基于小波分解的带钢缺陷检测

发布时间：2019-10-12 14:54

【摘要】：带钢缺陷是带钢质量检验的重要组成部分,通过相关的理论分析,本文提出了一种基于小波分解的带钢缺陷检测方法。首先对带钢图像进行小波分解;然后,选择子图进行融合,从而有效地抑制了背景纹理信息;在此基础上,对带钢的融合图像进行图像分割和形态学滤波,实现对带钢缺陷的位置和面积的准确检测。实验结果表明,该检测方法是有效的。
【图文】：

信号的检测。同样，对二维图像信号进行小波分解后，可以得到近似细节子图、水平细节子图、垂直细节子图和对角线细节子图；选择子图进行融合可以增强图像的缺陷。1.1带钢图像的小波分解带钢图像主要是由正常背景纹理和缺陷组成的，而带钢缺陷是正常纹理的突变。因此，背景纹理和缺陷的频率是不同的。通过小波分解后进行选择性重构可以有效地抑制正常纹理，突出缺陷信息[10-11]。当对带钢图像进行分解时，，应该选择具有紧支性，高消失矩和良好对称性的小波。因此，本文选择sym2小波进行图像分解。带钢缺陷图像如图2所示。图2带钢图像带钢图像的小波分解如图3所示。(a)第一层小波分解(b)第二层小波分解(c)第三层小波分解图3带钢图像的小波分解其中LL、LH、HL、和HH分别表示近似细节子图、水平细节子图、垂直细节子图和对角线细节子图。1.2带钢子图的选择由于正常纹理信号是规则的，小波分解的细节子图接近零值。然而带钢缺陷是正常纹理信息的突变，属于奇异信号，通过小波分解，其相应的细节子图能量会增大。因此，选择那些能量大于正常细节子图的细节子图进行融合，通过抑制正常纹理，突出带钢缺陷信息。小波分解的子图能量用公式（2）表示：1|(,)|MNxyEfxyMN（2）其中，f(x,y)是像素(x,y)的灰度级，MN是子图的尺寸。对角线子图能量较小，并包含大量的噪声，因此只考虑水平子图和垂直子图能量进行图像融合。1.3带钢子图的融合（1）计算标准图像nE的细节子图能量；（2）计算测试图像tE的细节子图能量；（3）通过比较nE和tE，选择能量较大的细节子图进行子图融合；（4）图像融合。根据上述计算结果，选择LH2、HL2、HL3和LH3子图进行图像融合。融合结果有效的抑制了正常

解后，可以得到近似细节子图、水平细节子图、垂直细节子图和对角线细节子图；选择子图进行融合可以增强图像的缺陷。1.1带钢图像的小波分解带钢图像主要是由正常背景纹理和缺陷组成的，而带钢缺陷是正常纹理的突变。因此，背景纹理和缺陷的频率是不同的。通过小波分解后进行选择性重构可以有效地抑制正常纹理，突出缺陷信息[10-11]。当对带钢图像进行分解时，应该选择具有紧支性，高消失矩和良好对称性的小波。因此，本文选择sym2小波进行图像分解。带钢缺陷图像如图2所示。图2带钢图像带钢图像的小波分解如图3所示。(a)第一层小波分解(b)第二层小波分解(c)第三层小波分解图3带钢图像的小波分解其中LL、LH、HL、和HH分别表示近似细节子图、水平细节子图、垂直细节子图和对角线细节子图。1.2带钢子图的选择由于正常纹理信号是规则的，小波分解的细节子图接近零值。然而带钢缺陷是正常纹理信息的突变，属于奇异信号，通过小波分解，其相应的细节子图能量会增大。因此，选择那些能量大于正常细节子图的细节子图进行融合，通过抑制正常纹理，突出带钢缺陷信息。小波分解的子图能量用公式（2）表示：1|(,)|MNxyEfxyMN（2）其中，f(x,y)是像素(x,y)的灰度级，MN是子图的尺寸。对角线子图能量较小，并包含大量的噪声，因此只考虑水平子图和垂直子图能量进行图像融合。1.3带钢子图的融合（1）计算标准图像nE的细节子图能量；（2）计算测试图像tE的细节子图能量；（3）通过比较nE和tE，选择能量较大的细节子图进行子图融合；（4）图像融合。根据上述计算结果，选择LH2、HL2、HL3和LH3子图进行图像融合。融合结果有效的抑制了正常背景纹理信息，如图4所示。(a)融合结果(b)融?
【作者单位】： 西安工程大学计算机科学学院;西安工程大学机电工程学院;
【基金】：陕西省教育厅科研计划资助项目(No.16JK1334) 中国纺织工业联合会科技项目(No.2016066)
【分类号】：TP391.41

【参考文献】

相关期刊论文 前6条

1 王建红;;基于零均值及零方差图构建的润滑油磨粒检测[J];软件;2015年06期

2 韩英莉;洪英;;带钢表面缺陷的一种在线检测识别算法研究[J];光电子·激光;2015年02期

3 胡慧君;李元香;刘茂福;梁文豪;;基于机器学习的带钢表面缺陷分类方法研究[J];计算机工程与设计;2014年02期

4 管声启;师红宇;王燕妮;;基于图像零均值化的带钢缺陷检测[J];钢铁研究学报;2013年04期

5 汤勃;孔建益;王兴东;侯宇;;基于遗传算法的带钢表面缺陷特征降维优化选择[J];钢铁研究学报;2011年09期

6 管声启;石秀华;宋玉琴;;基于小波分解的织物疵点检测[J];昆明理工大学学报(理工版);2009年01期

【共引文献】

相关期刊论文 前10条

1 化春键;周海英;;聚类和优化支持向量机的冷轧带钢表面缺陷分类[J];塑性工程学报;2016年05期

2 刘亚;胡慧君;刘茂福;;基于混合染色体的带钢缺陷图像分类方法研究[J];计算机工程与科学;2016年06期

3 王诚诚;李文森;雷鸣;管声启;;基于目标特征的机械零件表面缺陷检测方法[J];软件;2016年04期

4 陈功;苗瑞;张洁;;基于PSO-SVM的带钢表面缺陷分类研究[J];内蒙古大学学报(自然科学版);2015年04期

5 韩英莉;;带钢表面缺陷多维混合特征提取及识别[J];钢铁研究学报;2015年06期

6 王建红;;基于零均值及零方差图构建的润滑油磨粒检测[J];软件;2015年06期

7 叶宏武;;机械零件图像表面瑕疵的检测算法[J];轻工机械;2015年02期

8 韩英莉;洪英;;带钢表面缺陷的一种在线检测识别算法研究[J];光电子·激光;2015年02期

9 徐帅华;陈龙龙;管声启;李婷;;视觉显著性模型在带钢缺陷动态检测中的应用[J];西安工程大学学报;2014年06期

10 谢光伟;仲兆准;钟胜奎;张运诗;漆鹏杰;;带钢表面图像缺陷区域的分割方法[J];计算机系统应用;2014年10期

【二级参考文献】

相关期刊论文 前10条

1 杨立峰;张镇;刘薇娜;;基于MATLAB的磨粒流机床液压系统的动态仿真[J];新型工业化;2014年10期

2 吴玉香;张景;王聪;;基于径向基函数神经网络的转子系统裂纹故障诊断[J];控制理论与应用;2014年08期

3 杨达;王孝通;徐冠雷;战勇强;;一种基于图像分割和图像拼接技术的全天空云量估计方法[J];新型工业化;2014年08期

4 张永志;董俊慧;;基于模糊C均值聚类的模糊RBF神经网络预测焊接接头力学性能建模[J];机械工程学报;2014年12期

5 欧璐;于德介;;基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断[J];中国机械工程;2014年10期

6 陈国强;;基于GPU的图像处理算法研究[J];软件;2014年02期

7 秦华标;李雪梅;仝锡民;黄宇驹;;复杂环境下基于多特征决策融合的眼睛状态识别[J];光电子.激光;2014年04期

8 李正周;陈静;沈美容;侯倩;丁浩;金钢;;基于混沌神经网络的海上目标图像的海杂波抑制方法[J];光电子.激光;2014年03期

9 王勇;张腾;恽炅明;;液压系统动态分析方法改进研究[J];新型工业化;2014年02期

10 胡慧君;李元香;刘茂福;梁文豪;;基于机器学习的带钢表面缺陷分类方法研究[J];计算机工程与设计;2014年02期

【相似文献】

相关期刊论文 前10条

1 李莉萍;;新的3D缺陷检测技术实现纳米级快速检测[J];计测技术;2013年04期

2 杨建鲁;一种简便的介质缺陷检测方法[J];微电子学;1991年05期

3 肖庆;杨朝红;宫云战;;提高静态缺陷检测精度方法[J];计算机辅助设计与图形学学报;2010年11期

4 朱明岩;邓洪亮;黄东辉;付思远;;探地雷达在道路缺陷检测中的应用[J];山西建筑;2014年04期

5 ;KLA-Tencor新光罩检测技术可执行多缺陷检测[J];电子与电脑;2008年10期

6 喻宾扬;王召巴;金永;;玻璃缺陷检测新方法的研究[J];传感器与微系统;2008年08期

7 刘浩;刘春;胡存刚;;混合滤波器在玻璃瓶缺陷检测中的应用[J];电子测量与仪器学报;2007年03期

8 蒋艳军;卢军;陈建军;;板栗图像的去噪及缺陷检测研究[J];农产品加工;2008年09期

9 石强;陈陆建;;管道内外壁缺陷检测的研究[J];中小企业管理与科技(上旬刊);2010年05期

10 刘皓挺;王巍;史利民;;图割模型在光纤熔接缺陷检测中的应用[J];红外与激光工程;2012年11期

相关会议论文 前10条

1 杨德美;杨学志;;基于独立分量分析高阶统计量的纺织品缺陷检测[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

2 于景兰;于健;翁昌年;;探地雷达在桥梁缺陷检测中的应用初探[A];中国地球物理第二十一届年会论文集[C];2005年

3 李兵;邓善熙;李焕然;;计算机图像处理技术应用于晶振元件缺陷检测[A];首届信息获取与处理学术会议论文集[C];2003年

4 赵涟漪;许宝杰;童亮;;在线玻璃缺陷检测系统的研究[A];机械动力学理论及其应用[C];2011年

5 何涛;吴永祥;李伟;吴庆华;钟飞;;Hexsight视觉软件包在串行端子缺陷检测中的应用[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

6 曾理;郭海燕;蒲云;毕碧;;射线数字成像缺陷检测技术研究[A];全国射线数字成像与CT新技术研讨会论文集[C];2009年

7 蔡茂蓉;;PCB缺陷检测系统的研究与实现[A];第三届全国软件测试会议与移动计算、栅格、智能化高级论坛论文集[C];2009年

8 潘敏;程良伦;;一种基于角点匹配的PCB板元件安装缺陷检测基准点定位算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

9 王国勋;彭怡;寇纲;石勇;;基于MCDM的软件缺陷检测算法评估[A];经济全球化与系统工程——中国系统工程学会第16届学术年会论文集[C];2010年

10 刘松林;陈杰;郝向阳;西勤;;玻壳缺陷检测与几何量测视觉系统的设计与实现[A];2009年全国测绘仪器综合学术年会论文集[C];2009年

相关重要报纸文章 前1条

1 本报记者 张海志;一名产业工人的创新情结[N];中国知识产权报;2010年

相关博士学位论文 前10条

1 苏日亮;面向钢轨轨底缺陷检测的电磁超声换能器研究[D];哈尔滨工业大学;2015年

2 刘洪江;基于机器视觉的毛杆缺陷检测技术的研究[D];广东工业大学;2011年

3 肖庆;提高静态缺陷检测精度的关键技术研究[D];北京邮电大学;2012年

4 张大林;静态缺陷检测优化若干关键技术研究[D];北京邮电大学;2014年

5 周文;IC互连中的缺陷检测方法及缺陷对电路可靠性的影响[D];西安电子科技大学;2010年

6 司小书;面向织物缺陷检测的CUDA并行图像处理模型与算法研究[D];武汉大学;2011年

7 刘艳;基于CCD扫描的聚合物薄膜缺陷检测关键技术研究[D];哈尔滨理工大学;2009年

8 王庆香;基于小波的纹理分析及其在FPC金面缺陷检测中的应用[D];华南理工大学;2011年

9 明俊峰;羽毛片缺陷检测若干关键技术的研究[D];广东工业大学;2014年

10 毕昕;面向TFT-LCD制程的Mura缺陷机器视觉检测方法研究[D];上海交通大学;2009年

相关硕士学位论文 前10条

1 陈宇;软包商标印刷缺陷检测系统研究[D];昆明理工大学;2015年

2 周艳;光通信滤光片外观缺陷自动检测系统任务调度优化方法[D];华南理工大学;2015年

3 黄文军;基于机器视觉的印字缺陷检测系统研究与实现[D];五邑大学;2015年

4 陈洪磊;基于宽频信号的板中缺陷检测[D];上海应用技术学院;2015年

5 章玲;基于图像放缩算法的轮胎缺陷检测系统研究与实现[D];山东大学;2015年

6 刘博;基于电磁超声Lamb波换能器阵列的板材检测方法研究[D];哈尔滨工业大学;2015年

7 刘振东;钢芯传送带缺陷检测系统中图像处理算法研究[D];山西大学;2015年

8 胡sズ

本文编号：2548122