基于預(yù)分類的模糊聚類鋼板表面缺陷檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)字圖像處理及模式識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于預(yù)分類的模糊 聚類鋼板表面缺陷檢測方法。
【背景技術(shù)】
[0002] 鋼板已成為眾多工業(yè)不可缺少的原材料，準(zhǔn)確、高效的進(jìn)行鋼板質(zhì)量檢測，合理控 制鋼板質(zhì)量，可以提高生產(chǎn)率，降低人工勞動(dòng)強(qiáng)度，對提高鋼板缺陷檢測的智能化水平有著 重要的意義。隨著數(shù)字圖像處理及模式識(shí)別技術(shù)的快速發(fā)展，數(shù)字圖像處理及模式識(shí)別技 術(shù)已被應(yīng)用于缺陷檢測。
[0003] 申請?zhí)枮?01310210470. 6的中國發(fā)明專利申請公開了一種基于鄰域信息評估的 熱軋鋼板表面缺陷圖像識(shí)別方法。通過目標(biāo)檢測、缺陷區(qū)域分割、基于領(lǐng)域信息評估的局部 二值模式提取特征、支持向量機(jī)分類得到鋼板缺陷檢測結(jié)果，采用局部二值模式的特征提 取方法使同類缺陷的特征集中而不同類型缺陷特征區(qū)分度提高，采用鄰域信息評估窗口方 法有效抵抗特征受到的噪聲干擾影響，但其只處理了圖像灰度特征，針對鋼板缺陷實(shí)時(shí)檢 測的特殊環(huán)境，有因光照強(qiáng)度、光照角度等原因引起的反光、亮度偏低等問題，模式不能準(zhǔn) 確的定位缺陷，在沒有其它特征的輔助下，特征識(shí)別存在誤判，且單純的采用支持向量機(jī)分 類器的分類準(zhǔn)確度不高。申請?zhí)枮?01310009805. 8的中國專利申請公開了一種模擬人類 視覺感知機(jī)理的銅帶表面缺陷辨識(shí)裝置及方法。通過圖像信息采集、二次曲面擬合圖像增 強(qiáng)、LOG算子邊緣檢測、模式分類系統(tǒng)對銅板表面缺陷進(jìn)行檢測。二次曲面擬合的方法校正 了光照不均的問題，LOG算子邊緣檢測提高了缺陷區(qū)域分割的準(zhǔn)確度，提取灰度值特征、幾 何特征以及矩特征，增加了圖像信息。但在線實(shí)時(shí)鋼板缺陷圖像光照不均的種類分為反光 區(qū)域、多目標(biāo)缺陷區(qū)域和灰度偏暗區(qū)域等，二次曲面擬合的方法只對灰度分布不均勻圖像 的矯正較為明顯，當(dāng)圖像灰度值較接近時(shí)，該方法的增強(qiáng)效果不明顯，且未優(yōu)化的模式分類 系統(tǒng)分類準(zhǔn)確度不高。申請?zhí)枮?01210065030. 1的中國專利申請公開了一種基于多特征 模糊識(shí)別的銅帶表面缺陷檢測系統(tǒng)。通過目標(biāo)檢測、Canny算法圖像分割、提取特征向量輸 入多特征模糊識(shí)別分類器的方法實(shí)現(xiàn)銅帶表面缺陷檢測。Canny算法可檢測出合理的邊緣 數(shù)據(jù)，服務(wù)于銅帶表面缺陷圖像特征選擇和提取，但多特征是對形狀特征中的長寬比、矩形 度、圓形度和不變矩的區(qū)分，在帶鋼缺陷形狀特征區(qū)分度不大的情況下，分類準(zhǔn)確度不高。 故有必要開發(fā)一種基于預(yù)分類的模糊聚類鋼板表面缺陷檢測方法，在缺陷圖像預(yù)處理之前 分析圖像灰度直方圖，確定不同類型圖像的處理閾值區(qū)間，實(shí)現(xiàn)圖像預(yù)分類，解決多種光照 不均的問題；鋼板表面缺陷復(fù)雜、多樣，不同類別之間不一定存在分明的界限，模糊聚類方 法通過隸屬度來分配數(shù)據(jù)所屬的類，能夠獲取最大區(qū)分度，因此采用模糊聚類方法計(jì)算不 同缺陷類型特征向量之間的聚類中心，可以避免特征相似而類別不同的缺陷的錯(cuò)誤劃分， 從而提高鋼板缺陷檢測的準(zhǔn)確度。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明提供一種基于預(yù)分類的模糊聚類鋼板表面缺陷檢測方法，可在 鋼板表面缺陷檢測時(shí)，克服現(xiàn)有鋼板表面缺陷檢測出現(xiàn)誤判和漏判的不足，有效提高鋼板 缺陷檢測的準(zhǔn)確度和快速性。
[0005] 本發(fā)明通過以下技術(shù)手段解決上述技術(shù)問題：
[0006] 基于預(yù)分類的模糊聚類鋼板表面缺陷檢測方法，包括如下步驟：
[0007] Sl:獲取鋼板表面缺陷圖像；
[0008] S2 :對步驟Sl獲取的缺陷圖像進(jìn)行預(yù)分類，生成不同的圖像處理閾值區(qū)間；
[0009]S3 :對步驟S2獲取的不同類別的圖像進(jìn)行相應(yīng)的圖像預(yù)處理，最終將缺陷以白色 尚殼狀態(tài)顯不；
[0010]S4:提取鋼板缺陷圖像的幾何特征、灰度特征、投影特征和紋理特征，優(yōu)化特征向 量，采用模糊聚類方法計(jì)算各類樣本的聚類中心，將各類樣本聚類中心的距離作為支持向 量機(jī)分類器每級分類劃分的度量；
[0011] S5 :分類判定，得到缺陷檢測結(jié)果。用type表示分類結(jié)果，其中type= 0, 1，2, 3, 4, 5,如果type= 1，則表明該缺陷類型為結(jié)癥；如果type= 2,則表明該缺陷類型 為縱向裂紋；如果type= 3,則表明該缺陷類型為橫向裂紋；如果type= 4,則表明缺陷類 型為麻點(diǎn)；如果type= 5,則表明缺陷類型為網(wǎng)紋；如果type= 0,則表明數(shù)據(jù)庫沒有此類 缺陷，則將新的缺陷類型存入數(shù)據(jù)庫并附缺陷數(shù)據(jù)類型編號(hào)，最終輸出檢測結(jié)果。
[0012] 進(jìn)一步，所述步驟Sl中，以鋼板生產(chǎn)線實(shí)時(shí)拍攝的圖像作為鋼板表面缺陷檢測的 源圖像。
[0013] 進(jìn)一步，所述步驟S2中，在灰度圖像的前提下，通過閾值分割法確定圖像處理的 閾值區(qū)間，完成圖像預(yù)分類。
[0014] 進(jìn)一步，所述步驟S2具體包括如下步驟：
[0015] S21 :對步驟Sl獲取的缺陷圖像進(jìn)行灰值化；
[0016] S22:對灰值化后的缺陷圖像進(jìn)行直方圖繪制，計(jì)算灰度直方圖的均值、峰值和方 差；
[0017] S23 :對步驟S22提取的灰度特征統(tǒng)計(jì)分析，結(jié)合灰度直方圖判斷缺陷圖像均值、 方差分布范圍，并計(jì)算兩者的差值dif，將差值統(tǒng)計(jì)歸類，選取最優(yōu)閾值T=Ix1,x2}，其中 X1,X2為閾值分割點(diǎn)，完成圖像預(yù)分類；
[0018] S24 :結(jié)合線性插值、非線性插值和梯度銳化對步驟S23的預(yù)分類結(jié)果進(jìn)行圖像預(yù) 處理，在基本的圖像處理操作下，最終使缺陷目標(biāo)以白色高亮狀態(tài)顯示
[0019] 進(jìn)一步，所述步驟S3具體包括如下步驟：
[0020] S31 :當(dāng)dif< &時(shí)，圖像灰度偏暗，在缺陷目標(biāo)確定前要對圖像做梯度銳化處理； 當(dāng)Xl<dif< 12時(shí)，圖像目標(biāo)區(qū)域偏大，在缺陷目標(biāo)確定前要對圖像做線性插值處理；當(dāng) dif> &時(shí)，圖像反光，在缺陷目標(biāo)確定前要對圖像做非線性插值處理；
[0021] S32 :缺陷圖像經(jīng)過步驟S31的預(yù)處理后，對圖像做基本圖像處理操作，最終將灰 度直方圖以單峰、灰度有效值在170-255區(qū)間內(nèi)的形式顯示；
[0022] S33 :結(jié)合交互式閾值分割法選取圖像二值化的最優(yōu)閾值y，優(yōu)化二值化圖像，得 到目標(biāo)缺陷圖像；
[0023] S34 :計(jì)算步驟S33的目標(biāo)缺陷圖像的幾何特征；將目標(biāo)缺陷圖像做水平X軸和垂 直y軸方向上的投影直方圖，獲取投影特征；以灰度圖像為背景，提取灰度直方圖下的灰度 特征和灰度共生矩陣下的紋理特征。
[0024] 進(jìn)一步，所述步驟S4具體包括如下步驟：
[0025]S41:幾何特征：邊界周長、缺陷面積、圓形度、矩形度、缺陷緊湊性、區(qū)域占空比、 矩特征、離心率、橢圓偏心率等；投影特征：波形特征、脈沖特征、峰值特征、裕度特征、投影 均值、投影方差、投影歪度、投影峭度、投影能量、投影熵等；灰度特征：灰度對比度、灰度均 值、灰度歪度、灰度峭度、灰度能量、灰度熵值等；紋理特征：灰度共生矩陣能量、灰度共生 矩陣對比度、灰度共生矩陣相關(guān)值、灰度共生矩陣熵值等；
[0026]S42:對步驟S41提取的特征向量進(jìn)行降維處理，求取能夠充分描述缺陷信息且缺 陷信息不重復(fù)的特征向量；
[0027]S43:將步驟S42確定的特征參數(shù)存入特征數(shù)據(jù)庫；
[0028]S44:某一類樣本聚類中心的選?。河?jì)算任意兩個(gè)樣本的歐式距離，取最小距離對 應(yīng)的兩個(gè)樣本的均值作為第一個(gè)聚類中心；選定樣本間最小距離閾值a，計(jì)算與第一個(gè)聚 類中心中的兩個(gè)樣本的歐式距離都大于a的樣本，并選擇這些樣本中的歐氏距離最短的 兩個(gè)樣本的均值定為第二個(gè)聚類中心；以此類推，直到找到除孤立點(diǎn)之外的所有樣本的聚 類中心；將所有聚類中心的均值作為該類缺陷的最終聚類中心；
[0029]S45:重復(fù)步驟S44,確定已知缺陷種類各類樣本的聚類中心Vi(i=i，2,…，c);
[0030]S46 :分別計(jì)算兩兩聚類中心的距離％ ，其中i,j= 1，2,…，c;i乒j;r =c-1。每個(gè)聚類中心都有c-1個(gè)與其他聚類中心的距離值，