的自动测量与定量表征分类方法的系统，该系统包括图像采集装置和处理器；所述图像采集装置：用于获取钢材待测缺陷原始图像，并将钢材待测缺陷原始图像传送到所述处理器的图片预处理模块；所述处理器包括图片预处理模块、图片二值分割模块、自动测量模块、定量表征模块、分类模块和输出模块；所述图片预处理模块：用于将钢材待测缺陷原始图像进行线性平均低通滤波去噪，将预处理后的图像传送到所述图片二值分割模块；所述图片二值分割模块：用于对经过预处理的图像采用局部自适应阈值分割算法进行二值分割，将得到钢材待测缺陷的二值图像传送到所述自动测量模块；所述自动测量模块：用于对分割后的图像进行最小子段区域标定以及提取其形态特征参数，将测量数据传送到所述表征分析模块；所述本文档来自技高网...

【技术保护点】
钢材表面异质型缺陷的自动测量、表征分类方法，其特征在于，包括以下步骤：1)原始图像的获取：利用摄像设备获取钢材待测缺陷的原始图像，并导入计算机；2)图像预处理：将钢材待测缺陷原始图像进行线性平均低通滤波去噪；3)二值图像的获取：运用局部自适应阈值分割算法得到待测缺陷的二值图像；4)自动测量：对分割后的图像设定标尺并进行最小子段区域标定，对每一最小子段均采用最小外接盒形加以覆盖，同时提取其形态特征参数：长度L、宽度B，及其最大弦长Lmax、最大宽度Bmax，实现自动测量的过程；5)定量表征：对二值图像模板数组进行遍历扫描，采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积，即当量缺陷SDE，继而得到待测图像的缺陷率ρ，实现对钢材表面异质型缺陷的定量表征；6)自动分类：对步骤5)所得缺陷率ρ按最佳阈值进行自动分类。

【技术特征摘要】
1.钢材表面异质型缺陷的自动测量、表征分类方法，其特征在于，包括以下步骤：
1)原始图像的获取：利用摄像设备获取钢材待测缺陷的原始图像，并导入计算机；
2)图像预处理：将钢材待测缺陷原始图像进行线性平均低通滤波去噪；
3)二值图像的获取：运用局部自适应阈值分割算法得到待测缺陷的二值图像；
4)自动测量：对分割后的图像设定标尺并进行最小子段区域标定，对每一最小子段均采用最小外接盒形加以覆盖，同时提取其形态特征参数：长度L、宽度B，及其最大弦长Lmax、最大宽度Bmax，实现自动测量的过程；
5)定量表征：对二值图像模板数组进行遍历扫描，采用基于图像灰度差异的无规区域面积算法测量缺陷的总面积，即当量缺陷SDE，继而得到待测图像的缺陷率ρ，实现对钢材表面异质型缺陷的定量表征；
6)自动分类：对步骤5)所得缺陷率ρ按最佳阈值进行自动分类。
2.根据权利要求1所述的钢材表面异质型缺陷的自动测量、表征分类方法，其特征在于，还包括输出的步骤，具体为：将上述表面异质型缺陷的自动测量、定量表征和分类结果以图表文件显示输出。
3.根据权利要求1所述的钢材表面异质型缺陷的自动测量、表征分类方法，其特征在于，所述步骤4)对分割后的图像设定标尺并进行最小子段区域标定具体为：对目标缺陷按其特征点角点进行分段，得到包括首点和尾点的所有角点共n个，以及由这些角点构成的最小子段n-1段，对每一最小子段均采用最小外接盒形加以覆盖；同时提取其形态特征参数：长度L、宽度B，及其最大弦长Lmax、最大宽度Bmax。
4.根据权利要求1或2所述的钢材表面异质型缺陷的自动测量、表征分类方法，其特征在于，所述最小外接盒形为最小外接矩形。
5.根据权利要求1所述的钢材表面异质型缺陷的自动测量、表征分类方法，其特征在于，所述步骤5)基于图像灰度差异的无规区域面积算法为：对二值图像模板数组进行遍历扫描，具体为对二值分割后的缺陷图像模板数组进行遍历扫描，计算出目标图像中灰度值为0的像素点总数NA，并根据缺陷图像的分辨率从像素单位换算为实际单位，即以像素实际面积累加计算得出整个待测缺陷的总面积SDE，
SDE＝X_SCALE×Y_SCALE×NA(μm2)
式中，X_SCALE为水平方向尺寸因子，即为每个像素在水平方向上的实际尺寸；
Y_SCALE为竖直方向尺寸因子，即为每个...

【专利技术属性】
技术研发人员：李新城，唐永春，朱伟兴，刘杰，南永强，周志豪，李涛，于慧慧，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32