基于人工智能的带钢红锈缺陷检测方法技术

本发明专利技术涉及基于人工智能的带钢红锈缺陷检测方法，其是通过采集带钢的RGB图像，并去除背景，得到图像的感兴趣区域，并对该感兴趣区域进行灰度化处理得到通道R、G、B的灰度图，利用灰度共生矩阵法提取通道R的纹理特征，得到该通道的灰度图质量指标，同时获取该通道的灰度差异图，根据灰度图质量指标和灰度差异图，获取单通道的红锈灰度特征图，并对该特征图的像素点进行聚类，得到连通域，并得到连通域的面积以及对比度特征均值；将面积、对比度特征均值以及对应的像素点的值构成特征矩阵，作为分类器的输入，输出红锈灰度图的缺陷程度；即本发明专利技术能够更准确地得到反应红锈缺陷的特征图，进而使得红锈缺陷预测更加准确。进而使得红锈缺陷预测更加准确。进而使得红锈缺陷预测更加准确。

【技术实现步骤摘要】
基于人工智能的带钢红锈缺陷检测方法


[0001]本专利技术涉及机器视觉、图像处理领域，具体涉及基于人工智能的带钢红锈缺陷检测方法。

技术介绍

[0002]在冶金工业中，热轧带钢在轧前加热过程中，会出现与基体金属强烈啮合的特种氧化铁皮而形成红锈，该缺陷一般以不规则的条块状或矛尖状沿整个宽度出现在带钢的一面或上、下表面上。热轧后此区域通常呈淡红色，锈蚀严重变为红褐色，有时呈颗粒状并且明显比临近区域粗糙。
[0003]目前对于热轧带钢红锈的检测，其主要通过人工检测以及图像识别和分割技术对特征进行提取和识别，获取识别结果，而采用神经网络进行训练检测的方式需要训练数据，计算量较大，且带钢表面覆盖有大量噪声曲线，神经网络检测时会受到大量干扰从而导致准确度不高。
[0004]相应地，基于现有方法对红锈缺陷的程度检测的不准确性，在进行红锈清洗时，无法准确地确定清洗液的用量，导致清洗效率低下。

技术实现思路

[0005]本专利技术的目的在于提供基于人工智能的带钢红锈缺陷检测方法，用以解决现有的红锈程度检测方法的复杂、不准确的问题。
[0006]本专利技术提供的一种基于人工智能的带钢红锈缺陷检测方法的技术方案，包括以下步骤：
[0007]步骤一，获取带钢的RGB图像，并去除背景，得到图像的感兴趣区域；
[0008]步骤二，将所述图像的感兴趣区域进行灰度化处理，得到灰度图像，并根据所述灰度图像分别得到通道R、G、B的灰度图；利用灰度共生矩阵法提取通道R的灰度图的熵特征图和对比度特征图；根据所述熵特征图和对比度特征图，对所述通道R的灰度图进行图像质量评价，得到所述通道R的灰度图质量指标；
[0009]步骤三，将所述通道R的灰度图与通道G和通道B的灰度图的平均值作差，获取灰度差异图；
[0010]步骤四，根据所述灰度差异图以及所述质量指标，计算单通道的红锈灰度特征；
[0011]步骤五，将带钢RGB图像进行二值化处理后进行连通域分析，获取连通域面积；对所述红锈灰度图中的像素点值进行聚类，并根据连通域的位置，获得灰度图在对应连通域位置处的对比度特征值；
[0012]将所述对比度特征值、连通域面积以及连通域内的不同类的红锈像素值构成特征矩阵，输入分类器，获取红锈灰度图的缺陷程度。
[0013]进一步地，所述红锈灰度特征为：
[0014][0015]其中，为灰度差异图的第(i，j)个像素的灰度值，γ(i，j)为第(i，j)个像素的质量指标。
[0016]进一步地，所述灰度差异图为：
[0017][0018]其中，为灰度差异图的第(i，j)个像素的灰度值，I
R
(i，j)为通道R灰度图中第(i，j)个像素的灰度值，I
G
(i，j)、I
B
(i，j)为通道G、B灰度图中第(i，j)个像素的灰度值。
[0019]进一步地，所述灰度图质量指标为：
[0020][0021]其中，γ(i，j)为第(i，j)个像素的质量指标，g1(i，j)为熵图I1中第(i，j)个像素的像素值，g2(i，j)为对比度图I2中第(i，j)个像素的像素值，k为系数。
[0022]进一步地，所述缺陷程度的获取方法为：
[0023]1)将带钢RGB图像进行二值化处理，其中红锈像素的像素值置为1，非红绣像素的像素值置为0，得到对应的二值图像，对二值图像进行连通域分析，获取连通域，并得到连通域的面积S
i
；
[0024]2)根据连通域的位置，获得图像IMG中不同类在连通域对应位置处的像素值序列，得到特征向量α
i
；
[0025]3)获得对比度特征图I2在连通域对应位置处的像素值序列，得到对比度特征向量β
i
；
[0026]4)将连通域面积S
i
、特征向量α
i
、对比度特征向量β
i
送入分类器，获得红锈缺陷程度。
[0027]进一步地，所述聚类采用K均值聚类方法。
[0028]本专利技术的有益效果为：
[0029]本专利技术通过采集带钢的RGB图像，并去除背景，得到图像的感兴趣区域，并对该感兴趣区域进行灰度化处理得到通道R、G、B的灰度图，利用灰度共生矩阵法提取通道R的纹理特征，得到该通道的灰度图质量指标，同时获取该通道的灰度差异图，根据灰度图质量指标和灰度差异图，获取单通道的红锈灰度特征图，并对该特征图的像素点进行聚类，得到连通域，并得到连通域的面积以及对比度特征均值；将面积、对比度特征均值以及对应的像素点的值构成特征矩阵，作为分类器的输入，输出红锈灰度图的缺陷程度。即本专利技术通过通道R的纹理特征和通道R的灰度差异图，能够更准确地得到反应红锈缺陷的特征图。
[0030]同时，本专利技术考虑了原始图像红锈缺陷的面积、红锈灰度图的对比度特征值以及对应的像素值这三个因素，来预测红锈缺陷程度，考虑因素全面，使得预测更加准确。
附图说明
[0031]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
[0032]图1是本专利技术的基于人工智能的带钢红锈缺陷检测方法的方法实施例的流程图。
具体实施方式
[0033]为使本专利技术实施例的目的、技术方案和优点更清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行介绍。
[0034]本专利技术提供的基于人工智能的带钢红锈缺陷检测方法，如图1所示，包括以下步骤：
[0035]步骤一，获取带钢的RGB图像，并去除背景，得到图像的感兴趣区域；
[0036]其中，获取图像的感兴趣区域是通过对采集的RGB图像进行颜色空间转换，即HSV转换，初步确定红锈缺陷像素的感兴趣区域：H∈[0,60]∪[300,360]。
[0037]为了进一步去除图像像素中的暗调像素和饱和像素，保证感兴趣区域的判定更准确，则对图像中的暗调像素和饱和像素，通过阈值判断：
[0038]S(i)>G1
[0039]V(i)<G2
[0040]其中，S(i)、V(i)分别表示第i个像素的饱和度、明度。G1、G2分别为饱和度阈值、明度阈值，经验值分别为0.82、0.2。
[0041]由于将图像转换为HSV颜色空间的过程为现有技术，此处不再过多赘述。
[0042]本实施例中采用RGB相机获取带钢的RGB图像。
[0043]当然作为其他实施方式，本专利技术还可以采用HSI、Lab空间颜色模型的方法，获取红锈缺陷感兴趣区域。
[0044]步骤二，将所述图像的感兴趣区域(ROI区域)进行灰度化处理，得到灰度图像，并根据所述灰度图像分别得到通道R、G、B的灰度图；利用灰度共生矩阵法提取通道R的灰度图的熵特征图和对比度特征图；根据所述熵特征图和对比度特征图，对所述通道R的灰度图进行图像质量评价，得到所述通道R的灰度图质本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的带钢红锈缺陷检测方法，其特征在于，包括以下步骤：步骤一，获取带钢的RGB图像，并去除背景，得到图像的感兴趣区域；步骤二，将所述图像的感兴趣区域进行灰度化处理，得到灰度图像，并根据所述灰度图像分别得到通道R、G、B的灰度图；利用灰度共生矩阵法提取通道R的灰度图的熵特征图和对比度特征图；根据所述熵特征图和对比度特征图，对所述通道R的灰度图进行图像质量评价，得到所述通道R的灰度图质量指标；步骤三，将所述通道R的灰度图与通道G和通道B的灰度图的平均值作差，获取灰度差异图；步骤四，根据所述灰度差异图以及所述质量指标，获取单通道的红锈灰度特征图；步骤五，将带钢RGB图像进行二值化处理后进行连通域分析，获取连通域面积；对所述红锈灰度图中的像素点值进行聚类，并根据连通域的位置，获得灰度图在对应连通域位置处的对比度特征值；将所述对比度特征值、连通域面积以及连通域内的不同类的红锈像素值构成特征矩阵，输入分类器，获取红锈灰度图的缺陷程度。2.根据权利要求1所述的基于人工智能的带钢红锈缺陷检测方法，其特征在于，所述红锈灰度特征为：其中，为灰度差异图的第(,j)个像素的灰度值，γ(i,j)为第(,j)个像素的质量指标。3.根据权利要求2所述的基于人工智能的带钢红锈缺陷检测方法，其特征在于，所述灰度差异图为：其中，为灰度差异图的第(i,j)个像素的灰度值，I
R
(i,j)为通道R灰度图中第(i,j)个像素的灰度值，I...

【专利技术属性】
技术研发人员：王沈阳，
申请(专利权)人：江苏苏桥焊材有限公司，
类型：发明
国别省市：