开云优惠体育网页版入口

专利名称：一种用于建筑模板系统的合金板材辊压缺陷识别方法

专利类型：发明专利

专利申请号：CN202411061564.6

专利申请（专利权）人：陕西首铝模架开云优惠体育网页版入口有限公司
权利人地址：陕西省汉中市城固县五郎工业园区

专利发明（设计）人：发明人:李忠伟,龚立家,李征,郑宝玉

专利摘要：本发明涉及图像分析技术领域，具体涉及一种用于建筑模板系统的合金板材辊压缺陷识别方法。该方法根据板材灰度图像中图像区域内像素点的灰度分布获取板材反光指标；获取板材灰度图像中的异常区域，结合每个异常区域内边缘像素点的灰度分布与形状，异常区域所处区域图像的板材反光指标获取缺陷边缘指标；根据图像区域内包含的异常区域的纹理情况与缺陷边缘指标，以及板材反光指标对待测合金板进行辊压缺陷识别。本发明基于合金板材的压入物缺陷与油渍污染区域的反光特征与形状特征的差异，对待测合金板进行辊压缺陷识别，提高合金板材辊压缺陷识别的准确率。

主权利要求：
1.一种用于建筑模板系统的合金板材辊压缺陷识别方法，其特征在于，该方法包括：获取经过辊压的待测合金板材的板材灰度图像；
将板材灰度图像划分为不同图像区域；根据每个图像区域内像素点的灰度分布获取对应图像区域的板材反光指标；
对板材灰度图像进行边缘检测得到异常区域；根据每个异常区域内边缘像素点的灰度分布，每个异常区域的形状以及每个异常区域所处区域图像的所述板材反光指标，获取每个异常区域的缺陷边缘指标；
根据每个图像区域内包含的异常区域的纹理情况与所述缺陷边缘指标，以及所述板材反光指标对待测合金板进行辊压缺陷识别；
所述将板材灰度图像划分为不同图像区域的方法，包括：
根据任意两个像素点之间的距离与灰度值差异，获取对应两个像素点之间的相似指标；基于所述相似指标对板材灰度图像中像素点进行聚类，得到不同聚类簇；将每个聚类簇内像素点的构成的连通域记为初始区域；
将初始区域内像素点的总数量顺序排列，得到分析序列；将分析序列划分为第一子序列与第二子序列；所述第一子序列中元素的均值小于所述第二子序列中元素的均值；将第一子序列中每个元素对应的初始区域作为疑似异常区域；将第二子序列中每个元素对应的初始区域作为整体区域；
对于每个疑似异常区域，将与疑似异常区域邻接的整体区域作为疑似异常区域的分析区域；计算疑似异常区域分别与每个所述分析区域内像素点的灰度值均值之间的差异，将最小的所述差异对应的分析区域作为疑似异常区域的目标区域；将每个疑似异常区域与其所述目标区域合并得到图像区域；
所述根据每个图像区域内像素点的灰度分布获取对应图像区域的板材反光指标的方法，包括：将每个图像区域中所述整体区域内像素点的灰度值众数记为对应图像区域的基准值；
将每个图像区域中整体区域内每个像素点的灰度值与所述基准值的差异作为对应像素点的基准差异值；根据每个图像区域中整体区域内像素点的灰度值和所述基准差异值，获取对应图像区域的板材反光指标；
所述对板材灰度图像进行边缘检测得到异常区域的方法，包括：
对板材灰度图像进行边缘检测得到板材灰度图像中边缘像素点；将由所述边缘像素点构成的闭合区域记为目标区域；对于每个目标区域，判断目标区域是否处于所述疑似异常区域中，若是，将目标区域所处疑似异常区域作为异常区域；若否，将目标区域作为异常区域；
所述获取每个异常区域的缺陷边缘指标的方法，包括：
根据每个异常区域内边缘像素点的灰度分布，获取每个异常区域的边缘反光指标；
根据每个异常区域的形状获取每个异常区域的边缘形状指标；
利用每个异常区域所处区域图像的所述板材反光指标，分别对每个异常区域的所述边缘反光指标与所述边缘形状指标进行加权求和，得到每个异常区域的缺陷边缘指标；
所述根据每个图像区域内包含的异常区域的纹理情况与所述缺陷边缘指标，以及所述板材反光指标对待测合金板进行辊压缺陷识别的方法，包括：将每个异常区域内所述目标区域内像素点的灰度值的方差的均值进行负相关映射，得到对应异常区域的纹理表达指标；
利用每个图像区域的所述板材反光指标，分别对每个图像区域内包含的所有异常区域的所述缺陷边缘指标的均值与所述纹理表达指标的均值进行加权求和，得到对应图像区域的辊压缺陷指标；
若板材灰度图像中存在图像区域的所述辊压缺陷指标大于预设辊压缺陷阈值，则待测合金板材存在辊压缺陷；若板材灰度图像中所有图像区域的所述辊压缺陷指标均小于或者等于预设辊压缺陷阈值，则待测合金板材不存在辊压缺陷。
2.根据权利要求1所述的一种用于建筑模板系统的合金板材辊压缺陷识别方法，其特征在于，所述获取每个异常区域的边缘反光指标的方法，包括：对于每个异常区域，将异常区域内每个边缘像素点与异常区域的边界之间的距离记为对应边缘像素点的边界距离；根据异常区域内每个边缘像素点的灰度值与所有边缘像素点的灰度值均值之间的差异，以及所述边界距离，获取对应边缘像素点的局部边缘反光值；将异常区域内所有边缘像素点的所述局部边缘反光值的均值进行归一化处理，得到对应异常区域的边缘反光指标。
3.根据权利要求1所述的一种用于建筑模板系统的合金板材辊压缺陷识别方法，其特征在于，所述获取每个异常区域的边缘形状指标的方法，包括：对每个异常区域的边界上像素点进行曲线拟合，得到对应异常区域的边界拟合曲线；
获取所述边界拟合曲线上每个像素点的斜率；在每个异常区域的边界拟合曲线上，计算边界拟合曲线上每个像素点分别与其相邻像素点的斜率差异的均值，作为每个异常区域的边界拟合曲线上每个像素点的位置差值；将每个异常区域的边界拟合曲线上像素点的所述位置差值的均值进行归一化处理，得到异常区域的边缘形状指标。
4.根据权利要求1所述的一种用于建筑模板系统的合金板材辊压缺陷识别方法，其特征在于，所述对板材灰度图像进行边缘检测的方法为Canny算子。
5.根据权利要求1所述的一种用于建筑模板系统的合金板材辊压缺陷识别方法，其特征在于，所述预设辊压缺陷阈值为0.55。 说明书 : 一种用于建筑模板系统的合金板材辊压缺陷识别方法技术领域[0001] 本发明涉及图像分析技术领域，具体涉及一种用于建筑模板系统的合金板材辊压缺陷识别方法。背景技术[0002] 在利用合金板材制作建筑模板的过程中，辊压成型是重要的加工步骤。在辊压过程中，可能会由于辊压受力不均等问题出现部分辊压缺陷，为了确保建筑模板的安全性和加工质量，需要在辊压后对板材进行缺陷识别。[0003] 在对合金板材进行辊压过程中，最容易出现压入物问题，通常因板材边部毛刺和表面异物在辊压过程中被轧辊压入板材表面导致，压入物会导致板材表面被破环产生压入物缺陷；压辊润滑油可能滴落在板材上形成油渍污染区域，且压入物缺陷区域与油渍污染区域分别和周围正常板材区域的灰度差异特征具有一定相似性，现有金属板材缺陷识别中没有针对油渍污染区域对压入物缺陷区域识别的影响，导致缺陷识别过程中误将油渍污染区域识别为压入物缺陷区域，从而降低合金板材辊压缺陷识别的准确率。发明内容[0004] 为了解决没考虑有油渍污染区域的灰度对压入物缺陷识别的影响，导致合金板材辊压缺陷识别不准确的技术问题，本发明的目的在于提供一种用于建筑模板系统的合金板材辊压缺陷识别方法，所采用的技术方案具体如下：[0005] 本发明提出了一种用于建筑模板系统的合金板材辊压缺陷识别方法，所述方法包括：[0006] 获取经过辊压的待测合金板材的板材灰度图像；[0007] 将板材灰度图像划分为不同图像区域；根据每个图像区域内像素点的灰度分布获取对应图像区域的板材反光指标；[0008] 对板材灰度图像进行边缘检测得到异常区域；根据每个异常区域内边缘像素点的灰度分布，每个异常区域的形状以及每个异常区域所处区域图像的所述板材反光指标，获取每个异常区域的缺陷边缘指标；[0009] 根据每个图像区域内包含的异常区域的纹理情况与所述缺陷边缘指标，以及所述板材反光指标对待测合金板进行辊压缺陷识别。[0010] 进一步地，所述将板材灰度图像划分为不同图像区域的方法，包括：[0011] 根据任意两个像素点之间的距离与灰度值差异，获取对应两个像素点之间的相似指标；基于所述相似指标对板材灰度图像中像素点进行聚类，得到不同聚类簇；将每个聚类簇内像素点的构成的连通域记为初始区域；[0012] 将初始区域内像素点的总数量顺序排列，得到分析序列；将分析序列划分为第一子序列与第二子序列；所述第一子序列中元素的均值小于所述第二子序列中元素的均值；将第一子序列中每个元素对应的初始区域作为疑似异常区域；将第二子序列中每个元素对应的初始区域作为整体区域；[0013] 对于每个疑似异常区域，将与疑似异常区域邻接的整体区域作为疑似异常区域的分析区域；计算疑似异常区域分别与每个所述分析区域内像素点的灰度值均值之间的差异，将最小的所述差异对应的分析区域作为疑似异常区域的目标区域；将每个疑似异常区域与其所述目标区域合并得到图像区域。[0014] 进一步地，所述根据每个图像区域内像素点的灰度分布获取对应图像区域的板材反光指标的方法，包括：[0015] 将每个图像区域中所述整体区域内像素点的灰度值众数记为对应图像区域的基准值；将每个图像区域中整体区域内每个像素点的灰度值与所述基准值的差异作为对应像素点的基准差异值；根据每个图像区域中整体区域内像素点的灰度值和所述基准差异值，获取对应图像区域的板材反光指标。[0016] 进一步地，所述对板材灰度图像进行边缘检测得到异常区域的方法，包括：[0017] 对板材灰度图像进行边缘检测得到板材灰度图像中边缘像素点；将由所述边缘像素点构成的闭合区域记为目标区域；对于每个目标区域，判断目标区域是否处于所述疑似异常区域中，若是，将目标区域所处疑似异常区域作为异常区域；若否，将目标区域作为异常区域。[0018] 进一步地，所述获取每个异常区域的缺陷边缘指标的方法，包括：[0019] 根据每个异常区域内边缘像素点的灰度分布，获取每个异常区域的边缘反光指标；[0020] 根据每个异常区域的形状获取每个异常区域的边缘形状指标；[0021] 利用每个异常区域所处区域图像的所述板材反光指标，分别对每个异常区域的所述边缘反光指标与所述边缘形状指标进行加权求和，得到每个异常区域的缺陷边缘指标。[0022] 进一步地，所述获取每个异常区域的边缘反光指标的方法，包括：[0023] 对于每个异常区域，将异常区域内每个边缘像素点与异常区域的边界之间的距离记为对应边缘像素点的边界距离；根据异常区域内每个边缘像素点的灰度值与所有边缘像素点的灰度值均值之间的差异，以及所述边界距离，获取对应边缘像素点的局部边缘反光值；将异常区域内所有边缘像素点的所述局部边缘反光值的均值进行归一化处理，得到对应异常区域的边缘反光指标。[0024] 进一步地，所述获取每个异常区域的边缘形状指标的方法，包括：[0025] 对每个异常区域的边界上像素点进行曲线拟合，得到对应异常区域的边界拟合曲线；获取所述边界拟合曲线上每个像素点的斜率；在每个异常区域的边界拟合曲线上，计算边界拟合曲线上每个像素点分别与其相邻像素点的斜率差异的均值，作为每个异常区域的边界拟合曲线上每个像素点的位置差值；将每个异常区域的边界拟合曲线上像素点的所述位置差值的均值进行归一化处理，得到异常区域的边缘形状指标。[0026] 进一步地，所述根据每个图像区域内包含的异常区域的纹理情况与所述缺陷边缘指标，以及所述板材反光指标对待测合金板进行辊压缺陷识别的方法，包括：[0027] 将每个异常区域内所述目标区域内像素点的灰度值的方差的均值进行负相关映射，得到对应异常区域的纹理表达指标；[0028] 利用每个图像区域的所述板材反光指标，分别对每个图像区域内包含的所有异常区域的所述缺陷边缘指标的均值与所述纹理表达指标的均值进行加权求和，得到对应图像区域的辊压缺陷指标；[0029] 若板材灰度图像中存在图像区域的所述辊压缺陷指标大于预设辊压缺陷阈值，则待测合金板材存在辊压缺陷；若板材灰度图像中所有图像区域的所述辊压缺陷指标均小于或者等于预设辊压缺陷阈值，则待测合金板材不存在辊压缺陷。[0030] 进一步地，所述对板材灰度图像进行边缘检测的方法为Canny算子。[0031] 进一步地，所述预设辊压缺陷阈值为0.55。[0032] 本发明具有如下有益效果：[0033] 在本发明实施例中，将板材灰度图像划分为不同图像区域，方便后续基于区域的明暗程度进行反光分析；图像区域的反光程度主要通过灰度值呈现，则根据图像区域内像素点的灰度分布获取板材反光指标；缺陷区域即压入物区域与油渍污染区域在板材灰度图像中通常具备相对明显的边缘，则通过边缘检测得到获取异常区域；由于压入物缺陷形成的凹陷边缘的不同位置的反光程度不同，而油渍污染缺陷的边缘部分的反光量均为接近，且反光量通过像素点的灰度值呈现，则通过异常区域内边缘像素点的灰度分布呈现边缘特征；在板材灰度图像中，较亮区域的缺陷区域中边缘像素点的反光部分与该区域其他像素点可能会因反光程度较大，导致难以通过边缘反光特征进行区分，则需要结合异常区域的形状特征进行分析，以提高缺陷边缘指标呈现缺陷边缘特征的准确率；因油渍区表面反光程度均匀而压入物区域不均匀，在基于缺陷边缘特征对合金板材进行缺陷检测时，考虑图像区域内包含的异常区域的纹理情况可以进一步提高辊压缺陷识别的准确率。本方案基于异常区域反光程度、形状与纹理等特征相结合，对待测合金板进行辊压缺陷识别，能对压入物与压辊润滑油滴落在板材上形成的油渍污染区域进行准确识别，提高合金板材辊压缺陷识别的准确率。附图说明[0034] 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。[0035] 图1为本发明一个实施例所提供的一种用于建筑模板系统的合金板材辊压缺陷识别方法的步骤流程图；[0036] 图2为本发明一个实施例所提供的存在压入物缺陷的板材灰度图像局部示意图；[0037] 图3为本发明一个实施例所提供的区域邻近分布示意图；[0038] 图4为本发明一个实施例所提供的一种异常区域的缺陷边缘指标获取方法的步骤流程图；[0039] 图5为本发明一个实施例所提供的一种用于建筑模板系统的合金板材辊压缺陷识别设备的计算机设备示意图。具体实施方式[0040] 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一种用于建筑模板系统的合金板材辊压缺陷识别方法，其具体实施方式、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。[0041] 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。[0042] 下面结合附图具体的说明本发明所提供的一种用于建筑模板系统的合金板材辊压缺陷识别方法的具体方案。[0043] 实施例1：[0044] 本发明提出了一种用于建筑模板系统的合金板材辊压缺陷识别方法，请参阅图1，其示出了本发明一个实施例提供的一种用于建筑模板系统的合金板材辊压缺陷识别方法的步骤流程图，该方法包括：[0045] 步骤S1：获取经过辊压的待测合金板材的板材灰度图像。[0046] 具体的，辊压后的合金板材表面相对光滑，容易出现反光现象，在图像采集过程中需要尽可能避免光线经板材反射后直入采像设备，造成采集图像中形成大面积强反光，难以分析图像特征。因此，本发明实施例在辊压后的待测合金板材正上方架设工业相机，使光线保持与水平面呈45度方向照射合金板材，利用工业相机拍摄辊压后的待测合金板材的图像得到板材图像，该图像为RGB图像。对板材图像进行灰度化与去噪处理，得到板材灰度图像。[0047] 需要说明的是，本发明实施例中选用加权平均灰度化算法进行灰度化处理，使用非局部均值滤波进行去噪处理，具体方法在此不做介绍，均为本领域技术人员熟知的技术手段。在本发明其他实施例中也可选用其他图像采集装置及图像预处理算法，图像采集和图像预处理算法均为本领域技术人员熟知的技术手段，在此不做限定。[0048] 在对合金板材进行辊压的过程中，最容易出现压入物问题，通常因板材边部毛刺和表面异物在辊压过程中被轧辊压入板材表面导致，压入物破坏板材表面，导致板材外观不符合标准且降低板材性能；图2为本发明一个实施例所提供的存在压入物缺陷的板材灰度图像局部示意图。本方案中合金板材辊压缺陷为压入物缺陷。[0049] 步骤S2：将板材灰度图像划分为不同图像区域；根据每个图像区域内像素点的灰度分布获取对应图像区域的板材反光指标。[0050] 压入物通常为小面积的不规则区域，其在板材灰度图像中与周围正常板材区域有一定的灰度差异特征，该特征对比压辊润滑油滴落在板材上形成的油渍污染区域与正常区域的灰度差异特征具有相似性。本方案解决的问题为：在可能存在油渍缺陷情况下，识别合金板材表面的压入物缺陷。[0051] 辊压后的合金板材表面相对光滑，光线照射下容易出现反光现象，则板材灰度图像中会出现亮暗存在差异的区域；如图2所示，图2中主对角线所在区域较亮，该区域两侧区域较暗。压入物区域在不同亮度区域的特征表现存在差异，具体原因为：较亮区域与较暗区域中正常板材表面的灰度值不同，使缺陷区域与不同亮度的正常板材表面的灰度差异也不同；例如压入物缺陷造成板材表面形变，其在较暗表面造成一定反光区域，而油渍污染区域为油污直接覆盖于板材表面，通常不会造成反光区域。其中，缺陷区域包括：压入物区域和油渍污染区域。因此，为增加对缺陷特征分析的准确性，需要将板材灰度图像进行分块处理，得到图像区域。[0052] 步骤S210：根据任意两个像素点之间的距离与灰度值差异，获取对应两个像素点之间的相似指标；基于相似指标对板材灰度图像中像素点进行聚类，得到不同聚类簇；将每个聚类簇内像素点的构成的连通域记为初始区域。[0053] 由于压入物区域与油渍污染区域通常为小面积区域且与周围正常板材区域存在灰度差异，则根据像素点之间距离与灰度值差异进行区域划分。[0054] 以板材灰度图像中第a、b个像素点为例进行分析，优选地，本发明实施例中板材灰度图像中第a、b个像素点之间的相似指标 用公式表示为：[0055] ；式中， 为板材灰度图像中第a个像素点的像素坐标的横坐标； 为板材灰度图像中第b个像素点的像素坐标的横坐标； 为板材灰度图像中第a个像素点的像素坐标的纵坐标； 为板材灰度图像中第b个像素点的像素坐标的纵坐标； 为板材灰度图像中第a个像素点的灰度值； 为板材灰度图像中第b个像素点的灰度值。其中，像素点的像素坐标为公知常识，在此不再描述。[0056] 在本发明实施例中，基于像素点之间的相似指标，利用K均值聚类算法对板材灰度图像中像素点进行聚类，得到不同聚类簇；其中，K值通过手肘法确定。在本发明其他实施例中，也可以利用DBSCAN算法与层次聚类算法进行聚类。其中，K均值聚类算法与手肘法均为本领域技术人员公知技术，在此不再赘述。[0057] 步骤S220：将初始区域内像素点的总数量顺序排列，得到分析序列；将分析序列划分为第一子序列与第二子序列；第一子序列中元素的均值小于第二子序列中元素的均值；将第一子序列中每个元素对应的初始区域作为疑似异常区域；将第二子序列中每个元素对应的初始区域作为整体区域。[0058] 优选地，分析序列的划分方法包括：将所有初始区域内像素点的总数量按照从小到大顺序排列，得到分析序列；计算分析序列中每相邻两个元素的差值绝对值，由最大的差值绝对值对应的两个元素中最小值，以及位于该元素之前的元素构成第一子序列；由分析序列中除第一子序列内元素外的其余元素构成第二子序列。[0059] 因为压入物区域与油渍污染区域通常为小面积区域，正常区域通常占据图像大部分，所以区域内像素点数量较少的初始区域即第一子序列中元素对应初始区域代表压入物区域或油渍污染区域的可能性越大，将这些初始区域记为疑似异常区域；区域内像素点数量较多的初始区域即第二子序列中元素对应初始区域代表图像整体亮部分和暗部分的可能性越大，将这些初始区域记为整体区域。[0060] 在本发明另一个实施例中，分析序列的划分方法也可以为：计算分析序列中元素的均值；在分析序列中，由小于或者等于该均值的元素构成第一子序列，由大于该均值的元素构成第二子序列。[0061] 步骤S230：对于每个疑似异常区域，将与疑似异常区域邻接的整体区域作为疑似异常区域的分析区域；计算疑似异常区域分别与每个分析区域内像素点的灰度值均值之间的差异，将最小的差异对应的分析区域作为疑似异常区域的目标区域；将每个疑似异常区域与其目标区域合并得到图像区域。[0062] 缺陷区域具备与正常板材不同的灰度特征，存在被分为独立区域的可能性，会对基于亮暗程度的图像分块过程造成干扰，为避免上述问题，将疑似异常区域与其邻接的整体灰度分布较为接近的整体区域即目标区域进行合并，即将疑似异常区域归到所处面积较大且呈现图像整体明暗的整体区域中，以提高后续缺陷分析的准确性。需要说明的是，若存在至少两个疑似异常区域的目标区域为同一个整体区域，则将这些疑似异常区域与整体区域共同构成一个图像区域。[0063] 图3为本发明一个实施例所提供的区域邻近分布示意图，如图3所示，图3中s1、s2、s3与s4均为区域，与区域s1邻接的区域为s2、s3，与区域s2邻接的区域为s1、s3、s4，与区域s3邻接的区域为s1、s2、s4，与区域s4邻接的区域为s2、s3。[0064] 图像区域的反光程度主要通过灰度值呈现，则根据图像区域内像素点的灰度分布获取板材反光指标。[0065] 优选地，板材反光指标的获取方法包括：将每个图像区域中整体区域内像素点的灰度值众数记为对应图像区域的基准值；将每个图像区域中整体区域内每个像素点的灰度值与基准值的差异作为对应像素点的基准差异值；根据每个图像区域中整体区域内像素点的灰度值和基准差异值，获取对应图像区域的板材反光指标。[0066] 需要说明的是，图像区域由一个整体区域与若干个疑似异常区域合并得到，疑似异常区域为压入物区域或者油渍污染区域的概率越大，缺陷区域影响板材表面正常反光，为避免疑似异常区域对反光程度评估的影响，仅利用图像区域中整体区域进行反光评估。[0067] 反光程度主要通过灰度值呈现，整体灰度越大的图像区域的反光程度越强；板材灰度图像中可能存在辊压过程中造成的板材表面拉丝状纹理，这些拉丝纹理降低反光程度，图像区域的基准值呈现图像区域中整体区域的整体灰度情况，代表图像区域的背景，当图像区域中整体区域内每个像素点的基准差异值越小时，该像素点的灰度值与背景越接近，该像素点表示纹理特征的概率越低而代表反光特征的概率越大。为提高反光特征分析的准确性，应对代表反光特征的概率越大的像素点的灰度值在板材放光指标的获取过程中设置较大的权重。因此，图像区域中整体区域内像素点的灰度值与板材反光指标为正相关关系，基准差异值与板材反光指标为负相关关系。[0068] 在本发明实施例的一个具体实现方式中，板材反光指标用公式表示为：[0069][0070] 式中，B为每个图像区域的板材反光指标；I为每个图像区域中所有整体区域内像素点的总数量； 为每个图像区域中所有整体区域内第i个像素点的灰度值； 为每个图像区域的基准值； 为每个图像区域中所有整体区域内第i个像素点的基准差异值；为预设正数，取经验值1，作用为防止分母为0导致分式无意义； 为绝对值函数；tanh为反正切函数，作用为进行归一化处理。[0071] 需要说明的是，当 越大时，图像区域中所有整体区域内第i个像素点所处位置的反光程度越强；当 越小时，该像素点表示纹理特征的概率越低而代表反光特征的概率越大，通过 调整 ，使代表反光特征的概率越大的像素点的灰度值在板材放光指标的获取过程中具有较大的权重，提高该像素点的反光程度的准确性。[0072] 步骤S3：对板材灰度图像进行边缘检测得到异常区域；根据每个异常区域内边缘像素点的灰度分布，每个异常区域的形状以及每个异常区域所处区域图像的板材反光指标，获取每个异常区域的缺陷边缘指标。[0073] 板材灰度图像中缺陷区域与正常板材区域通常存在较大特征差异，该差异主要是通过缺陷对板材表面造成的破坏和油污附着在板材表面使板材表面的反光量与周围出现差异造成的，因此，缺陷区域在板材灰度图像中通常具备相对明显的边缘，本发明实施例中利用Canny算子对板材灰度图像进行边缘检测得到边缘像素点，提取图像中边缘像素点构成的闭合区域。在实际缺陷部分中，由于压入物缺陷是通过辊压过程中异物被轧辊压入在合金板材表面形成的，其通常会破坏合金板材表面造成一定凹陷，凹陷边缘形成弧面的角度不同导致凹陷边缘不同位置反光量存在差异，因此，压入物缺陷可能会被分为多个边缘闭合区域，通过聚类过程中的疑似异常区域对边缘检测结果进行修正，得到异常区域。具体修正过程如下：[0074] 将由边缘像素点构成的闭合区域记为目标区域；对于每个目标区域，判断目标区域是否处于疑似异常区域中，若是，将目标区域所处疑似异常区域作为异常区域；若否，将目标区域作为异常区域。[0075] 压入物缺陷是通过辊压过程中异物被轧辊压入在合金板材表面形成的，其通常会破坏合金板材表面造成一定凹陷，而凹陷边缘会形成弧面，因不同弧面的角度不同，所以凹陷边缘的部分边缘的反光量相交其余边缘较大。[0076] 压入物缺陷的凹陷边缘的不同位置的反光量存在差异，油渍污染缺陷未对板材表面造成实质性破坏，其边缘部分的反光量均为接近；压入物缺陷的形状与异物形状相关，而油渍污染区域的形状无明显规律。本方案通过灰度值呈现反光量，则根据异常区域内边缘像素点的灰度分布，异常区域的形状以及该异常区域所处区域图像的板材反光指标，获取缺陷边缘指标，提高利用缺陷边缘指标对压入物缺陷与油渍污染缺陷区分的准确率。[0077] 压入物缺陷是通过辊压过程中异物被轧辊压入在合金板材表面形成的，其通常会破坏合金板材表面造成一定凹陷，而凹陷边缘会形成弧面，因不同弧面的角度不同，所以凹陷边缘的部分边缘的反光量相交其余边缘较大。辊压后的合金板材原有的表面刚性缺陷通常会被挤压平滑，而压入物缺陷形成的表面凹陷为辊压过程造成；另外油污部分未对板材表面造成实质性破坏，其边缘部分的反光量特征与缺陷部分存在差异。另外，边缘部分的形状同样能够体现缺陷区域与油污区域的差异：根据上述对压入物缺陷的成因描述，其形成的缺陷边缘与异物形状相关；而油污区域的边缘无明显规律。因此，根据异常区域内边缘像素点的灰度分布，每个异常区域的形状以及每个异常区域所处区域图像的板材反光指标，获取缺陷边缘指标。[0078] 请参阅图4，其示出了本发明一个实施例提供的一种异常区域的缺陷边缘指标获取方法的步骤流程图，该方法包括：[0079] 步骤S310：根据每个异常区域内边缘像素点的灰度分布，获取每个异常区域的边缘反光指标。[0080] 反光区域分别与正常板材表面和缺陷内部均具备较大灰度差异，通过异常区域内边缘检测得到的边缘像素点更能体现压入物区域和油渍污染区域的边缘特征差异，因此，根据异常区域内边缘像素点的灰度分布分析反光程度，能提高边缘反光指标的准确性。[0081] 优选地，边缘反光指标的获取方法为：对于每个异常区域，将异常区域内每个边缘像素点与异常区域的边界之间的距离记为对应边缘像素点的边界距离；根据异常区域内每个边缘像素点的灰度值与所有边缘像素点的灰度值均值之间的差异，以及边界距离，获取对应边缘像素点的局部边缘反光值；将异常区域内所有边缘像素点的局部边缘反光值的均值进行归一化处理，得到对应异常区域的边缘反光指标。[0082] 需要说明的是，由于压入物缺陷形成的凹陷边缘的不同位置的反光程度不同，油渍污染缺陷的边缘部分的反光量均为接近，则压入物缺陷对应异常区域内边缘像素点的灰度值较为离散，油渍污染区域对应异常区域内边缘像素点的灰度值较为一致。压入物缺陷形成的凹陷较为接近缺陷的边界，则压入物缺陷对应异常区域内目标区域位于异常区域的边界附近；油渍污染区域对应异常区域与目标区域相同，油渍污染区域对应异常区域内边缘像素点为板材表面纹理像素点的可能性越大，这些纹理像素点的位置分布不固定。本实施例中异常区域内边缘像素点的灰度值的离散程度，通过该边缘像素点的灰度值与异常区域内所有边缘像素点的灰度值均值之间的差异呈现，同时结合边界距离，获取异常区域的边缘反光指标。[0083] 需要说明的是，对于异常区域内每个边缘像素点，将该边缘像素点分别与异常区域的边界上每个像素点之间的欧式距离，将最小的欧式距离作为边缘像素点与异常区域的边界之间的距离。若异常区域内边缘像素点处于该异常区域的边界上，则这些边缘像素点不参与异常区域的边缘反光指标的获取。[0084] 在本发明实施例的一个具体实现方式中，边缘反光指标用公式表示为：[0085][0086] 式中， 为每个异常区域的边缘反光指标；R为每个异常区域内边缘像素点的总数量； 为每个异常区域内第r个边缘像素点的灰度值； 为每个异常区域内所有边缘像素点的灰度值均值； 为每个异常区域内第r个边缘像素点的边界距离； 为每个异常区域内第r个边缘像素点的局部边缘反光值；为预设正数，取经验值1，作用为防止分母为0导致分式无意义； 为绝对值函数；tanh为反正切函数，作用为进行归一化处理。[0087] 需要说明的是， 为边缘反光指标的计算主体，通过衡量异常区域内边缘像素点的反光程度差异情况；当越大时，每个异常区域内不同边缘像素点的反光程度差异越大，该异常区域的各边缘部分为压入物缺陷造成的形变边缘的可能性越大；当越小时，每个异常区域内边缘像素点的反光程度较为接近，该异常区域内各边缘部分为油渍边缘的可能性越大。通过边界距离 对异常区域内边缘像素点的灰度值计算方差的过程进行调整，当 越小时，每个异常区域内第r个边缘像素点位于压入物缺陷造成的边缘可能性越大，而属于区域内部纹理像素点的可能性越。岣 越小的像素点的在边缘反光指标计算中比重，以提高边缘反光计算的准确性。[0088] 步骤S320：根据每个异常区域的形状获取每个异常区域的边缘形状指标。[0089] 压入物区域的形状与异物形状相关，油污区域的边缘无明显规律，获取异常区域的边缘形状指标。[0090] 优选地，边缘形状指标的获取方法为：对每个异常区域的边界上像素点进行曲线拟合，得到对应异常区域的边界拟合曲线；获取边界拟合曲线上每个像素点的斜率；在每个异常区域的边界拟合曲线上，计算边界拟合曲线上每个像素点分别与其相邻像素点的斜率差异的均值，作为每个异常区域的边界拟合曲线上每个像素点的位置差值；将每个异常区域的边界拟合曲线上像素点的位置差值的均值进行归一化处理，得到异常区域的边缘形状指标。[0091] 需要说明的是，本发明实施例中利用最小二乘法进行曲线拟合；其中，最小二乘法为本领域技术人员公知技术，在此不再赘述。边界拟合曲线上两个像素点之间的斜率通过像素点的像素坐标获。戳礁鱿袼氐愕南袼氐愕南袼刈甑淖葑甑牟钪涤牒嶙甑牟钪档谋戎。在本发明实施例中使用Sigmoid函数进行归一化处理，也可选择其他归一化的方法，例如函数转化、最大最小规范化等归一化方法，在此不做限定。[0092] 步骤S330：利用每个异常区域所处区域图像的板材反光指标，分别对每个异常区域的边缘反光指标与边缘形状指标进行加权求和，得到每个异常区域的缺陷边缘指标。[0093] 通过异常区域所处图像区域的板材反光指标调整异常区域的边缘反光指标和边缘形状指标的计算权重；在板材灰度图像中，较亮区域的缺陷区域中边缘像素点的反光部分与该区域其他像素点可能会因反光程度较大，导致难以通过边缘反光特征进行区分，因此这类异常区域主要通过形状特征进行判断。当异常区域所处图像区域的板材反光指标较大时，边缘形状指标的计算权重应较大，否则边缘反光指标较大。[0094] 在本发明实施例的一个具体实现方式中，每个异常区域的缺陷边缘指标用公式表示为：[0095][0096] 式中，C为每个异常区域的缺陷边缘指标；B为每个异常区域所处图像区域的板材反光指标； 为每个异常区域的边缘反光指标； 为每个异常区域的边缘形状指标。[0097] 步骤S4：根据每个图像区域内包含的异常区域的纹理情况与缺陷边缘指标，以及板材反光指标对待测合金板进行辊压缺陷识别。[0098] 为进一步提升缺陷区域识别的准确率，需要通过图像区域内部的图像特征进一步分析：油污缺陷为板材表面覆盖润滑油造成的，内部包含灰尘、金属屑等污渍，由于油污在板材上覆盖厚度不同且各部分包含的污渍也可能存在差异，则油污表面反光均匀程度较低；压入物缺陷异常为异物压入板材造成的，其表面反光变化相对均匀。[0099] 步骤S410：将每个异常区域内目标区域内像素点的灰度值的方差的均值进行负相关映射，得到对应异常区域的纹理表达指标。[0100] 通过异常区域内目标区域内像素点的灰度值的方差呈现异常区域表面均匀程度；油污区域比压入物区域相比内部反光均匀程度更低，当异常区域内目标区域内像素点的灰度值的方差的均值越。斐Ｇ蛭妥瘴廴厩虻目赡苄栽酱。因此，需要对异常区域内目标区域内像素点的灰度值的方差的均值进行负相关处理，获取纹理表达指标，使纹理表达指标越大的异常区域为压入物缺陷的可能性越大。[0101] 需要说明的是，本发明实施例中利用exp（?）函数对异常区域内目标区域内像素点的灰度值的方差的均值进行负相关映射，还可以采用其他方法实现负相关映射，在此不再限定。其中，exp为以自然常数e为底数的指数函数。[0102] 步骤S420：利用每个图像区域的板材反光指标，分别对每个图像区域内包含的所有异常区域的缺陷边缘指标的均值与纹理表达指标的均值进行加权求和，得到对应图像区域的辊压缺陷指标。[0103] 通过板材反光指标调整图像区域中异常区域的缺陷边缘指标均值和纹理表达指标均值在获取辊压缺陷指标过程中的权重。在本发明实施例的一个具体实现方式中，每个图像区域的辊压缺陷指标用公式表示为：[0104][0105] 式中，P为每个图像区域的辊压缺陷指标；B为每个图像区域的板材反光指标；为每个图像区域内包含的所有异常区域的缺陷边缘指标的均值；为每个图像区域内包含的所有异常区域的纹理表达指标的均值。[0106] 需要说明的是，图像区域的反光程度越高，不同反光能力区域体现的反光量差异越大，通过异常区域内部纹理情况对辊压缺陷进行评估的准确率越高，则当板材反光指标B越大时，呈现纹理信息 的计算权重应越大。[0107] 若板材灰度图像中存在图像区域的辊压缺陷指标大于预设辊压缺陷阈值，则待测合金板材存在辊压缺陷；若板材灰度图像中所有图像区域的辊压缺陷指标均小于或者等于预设辊压缺陷阈值，则待测合金板材不存在辊压缺陷。[0108] 需要说明的是，在本发明实施例中预设辊压缺陷阈值取经验值0.55，实施者可根据具体情况自行设置。[0109] 至此，本发明完成。[0110] 综上所述，在本发明实施例中，根据板材灰度图像中图像区域内像素点的灰度分布获取板材反光指标；获取板材灰度图像中的异常区域，结合每个异常区域内边缘像素点的灰度分布与形状，异常区域所处区域图像的板材反光指标获取缺陷边缘指标；根据图像区域内包含的异常区域的纹理情况与缺陷边缘指标，以及板材反光指标对待测合金板进行辊压缺陷识别。本发明基于合金板材的压入物缺陷与油渍污染区域的反光特征与形状特征的差异，对待测合金板进行辊压缺陷识别，提高合金板材辊压缺陷识别的准确率。[0111] 实施例2：[0112] 图5为本发明一个实施例所提供的一种用于建筑模板系统的合金板材辊压缺陷识别设备的计算机设备示意图。示例性的，如图5所示，该计算机设备包括：存储器501、处理器502以及存储在该存储器501中并在处理器502上运行的计算机程序503，其中，该处理器502执行该计算机程序503时，使得该计算机设备可执行前述介绍的任意一种用于建筑模板系统的合金板材辊压缺陷识别方法。[0113] 此外，本申请实施例还保护一种装置，该装置可以包括存储器和处理器，其中，存储器中存储有可执行程序代码，处理器用于调用并执行该可执行程序代码执行本申请实施例提供的一种用于建筑模板系统的合金板材辊压缺陷识别方法。[0114] 本实施例可以根据上述方法示例对该装置进行功能模块的划分，例如，可以对应各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中，上述集成的模块可以采用硬件的形式实现。需要说明的是，本实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。[0115] 应理解，本实施例提供的装置用于执行上述一种用于建筑模板系统的合金板材辊压缺陷识别方法，因此可以达到与上述实现方法相同的效果。[0116] 在采用集成的单元的情况下，该装置可以包括处理模块、存储模块。其中，当该装置应用于设备上时，处理模块可以用于对设备的动作进行控制管理。存储模块可以用于支持设备执行相互程序代码等。[0117] 其中，处理模块可以是处理器或控制器，其可以实现或执行结合本申请公开内容所藐视的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，数字信号处理（DigitalSignalProcessing，DSP）和微处理器的组合等等，存储模块可以是存储器。[0118] 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。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。[0119] 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。[0120] 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。

专利地区：陕西

专利申请日期：2024-08-05

专利公开日期：2024-10-11

专利公告号：CN118570214B