基于机器视觉的钢网表面缺陷判定方法技术

本发明专利技术涉及人工智能技术领域，具体涉及一种基于机器视觉的钢网表面缺陷判定方法。采集钢网的表面图像以得到对应的钢网灰度图像，根据像素点的灰度值和分布位置将钢网灰度图像中的灰度值自适应分为N个最优灰度区间，基于最优灰度区间对灰度值进行灰度等级量化，得到量化灰度图像，对量化灰度图像进行灰度共生矩阵的获取以得到每个像素点的纹理熵，构成表面图像对应的熵矩阵，将表面图像和对应的熵矩阵输入神经网络以确认钢网缺陷类型。通过对图像中的灰度值进行自适应的灰度区间划分，基于划分的灰度区间进行灰度等级的量化，使得灰度等级量化过程更加灵活，以实现降低纹理信息的丢失前提下，简化且降低计算量，同时提高缺陷检测的准确率。测的准确率。测的准确率。

【技术实现步骤摘要】
基于机器视觉的钢网表面缺陷判定方法


[0001]本专利技术涉及人工智能
，具体涉及一种基于机器视觉的钢网表面缺陷判定方法。

技术介绍

[0002]在工业生产中，由于生产环境和工艺的影响，钢网不可避免的会出现裂纹、夹杂、压入氧化铁、麻点、划痕、擦伤、结疤、孔洞、斑锈和气泡等十几种缺陷，对产品外观乃至性能都产生了较大的影响。目前钢网表面缺陷检测的方法通常是以标准图像为模板进行对比分析来检测钢网的缺陷，但其对标准图像的要求比较高，否则会导致检测不准确；通过阈值分割的方法对钢网图像进行缺陷检测，而阈值的选取一般都是根据经验获取，但每次采集的钢网图像其特征不相似，因此该方法容易出现漏检和误检的现象，难以确保检测的效果达到工业生产的相关要求。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的在于提供一种基于机器视觉的钢网表面缺陷判定方法，所采用的技术方案具体如下：采集钢网的表面图像以得到对应的钢网灰度图像；获取所述钢网灰度图像的灰度直方图，得到其最大灰度值和最小灰度值，根据所述最大灰度值和最小灰度值设置DBSCAN聚类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的钢网表面缺陷判定方法，其特征在于，该方法包括以下步骤：采集钢网的表面图像以得到对应的钢网灰度图像；获取所述钢网灰度图像的灰度直方图，得到其最大灰度值和最小灰度值，根据所述最大灰度值和最小灰度值设置DBSCAN聚类算法的聚类半径，基于所述聚类半径将所述钢网灰度图像中的灰度值分为A个聚类簇，A为大于0的正整数；基于聚类簇将所述钢网灰度图像中的灰度值划分为N个灰度区间，N为大于0的正整数、且NA，根据划分后每个聚类簇中所包含的灰度区间数量和灰度区间对应的像素点数量构建目标函数，获取所述目标函数达到全局最优时对应的N个最优灰度区间；基于所述钢网灰度图像的N个最优灰度区间对灰度值进行灰度等级量化，得到量化灰度图像；对所述量化灰度图像进行灰度共生矩阵的获取以得到每个像素点的纹理熵，构成所述表面图像对应的熵矩阵；将所述表面图像和对应的所述熵矩阵输入神经网络以确认钢网缺陷类型。2.如权利要求1所述的一种基于机器视觉的钢网表面缺陷判定方法，其特征在于，所述根据划分后每个聚类簇中所包含的灰度区间数量和灰度区间对应的像素点数量构建目标函数的方法，包括：根据灰度空间的数量和聚类簇的数量获取重新划分所需的B个分界点，利用B个分界点对A个聚类簇对应的初始灰度区间进行灰度区间的重新划分；基于重新划分后的N个灰度区间，根据每个灰度区间的频率计算A个聚类簇的簇内频率均匀度和簇间频率均匀度，所述频率是指灰度区间内所包含的像素点数目占所述钢网灰度图像中所有像素点数目的频率；根据像素点的位置坐标计算A个聚类簇的簇内空间分散度均匀度和簇间空间分散度均匀度；根据每个灰度区间的灰度跨度计算A个聚类簇的簇内灰度跨度均匀度和簇间灰度跨度均匀度，所述灰度跨度是指灰度区间对应最大灰度级与最小灰度级之间的差值；将所述簇内频率均匀度、所述簇内空间分散度均匀度和所述簇内灰度跨度均匀度线性组合成簇内均匀性评价值；将所述簇间频率均匀度、所述簇间空间分散度均匀度和所述簇间灰度跨度均匀度线性组合成簇间均匀性评价值，结合所述簇内均匀性评价值和所述簇间均匀性评价值构建N个灰度区间的所述目标函数。3.如权利要求2所述的一种基于机器视觉的钢网表面缺陷判定方法，其特征在于，所述根据每个灰度区间的频率计算A个聚类簇的簇内频率均匀度和簇间频率均匀度的方法，包括：由每个灰度区间的频率计算每个聚类簇的平均频率，根据每个灰度区间的频率与其所属聚类簇的平均频率之间的频...

【专利技术属性】
技术研发人员：谢海居，
申请(专利权)人：南通海驹钢结构有限公司，
类型：发明
国别省市：