基於模板匹配的帶鋼表面缺陷精準檢測方法與流程
2024-03-31 05:18:05
本發明屬於帶鋼表面缺陷檢測技術領域，特別是涉及基於模板匹配的帶鋼表面缺陷精準檢測方法。
背景技術：
鋼鐵是汽車生產、機械製造、航空航天等領域不可或缺的原材料，其年產量可以達到所有產品生產的80％以上。但由於軋制設備、生產環境等的影響，鋼鐵表面極易產生各種各樣不可預知的缺陷，這些缺陷不僅影響鋼材的美觀，而且會影響產品耐腐性，這往往會造成不可預估的損失及危險，故相關的用戶對鋼材的表面質量提出了更高的要求。近年來，隨著鋼材需求量的不斷增加，生產線往往要求更快的速度，這使得人工檢測質量不能夠滿足速度要求，且快速的生產要求導致人工檢測的準確率下降，故基於機器視覺的帶鋼表面檢測技術被越來越多得用於生產中。
現有的檢測方法大致分為監督方法與非監督方法兩類。監督方法需要預先收集大量缺陷圖像進行訓練，訓練過程往往耗時較長，且帶鋼表面的缺陷有些是不可預知的，這限制了該類方法在實際生產中的應用。非監督方法是通過人工提取特徵後，查找圖像中具有異常特徵的分塊從而實現缺陷定位，該類方法中有些是難以實現且耗時較長。如：Y.Lee等人(Y.Lee,J.Lee,"Accurate Automatic Defect Detection Method Using Quadtree Decomposition on SEM Images,"in IEEE Transactions on Semiconductor Manufacturing,vol.27,no.2,pp223-231,May 2014.)使用四叉樹分解方法進行缺陷檢測，該方法需要前期對圖像的一些處理再通過查找異常分塊實現檢測，但前期處理過程複雜且採用的分塊方法使得檢測精度局限於分塊大小，對於全圖均勻分布的缺陷不能達到好的檢測效果。X.Bi,等人(X.Bi,X.Xu and J.Shen,「An automatic detection method of mura defects for liquid crystal display using real Gabor filters,」20158th International Congress on Image and Signal Processing(CISP),Shenyang,2015,pp.871-875.)使用Gabor小波對缺陷進行檢測，該方法是使用不同方向的濾波器對圖像分別進行濾波操作，這就增加了該方法的計算量。D.Aiger等人(D.Aiger and H.Talbot,「The phase only transform for unsupervised surface defect detection,」Computer Vision and Pattern Recognition(CVPR),2010IEEE Conference on,San Francisco,CA,2010,pp.295-302.)使用在頻域空間下對周期性紋理缺陷進行檢測，該方法僅使用了傅立葉變換就可以實現對缺陷的檢測，但該方法只能檢測到缺陷的邊緣信息，雖然J.Choi等人(J.Choi and C.Kim,「Unsupervised detection of surface defects:A two-step approach,」201219th IEEE International Conference on Image Processing,Orlando,FL,2012,pp.1037-1040.)對通過增加局部細化過程對該方法進行了改進，使之對缺陷內部的像素有填充效果，但對於塊狀的缺陷，如：油斑、滴焦油等缺陷，該方法依然會產生漏檢。因此研究具有高檢測率且具有低複雜度的檢測方法具有非常重要的意義。
技術實現要素：
針對現有技術的不足，本發明所要解決的技術問題是，提供一種基於模板匹配的帶鋼表面缺陷精準檢測方法。該方法只使用了一個匹配模板以及簡單的圖像差分方法，就能夠準確對帶鋼表面缺陷進行定位，如：塊狀缺陷：油斑、滴焦油等；條狀缺陷：劃傷等；點狀缺陷：縮孔、白點等，而不會產生缺陷內部像素漏檢的情況；由於本發明方法利用了非缺陷的分布統計方法生成匹配模板，故對於類似於麻點這樣全局均勻分布形式的缺陷同樣具有較好的檢測效果；且該方法的缺陷檢測精度到像素級，更有利於後續的分類工作。
本發明解決所述技術問題採用的技術方案是，提供一種基於模板匹配的帶鋼表面缺陷精準檢測方法，包括如下步驟：
步驟1，統計非缺陷分布：在線採集不少於十張帶鋼非缺陷灰度圖像，形成非缺陷庫，統計所採集的所有非缺陷灰度圖像的直方圖信息並擬合高斯曲線；
步驟2，讀取圖像：線陣相機在線獲取待檢測圖像I0，從計算機中讀取待檢測圖像I0；計算待檢測圖像I0的行數為M，列數為N，待檢測圖像I0的大小，記為M×N；
步驟3，重構圖像：將待檢測圖像I0中的像素值按照每一列升序或降序排列，得到重構圖像I1；
步驟4，建立匹配模板C：根據步驟1擬合得到的高斯曲線構建一個與待檢測圖像I0大小相等的矩陣，該矩陣即為匹配模板C；
步驟5，圖像差分：將匹配模板C與重構圖像I1的每一點的像素值進行差分運算，得到差分圖像I2，即I2(i,j)＝C(i,j)-I1(i,j)0≤i≤M,0≤j≤N，
其中，C(i,j)表示匹配模板第i行第j列的像素值，I1(i，j)是重構圖像I1中位於第i行第j列的像素值；
並將差分圖像I2中的各像素值按照待檢測圖像I0中的位置進行重排，得到重排圖像I3；
步驟6，缺陷定位：利用正向分割閾值TH及負向分割閾值-(TH+D)對重排圖像I3進行二值化，若重排圖像I3中某一像素點的像素值大於TH或小於-(TH+D)，記為1，說明該位置為缺陷位置；反之，記為0，說明該位置不是缺陷位置，從而實現了缺陷的準確定位，其中D為常數。
與現有技術相比，本發明的有益效果：
1.本發明的檢測方法主要包括一個匹配模板C的建立、一個圖像差分及一個缺陷閾值的選取，方法簡單，而且採用的是像素級的比較方式，精度可以達到像素級別，不需要繁複的訓練過程，可以實現像素級的缺陷檢測，雖然方法簡單，但是準確率高，算法的編程實現也很簡單，生產過程中出現程序問題也方便調試。
2.本發明的檢測方法能夠實時、精準地對帶鋼表面缺陷進行檢測，包括塊狀缺陷，點狀缺陷、條形缺陷等，減少了缺陷內部像素漏檢情況的發生。對於均勻分布類型的缺陷，該方法可以減少其誤檢率，其準確率能夠滿足在線的帶鋼表面缺陷檢測要求；
3.本發明的檢測方法適用範圍廣，只需定期對非缺陷圖像庫進行更新，能夠滿足不同生產線上對不同類型缺陷的檢測要求。
附圖說明
圖1是本發明基於模板匹配的帶鋼表面缺陷精準檢測方法的流程圖；
圖2是本發明的檢測方法所採用的檢測裝置的結構示意圖，其中1-傳送輥，2-條形頻閃光源，3-線陣相機，4-傳輸設備，5-計算機；
圖3是本發明基於模板匹配的帶鋼表面缺陷精準檢測方法中步驟1中非缺陷直方圖統計及擬合的高斯曲線。
圖4是本發明基於模板匹配的帶鋼表面缺陷精準檢測方法中步驟4中匹配模板C建立的說明圖，其中S表示區域面積，S1＝S2＝...＝SM。
具體實施方式
下面結合實施例及附圖對本發明做進一步的說明，但並不以此作為對本申請權利要求保護範圍的限定。
本發明基於模板匹配的帶鋼表面缺陷精準檢測方法(簡稱方法，參見圖1)，包括如下步驟：
步驟1，統計非缺陷分布：在線採集不少於十張帶鋼非缺陷灰度圖像，形成非缺陷庫，統計所採集的所有非缺陷灰度圖像的直方圖信息並擬合高斯曲線；
步驟2，讀取圖像：線陣相機在線獲取待檢測圖像I0，從計算機中讀取待檢測圖像I0；計算待檢測圖像I0的行數為M，列數為N，即待檢測圖像I0的寬為M，長為N，待檢測圖像I0的大小，記為M×N；
步驟3，重構圖像：將待檢測圖像I0中的像素值按照每一列升序(或降序)排列，得到重構圖像I1；
步驟4，建立匹配模板C：根據步驟1擬合得到的高斯曲線構建一個與待檢測圖像I0大小相等的矩陣，該矩陣即為匹配模板C；
步驟5，圖像差分：將匹配模板C與重構圖像I1的每一點的像素值進行差分運算，得到差分圖像I2，即I2(i,j)＝C(i,j)-I1(i,j)0≤i≤M,0≤j≤N，
其中，C(i,j)表示匹配模板第i行第j列的像素值，I1(i，j)是重構圖像I1中位於第i行第j列的像素值；並將差分圖像I2中的各像素值按照待檢測圖像I0中的位置進行重排，得到重排圖像I3；
步驟6，缺陷定位：利用正向分割閾值TH及負向分割閾值-(TH+D)對重排圖像I3進行二值化，若重排圖像I3中某一像素點的像素值大於TH或小於-(TH+D)，記為1，說明該位置為缺陷位置；反之，記為0，說明該位置不是缺陷位置，從而實現了缺陷的準確定位，其中D為常數。
本發明方法的進一步特徵在於步驟1中統計非缺陷分布的具體步驟如下：
1-1：缺陷檢測前使用條形頻閃光源為帶鋼表面提供光源，通過線陣相機獲取一定數量的在線灰度圖像並存儲於計算機的內存中；
1-2：從計算機的內存中讀取灰度圖像，人工選擇不少於十張非缺陷灰度圖像，形成非缺陷庫；
1-3：統計所有非缺陷圖像整體直方圖信息並擬合高斯曲線，得到高斯分布概率密度函數為：
其中，t為輸入的數據，σ代表輸入數據的方差信息，μ代表輸入數據的均值信息。
本發明方法的進一步特徵在於步驟4建立匹配模板C的具體步驟是：
4-1：使用x＝xi對步驟1擬合得到的高斯曲線由左到右(升序)或由右到左(降序)進行等概率分割，按照如下公式求取xi：
(升序)或(降序)
其中xi表示第i(i＝1,....,M)條分割線的橫坐標，M為待檢測圖像I0的行數；
4-2：按照C0(i,j)＝[xi+0.5]得到初始化模板，其中，C0(i,j)表示初始化模板第i行第j列的像素值，初始化模板的每行像素值是相等的，1≤i≤M，1≤j≤N；[]為高斯記號，表示對xi進行四捨五入操作；
4-3：根據模板閾值T1及T2更新初始模板：
將重構圖像I1中的每一個像素值與模板閾值T1與T2進行比較，對初始化模板C0(i,j)滿足條件T1＜I1(i,j)＜T2的值進行更新，得到第j列中需要更新的像素數量為：mj＝M-kj-pj，其中kj表示第j列中滿足條件I1(i,j)≤T1的個數，pj表示第j列中滿足條件I1(i,j)≥T2的個數，其中模板閾值T1及T2按照以下公式計算：
其中，ε1與ε2為置信度，通常0＜ε1,ε2≤0.005；
使用分割線x＝xvj，v∈[1,mj]且v∈Z，將高斯曲線f(t)由左到右(或由右到左)等概率分割；
按照以下公式得到匹配模板C：
本發明方法的進一步特徵在於步驟6缺陷定位的具體步驟如下：利用正向分割閾值TH及負向分割閾值-(TH+D)對重排圖像I3進行二值化，若重排圖像I3中某一像素點的像素值大於TH或小於-(TH+D)，記為1，說明該位置為缺陷位置；反之，記為0，說明該位置不是缺陷位置，從而實現了缺陷的準確定位，其中D為常數。
由於帶鋼表面缺陷圖像的缺陷灰度值相較於非缺陷存在差異(有些較非缺陷灰度值高，有些灰度值低)，故使用以下公式對獲取的重排圖像I3進行二值化缺陷分割：
E(i,j)取值為1，圖像顯示為白色，E(i,j)取值為0，圖像顯示為黑色；
正向分割閾值TH採用以下公式計算：
TH＝W·log(σ(I0))/log(μ(I0))
其中，待檢測圖像I0的大小為M×N，μ(I0)、σ(I0)分別表示待檢測圖像I0的像素均值及標準差，W為常係數，W＞0。
本發明檢測方法所使用的檢測裝置包括傳送輥1，在傳送輥1上方設有條形頻閃光源2以及線陣相機3，所述線陣相機3通過傳輸設備4與計算機5相連。預先通過線陣相機3獲取一定量的帶鋼灰度圖像，由人工選取非缺陷灰度圖像後存入計算機內存中，再通過線陣相機3在線獲取待檢測圖像，通過計算機5實現檢測過程並存儲檢測信息，根據檢測信息對缺陷進行分類，判斷缺陷類型以及該種缺陷產生的比例，通過這個比例信息，人工對帶鋼出現問題的生產環節進行維修。本發明在線陣相機的選擇方面也可以使用彩色相機，帶鋼的圖像缺陷檢測與顏色沒有很大的相關性，一般實際生產線上是用的黑白相機；使用黑白線陣相機採集灰度圖像，因該種線陣相機可以滿足系統的檢測要求且售價相對便宜使用，最重要的是它具有掃描速度快且精度高的優點。在光源的選擇方面，使用條形頻閃光源，通過一定頻率的閃光為帶鋼表面提供光源保證線陣相機採集圖像的高清晰度，並且選用紅色光源進行照明。
實施例1
本實施例基於模板匹配的帶鋼表面缺陷精準檢測方法的步驟是：
步驟1，非缺陷分布統計：
使用如圖2所示的檢測裝置進行圖像的在線獲取，
1-1：缺陷檢測前使用條形頻閃光源為帶鋼表面提供光源，通過線陣相機獲取100張在線圖像並存儲於計算機的內存中；
1-2：從計算機的內存中讀取圖像，人工選擇10張非缺陷圖像形成非缺陷庫；
1-3：如圖3所示，統計非缺陷圖像整體直方圖信息後擬合高斯曲線，得到高斯分布概率密度函數為：
其中，t為輸入的數據，σ代表輸入數據的方差信息，μ代表輸入數據的均值信息。
步驟2，圖像讀取：
2-1：線陣相機在線獲取帶鋼表面圖像，並存儲於計算機內存中；
2-2：從計算機內存中讀取待檢測圖像I0；
2-3：計算待檢測圖像I0的行數為M，列數為N，即待檢測圖像I0的寬為M，長為N，待檢測圖像I0的大小，記為M×N。
步驟3，重構圖像：
對待檢測圖像I0每列按照升序排列後得到重構圖像I1，並記錄重構圖像I1中像素值在待檢測圖像I0中的對應位置。
步驟4，建立匹配模板C：
4-1:如圖3所示，使用x＝xi對曲線由左到右進行等概率分割，按照如下公式求取xi：
其中xi表示第i(i＝1,....,M)條分割線的橫坐標，M為待檢測圖像I0的行數。
4-2：按照C0(i,j)＝[xi+0.5]得到初始化模板，其中，C0(i,j)表示初始化模板第i行第j列的像素值，初始化模板的每行像素值是相等的，1≤i≤M，1≤j≤N；[]為高斯記號，表示對xi進行四捨五入操作；
4-3：根據模板閾值T1及T2更新初始模板：
將重構圖像I1中的每一個像素值與模板閾值T1與T2進行比較，對初始化模板C0(i,j)滿足條件T1＜I1(i,j)＜T2的值進行更新，得到第j列中需要更新的像素數量為：mj＝M-kj-pj，其中kj表示第j列中滿足條件I1(i,j)≤T1的個數，pj表示第j列中滿足條件I1(i,j)≥T2的個數，其中模板閾值T1及T2按照以下公式計算：
其中，ε1與ε2為置信度，本實施例中ε1與ε2均取0.005；
使用分割線x＝xvj，v∈[1,mj]且v∈Z，將高斯曲線f(t)由左到右等概率分割。
按照以下公式得到匹配模板C：
步驟5，圖像差分：
5-1：匹配模板C與重構圖像I1的每一點的像素值進行差分運算，得到差分圖像I2，即I2(i,j)＝C(i,j)-I1(i,j)0≤i≤M,0≤j≤N；
5-2：按照步驟3中記錄的位置信息，將差分圖像I2像素恢復到原位置得到重排圖像I3。
步驟6，缺陷定位：
由於帶鋼表面缺陷圖像的缺陷灰度值相較於非缺陷存在差異(有些較非缺陷灰度值高，有些灰度值低)，故使用以下公式對獲取的重排圖像I3進行二值化：
TH為正向分割閾值，-(TH+D)為負向分割閾值，若重排圖像I3的像素值在-(TH+D)與TH之間則認為該像素值為非缺陷像素，且顯示為黑色，否則為缺陷像素顯示為白色，這裡選取D＝10。TH採用以下公式計算：
TH＝W·log(σ(I0))/log(μ(I0))，
其中，待檢測圖像I0的大小為M×N，μ(I0)、σ(I0)分別表示待檢測圖像I0的像素均值及標準差，W為常係數，W＞0，本實施例選取W＝30。最後的輸出圖像為二值化圖像：白色位置為缺陷，黑色位置為非缺陷。
將本實施例檢測方法定位的缺陷計算檢出率及誤檢率：
本實施例中共使用了200張在線獲取的帶鋼缺陷圖像，其中一張圖像上可能存在多種類型缺陷，共計216個缺陷。經過統計，得到準確檢測出的缺陷數量為209，有6個缺陷被錯誤檢出，故檢出率為：209/216＝96.8％，誤檢率為：6/216＝2.78％。與J.Choi等人(J.Choi and C.Kim,「Unsupervised detection of surface defects:A two-step approach,」2012 19th IEEE International Conference on Image Processing,Orlando,FL,2012,pp.1037-1040.)提到的方法相比，準確率提高了約10％。
在本實施例中，檢測裝置所使用的硬體型號如下表所示：
因此，本發明檢測方法簡單易行，且能夠精準地得到帶鋼表面缺陷，適於工業推廣使用，成本較低。
以上所述僅為本發明的實施例之一而已，並不用以限制本發明，凡在本發明的精神和原則之內所做的任何修改、等同替換、改進等，均應包含在本發明權利要求保護的範圍之內。
本發明未述及之處適用於現有技術。