[发明专利]基于人工智能的带钢红锈缺陷检测方法

说明书

本发明涉及基于人工智能的带钢红锈缺陷检测方法，其是通过采集带钢的RGB图像，并去除背景，得到图像的感兴趣区域，并对该感兴趣区域进行灰度化处理得到通道R、G、B的灰度图，利用灰度共生矩阵法提取通道R的纹理特征，得到该通道的灰度图质量指标，同时获取该通道的灰度差异图，根据灰度图质量指标和灰度差异图，获取单通道的红锈灰度特征图，并对该特征图的像素点进行聚类，得到连通域，并得到连通域的面积以及对比度特征均值；将面积、对比度特征均值以及对应的像素点的值构成特征矩阵，作为分类器的输入，输出红锈灰度图的缺陷程度；即本发明能够更准确地得到反应红锈缺陷的特征图，进而使得红锈缺陷预测更加准确。

技术领域

本发明涉及机器视觉、图像处理领域，具体涉及基于人工智能的带钢红锈缺陷检测方法。

背景技术

在冶金工业中，热轧带钢在轧前加热过程中，会出现与基体金属强烈啮合的特种氧化铁皮而形成红锈，该缺陷一般以不规则的条块状或矛尖状沿整个宽度出现在带钢的一面或上、下表面上。热轧后此区域通常呈淡红色，锈蚀严重变为红褐色，有时呈颗粒状并且明显比临近区域粗糙。

目前对于热轧带钢红锈的检测，其主要通过人工检测以及图像识别和分割技术对特征进行提取和识别，获取识别结果，而采用神经网络进行训练检测的方式需要训练数据，计算量较大，且带钢表面覆盖有大量噪声曲线，神经网络检测时会受到大量干扰从而导致准确度不高。

相应地，基于现有方法对红锈缺陷的程度检测的不准确性，在进行红锈清洗时，无法准确地确定清洗液的用量，导致清洗效率低下。

发明内容

本发明的目的在于提供基于人工智能的带钢红锈缺陷检测方法，用以解决现有的红锈程度检测方法的复杂、不准确的问题。

本发明提供的一种基于人工智能的带钢红锈缺陷检测方法的技术方案，包括以下步骤：

步骤一，获取带钢的RGB图像，并去除背景，得到图像的感兴趣区域；

步骤二，将所述图像的感兴趣区域进行灰度化处理，得到灰度图像，并根据所述灰度图像分别得到通道R、G、B的灰度图；利用灰度共生矩阵法提取通道R的灰度图的熵特征图和对比度特征图；根据所述熵特征图和对比度特征图，对所述通道R的灰度图进行图像质量评价，得到所述通道R的灰度图质量指标；

步骤三，将所述通道R的灰度图与通道G和通道B的灰度图的平均值作差，获取灰度差异图；

步骤四，根据所述灰度差异图以及所述质量指标，计算单通道的红锈灰度特征；

步骤五，将带钢RGB图像进行二值化处理后进行连通域分析，获取连通域面积；对所述红锈灰度图中的像素点值进行聚类，并根据连通域的位置，获得灰度图在对应连通域位置处的对比度特征值；

将所述对比度特征值、连通域面积以及连通域内的不同类的红锈像素值构成特征矩阵，输入分类器，获取红锈灰度图的缺陷程度。

进一步地，所述红锈灰度特征为：

其中，为灰度差异图的第(i，j)个像素的灰度值，γ(i，j)为第(i，j)个像素的质量指标。

进一步地，所述灰度差异图为：

其中，为灰度差异图的第(i，j)个像素的灰度值，I_R(i，j)为通道R灰度图中第(i，j)个像素的灰度值，I_G(i，j)、I_B(i，j)为通道G、B灰度图中第(i，j)个像素的灰度值。

进一步地，所述灰度图质量指标为：