基于图像处理的钛板表面缺陷检测方法与流程

本发明一般地涉及图像处理领域。更具体地，本发明涉及基于图像处理的钛板表面缺陷检测方法。

背景技术：

1、钛板是一种重要的金属板材，但是在生产的过程中，容易因操作不当使钛板表面产生缺陷。缺陷会导致钛板质量下降，不仅会造成巨大的经济损失，还会对实际操作产生不可估量的影响。所以必须对钛板表面进行是否有缺陷的检测，以便于及时发现问题，提高产品质量。

2、现有技术中使用卷积神经网络检测钛板表面是否含有缺陷时，由于钛板表面本身含有纹理，在进行图像增强时，会对纹理和缺陷的区域均增强，从而导致计算机将增强后的纹理区域误认为是缺陷区域，产生错误的判断结果。因此，通过对图像增强算法的改进，使得只对缺陷的区域进行增强成为了本领域技术人员亟需解决的问题。

技术实现思路

1、为解决上述一个或多个技术问题，本发明提出基于图像处理的钛板表面缺陷检测方法。为此，本发明在如下的多个方面中提供方案。

2、基于图像处理的钛板表面缺陷检测方法，包括以下步骤：获得板材表面灰度图像的梯度直方图中的主梯度方向，将不是主梯度方向上的像素点作为目标像素点；计算所述目标像素点的偏离程度，所述偏离程度满足关系式：

3、

4、其中，表示第个像素点的梯度方向与主梯度方向的偏离程度，表示第个像素点的梯度方向，表示主梯度方向。

5、计算所述灰度图的纹理中任意一个像素点的灰度差值，遍历同一所述纹理上的所有像素点，比较所述灰度差值与预设阈值，确定第一像素点和第二像素点；计算所述第一像素点和所述第二像素点的距离，遍历所述灰度图的所有纹理，获得距离最大值；以所述目标像素点作为中心构建自适应窗口，并计算所述目标像素点在任意长度的所述自适应窗口内的灰度平均差值；遍历所有长度的自适应窗口，获得灰度平均差值集合，计算所述灰度平均差值集合的第一均值和方差；基于所述目标像素点的输入亮度、所述偏离程度、所述第一均值和所述方差计算所述目标像素点的输出亮度；遍历同一灰度图中所有像素点，获得增强后的灰度图；将增强后的灰度图输入预设的目标卷积神经网络中，输出钛板表面缺陷的分布情况以及缺陷类型，生成并发送缺陷信号。

6、在一个实施例中，所述获得主梯度方向包括步骤：使用sobel算子计算所述灰度图中像素点在水平方向上的梯度值和在垂直方向上的梯度值；根据所述水平方向上的梯度值和所述垂直方向上的梯度值计算像素点的所述梯度方向；构建梯度方向直方图，其中，横坐标为所述梯度方向，纵坐标为所述梯度方向的频数；基于高斯平滑对所述梯度方向直方图进行平滑处理；计算所述梯度方向预设梯度方向范围内的像素点之和；将所述像素点之和最大的所述梯度方向作为主梯度方向。

7、在一个实施例中，所述获得距离最大值包括步骤：以任意一个像素点为中心，计算所述任意一个像素点在预设像素点范围内的所有像素点的灰度值的第二均值；将所述第二均值与所述任意一个像素点的灰度值做差获得所述任意一个像素点的所述灰度差值；遍历同一所述纹理上的所有像素点，比较每个像素点的所述灰度差值与预设阈值的大小，确定第一像素点和第二像素点，其中，所述第一像素点为同一所述纹理上按照纹理方向第一个所述灰度差值大于预设阈值的像素点，所述第二像素点为同一所述纹理上按照纹理方向最后一个所述灰度差值大于预设阈值的像素点；利用欧氏距离计算所述第一像素点和所述第二像素点的距离，对所述距离取整；遍历所述灰度图的所有纹理，获得距离最大值。

8、在一个实施例中，所述构建自适应窗口包括步骤：以3为起始点，所述距离最大值为截至点，构建窗口长度区间；将所述目标像素点作为窗口中心构建自适应窗口，其中，所述自适应窗口的长度依次从小到大遍历所述窗口长度区间中所有奇数。

9、在一个实施例中，所述灰度平均差值满足关系式：

10、

11、其中，表示第个像素点在长度为的自适应窗口的灰度平均差值，表示第个像素点的灰度值，表示第个像素点在长度为的自适应窗口的灰度值的均值。

12、在一个实施例中，所述目标像素点的输出亮度满足关系式：

13、

14、其中，表示第个像素点的输出亮度，表示第个像素点的梯度方向与主梯度方向的偏离程度，表示第个像素点在所有长度的自适应窗口中的灰度平均差值的方差，表示第个像素点在所有长度的自适应窗口中的灰度平均差值的第一均值，表示第个像素点的输入亮度，表示伽马系数，伽马系数的具体数值可以根据实际应用场景和需求在[1,1.5]的范围内设定，本发明将伽马系数设置为1.3。

15、在一个实施例中，获取所述目标卷积神经网络包括步骤：卷积神经网络包括特征提取网络和全连接层，将增强后的灰度图输入所述卷积神经网络中的所述特征提取网络，所述特征提取网络包括卷积层，所述卷积层使用relu激活函数，所述特征提取网络的输出为灰度图特征，将所述灰度图特征输入到所述卷积神经网络中的全连接层，所述全连接层使用softmax激活函数，所述全连接层输出概率，所述概率表示灰度图中缺陷类型的概率；训练过程包含正向传播与反向传播，在正向传播过程中计算损失函数，在反向传播过程中使用梯度下降法更新权重；当所述卷积神经网络达到设定的最大训练次数或网络损失值小于设定损失值时，停止更新，得到训练好的所述卷积神经网络；基于所述卷积神经网络的评价指标中的准确率获得所述目标卷积神经网络。

16、本发明具有以下技术效果：

17、本发明从纹理和缺陷边缘上的像素点梯度方向的差异，以及垂直纹理梯度方向上每条纹理中像素点与其邻域内像素点的灰度值变化差异两个方面分析纹理与缺陷的区别，以此为切入点得到每个像素点为缺陷的概率，针对缺陷概率大的像素点，在进行增强时，设置大的增强系数。本发明能够使图像仅对缺陷区域增强，消除对非缺陷区域增强如对纹理增强的不良影响，从而提高识别钛板表面缺陷的准确度。

技术特征：

1.基于图像处理的钛板表面缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于图像处理的钛板表面缺陷检测方法，其特征在于，获得所述主梯度方向包括步骤：

3.根据权利要求1所述的基于图像处理的钛板表面缺陷检测方法，其特征在于，所述获得距离最大值包括步骤：

4.根据权利要求1所述的基于图像处理的钛板表面缺陷检测方法，其特征在于，所述构建自适应窗口包括步骤：

5.根据权利要求1所述的基于图像处理的钛板表面缺陷检测方法，其特征在于，所述灰度平均差值满足关系式：

6.根据权利要求1所述的基于图像处理的钛板表面缺陷检测方法，其特征在于，所述目标像素点的输出亮度满足关系式：

7.根据权利要求1所述的基于图像处理的钛板表面缺陷检测方法，其特征在于，获取所述目标卷积神经网络包括步骤：

技术总结
本发明涉及图像处理领域，更具体地，本发明涉及基于图像处理的钛板表面缺陷检测方法。所述方法包括：获取钛板表面的灰度图；获得主梯度方向，并计算目标像素点的偏离程度；以目标像素点作为中心，基于获得距离最大值构建自适应窗口，计算目标像素点在任意长度的自适应窗口内的灰度平均差值；基于目标像素点的输入亮度、偏离程度、第一均值和方差计算目标像素点的输出亮度，以获得增强后的灰度图；将增强后的灰度图输入目标卷积神经网络中，输出钛板表面缺陷的分布情况以及缺陷类型，生成并发送缺陷信号。通过本发明的技术方案，能够消除对非缺陷区域增强的不良影响，提高识别钛板表面缺陷的准确度。

技术研发人员：张志鹏,马海涛,冯星星,邓凯凯,杨伟波
受保护的技术使用者：宝鸡世邦钛制品有限公司
技术研发日：
技术公布日：2024/3/27