一种基于VAI表面检测系统的缺陷图片分类收集方法技术方案

本发明专利技术属于带钢表面检测技术领域，公开了一种基于VAI表面检测系统的缺陷图片分类收集方法，包括：基于缺陷图片的第一属性特征值，在待分类图片中筛查满足第一属性特征值范围的第一缺陷图片组；基于缺陷图片的第二属性特征值，在第一缺陷图片组中筛查满足第二属性特征值范围的初分类缺陷图片，第一属性特征值包括：缺陷面积、缺陷长度以及缺陷宽度；第一属性特征值范围包括：缺陷面积范围，缺陷长度范围以及缺陷宽度范围；第二属性特征值包括：平均灰度值和灰度值标准差；第二属性特征值范围包括：平均灰度值范围和灰度值标准差范围；第一属性特征值范围和第二属性特征值范围根据具体缺陷类别确定。本发明专利技术提供一种可靠的分类收集缺陷图片的方法。

Defect image classification and collection method based on VAI surface detection system

The invention belongs to the field of strip surface detection technology, and discloses a defect picture classification collection method based on the VAI surface detection system, including the first attribute value of the first attribute based on the defective picture, and screening the first defect picture group that meets the range of the first attribute eigenvalue in the classified picture; second genera based on the defect picture. The first attribute values include defect area, defect length, and defect width, including defect area range, defect length range, and defect width range; second genera; the first attribute value range includes the defect area, defect length and defect width. The eigenvalues include the average gray value and the standard deviation of the gray value; the second attribute eigenvalue range includes the range of average gray value and the standard difference range of gray value; the range of the first attribute value and the range of the second attribute eigenvalue are determined according to the specific defect category. The invention provides a reliable method for classifying and collecting defective pictures.

【技术实现步骤摘要】
一种基于VAI表面检测系统的缺陷图片分类收集方法
本专利技术涉及带钢表面检测
，特别涉及一种基于VAI表面检测系统的缺陷图片分类收集方法。
技术介绍
VAI线阵表面检测系统(下面简称VAI)的缺陷图片分类收集是建立VAI缺陷数据库的重要准备过程。主要通过针对各种已知缺陷寻找对应的缺陷图片作为建立数据库的原始缺陷数据。VAI缺陷分类收集结果的好坏直接影响着球形文件的生成以及分类器的分类效果，因此我们在进行VAI缺陷图片分类收集时必须做到缺陷图片定性准确。但是，现有技术中对VAI进行分类器缺陷图片收集时通常是根据肉眼对其形貌进行观测，当主观上认为其符合某一类缺陷特征时，就对缺陷进行定性并收集到该类缺陷图片集中，最后通过DAC&DAC(VAI自带软件)进行运算后形成球形文件，最后将此球形文件调用到检测服务器中对实时检出缺陷进行运算分类。这样的缺陷收集方法虽然很直观，但是受人为主观因素影响较大，分类过程中出现问题不易查找原因，因此用这种方法制成的分类器缺陷分类准确率及检出率比较低。
技术实现思路
本专利技术提供一种基于VAI表面检测系统的缺陷图片分类收集方法，解决现有技术中VAI线阵表面检测系统的缺陷数据库原始缺陷图片定性分类受主观影响大，可靠性差的技术问题。为解决上述技术问题，本专利技术提供了一种基于VAI表面检测系统的缺陷图片分类收集方法，包括：基于缺陷的第一属性特征值，在待分类图片中筛查满足第一属性特征值范围的第一缺陷图片组；基于缺陷的第二属性特征值，在所述第一缺陷图片组中筛查满足第二属性特征值范围的初分类缺陷图片；其中，所述第一属性特征值包括：缺陷面积、缺陷长度以及缺陷宽度；所述第一属性特征值范围包括：缺陷面积范围，缺陷长度范围以及缺陷宽度范围；仅当待分类图片的缺陷面积、缺陷长度以及缺陷宽度对应落在缺陷面积范围，缺陷长度范围以及缺陷宽度范围内的情况下，认定待分类缺陷图片属于第一缺陷图片组；所述第二属性特征值包括：平均灰度值和灰度值标准差；所述第二属性特征值范围包括：平均灰度值范围和灰度值标准差范围；仅当待分类图片的平均灰度值和灰度值标准差对应落在平均灰度值范围和灰度值标准差范围内的情况下，认定待分类缺陷图片属于初分类缺陷图片；所述第一属性特征值范围和所述第二属性特征值范围根据具体缺陷类别确定。进一步地，所述方法还包括：通过VAI表面检测系统将所述初分类缺陷图片生成对应缺陷的球形文件；并基于所述球形文件的R属性和N属性筛查出所述球形文件中分类错误的缺陷图片；将所述分类错误的缺陷图片剔除；其中，仅当R属性值小于1且N属性值大于0的情况下，认定初分类缺陷图片分类错误；所述R属性值为球形文件的初始半径，所述N属性值为被检图片同类型缺陷图片被划为其它缺陷类型图片数量。进一步地，所述方法还包括：获取所述分类错误的缺陷图片的缺陷的像素值；获取所述像素值与缺陷面积的比值K；比较所述比值K与所述分类错误的缺陷图片对应的缺陷的K值范围；将所述比值K落入所述K值范围的分类错误的缺陷图片重新加入到所述球形文件的图片集中。本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本申请实施例中提供的基于VAI表面检测系统的缺陷图片分类收集方法，以已知缺陷的缺陷面积范围、缺陷长度范围以及缺陷宽度范围初步分类标准，在待分类图片中筛查缺陷面积、缺陷长度以及缺陷宽度同时落在上述范围内的缺陷图片形成第一缺陷图片组，大幅缩小筛查范围；并通过缺陷的平均灰度值和灰度值标准差为分类标准，在第一缺陷图片组中筛查满足相应范围的缺陷图片，从而准确高效的获取特定特征的缺陷图片。相对于主管观察，本申请通过量化缺陷形成特征值，进而科学合理的分类定性，避免主观分类的偶然性和不稳定性，提升分类的可靠性，从而提升数据库的质量。进一步，通过VAI系统的球形文件的R属性值和N属性值限定，执行对上述初分类缺陷图片形成的球形文件进行检查，实现第二维度的缺陷类别的定性分类筛查，提升筛查的可靠性。进一步，通过缺陷的像素值与缺陷面积的比值作为第三唯独验证标准，对球形文件中筛除的缺陷图片进行验证，避免球形文件检测的偶然性报错，提升数据库数据的可靠性。具体实施方式本申请实施例通过提供缺陷图片分类方法，解决现有技术中VAI线阵表面检测系统的缺陷数据库原始缺陷图片定性分类受主观影响大，可靠性差的技术问题。为了更好的理解上述技术方案，下面将结合说明书以及具体的实施方式对上述技术方案进行详细说明，应当理解本专利技术实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。一种基于VAI表面检测系统的缺陷图片分类收集方法，包括：基于缺陷的第一属性特征值，在待分类图片中筛查满足第一属性特征值范围的第一缺陷图片组；基于缺陷的第二属性特征值，在所述第一缺陷图片组中筛查满足第二属性特征值范围的初分类缺陷图片。一般来说，所述第一属性特征值包括：缺陷面积、缺陷长度以及缺陷宽度；所述第一属性特征值范围包括：缺陷面积范围，缺陷长度范围以及缺陷宽度范围。仅当待分类图片的缺陷面积、缺陷长度以及缺陷宽度对应落在缺陷面积范围，缺陷长度范围以及缺陷宽度范围内的情况下，认定待分类缺陷图片属于第一缺陷图片组。缺陷面积、缺陷长度以及缺陷宽度对应的是缺陷的实际物理属性特征，当然，不排除其它诸如缺陷周长，形状等其他可描述缺陷物理属性的特征。所述第二属性特征值包括：平均灰度值和灰度值标准差；所述第二属性特征值范围包括：平均灰度值范围和灰度值标准差范围。仅当待分类图片的平均灰度值和灰度值标准差对应落在平均灰度值范围和灰度值标准差范围内的情况下，认定待分类缺陷图片属于初分类缺陷图片。图片的平均灰度值和灰度值标准差是图片的属性特征，当然，也不排除其它诸如分辨率等图像属性特征通常缺陷面积、缺陷长度、缺陷宽度、平均灰度值和灰度值标准差通过VAI表面检测系统检测获取。其相应的所述第一属性特征值范围和所述第二属性特征值范围根据具体缺陷类别确定。也就是说，分类收集是针对某已知的缺陷，获取其缺陷的上述属性特征值的取值范围，而后以此取值范围在待分类图片中筛找满足的缺陷图片，也就是通过属性特征值将缺陷量化，而后按照特征值的范围筛查缺陷图片，作为建立缺陷数据库的原始数据，相对于现有技术具更为客观，可靠。进一步地，为了提升筛选的可靠性，避免单一维度筛选的片面性，所述方法还包括：通过VAI表面检测系统将所述初分类缺陷图片生成对应缺陷的球形文件；并基于所述球形文件的R属性和N属性筛查出所述球形文件中分类错误的缺陷图片；将所述分类错误的缺陷图片剔除。也即是是说，通过VAI表面检测系统自身的球形文件属性设置筛选标准，提升可靠性。其中，仅当R属性值小于1且N属性值大于0的情况下，认定初分类缺陷图片分类错误。所述R属性值为球形文件的初始半径，所述N属性值为被检图片同类型缺陷图片被划为其它缺陷类型图片数量。也就是，通过球形文件自身的统计学特征作为缺陷图片的筛选标准，降低缺陷图片的分类定性的偶然性，提升数据库原始数据的可靠性。进一步地，统计数据本身也存在一定随机性，也会存在判断错误的情况，鉴于此，所述方法还包括：获取所述分类错误的缺陷图片的缺陷的像素值；本文档来自技高网...

【技术保护点】
1.一种基于VAI表面检测系统的缺陷图片分类收集方法，其特征在于，包括：基于缺陷的第一属性特征值，在待分类图片中筛查满足第一属性特征值范围的第一缺陷图片组；基于缺陷的第二属性特征值，在所述第一缺陷图片组中筛查满足第二属性特征值范围的初分类缺陷图片；其中，所述第一属性特征值包括：缺陷面积、缺陷长度以及缺陷宽度；所述第一属性特征值范围包括：缺陷面积范围，缺陷长度范围以及缺陷宽度范围；仅当待分类图片的缺陷面积、缺陷长度以及缺陷宽度对应落在缺陷面积范围，缺陷长度范围以及缺陷宽度范围内的情况下，认定待分类缺陷图片属于第一缺陷图片组；所述第二属性特征值包括：平均灰度值和灰度值标准差；所述第二属性特征值范围包括：平均灰度值范围和灰度值标准差范围；仅当待分类图片的平均灰度值和灰度值标准差对应落在平均灰度值范围和灰度值标准差范围内的情况下，认定待分类缺陷图片属于初分类缺陷图片；所述第一属性特征值范围和所述第二属性特征值范围根据具体缺陷类别确定。

【技术特征摘要】
1.一种基于VAI表面检测系统的缺陷图片分类收集方法，其特征在于，包括：基于缺陷的第一属性特征值，在待分类图片中筛查满足第一属性特征值范围的第一缺陷图片组；基于缺陷的第二属性特征值，在所述第一缺陷图片组中筛查满足第二属性特征值范围的初分类缺陷图片；其中，所述第一属性特征值包括：缺陷面积、缺陷长度以及缺陷宽度；所述第一属性特征值范围包括：缺陷面积范围，缺陷长度范围以及缺陷宽度范围；仅当待分类图片的缺陷面积、缺陷长度以及缺陷宽度对应落在缺陷面积范围，缺陷长度范围以及缺陷宽度范围内的情况下，认定待分类缺陷图片属于第一缺陷图片组；所述第二属性特征值包括：平均灰度值和灰度值标准差；所述第二属性特征值范围包括：平均灰度值范围和灰度值标准差范围；仅当待分类图片的平均灰度值和灰度值标准差对应落在平均灰度值范围和灰度值标准差范围内的情况下，认定待分类缺陷图片属于初分类缺陷图片；所述第一属性特征值范围和所...

【专利技术属性】
技术研发人员：张悦，杨国义，唐璇，毕士龙，胡茂林，
申请(专利权)人：武汉钢铁有限公司，
类型：发明
国别省市：湖北,42