CN114638833A - 基于机器视觉的有色金属压延质量检测方法及系统 - Google Patents

Abstract

本发明涉及机器视觉技术领域，具体涉及一种基于机器视觉的有色金属压延质量检测方法及系统，包括：获取有色金属压延成品的表面图像，得到表面图像的灰度图像，并对灰度图像进行阈值分割，获取缺陷纹理二值图像；确定各个缺陷点的灰度延伸方向搜寻树，得到灰度延伸方向搜寻树的各个分支路径的编码序列；计算各个分支路径的编码序列中各个元素的置信度序列，进而计算缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，从而得到有色金属压延成品的缺陷成分。本发明通过对有色金属压延成品的检测，可以准确地获取有色金属压延成品的缺陷成分，为后续的有色金属压延成品的质量控制提供了可靠的依据。

Description

基于机器视觉的有色金属压延质量检测方法及系统

技术领域

本发明涉及机器视觉技术领域，具体涉及一种基于机器视觉的有色金属压延质量检测方法及系统。

背景技术

随着现代化工、农业和科学技术的突飞猛进，有色金属在人类发展中的地位愈来愈重要。有色金属不仅是世界上重要的战略物资、生产资料，而且也是人类生活中不可缺少的消费资料的重要材料。

有色金属的压延工艺作为现代有色金属加工工艺中应用最为广泛的一种，也存在着一些产品质量缺陷。压延产品的外观质量作为主要的质量评估标准，若存在外观缺陷则会对压延产品价值产生较大的影响，而外观质量中出现最为频繁且普遍的缺陷为表面痕迹。表面痕迹表现为金属表面存在方向不一且光泽不一的各类细线状痕迹，在这些痕迹中，表面划伤、表面揉伤、表面振痕作为其中三种，其光泽特征均为高亮的线状痕迹，在痕迹的方向上具有各自的差异。而在复杂的实际生产工况中，表面划伤、表面揉伤、表面振痕会以混合的形式在压延产品表面出现，即同时存在。

现有技术中对有色金属的压延成品表面缺陷的检验方法一般为canny边缘检测或霍夫直线检测，但这两种方法仅能检测出一般的缺陷，并不能检测出有色金属的压延成品的表面缺陷成分，不适应于当前有色金属压延生产中的复杂工况。

发明内容

本发明的目的在于提供一种基于机器视觉的有色金属压延质量检测方法及系统，用于解决不能检测出有色金属的压延成品的表面缺陷成分的问题。

为了解决上述技术问题，本发明所采用的技术方案具体如下：

本发明提供了一种基于机器视觉的有色金属压延质量检测方法，包括以下步骤：

获取有色金属压延成品的表面图像，得到表面图像的灰度图像，并对灰度图像进行阈值分割，获取缺陷纹理二值图像；

根据缺陷纹理二值图像中的各个缺陷点，确定各个缺陷点的灰度延伸方向搜寻树，得到灰度延伸方向搜寻树的各个分支路径的编码序列；

根据灰度延伸方向搜寻树的各个分支路径的编码序列，计算各个分支路径的编码序列中各个元素的置信度序列，得到各个缺陷点的方向延伸共生矩阵；

根据各个缺陷点的方向延伸共生矩阵，计算各个缺陷点属于划伤、揉伤和振痕的概率值；

根据各个缺陷点属于划伤、揉伤和振痕的概率值，计算缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，进而得到有色金属压延成品的缺陷成分。

进一步地，确定各个缺陷点的灰度延伸方向搜寻树的步骤包括：

根据缺陷纹理二值图像中的各个缺陷点，确定各个缺陷点中的延伸路径起始点，判断延伸起始点周围八邻域的像素点是否为缺陷点；

若延伸路径起始点周围八邻域的像素点为缺陷点，则将该缺陷点作为路径节点，并确定路径节点的八邻域的目标像素点，对路径节点周围八邻域的目标像素点继续判断，若路径节点周围八邻域的目标像素点为缺陷点，则将该缺陷点作为路径节点，并重复上述步骤，直至路径节点周围八邻域的目标像素点均不为缺陷点，从而得到延伸路径起始点的多种路径；

根据延伸路径起始点的多种路径，确定各个缺陷点的灰度延伸方向搜寻树。

进一步地，得到灰度延伸方向搜寻树的各个分支路径的编码序列的步骤包括：

根据各个缺陷点的灰度延伸方向搜寻树，获取各个缺陷点的灰度延伸方向搜寻树的各个分支路径；

对灰度延伸方向搜寻树的各个分支路径进行编码，并对灰度延伸方向搜寻树的各个分支路径编码进行合并，从而得到灰度延伸方向搜寻树的各个分支路径的编码序列。

进一步地，各个分支路径的编码序列中各个元素的置信度序列的计算公式为：

其中，

为各个分支路径的编码序列中第

个元素的置信度，

为各个分支路径的编码序列中所有元素系数的总和，

为各个分支路径的编码序列对应的前

个元素的系数总和，

。

进一步地，得到各个缺陷点的方向延伸共生矩阵的步骤包括：

根据灰度延伸方向搜寻树的各个分支路径的编码序列中各个元素的置信度序列，将各个分支路径的编码序列中各个元素的置信度分级，得到各个分支路径的编码序列对应元素的置信度的各个级别；

根据灰度延伸方向搜寻树的各个分支路径的编码序列，获取灰度延伸方向搜寻树的各个分支路径的元素；

根据灰度延伸方向搜寻树的各个分支路径的编码序列对应元素的置信度的各个级别和各个分支路径的元素，得到各个缺陷点的方向延伸共生矩阵。

进一步地，各个缺陷点属于划伤、揉伤和振痕的概率值的计算公式为：

其中，

为

处的缺陷点属于划伤的概率值，

为

处的缺陷点属于揉伤的概率值，

为

处的缺陷点属于振痕的概率值，

为各个缺陷点的置信度级别，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为分支路径上的第一元素，

为分支路径上的第二元素，

为分支路径上的第三元素，

为分支路径上的第四元素。

进一步地，缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比的计算公式为：

其中，

为缺陷纹理二值图像中的划伤的成分占比，

为缺陷纹理二值图像中的揉伤的成分占比，

为缺陷纹理二值图像中的振痕的成分占比，

为缺陷纹理二值图像中的缺陷点的总个数，

为缺陷纹理二值图像中属于划伤的所有缺陷点的概率值，

为缺陷纹理二值图像中属于揉伤的所有缺陷点的概率值，

为缺陷纹理二值图像中属于振痕的所有缺陷点的概率值。

进一步地，得到有色金属压延成品的缺陷成分的步骤包括：

根据缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，若缺陷纹理二值图像中的划伤成分占比大于或等于揉伤和振痕的成分占比的和，则有色金属压延成品的缺陷成分为划伤；

若缺陷纹理二值图像中的揉伤成分占比大于或等于划伤和振痕的成分占比的和，则有色金属压延成品的缺陷成分为揉伤；

若缺陷纹理二值图像中的振痕成分占比大于或等于划伤和揉伤的成分占比的和，则有色金属压延成品的缺陷成分为振痕；

若缺陷纹理二值图像中的划伤、揉伤和振痕其中之一的成分占比均小于剩余两个成分占比的和，则有色金属压延成品的缺陷成分为划伤、揉伤和振痕。

本发明还提供了一种基于机器视觉的有色金属压延质量检测系统，包括处理器和存储器，处理器用于处理存储在存储器中的指令以实现上述的基于机器视觉的有色金属压延质量检测方法。

本发明具有如下有益效果：

本发明通过获取有色金属压延成品的表面图像，得到表面图像的灰度图像，并对灰度图像进行阈值分割，获取缺陷纹理二值图像，确定各个缺陷点的灰度延伸方向搜寻树，通过缺陷点的纹理特征来确定灰度延伸方向搜寻树，得到灰度延伸方向搜寻树的各个分支路径的编码序列，计算各个分支路径的编码序列中各个元素的置信度序列，得到各个缺陷点的方向延伸共生矩阵，计算各个缺陷点属于划伤、揉伤和振痕的概率值，得到各个缺陷点属于划伤、揉伤和振痕的概率值，计算缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，进而得到有色金属压延成品的缺陷成分。本发明通过对各个缺陷点周围纹理特征进行分析，得到缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，准确地获取有色金属压延成品的缺陷成分，为后续的有色金属压延成品的质量控制提供了可靠的依据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明基于机器视觉的有色金属压延质量检测方法的步骤流程图；

图2为本发明的缺陷纹理二值图像示意图；

图3为本发明的灰度延伸方向搜寻树示意图；

图4为本发明的方向延伸共生矩阵示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于机器视觉的有色金属压延质量检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的有色金属压延质量检测方法的步骤流程图，该方法包括以下步骤：

步骤1：获取有色金属压延成品的表面图像，得到表面图像的灰度图像，并对灰度图像进行阈值分割，获取缺陷纹理二值图像。

在有色金属压延成品流水线的出货口设置相机，对有色金属压延成品进行拍摄，需要说明的是，由于本实施例中对相机的角度有严格要求，在拍摄的过程中相机的角度始终为固定角度。由于相机拍摄到的图像包含有色金属压延成品的表面图像和背景图像，提取其有色金属压延成品图像，进而得到有色金属压延成品的表面图像。根据有色金属压延成品的表面图像，将有色金属压延成品的表面图像转化为灰度图像，从而得到有色金属压延成品的灰度图像。根据有色金属压延成品的灰度图像，获取其灰度直方图，对灰度图像进行基于灰度直方图的阈值分割otsu，获取阈值分割后的灰度图像中的高亮部分，将灰度图像中的高亮部分的像素点设置为1，其余像素点设置为0，获取缺陷纹理二值图像。若缺陷纹理二值图像中的缺陷点占整个图像的10％以下，则判定缺陷纹理二值图像为合格品图像，若缺陷纹理二值图像中的缺陷点占整个图像的10％或10％以上，则判定缺陷纹理二值图像为不合格品图像，对不合格品图像进一步分析。

步骤2：根据缺陷纹理二值图像中的各个缺陷点，确定各个缺陷点的灰度延伸方向搜寻树，得到灰度延伸方向搜寻树的各个分支路径的编码序列。

由于组成缺陷的三种缺陷成分的灰度特征均为高亮，其形状特征均为近似直线的划痕状，仅划痕状的方向不同，则对于缺陷纹理二值图像中每一个缺陷点，以其为树的根节点，向外一层一层搜寻其延伸路径，具体步骤为：

（2-1）根据缺陷纹理二值图像中的各个缺陷点，确定各个缺陷点中的延伸路径起始点，判断延伸起始点周围八邻域的像素点是否为缺陷点。

根据缺陷纹理二值图像中的各个缺陷点，将其中一个缺陷点作为延伸路径起始点，例如，在缺陷纹理二值图像中选取中心缺陷点作为延伸路径起始点，先在延伸路径起始点周围八邻域寻找缺陷点，判断延伸起始点周围八邻域的像素点是否为缺陷点。

（2-2）若延伸路径起始点周围八邻域的像素点为缺陷点，则将该缺陷点作为路径节点，并确定路径节点的八邻域的目标像素点，对路径节点周围八邻域的目标像素点继续判断，若路径节点周围八邻域的目标像素点为缺陷点，则将该缺陷点作为路径节点，并重复上述步骤，直至路径节点周围八邻域的目标像素点均不为缺陷点，从而得到延伸路径起始点的多种路径。

对延伸路径起始点周围八邻域搜寻缺陷点，若延伸路径起始点周围八邻域搜寻到缺陷点，则将搜寻到的缺陷点作为路径节点，对路径节点的周围八邻域搜寻目标像素点，目标像素点不包含延伸路径起始点和已经搜寻到的路径节点，若路径节点周围八邻域的目标像素点为缺陷点，则将该缺陷点作为路径节点，继续对路径节点周围八邻域搜寻缺陷点，直至搜寻到的路径节点周围八邻域没有缺陷点，该搜寻路径停止搜寻，得到延伸路径起始点的多种路径。如图2所示，在中心缺陷点中二十四邻域内，搜寻到6个路径，则对于缺陷纹理二值图像中的任意一缺陷点，以其为延伸路径起始点可以获得多种路径。

（2-3）根据延伸路径起始点的多种路径，确定各个缺陷点的灰度延伸方向搜寻树。

根据延伸路径起始点的多种路径，构成路径的每一步均为一个指向，即从延伸路径起始点到其周围八邻域中的一个路径节点为一个指向，该指向共分为四种径向，以压延方向为基准方向，得到四种径向分别为

，需要说明的是，处于同一条直线的两个相反方向的指向为一种径向，即所有相邻路径节点的相对关系均可用这四种径向表达，以如图2所示的缺陷纹理二值图像的路径为例，构建灰度延伸方向搜寻树，如图3所示，确定各个缺陷点的灰度延伸方向搜寻树。

（2-4）根据各个缺陷点的灰度延伸方向搜寻树，获取各个缺陷点的灰度延伸方向搜寻树的各个分支路径。

由于灰度延伸方向搜寻树是由各个分支路径构成的，则根据灰度延伸方向搜寻树，可以获取灰度延伸方向搜寻树的各个分支路径。对于缺陷纹理二值图像中的每一个缺陷点，均对应一个灰度延伸方向搜寻树，一个灰度延伸方向搜寻树表示以一个缺陷点为延伸路径起始点的所有路径。

（2-5）对灰度延伸方向搜寻树的各个分支路径进行编码，并对灰度延伸方向搜寻树的各个分支路径编码进行合并，从而得到灰度延伸方向搜寻树的各个分支路径的编码序列。

以如图3所示的灰度延伸方向搜寻树为例，其共有6个分支路径，代表灰度延伸方向搜寻树的六个分支路径，对这六个路径进行编码，从灰度延伸方向搜寻树的根节点到下一个路径节点开始，以其与前一个路径节点的连线上的值作为系数，将

分别对应A,B,C,D。则如图3所述的灰度延伸方向搜寻树，从左至右对应的路径编码序列如下：

，

；

；

；

；

；

；

将每个路径的编码进行合并，得到合并之后的编码序列：

；

；

；

；

；

；

将灰度延伸方向搜寻树的各个分支路径编码进行合并，得到灰度延伸方向搜寻树的各个分支路径的编码序列。

步骤3：根据灰度延伸方向搜寻树的各个分支路径的编码序列，计算各个分支路径的编码序列中各个元素的置信度序列，得到各个缺陷点的方向延伸共生矩阵。

根据灰度延伸方向搜寻树的一个分支路径对应的编码序列，序列的长度为每个系数的总和大小，则根据系数总和大小为该序列的各个元素分配置信度，具体为：

以灰度延伸方向搜寻树的一个分支路径的编码序列为例：

对于上述编码序列

，其表示的是缺陷纹理二值图像中的缺陷点所对应的第

个分支路径编码序列中的

个元素，

表示其元素的序号。

上述缺陷纹理二值图像中的缺陷点所对应的一个分支路径编码序列对应的置信度表示如下：

为了更能清楚的说明之后的置信度序列的计算方式，本实施例重新列举了缺陷纹理二值图像中的缺陷点的灰度延伸方向搜寻树所对应的一个分支路径的编码序列：

则该分支路径的编码序列中各个元素的置信度序列的计算公式为：

其中，

为该分支路径的编码序列中第

个元素的置信度，

为该分支路径的编码序列中所有元素系数的总和，

为该分支路径的编码序列对应的前

个元素的系数总和，

。

得到列举的缺陷纹理二值图像中的缺陷点所对应的该分支路径编码序列中各个元素的置信度序列：

至此，得到一个分支路径编码序列以及其对应元素的置信度序列。根据上述方法可获得各个分支路径编码序列以及其对应元素的置信度序列。

（3-1）根据灰度延伸方向搜寻树的各个分支路径的编码序列中各个元素的置信度序列，将各个分支路径的编码序列中各个元素的置信度分级，得到各个分支路径的编码序列对应元素的置信度的各个级别。

根据灰度延伸方向搜寻树的各个分支路径的编码序列中各个元素的置信度序列，由于置信度的范围为[0,1]，则将其分为1,2,3，···，10，共十个级别，分别对应置信度范围[0,0.1],(0.1,0.2],…,(0.9,1]十个置信度取值区间。以上述缺陷纹理二值图像中的缺陷点所对应的一个分支路径编码序列中各个元素的置信度序列

为例，置信度为1所对应的置信度级别为10，置信度为0.7所对应的置信度级别为7，置信度为0.5所对应的置信度级别为5，置信度为0.4所对应的置信度级别为4，置信度为0.3所对应的置信度级别为3，置信度为0.1所对应的置信度级别为1。

（3-2）根据灰度延伸方向搜寻树的各个分支路径的编码序列，获取灰度延伸方向搜寻树的各个分支路径的元素。

以上述缺陷纹理二值图像中的缺陷点所对应的一个分支路径的编码序列

为例，得到该灰度延伸方向搜寻树的多个分支路径的元素，D，A，C，A，B，D，由于该元素的含义为构成灰度延伸方向搜寻树的分支路径的路径方向，以方向不同分为A，B，C，D，需要说明的是，本实施例将元素B和D进行合并，视为同一类。即可获取灰度延伸方向搜寻树的一个分支路径的元素。

（3-3）根据灰度延伸方向搜寻树的各个分支路径的编码序列对应元素的置信度的各个级别和各个分支路径的元素，得到各个缺陷点的方向延伸共生矩阵。

根据步骤（3）中的步骤（3-1），获取灰度延伸方向搜寻树的多个分支路径的编码序列对应元素的置信度的各个级别，根据步骤（3）中的步骤（3-2），获取灰度延伸方向搜寻树的多个分支路径的元素，构建缺陷点的方向延伸共生矩阵，如图4所示。对于方向延伸共生矩阵中的其中一个位置，对应了一个置信度级别，以及一个灰度延伸方向搜寻树的一个分支路径的元素，该位置中的数值为一个灰度延伸方向搜寻树的一个分支路径的元素的系数。

步骤4：根据各个缺陷点的方向延伸共生矩阵，计算各个缺陷点属于划伤、揉伤和振痕的概率值。

在有色金属压延过程中，其普遍存在的三种缺陷分别为表面划伤、表面揉伤以及表面振痕，其中，表面划伤为压延加工过程中压延设备接触引起，表现为与压延方向平行的高亮痕，即元素为A，表面揉伤为重叠的板与板之间的摩擦产生的，表现为方向各异的高亮痕，即元素为B,D，表面振痕为压延辊震动时与有色金属表面摩擦形成的，并与压延方向成直角的高亮痕，即元素为C。获取各个缺陷点属于划伤、揉伤和振痕的概率值的具体步骤为：

根据各个缺陷点的方向延伸共生矩阵，得到各个缺陷点的方向延伸共生矩阵中的置信度级别和构成元素的系数总和。根据各个缺陷点的方向延伸共生矩阵中的置信度级别和构成元素的系数总和，计算各个缺陷点属于划伤、揉伤和振痕的概率值，各个缺陷点属于划伤、揉伤和振痕的概率值的计算公式为：

其中，

为

处的缺陷点属于划伤的概率值，

为

处的缺陷点属于揉伤的概率值，

为

处的缺陷点属于振痕的概率值，

为各个缺陷点的置信度级别，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为分支路径上的第一元素，

为分支路径上的第二元素，

为分支路径上的第三元素，

为分支路径上的第四元素。对缺陷纹理二值图像中的每个缺陷点计算属于划伤、揉伤和振痕的概率值，得到每个缺陷点对应划伤、揉伤和振痕的概率值。

步骤5：根据各个缺陷点属于划伤、揉伤和振痕的概率值，计算缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，进而得到有色金属压延成品的缺陷成分。

根据步骤（4），获取各个缺陷点属于划伤、揉伤和振痕的概率值，计算缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比的计算公式为：

其中，

为缺陷纹理二值图像中的划伤的成分占比，

为缺陷纹理二值图像中的揉伤的成分占比，

为缺陷纹理二值图像中的振痕的成分占比，

为缺陷纹理二值图像中的缺陷点的总个数，

为缺陷纹理二值图像中属于划伤的所有缺陷点的概率值，

为缺陷纹理二值图像中属于揉伤的所有缺陷点的概率值，

为缺陷纹理二值图像中属于振痕的所有缺陷点的概率值。

通过上述计算过程，即得到缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比。

（5-1）根据缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，若缺陷纹理二值图像中的划伤成分占比大于或等于揉伤和振痕的成分占比的和，则有色金属压延成品的缺陷成分为划伤。

根据缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，若缺陷纹理二值图像中的划伤成分为50％，而缺陷纹理二值图像中的揉伤和振痕的成分占比的和为50％，缺陷纹理二值图像中的划伤成分占比等于揉伤和振痕的成分占比的和，则缺陷纹理二值图像中的缺陷成分为划伤，进而有色金属压延成品的缺陷成分为划伤。

（5-2）若缺陷纹理二值图像中的揉伤成分占比大于或等于划伤和振痕的成分占比的和，则有色金属压延成品的缺陷成分为揉伤。

根据缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，若缺陷纹理二值图像中的揉伤成分为64％，而缺陷纹理二值图像中的划伤和振痕的成分占比的和为36％，缺陷纹理二值图像中的揉伤成分占比大于划伤和振痕的成分占比的和，则缺陷纹理二值图像中的缺陷成分为揉伤，进而有色金属压延成品的缺陷成分为揉伤。

（5-3）若缺陷纹理二值图像中的振痕成分占比大于或等于划伤和揉伤的成分占比的和，则有色金属压延成品的缺陷成分为振痕。

根据缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，若缺陷纹理二值图像中的振痕成分为88％，而缺陷纹理二值图像中的划伤和揉伤的成分占比的和为12％，缺陷纹理二值图像中的振痕成分占比大于划伤和揉伤的成分占比的和，则缺陷纹理二值图像中的缺陷成分为振痕，进而有色金属压延成品的缺陷成分为振痕。

（5-4）若缺陷纹理二值图像中的划伤、揉伤和振痕其中之一的成分占比均小于剩余两个成分占比的和，则有色金属压延成品的缺陷成分为划伤、揉伤和振痕。

根据有色金属压延成品的缺陷成分，若缺陷纹理二值图像中的划伤成分为25％，缺陷纹理二值图像中的揉伤成分为34％，缺陷纹理二值图像中的振痕成分为41％，则缺陷纹理二值图像中的划伤、揉伤和振痕其中之一的成分占比均小于剩余两个成分占比的和，说明存在划伤、揉伤和振痕多种缺陷，压延成品生产线多处出现问题，应当停机全面检修，若有色金属压延成品的缺陷成分为划伤时，需要对压延设备的轧制线的高度进行相应的调整，若有色金属压延成品的缺陷成分为揉伤或振痕时，也需要对压延设备进行相应的调整，以保证压延产品的质量。

本实施例还提供了一种基于机器视觉的有色金属压延质量检测系统，包括处理器和存储器，处理器用于处理存储在存储器中的指令以实现一种基于机器视觉的有色金属压延质量检测方法，由于该基于机器视觉的有色金属压延质量检测方法在上文已做出详细说明，此处不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于机器视觉的有色金属压延质量检测方法，其特征在于，包括以下步骤：

获取有色金属压延成品的表面图像，得到表面图像的灰度图像，并对灰度图像进行阈值分割，获取缺陷纹理二值图像；

根据缺陷纹理二值图像中的各个缺陷点，确定各个缺陷点的灰度延伸方向搜寻树，得到灰度延伸方向搜寻树的各个分支路径的编码序列；

根据灰度延伸方向搜寻树的各个分支路径的编码序列，计算各个分支路径的编码序列中各个元素的置信度序列，得到各个缺陷点的方向延伸共生矩阵；

根据各个缺陷点的方向延伸共生矩阵，计算各个缺陷点属于划伤、揉伤和振痕的概率值；

根据各个缺陷点属于划伤、揉伤和振痕的概率值，计算缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，进而得到有色金属压延成品的缺陷成分。

2.根据权利要求1所述的基于机器视觉的有色金属压延质量检测方法，其特征在于，确定各个缺陷点的灰度延伸方向搜寻树的步骤包括：

根据缺陷纹理二值图像中的各个缺陷点，确定各个缺陷点中的延伸路径起始点，判断延伸起始点周围八邻域的像素点是否为缺陷点；

若延伸路径起始点周围八邻域的像素点为缺陷点，则将该缺陷点作为路径节点，并确定路径节点的八邻域的目标像素点，对路径节点周围八邻域的目标像素点继续判断，若路径节点周围八邻域的目标像素点为缺陷点，则将该缺陷点作为路径节点，并重复上述步骤，直至路径节点周围八邻域的目标像素点均不为缺陷点，从而得到延伸路径起始点的多种路径；

根据延伸路径起始点的多种路径，确定各个缺陷点的灰度延伸方向搜寻树。

3.根据权利要求2所述的基于机器视觉的有色金属压延质量检测方法，其特征在于，得到灰度延伸方向搜寻树的各个分支路径的编码序列的步骤包括：

根据各个缺陷点的灰度延伸方向搜寻树，获取各个缺陷点的灰度延伸方向搜寻树的各个分支路径；

对灰度延伸方向搜寻树的各个分支路径进行编码，并对灰度延伸方向搜寻树的各个分支路径编码进行合并，从而得到灰度延伸方向搜寻树的各个分支路径的编码序列。

4.根据权利要求1所述的基于机器视觉的有色金属压延质量检测方法，其特征在于，各个分支路径的编码序列中各个元素的置信度序列的计算公式为：

其中，

为各个分支路径的编码序列中第

个元素的置信度，

为各个分支路径的编码序列中所有元素系数的总和，

为各个分支路径的编码序列对应的前

个元素的系数总和，

。

5.根据权利要求1所述的基于机器视觉的有色金属压延质量检测方法，其特征在于，得到各个缺陷点的方向延伸共生矩阵的步骤包括：

根据灰度延伸方向搜寻树的各个分支路径的编码序列中各个元素的置信度序列，将各个分支路径的编码序列中各个元素的置信度分级，得到各个分支路径的编码序列对应元素的置信度的各个级别；

根据灰度延伸方向搜寻树的各个分支路径的编码序列，获取灰度延伸方向搜寻树的各个分支路径的元素；

根据灰度延伸方向搜寻树的各个分支路径的编码序列对应元素的置信度的各个级别和各个分支路径的元素，得到各个缺陷点的方向延伸共生矩阵。

6.根据权利要求5所述的基于机器视觉的有色金属压延质量检测方法，其特征在于，各个缺陷点属于划伤、揉伤和振痕的概率值的计算公式为：

其中，

为

处的缺陷点属于划伤的概率值，

为

处的缺陷点属于揉伤的概率值，

为

处的缺陷点属于振痕的概率值，

为各个缺陷点的置信度级别，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为

处的缺陷点的方向延伸共生矩阵中的

处的元素值，

为分支路径上的第一元素，

为分支路径上的第二元素，

为分支路径上的第三元素，

为分支路径上的第四元素。

7.根据权利要求1所述的基于机器视觉的有色金属压延质量检测方法，其特征在于，缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比的计算公式为：

其中，

为缺陷纹理二值图像中的划伤的成分占比，

为缺陷纹理二值图像中的揉伤的成分占比，

为缺陷纹理二值图像中的振痕的成分占比，

为缺陷纹理二值图像中的缺陷点的总个数，

为缺陷纹理二值图像中属于划伤的所有缺陷点的概率值，

为缺陷纹理二值图像中属于揉伤的所有缺陷点的概率值，

为缺陷纹理二值图像中属于振痕的所有缺陷点的概率值。

8.根据权利要求1所述的基于机器视觉的有色金属压延质量检测方法，其特征在于，得到有色金属压延成品的缺陷成分的步骤包括：

根据缺陷纹理二值图像中的划伤、揉伤和振痕的成分占比，若缺陷纹理二值图像中的划伤成分占比大于或等于揉伤和振痕的成分占比的和，则有色金属压延成品的缺陷成分为划伤；

若缺陷纹理二值图像中的揉伤成分占比大于或等于划伤和振痕的成分占比的和，则有色金属压延成品的缺陷成分为揉伤；

若缺陷纹理二值图像中的振痕成分占比大于或等于划伤和揉伤的成分占比的和，则有色金属压延成品的缺陷成分为振痕；

若缺陷纹理二值图像中的划伤、揉伤和振痕其中之一的成分占比均小于剩余两个成分占比的和，则有色金属压延成品的缺陷成分为划伤、揉伤和振痕。

9.一种基于机器视觉的有色金属压延质量检测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-8中任一项所述的一种基于机器视觉的有色金属压延质量检测方法。

Images