[go: up one dir, main page]

CN116735610A - 一种基于机器视觉的钢管表面缺陷检测方法 - Google Patents

一种基于机器视觉的钢管表面缺陷检测方法 Download PDF

Info

Publication number
CN116735610A
CN116735610A CN202310888605.8A CN202310888605A CN116735610A CN 116735610 A CN116735610 A CN 116735610A CN 202310888605 A CN202310888605 A CN 202310888605A CN 116735610 A CN116735610 A CN 116735610A
Authority
CN
China
Prior art keywords
data
steel pipe
image
unit
surface defect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202310888605.8A
Other languages
English (en)
Inventor
李志兴
孙上桢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Xingyun Aviation Technology Co ltd
Original Assignee
Xi'an Xingyun Aviation Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xi'an Xingyun Aviation Technology Co ltd filed Critical Xi'an Xingyun Aviation Technology Co ltd
Priority to CN202310888605.8A priority Critical patent/CN116735610A/zh
Publication of CN116735610A publication Critical patent/CN116735610A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8812—Diffuse illumination, e.g. "sky"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的钢管表面缺陷检测方法，其涉及管材检测技术领域。该方法包括：采用明场照明方式，从不同方向对需要检测的钢管表面进行360度无死角照明；获取待检测的钢管表面图像，以及钢管表面缺陷的图像作为样本数据；进行预处理和特征提取并进行分类处理；建立钢管表面缺陷检测模型并对其进行训练与测试；通过对比识别检测出钢管表面缺陷。本发明中，在进行图像处理时，应用主成分分析方法对特征进行提取，对图像对比模块进行深度学习，可以精准对图像进行对比识别，从而精准检测出钢管表面缺陷，对光照变化具有较强的抗干扰能力,且综合检测率、漏检率和误检率均满足需求。

Description

一种基于机器视觉的钢管表面缺陷检测方法
技术领域
本发明涉及管材检测技术领域，尤其涉及一种基于机器视觉的钢管表面缺陷检测方法。
背景技术
机器视觉是一门涉及到人工智能、神经生物学、计算科学、图像学、模式识别等的多领域交叉的学科，目的就是为了让机器人拥有和人一样的视觉感知能力，同时依靠此感知能力实现机器人的避障、导航等功能，而视觉的基础涉及到视觉信息的采集和大量的图像处理、计算和分析任务。
机器视觉系统最基本的特点就是提高生产的灵活性和自动化程度，在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉，机器视觉对物料进行监控并及时定位取样，能够有效的帮助控制产品质量，排除机器生产线故障。
钢管的表面质量是评价钢管等级的一项重要指标，钢管表面质量的好坏也将直接影响产品的质量和性能，但是，企业在生产钢管的过程中，由于现场环境、设备等种种原因，钢管表面难以避免会出现划痕、辊印、裂纹、夹杂、锈斑、凹坑、麻面、擦伤等不同类型的缺陷。这些缺陷不仅影响产品的外观，而且会降低产品的性能。
目前国内外有关机器视觉检测钢管的研究较少,未有成熟的产品,在技术方面有待完善，因此，提出的一种基于机器视觉的钢管表面缺陷检测方法。
发明内容
本发明的目的是为了解决现有技术中存在研究较少,未有成熟的产品,在技术方面有待完善的缺点，而提出的一种基于机器视觉的钢管表面缺陷检测方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于机器视觉的钢管表面缺陷检测方法，包括：
照明步骤，采用明场照明方式，从不同方向对待检测的钢管表面进行360度无死角照明，能够对钢管进行全方位的表面图像获取；
图像采集步骤，在照明状态下通过摄像头对钢管表面进行拍摄，获取待检测的钢管表面图像和钢管表面缺陷图像，并将钢管表面图像和钢管表面缺陷图像作为样本数据；
数据处理步骤，将采集到的图像数据转换成数字化信息，对数字化信息进行预处理和特征提取，提取缺陷区域的形状特征、灰度特征和纹理特征,并分析归一化特征值的差异进行分类处理；
深度学习步骤，建立钢管表面缺陷检测模型，用于识别钢管表面存在的划痕、辊印、裂纹、夹杂、锈斑、凹坑、麻面、擦伤各不同类型的缺陷；并将样本数据作为数据集划分为训练数据集和测试数据集，选择合适的参数通过训练集对模型进行训练，训练完成的模型通过测试集进行功能测试，经过训练和测试后获得完善的检测模型用于对比识别检测；
对比识别检测步骤，将分类的特征数据与通过钢管表面缺陷检测模型获得的钢管表面缺陷图像进行对比，通过比较两者的相似度，从而能够检测出钢管表面缺陷。
本发明的技术方案中，所述数据集将80％作为训练集，20％作为测试集。
上述技术方案进一步包括：
所述摄像头，用于对钢管表面进行拍摄，并将被检测的目标转换成图形信息，在照明条件下获取清新的图像信息；
其中，所述摄像头与数据采集模块之间连接，所述数据采集模块通过数据接口对摄像头拍摄的图像进行采集，并将采集到的数据传输到数据处理模块，同时将采集到的数据存储在数据库中。
所述数据处理模块包括：数据转换单元、数据预处理单元、特征提取单元和数据分类单元；
所述数据转换单元，用于将图像数据转换成数字化信息；
所述数据预处理单元，用于对数据进行预处理；
所述特征提取单元，用于将预处理后的数据进行特征提取；
所述数据分类单元，用于根据提取的特征将采集到的数据进行分类；
其中，所述数据转换单元将转换获得的数字化信息传输到数据预处理单元，所述数据预处理单元将处理好的数据传输到特征提取单元，所述特征提取单元将提取的特征信息传输到数据分类单元进行分类，所述数据分类单元将数据传输到图像对比模块。
所述数据处理模块与图像对比模块之间连接，所述图像对比模块与深度学习模块之间连接，所述深度学习模块与数据库之间连接：其中，所述数据库包括：用于训练的样本数据集、待检测的钢管表面图像数据和建立的模型数据。
所述特征提取单元应用主成分分析方法进行特征提取：
将预处理后的数据设置为M个样本{X1,X2,...,XM},每个样本有N维特征每一个特征Xj都有各自的特征值；
对所有特征进行去中心化，即去均值，求出每个特征的平均值；
对于所有的样本，每一个特征都减去自身的均值，其中各均值分别为在去中心化后再求协方差矩阵其中，对角线上分别是特征X1和X2的方差，非对角线上是协方差，cov(X1,X1)的计算公式为/>由此得出M个样本在这N维特征下的协方差矩阵C；
得到协方差矩阵后，根据特征方程Cμ＝λμ求出其特征值及其对应的特征向量；其中，λ为特征值，μ为其对应的特征向量，选择最大的前k个特征值和相对应的特征向量进行投影，投影即为降维的过程，将原始特征从高维度降低到低维度，对图像特征进行提取。
所述深度学习模块还包括：建模单元、训练单元和测试单元；
所述建模单元，用于建立检测模型，根据实际需要检测的缺陷进行设计；
所述训练单元，用于将训练数据集导入建立的模型中进行机器学习的训练，使模型能够检测识别出对应的钢管表面缺陷；
所述测试单元，用于对模型的训练结果进行测试，判断模型训练效果；
其中，所述建模单元将建立的模型应用到训练单元，所述训练单元从数据库中获取训练数据集，所述训练单元将训练好的模型应用于测试单元，所述测试单元从数据库中获取测试数据集对模型进行训练结果的测试，所述测试单元最终获得检测钢管表面缺陷的模型。
所述数据分类单元应用有改进的K-means算法，具体步骤如下：
从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1；
对于数据集中的每一个点xi，计算它与已选择的聚类中心中最接近聚类中心的距离其中r＝1,2,...k，其中k为选择的质心数；
选择一个新的数据点作为新的聚类中心，选择的原则是：D(xi)较大的点被选取作为聚类中心的概率较大；
重复上述两步直到选择出k个聚类质心；
对于n＝1,2,...,N，将簇划分初始化为其中t＝1,2...k；
对于i＝1,2...m，计算样本xi和各个质心向量μj(j＝1,2,...k)的距离将xi标记最小的为dij所对应的类别λi，此时更新/>对于j＝1,2,...,k，对Cj中所有的样本点重新计算新的质心/>其中x∈Cj；
如果所有的k个质心向量都没有发生变化，则转到上一步；否则输出簇划分C＝{C1,C2,...Ck}。
所述对比识别检测步骤具体如下：
根据不同的表面缺陷所设计的参数进行数据的选择，分类后的特征信息根据需要被传送到图像对比模块；
传输来的图像因光照不均匀使用图像增强技术，获得背景均匀、高对比度图像；
增强后特征更加明显，根据特征与数据库中获取的样本数据进行数据对比，通过特征相似度和设置的各参数阈值进行判断检测。
本发明的技术方案中，所述图像增强应用有Frankle-McCann Retinex算法，具体步骤如下：
数据的前期转换，把原图像的像素值由整数域转到对数域，减少后续算法的运算量，对于彩色图像要先分解为R.G.B三幅灰度图再转换，RGB图像的像素值是(0,255)，在做对数运算时将原图像像素值整体加1，即s(x,y)＝log(1+S(x,y))，避免负值的出现；
初始化一个与原图像S(x,y)同样大小的常数为t的矩阵，若m*n的图像，则矩阵包含m*n个t，保证每个像素点都进行一次迭代，其中t是原图像亮度的均值；
求解S＝2P的值，P＝fix[log2 min(m,n)-1]，其中S是目标点与两个比较点之间的最大距离；
计算路径上的像素点，假设rn(x,y)是上一次迭代的结果，将此次迭代差值累加保存到相应的rn(x,y)位置中，最终得到此次的迭代结果，然后再对两者做一个平均，最后得到输出结果，其中△l是目标点在此路径上的亮度差；
令S＝-S/2，每下一步的两个比较点与目标点的间距缩短为上一步的一半，同时方向按顺时针改变，即S＝-S/2；
重复上述三个步骤，直到|S|<1；
迭代n次，也就是重复上述四个步骤n次，每次迭代选取不同的初始比较点；
线性拉伸，彩色图像还需要三个通道的合成，然后输出显示。
本发明具备以下有益效果：
1、本发明中，在进行图像处理时应用有主成分分析的方法，对特征进行提取，去除了大量的冗余信息，便于对图像数据进行数据分析。
2、本发明中，对于图像对比模块，采用大量的样本数据进行深度学习的训练，可以精准对图像进行对比识别，从而精准检测出钢管表面缺陷。
3、本发明中，应用改进的K-means算法和Frankle-McCann Retinex算法，对光照变化具有较强的抗干扰能力,综合检测率、漏检率和误检率均满足需求。
附图说明
图1为本发明提出的一种基于机器视觉的钢管表面缺陷检测方法的步骤流程图；
图2为本发明提出的一种基于机器视觉的钢管表面缺陷检测方法的系统框架图；
图3为本发明中的数据处理模块的系统框架图；
图4为本发明中的深度学习模块的系统框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-3所示，本发明提出的一种基于机器视觉的钢管表面缺陷检测方法，包括：
照明步骤，采用明场照明方式，从不同方向对待检测的钢管表面进行360度无死角照明，能够对钢管进行全方位的表面图像获取；
图像采集步骤，在照明状态下通过摄像头对钢管表面进行拍摄，获取待检测的钢管表面图像和钢管表面缺陷图像，并将钢管表面图像和钢管表面缺陷图像作为样本数据；
数据处理步骤，将采集到的图像数据转换成数字化信息，对数字化信息进行预处理和特征提取，提取缺陷区域的形状特征、灰度特征和纹理特征,并分析归一化特征值的差异进行分类处理；
深度学习步骤，建立钢管表面缺陷检测模型，用于识别钢管表面存在的划痕、辊印、裂纹、夹杂、锈斑、凹坑、麻面、擦伤各不同类型的缺陷；并将样本数据作为数据集划分为训练数据集和测试数据集，选择合适的参数通过训练集对模型进行训练，训练完成的模型通过测试集进行功能测试，经过训练和测试后获得完善的检测模型用于对比识别检测；
对比识别检测步骤，将分类的特征数据与通过钢管表面缺陷检测模型获得的钢管表面缺陷图像进行对比，通过比较两者的相似度，从而能够检测出钢管表面缺陷。
摄像头，用于对钢管表面进行拍摄，并将被检测的目标转换成图形信息，在照明条件下获取清新的图像信息；
其中，摄像头与数据采集模块之间连接，数据采集模块通过数据接口对摄像头拍摄的图像进行采集，并将采集到的数据传输到数据处理模块，同时将采集到的数据存储在数据库中。
数据处理模块包括：数据转换单元、数据预处理单元、特征提取单元和数据分类单元；
数据转换单元，用于将图像数据转换成数字化信息；
数据预处理单元，用于对数据进行预处理；
特征提取单元，用于将预处理后的数据进行特征提取；
数据分类单元，用于根据提取的特征将采集到的数据进行分类；
其中，数据转换单元将转换获得的数字化信息传输到数据预处理单元，数据预处理单元将处理好的数据传输到特征提取单元，特征提取单元将提取的特征信息传输到数据分类单元进行分类，数据分类单元将数据传输到图像对比模块。
数据处理模块与图像对比模块之间连接，图像对比模块与深度学习模块之间连接，深度学习模块与数据库之间连接：其中，数据库包括：用于训练的样本数据集、待检测的钢管表面图像数据和建立的模型数据。
特征提取单元应用主成分分析方法进行特征提取：
将预处理后的数据设置为M个样本{X1,X2,...,XM},每个样本有N维特征每一个特征Xj都有各自的特征值；
对所有特征进行去中心化，即去均值，求出每个特征的平均值；
对于所有的样本，每一个特征都减去自身的均值，其中各均值分别为在去中心化后再求协方差矩阵其中，对角线上分别是特征X1和X2的方差，非对角线上是协方差，cov(X1,X1)的计算公式为/>由此得出M个样本在这N维特征下的协方差矩阵C；
得到协方差矩阵后，根据特征方程Cμ＝λμ求出其特征值及其对应的特征向量；其中，λ为特征值，μ为其对应的特征向量，选择最大的前k个特征值和相对应的特征向量进行投影，投影即为降维的过程，将原始特征从高维度降低到低维度，对图像特征进行提取。
本发明的实施例中，当需要进行钢管表面缺陷检测的时候，首先通过摄像头对钢管进行全方位的拍摄，在拍摄时可能会存在正常光线照不到的地方，采用明场照明方式，对钢管进行360度的照明，确保每一处都可以照到，从而使得拍摄到的图像更加清晰，在照明条件下摄像头拍摄的图像数据通过数据接口从摄像头传输到数据采集模块，数据采集模块将获取的数据传输到数据处理模块；在进行数据处理前，数据采集模块不仅采集待检测的钢管表面图像数据，还采集已经确定有缺陷的钢管表面图像，对缺陷进行标记，采集到的图像作为样本数据集和性能评价依据。
图像采集完成后将图像数据存储在数据库中，然后将数据传输到数据处理模块，数据处理模块包括数据转换单元、数据预处理单元、特征提取单元和数据分类单元，数据转换单元将传输来的图像数据转换为数字化数据，数字化数据传输到数据预处理模块进行简单的处理，处理完成后再传输到特征提取单元，特征提取单元应用有主成分分析的方法进行特征提取，并去除数据中大量的冗余数据，特征提取单元将数据传输到数据分类单元，数据处理完成好后将数据传输到图像对比模块进行对比识别检测步骤，将分类的特征数据与建立的钢管表面缺陷图像进行对比，通过比较两者的相似度进行判断，当相似度过高的时候，将该处识别判断为表面缺陷，并在进行判断的时候，根据标记的数据进行输出缺陷种类，从而能够检测出钢管表面缺陷。
然后进行深度学习步骤，首先建立钢管表面缺陷检测模型，用于识别钢管表面存在的划痕、辊印、裂纹、夹杂、锈斑、凹坑、麻面、擦伤等不同类型的缺陷，将收集到的样本数据作为数据集划分为训练数据集和测试数据集，先选择合适的参数对模型进行训练，训练完成的模型通过测试集进行功能测试，经过训练和测试后获得完善的检测模型用于对比识别检测。
如图4所示，本发明的实施例中，深度学习模块还包括：建模单元、训练单元和测试单元；
建模单元，用于建立检测模型，根据实际需要检测的缺陷进行设计；
训练单元，用于将训练数据集导入建立的模型中进行机器学习的训练，使模型能够检测识别出对应的钢管表面缺陷；
测试单元，用于对模型的训练结果进行测试，判断模型训练效果；
其中，建模单元将建立的模型应用到训练单元，训练单元从数据库中获取训练数据集，训练单元将训练好的模型应用于测试单元，测试单元从数据库中获取测试数据集对模型进行训练结果的测试，测试单元最终获得检测钢管表面缺陷的模型。
在进行深度学习时，建立神经网络进行训练，数据集80％分为训练数据集，剩下的20％分为测试数据集，深度学习模块还包括建模单元、训练单元和测试单元，建模单元根据需求建立检测模型，模拟对钢管表面缺陷进行检测，用训练数据集通过训练单元对模型进行训练，训练获得的模型还需要经过测试单元用测试数据集进行测试验证，选择效果最好的模型进行使用。
如图3所示，本发明的实施例中，数据分类单元应用有改进的K-means算法，具体步骤如下：
从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1；
对于数据集中的每一个点xi，计算它与已选择的聚类中心中最接近聚类中心的距离其中r＝1,2,...k，其中k为选择的质心数；
选择一个新的数据点作为新的聚类中心，选择的原则是：D(xi)较大的点被选取作为聚类中心的概率较大；
重复上述两步直到选择出k个聚类质心；
对于n＝1,2,...,N，将簇划分初始化为其中t＝1,2...k；
对于i＝1,2...m，计算样本xi和各个质心向量μj(j＝1,2,...k)的距离将xi标记最小的为dij所对应的类别λi，此时更新/>对于j＝1,2,...,k，对Cj中所有的样本点重新计算新的质心/>其中x∈Cj；
如果所有的k个质心向量都没有发生变化，则转到上一步；否则输出簇划分C＝{C1,C2,...Ck}。
对比识别检测步骤具体如下：
根据不同的表面缺陷所设计的参数进行数据的选择，分类后的特征信息根据需要被传送到图像对比模块；
传输来的图像因光照不均匀使用图像增强技术，获得背景均匀、高对比度图像；
增强后特征更加明显，根据特征与数据库中获取的样本数据进行数据对比，通过特征相似度和设置的各参数阈值进行判断检测。
根据不同的表面缺陷所设计的参数进行数据的选择，数据分类单元应用有改进的K-means算法，从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1；对于数据集中的每一个点xi，计算它与已选择的聚类中心中最近聚类中心的距离其中r＝1,2,...k，k为选择的质心数；选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点，被选取作为聚类中心的概率较大；重复上述两步直到选择出k个聚类质心；对于n＝1,2,...,N，将簇划分C初始化为/>其中t＝1,2...k，对于i＝1,2...m,计算样本xi和各个质心向量μj(j＝1,2,...k)的距离将xi标记最小的为dij所对应的类别λi，此时更新/>对于j＝1,2,...,k,对Cj中所有的样本点重新计算新的质心/>其中x∈Cj，如果所有的k个质心向量都没有发生变化，则转到上一步，输出簇划分C＝{C1,C2,...Ck}，对数据特征进行分类。
分类后的特征信息根据需要被传送到图像对比模块，传输来的图像因光照不均匀使用图像增强技术，获得背景均匀、高对比度图像，增强后特征更加明显，根据特征与数据库中获取的样本数据进行数据对比，通过特征相似度和设置的各参数阈值进行判断检测。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，包括：
照明步骤，采用明场照明方式，从不同方向对待检测的钢管表面进行360度无死角照明，能够对钢管进行全方位的表面图像获取；
图像采集步骤，在照明状态下通过摄像头对钢管表面进行拍摄，获取待检测的钢管表面图像和钢管表面缺陷图像，并将钢管表面图像和钢管表面缺陷图像作为样本数据；
数据处理步骤，将采集到的图像数据转换成数字化信息，对数字化信息进行预处理和特征提取，提取缺陷区域的形状特征、灰度特征和纹理特征,并分析归一化特征值的差异进行分类处理；
深度学习步骤，建立钢管表面缺陷检测模型，用于识别钢管表面存在的划痕、辊印、裂纹、夹杂、锈斑、凹坑、麻面、擦伤各不同类型的缺陷；并将样本数据作为数据集划分为训练数据集和测试数据集，选择合适的参数通过训练集对模型进行训练，训练完成的模型通过测试集进行功能测试，经过训练和测试后获得完善的检测模型用于对比识别检测；
对比识别检测步骤，将分类的特征数据与通过钢管表面缺陷检测模型获得的钢管表面缺陷图像进行对比，通过比较两者的相似度，从而能够检测出钢管表面缺陷。
2.根据权利要求1所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述摄像头，用于对钢管表面进行拍摄，并将被检测的目标转换成图形信息，在照明条件下获取清新的图像信息；
其中，所述摄像头与数据采集模块之间连接，所述数据采集模块通过数据接口对摄像头拍摄的图像进行采集，并将采集到的数据传输到数据处理模块，同时将采集到的数据存储在数据库中。
3.根据权利要求2所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述数据处理模块包括：数据转换单元、数据预处理单元、特征提取单元和数据分类单元；
所述数据转换单元，用于将图像数据转换成数字化信息；
所述数据预处理单元，用于对数据进行预处理；
所述特征提取单元，用于将预处理后的数据进行特征提取；
所述数据分类单元，用于根据提取的特征将采集到的数据进行分类；
其中，所述数据转换单元将转换获得的数字化信息传输到数据预处理单元，所述数据预处理单元将处理好的数据传输到特征提取单元，所述特征提取单元将提取的特征信息传输到数据分类单元进行分类，所述数据分类单元将数据传输到图像对比模块。
4.根据权利要求2所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述数据处理模块与图像对比模块之间连接，所述图像对比模块与深度学习模块之间连接，所述深度学习模块与数据库之间连接：其中，所述数据库包括：用于训练的样本数据集、待检测的钢管表面图像数据和建立的模型数据。
5.根据权利要求3所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述特征提取单元应用主成分分析方法进行特征提取：
将预处理后的数据设置为M个样本{X1,X2,...,XM},每个样本有N维特征每一个特征Xj都有各自的特征值；
对所有特征进行去中心化，即去均值，求出每个特征的平均值；
对于所有的样本，每一个特征都减去自身的均值，其中各均值分别为在去中心化后再求协方差矩阵其中，对角线上分别是特征X1和X2的方差，非对角线上是协方差，cov(X1,X1)的计算公式为/>由此得出M个样本在这N维特征下的协方差矩阵C；
得到协方差矩阵后，根据特征方程Cμ＝λμ求出其特征值及其对应的特征向量；其中，λ为特征值，μ为其对应的特征向量，选择最大的前k个特征值和相对应的特征向量进行投影，投影即为降维的过程，将原始特征从高维度降低到低维度，对图像特征进行提取。
6.根据权利要求4所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述深度学习模块还包括：建模单元、训练单元和测试单元；
所述建模单元，用于建立检测模型，根据实际需要检测的缺陷进行设计；
所述训练单元，用于将训练数据集导入建立的模型中进行机器学习的训练，使模型能够检测识别出对应的钢管表面缺陷；
所述测试单元，用于对模型的训练结果进行测试，判断模型训练效果；
其中，所述建模单元将建立的模型应用到训练单元，所述训练单元从数据库中获取训练数据集，所述训练单元将训练好的模型应用于测试单元，所述测试单元从数据库中获取测试数据集对模型进行训练结果的测试，所述测试单元最终获得检测钢管表面缺陷的模型。
7.根据权利要求3所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述数据分类单元应用有改进的K-means算法，具体步骤如下：
从输入的数据点集合中随机选择一个点作为第一个聚类中心μ1；
对于数据集中的每一个点xi，计算它与已选择的聚类中心中最接近聚类中心的距离其中r＝1,2,...k，其中k为选择的质心数；
选择一个新的数据点作为新的聚类中心，选择的原则是：D(xi)较大的点被选取作为聚类中心的概率较大；
重复上述两步直到选择出k个聚类质心；
对于n＝1,2,...,N，将簇划分初始化为其中t＝1,2...k；
对于i＝1,2...m，计算样本xi和各个质心向量μj(j＝1,2,...k)的距离将xi标记最小的为dij所对应的类别λi，此时更新/>对于j＝1,2,...,k，对Cj中所有的样本点重新计算新的质心/>其中x∈Cj；
如果所有的k个质心向量都没有发生变化，则转到上一步；否则输出簇划分C＝{C1,C2,...Ck}。
8.根据权利要求1所述的一种基于机器视觉的钢管表面缺陷检测方法，其特征在于，所述对比识别检测步骤具体如下：
根据不同的表面缺陷所设计的参数进行数据的选择，分类后的特征信息根据需要被传送到图像对比模块；
传输来的图像因光照不均匀使用图像增强技术，获得背景均匀、高对比度图像；
增强后特征更加明显，根据特征与数据库中获取的样本数据进行数据对比，通过特征相似度和设置的各参数阈值进行判断检测。
CN202310888605.8A 2023-07-19 2023-07-19 一种基于机器视觉的钢管表面缺陷检测方法 Withdrawn CN116735610A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310888605.8A CN116735610A (zh) 2023-07-19 2023-07-19 一种基于机器视觉的钢管表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310888605.8A CN116735610A (zh) 2023-07-19 2023-07-19 一种基于机器视觉的钢管表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN116735610A true CN116735610A (zh) 2023-09-12

Family

ID=87901259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310888605.8A Withdrawn CN116735610A (zh) 2023-07-19 2023-07-19 一种基于机器视觉的钢管表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN116735610A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117761080A (zh) * 2023-12-27 2024-03-26 常熟中佳新材料有限公司 一种铜管加工时铜管表面缺陷检测系统
CN118840605A (zh) * 2024-07-10 2024-10-25 江苏银家不锈钢管业有限公司 不锈钢钢管的表面缺陷识别方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117761080A (zh) * 2023-12-27 2024-03-26 常熟中佳新材料有限公司 一种铜管加工时铜管表面缺陷检测系统
CN117761080B (zh) * 2023-12-27 2024-07-05 常熟中佳新材料有限公司 一种铜管加工时铜管表面缺陷检测系统
CN118840605A (zh) * 2024-07-10 2024-10-25 江苏银家不锈钢管业有限公司 不锈钢钢管的表面缺陷识别方法及系统
CN118840605B (zh) * 2024-07-10 2025-03-14 江苏银家不锈钢管业有限公司 不锈钢钢管的表面缺陷识别方法及系统

Similar Documents

Publication Publication Date Title
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN115294113B (zh) 一种木饰面板质量检测方法
CN109101924B (zh) 一种基于机器学习的路面交通标志识别方法
CN118608504B (zh) 一种基于机器视觉的零部件表面质量检测方法及其系统
CN108765412B (zh) 一种带钢表面缺陷分类方法
CN105678332B (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN113435460B (zh) 一种亮晶颗粒灰岩图像的识别方法
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
CN110796637A (zh) 图像缺陷检测模型的训练、测试方法、装置及存储介质
CN116735610A (zh) 一种基于机器视觉的钢管表面缺陷检测方法
CN105844621A (zh) 一种印刷品质量检测方法
CN108416774A (zh) 一种基于细粒度神经网络的织物种类识别方法
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
CN111612737A (zh) 一种人造板表面瑕疵检测装置及检测方法
WO2021109011A1 (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN112991271A (zh) 基于改进yolov3的铝型材表面缺陷视觉检测方法
CN114926410A (zh) 制动盘外观缺陷检测方法
CN117934419B (zh) 一种螺栓组件缺陷视觉检测方法及系统
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及系统
CN118225803B (zh) 一种推土机刀片表面外观视觉检测方法
CN110930425A (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN114863189A (zh) 一种基于大数据的图像智能识别方法
CN104392209B (zh) 一种目标与背景的图像复杂度评价方法
Attard et al. Specular highlights detection using a U-Net based deep learning architecture
CN112348912A (zh) 基于rpca和pca的图像重建及异物检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230912