[发明专利]一种基于图像识别的带钢缺陷检测方法

权利要求书

1.一种基于图像识别的带钢缺陷检测方法，其特征在于，包括以下步骤：

步骤1，获取检测图像，

在高亮度LED照明条件下，采用高分辨率工业相机对带钢上下表面进行实时采集，获得高清的图像I₁；

步骤2，对图像I₁进行预处理，

首先采用同态滤波算法对图像I₁进行不均匀光照区域的补偿，得到光照均匀的图像I₂；

步骤3，构建背景模板图像I₃，

采用高斯滤波器对高清的图像I₁进行卷积运算，估算每个像素点背景灰度值的大小，得到背景模板；

步骤4，对图像I₂进行增强，将图像I₂与背景模板图像I₃利用进行差分，利用Meanshift平滑算法对差分后的图像I₄进行复杂背景纹理以及噪声的平滑，同时保留缺陷边缘特征，得到增强后的图像I₅；

步骤5，对图像I₅进行分割，采用分水岭阈值分割算法将平滑后的图像I₅中的缺陷与背景分割到各自区域，对每个区域进行排序并进行标号，通过计算每个区域的共生矩阵并导出其灰度值特征，在分割的所有区域中以灰度能量值特征去判断该区域是否为缺陷区域或者为背景区域，将判定为缺陷的区域进行标记，实现带钢表面缺陷定位检测；

步骤6，提取缺陷特征量，

根据像素点的位置计算缺陷部分的面积、灰度均值、几何特征和形状特征，并将其组成特征向量；

步骤7，缺陷分类识别，

收集不同类型缺陷类型，建立带钢表面缺陷类型的数据集，根据步骤4中所列出的缺陷特征量计算每种缺陷的特征量，并组成特征向量，输送SVM分类器中训练高准确率模型，将该模型用于现场检测实现缺陷实时分类识别检测；

步骤8，搭建平台软件，

平台软件的界面显示的信息主要包括三个模块：缺陷故障诊断及算法分析界面、缺陷信息和实时图像显示界面；

其中，缺陷故障诊断及算法分析界面用于算法的具体步骤；

缺陷信息包括：面积、长度、数量、位置信息、以及处理意见。

2.根据权利要求1所述的一种基于图像识别的带钢缺陷检测方法，其特征在于，步骤3中，所述高斯滤波器对原图像进行卷积运算，见公式(1)：

式(1)中，G(x,y)为二维高斯分布函数，σ为灰度值的标准差，决定滤波器对图像的平滑程度，σ选取越大，高斯滤波器的频带就越宽，平滑程度越好；所述背景模板的f_b(x,y)可以由(2)得到；

f_b(x,y)＝G(x,y)*f(x,y)           (2)

式中，f_b(x,y)为背景模板图像，f(x,y)为图像I₂，*为卷积。

3.根据权利要求1所述的基于图像识别的带钢缺陷检测方法，其特征在于，步骤4中，所述对图像I₂进行增强的具体过程是：

步骤4.1，图像差分，

将图像I₂与背景模板图像I₃利用公式(3)进行差分，从而得到差值图像Δf(x,y)；利用公式(4)得到图像I₄；

Δf(x,y)＝|f(x,y)-f_b(x,y)|          (3)

式中，T为255是作为参考背景亮度，在一定程度上限制了背景像素点的灰度值大小，避免了直接差分后的图像整体偏黑，对比度降低的现象；

公式(5)中，K为差值图像进行补偿的系数，k₁为缩小系数，k₂为放大系数，σ₁为原图像与背景模板的像素差值阈值；

步骤4.2，对差分后的图像I₄平滑，

差分图像中出现的精细纹理以及噪声，利用Meanshift平滑算法对其进行背景纹理以及噪声，保留缺陷边缘特征，得到平滑后的图像I₅。

4.根据权利要求3所述的基于图像识别的带钢缺陷检测方法，其特征在于，步骤5中，所述对图像I₅进行分割具体为：

步骤5.1，采用分水岭阈值分割算法将平滑后的图像中的缺陷与背景分割得到不同区域，对每个区域进行排序并进行标号，并表示为L1，L2，L3……；

步骤5.2，计算每个区域的能量灰度值，

通过计算每个区域的共生矩阵并导出其灰度值特征，将灰度能量值特征作为确定缺陷区域的关键特征，在分割的所有区域中以灰度能量值特征去判断该区域是否为缺陷区域或者为背景区域，并将判定为缺陷的区域进行标记，实现带钢表面缺陷定位检测；

阈值a₁的取值范围根据以下公式(6)进行判断：