带钢表面缺陷在线检测图像噪声滤除算法研究

合集下载

基于改进YOLOX的钢材表面缺陷检测研究

现代电子技术Modern Electronics Technique2024年5月1日第47卷第9期May 2024Vol. 47 No. 90 引言钢材作为一种重要的工业产品正随着经济的发展扩张规模、提升产量，尽管目前生产制造水平有了巨大的进步，但在钢材的生产和加工过程中，很容易受到各种不良因素的影响，从而使钢材表面产生多种类型的缺陷[1]。

比较常见的缺陷有划痕、孔洞、裂纹，这些不同类型的缺陷会使得钢材的耐久性、使用强度急剧下降，缺陷会随着时间影响正常使用，甚至会造成不可预料的后果，所以，迅速而精确地识别钢材表面的缺陷变得至关重要。

在AI 技术日益成熟的今天，计算机视觉逐步取代了传统的检测手段。

计算机视觉可以较好地解决传统检测方法漏检率高、成本高等缺点，它在图像分类、人脸识别和目标检测等领域得到了广泛应用[2]。

近年来，在金属表面缺陷检测领域，文献[3]提出了一种基于自适应空间特征融合结构与EIOU 损失函数的改进YOLOv4算法，提高了检测精度。

文献[4]在YOLOv4的基础上设计了一个并行的双通道注意力模块，提出了YOLO ⁃DCSAM 算法对铝带缺陷进行检测。

文献[5]基于YOLOX 模型，结合新型特征提取网络ECMNet 与数据增基于改进YOLOX 的钢材表面缺陷检测研究刘毅，蒋三新(上海电力大学电子与信息工程学院，上海 201306)摘要：针对目前单阶段目标检测网络YOLOX 的特征提取能力不足、特征融合不充分以及钢材表面缺陷检测精度不高等问题，提出一种改进YOLOX 的钢材表面缺陷检测算法。

首先，在Backbone 部分引入改进的SE 注意力机制，增添一条最大池化层分支，进行权重融合，强化重要的特征通道；其次，在Neck 部分引入ASFF 模块，充分利用不同尺度的特征，更好地进行特征融合；最后，针对数据集所呈现的特点，将IOU 损失函数替换为EIOU 损失函数，改善模型定位不准确的问题，提高缺陷检测精度。

带钢表面缺陷检测方法研究

摄像机，在轧制速度为５ｎ时能众／摄取到带钢表面最小ｓ尺寸为０ｒｘ．的．ｎｏ５ｓｌｌｎＩ微小缺陷；在对图像处理相关技术进行研究的基础上，设计和测试了图像平滑降噪、
图像边缘检测和图像数学形态学操作各阶段所使用的技术，更适合带钢表面缺陷图
像的处理和特征的提取；讨论和提取的特征量及选用的人工神经网络分类器对带钢表面缺陷的分类更加有效。在研制开发的带钢表面缺陷检测装置上通过实验对该方法进行了试验研究，表明此方法可以结果有效的检测出带钢常见的表面缺陷，平均检出率为９％１。该检测颖、结构简单，方法新设备能满足大部分带钢生产线的表面缺陷检测要求，具有较高的推广应用价值。由于带钢表面缺陷种类繁多，下一步研究工作建议
斗』．． ‘ ．Ｊ
ｓｄ田ｄｅｅｐ，ｃｉｔｔｅＰａｓｎｒｉｒｕｅｅ，ｈｈＵｅｔｉｌｄｖｏｄａｏｎｏｈｍｌｉＰｃｏｅｉｌｎｗｉ￣ｄｌｅｃｒｇｅｄｌｏｅｓｑｒｌｌｃｓｉｎｌ
ｍｓｔｔｅａｒｅｔｃｏ；ｅｕｓｘｃｄｔＳｔａｄｕｓ氏朋ｄｅｒｌｏｏｕｆｈｆｔｅｘａｌＦａｒｅｔｔｂｈｙｅｒｉｓｅｒｅｕｓｒｌｎｔｅｒｅｙｅｓｍｅｓａｃ山ｂｃ．ｒａａｎｅｏｈｂｅｈｓｔａｔｍｅｏｏｉａｅａｆａｏ，ｅａｋ０ｇｆｎｔｒａｅｎｃｅｏｓｈＰＰｔｏｗｋｓｏｎｅｔｈｆｎｇｃｓｃｎｄｌｌｉｔｓｉｉ山ｙ、ｓｅｃｌｏＰ沁ｓｇｄｆｃｌａｅｏｕｆｅ恤ｓｅｓＰＡｄｔｅｖｆｉｌｆ代ｅｉｅｔｍｇｆｓｒｃａｉｅｔｓｎｅｓａｅｒｔｌｔ；ｎｈｉｅｓｕｏｅＰｒｌｗｓ田ｉｏｔｈｔｅｐｒｅａｄｉ．ｅｓｈｓｏｌｌｎＸｅｌｍａｉｔｌｅａｃｌｌｔｎｄｅｕ诫ｔｈｘｅｉｎｌｅｃＴｒｅｍｉｖｅｈｅｕｈｗｓ

改进YOLO的钢材表面缺陷检测算法

改进YOLO的钢材表面缺陷检测算法一、综述随着钢铁行业的发展，钢材表面缺陷检测在生产过程中具有重要的意义。

传统的钢材表面缺陷检测方法主要依赖于人工观察和经验判断，这种方法不仅耗时耗力，而且容易受到操作者主观因素的影响，导致检测结果的不准确性。

随着计算机视觉技术的发展，基于深度学习的图像识别方法在钢材表面缺陷检测领域取得了显著的成果。

现有的钢材表面缺陷检测算法仍存在一定的局限性，如对复杂背景的适应性较差、对噪声和光照变化敏感等问题。

为了提高钢材表面缺陷检测的准确性和鲁棒性，本文针对现有问题对YOLO(You Only Look Once)算法进行了改进，提出了一种新的钢材表面缺陷检测方法。

该方法在保持原有实时性和高效性的基础上，提高了对复杂背景和噪声的适应性，为钢铁行业的生产过程提供了有力的技术支持。

1.1 背景介绍随着钢铁行业的不断发展，钢材表面缺陷检测在生产过程中具有重要的意义。

钢材表面缺陷不仅会影响到产品的外观质量，还可能导致产品在使用过程中出现安全隐患。

对钢材表面缺陷进行准确、高效的检测显得尤为重要。

传统的钢材表面缺陷检测方法主要依赖人工观察和经验判断，这种方法存在一定的局限性，如检测速度慢、精度低、易受人为因素影响等。

为了提高钢材表面缺陷检测的准确性和效率，研究人员开始尝试将计算机视觉技术应用于钢材表面缺陷检测领域，其中一种较为成熟的方法是基于深度学习的目标检测算法。

YOLO(You Only Look Once)是一种实时目标检测算法，由Joseph Redmon和Ali Farhadi于2016年提出。

YOLO在计算机视觉领域取得了显著的成果，其性能远超传统的目标检测算法。

由于YOLO算法本身的设计理念和训练数据集的特点，它在钢材表面缺陷检测领域的应用仍面临一些挑战。

YOLO算法对于小尺寸目标的识别能力较弱，这使得在钢材表面缺陷检测中可能无法准确定位这些微小的缺陷。

YOLO 算法在处理复杂背景时的表现也不如预期，这可能导致误检或漏检的情况发生。

冷轧带钢表面缺陷的二级检测与快速判定方法研究

往往不足以刻画出缺陷的图像特征，以还需对缺陷的所
一
Ｋ一
（－，）ｉｕ４×
）
（）４
冷轧带钢在制造过程中，由于连铸钢坯、制设轧备、工工艺等多方面的原因，表面往往会出现边缘加其
锯齿、缝、杂、头纹、印、化皮、疤、洞、焊夹抬辊氧结孔针眼、皮分层等不同类型的缺陷，们不仅影响产品外表它
观，且还将降低产品的抗腐蚀性、磨性和疲劳强而耐度．因此，究冷轧带钢表面缺陷检测与分类问研
题］对分析缺陷产生机制和消除缺陷具有重要的，
一
级
意义．针对从大量带钢图像中识别出含有缺陷图像的
测）然后只对确定的缺陷图像执行特征提取、陷，缺
分类等任务（级检测）二．这种二级检测模式系统构
成如图１所示．
的概率为（）一Ｎ（）Ｎ．这样各个灰度级下的（）ｉ／
即构成了一阶灰度直方图．
直方图形状可以提供有关图像的许多信息特征．直方图峰较窄时，图像中的灰度反差较低；方图出现双峰直时，明图像中有不同亮度的２种区域；表直方图峰值偏向低亮度，可定性判断出它的平均亮度低．虽然灰度

带钢表面缺陷检测

带钢表面缺陷检测姓名：朱士娟学号：1110121137摘要表面质量的好坏是带钢的一项重要指标，随着科学技术的不断发展，后续加工工业对带钢的表面质量要求越来越高。

如何检测出带钢表面缺陷并加以控制，引起带钢生产企业的高度关注。

随着计算机视觉技术的发展和计算机性能的不断提高，由带钢图像在线检测其表面质量已成为国内外学者研究的热点课题。

在本课题中，首先提出了带钢表面监测系统的总体设计方案，从硬件和软件上保汪系统的实时性和精确度。

其次设计一种获得噪声图像的方法，分析图像的噪声特性。

并在此基础上针对传统中值滤波算法复杂、处理时间长等缺点，提出一种改进的迭代的中值滤波方法，这种方法在有效滤掉噪声的同时尽可能地保存了图像的细节，并比传统的中值滤波方法大大地减少了处理时间。

在对图像进行滤波处理后，本文分别提出了BP神经网络法，区域灰度羞绝对值闽值法和基于背景差分的小区域闽值法三种方法，对带钢表面缺陷进行检测。

本文选取300幅带钢图片进行实验，结果表明这三种方法的漏检率和错判率均在5％以下，且速度至少能达到10毫秒／每帧，满足实时检测系统低漏检率、低错判率和快速检测的要求。

其中BP网络检测方法适应性好，可以通过样本学习适应相应的环境变化，并且不但能检测出已知样本的缺陷，而且对未知缺陷样本的检测效果也很好。

区域灰度差绝对值检测方法算法简单，运算速度最快，能实现5毫秒／每帧的检测速度。

基于背景差分的小区域闽值法除了算法简单，速度快以外，它还能有效地检测出微小的、对比度低的缺陷，并且背景图像的不断更新能使系统适应带钢表面质量的不断变化，使系统能满足不同生产环境的检测需要。

通过本论文的研究和探索，使带钢表面监测系统的实用化更前迸一步，为进一步的带钢表面质量在线控制识别奠定了基础。

关键词带钢，图像处理，滤波，缺陷检测1检测原理设轧制带钢速度为ν，在钢板的上下表面各安置一套检测装置（图1），在平行于钢板表面且垂直于速度方向处放置一个高强度线光源，光源经过聚焦光学系统照亮钢板表面。

基于计算机视觉的钢结构表面锈蚀程度检测方法

基于计算机视觉的钢结构表面锈蚀程度检测方法随着钢结构在现代建筑中的广泛应用，其表面锈蚀程度的检测成为了重要的任务。

传统的人工检测方法耗时且易受主观因素影响，因此，基于计算机视觉的自动化检测方法成为一种有效的选择。

本文将介绍一种基于计算机视觉的钢结构表面锈蚀程度检测方法，以提高检测的准确性和效率。

一、图像获取与预处理首先，需要获取钢结构表面的图像。

可以使用高分辨率相机进行拍摄或者使用机器人携带相机进行自动化采集。

为了提高图像质量，可以采取以下预处理步骤：1. 图像去噪：使用滤波器（如中值滤波器）去除图像中的噪声，以减少后续处理的干扰。

2. 图像增强：通过对比度增强、直方图均衡化等方法，增强图像的细节和对比度，以更清晰准确地显示锈蚀情况。

二、图像分割与特征提取钢结构表面的锈蚀程度通常表现为不同严重程度的斑点或斑块。

因此，首先需要对图像进行分割，将锈蚀区域与其他区域进行区分。

1. 阈值分割：使用合适的阈值将图像分割为二值图像，其中锈蚀区域为前景，其他区域为背景。

可以根据图像的灰度特征和直方图分布来确定合适的阈值。

2. 形态学操作：通过腐蚀和膨胀等形态学操作，可以去除噪声并连接相邻的锈蚀区域，形成更连续的锈蚀区域。

一旦获取到锈蚀区域，就可以进行特征提取。

常用的特征包括：1. 斑点面积：计算锈蚀区域的像素面积，以表示锈蚀的程度。

面积越大，锈蚀越严重。

2. 斑点形状：可以计算锈蚀区域的周长、圆度等形状特征，以进一步描述锈蚀的形态。

3. 斑点颜色：通过分析锈蚀区域的颜色分布，可以获取锈蚀的颜色信息，进一步了解锈蚀类型及程度。

三、分类与评估针对不同的应用需求，可以使用不同的分类算法对提取的特征进行分类，以区分不同程度的锈蚀。

1. 机器学习方法：可以使用支持向量机（SVM）、随机森林（Random Forest）等机器学习算法构建分类模型，通过训练样本进行分类预测。

2. 深度学习方法：利用卷积神经网络（CNN）等深度学习模型，可以对大量数据进行训练，提高锈蚀程度检测的准确性和鲁棒性。

基于深度学习的带钢表面缺陷检测系统的研究与实现

基于深度学习的带钢表面缺陷检测系统的研究与实现基于深度学习的带钢表面缺陷检测系统的研究与实现一、引言带钢是制造钢材产品的重要材料之一，在钢铁生产和加工过程中扮演着重要的角色。

然而，由于制造和运输过程中的因素，带钢表面往往会存在各种各样的缺陷，例如划痕、凹陷、氧化等。

这些缺陷如果无法及时发现和处理，将会严重影响带钢的品质和使用寿命，甚至导致产品质量问题和经济损失。

因此，研究和实现一种基于深度学习的带钢表面缺陷检测系统具有重要的理论和实际意义。

二、深度学习在图像识别领域的应用深度学习是一种人工智能的方法，它通过模拟人脑神经网络的结构和功能来实现图像和数据的自动识别和分析。

在图像识别领域，深度学习已经取得了巨大的成功，例如在物体检测、人脸识别、自动驾驶等领域都有广泛的应用。

三、带钢表面缺陷检测系统的设计与实现基于深度学习的带钢表面缺陷检测系统的设计和实现主要包括以下几个关键步骤：1. 数据采集与预处理：利用高清摄像设备对带钢表面进行拍摄，将获得的图像数据进行去噪、灰度化、尺寸归一化等处理，以提高数据的质量和一致性。

2. 数据标注与训练集构建：人工对带钢图像进行标注，标注出图像中存在的不同缺陷区域，并将标注结果与相应的图像进行关联。

构建包含大量带钢图像和相应标注信息的训练集，作为后续深度学习模型的训练数据。

3. 深度学习模型的选择与训练：根据带钢表面缺陷检测的特点和需求，选择适合的深度学习模型，如卷积神经网络（Convolutional Neural Network，CNN）。

利用训练集对选择的模型进行训练和优化，以提高模型的准确性和泛化能力。

4. 缺陷检测与分类：将训练得到的深度学习模型应用于实际的带钢图像中，通过图像的特征提取和比对，检测出图像中存在的缺陷区域，并根据缺陷的类型进行分类。

通过将缺陷与标注信息进行比对，判断出缺陷的位置和严重程度。

5. 结果评估与优化：对检测结果进行评估和统计分析，计算系统的准确率、召回率、误报率等指标，根据评估结果对系统进行优化和调整，以提高系统的检测性能和效果。

基于机器视觉的钢轨表面缺陷检测算法研究

基于机器视觉的钢轨表面缺陷检测算法研究近年来，随着工业自动化技术的不断进步，机器视觉在工业领域的应用越来越广泛。

钢轨是铁路运输系统中非常重要的组成部分，因此钢轨表面的缺陷检测对保证铁路运输安全具有重要意义。

本文将基于机器视觉技术，研究钢轨表面缺陷检测算法。

钢轨表面缺陷的种类繁多，包括裂纹、疲劳、焊缝问题等。

为了准确地检测这些缺陷，我们需要借助计算机视觉技术，将图像信息转化为数字信号进行分析处理。

下面，我们将介绍一种基于机器视觉的钢轨表面缺陷检测算法的研究。

首先，为了获取钢轨表面的图像信息，我们可以利用数字相机对钢轨进行拍摄。

在拍摄过程中，我们应该注意光照的均匀性，以避免光照不均匀引起的误差。

获取到图像后，我们需要对其进行预处理，包括图像去噪、图像增强等操作，以提高后续算法的性能。

钢轨表面缺陷检测算法的核心在于特征提取。

我们可以利用图像处理的技术，提取钢轨表面图像的各种特征，如颜色、纹理、形状等。

这些特征往往与不同类型的缺陷有着一定的关联性。

例如，裂纹往往呈现出明显的线状形状，而疲劳往往呈现出局部的颜色异常。

基于这些特征，我们可以设计相应的算法来进行缺陷检测。

在特征提取之后，我们需要对提取到的特征进行分类和识别处理。

这一步骤通常采用机器学习的方法，如支持向量机、神经网络等。

通过训练一定数量的带有标签的图像样本，机器学习模型可以学习到不同类型缺陷的特征，从而能够准确地识别出钢轨表面的缺陷。

此外，为了进一步提高算法的性能，我们可以使用深度学习技术，如卷积神经网络（CNN）等，进行特征的自动学习，从而减少人工特征设计的工作量。

对于钢轨表面缺陷检测算法的性能评估，我们可以采用一些常用的指标，如准确率、召回率、精确率等。

另外，针对不同类型的缺陷，我们还可以评估算法的误检率和漏检率，以衡量算法对不同类型缺陷的检测能力。

同时，为了验证算法在实际场景中的应用性能，我们还可以采集一些真实环境下的数据样本进行测试。

然而，在实际应用过程中，还需要考虑算法的实时性和鲁棒性。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

机械设计与制造
１２４
第１期
２０１４年１月
ＭａｃｈｉｎｅｒｙＤｅｓｉｇｎ
＆
Ｍａｎｕｆａｃｔｕｒｅ
带钢表面缺陷在线检测图像噪声滤除算法研究
赵薇
１１００４５）（沈阳职业技术学院信息丁程学院，辽宁沈阳
Ａｂｓｔｒａｃｔ：ｂ￣ｔｈｅｐｒｏｃｅｓｓｏｆｓｔｒｉｐｓｕ￣Ｃａｃｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｂｙｔｈｅｗａｙｆｖｏｉｓｉｏｎｍｅｔｈｏｄ，ｉｍａｇｅｎｏｉｓｅｗｉｌｌｂｅｐｒｏｄｕｃｅｄａｓａｒｅｓｕｌｔ
ｄｆｅｉｒｅｎｔｉｌｓａｆｍｏｉｄ－ｖｌａｕｅａｎｄｍｅａｎｖａｌｕｅｉｎｔｈｅｎｅｉｇｈｂｏｒｈｏｏｄｏｆａｌｌｎｏｉｓｅｐｏｉｎｔｓｉｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｈｒｅｓｈｏｌｄ．ｈｅＴｌａｇｏｒｉｔｈｍ
摘
要：在对带铜表面缺陷进行视觉检测的过程中，光照条件、金属碎末飞溅等外界干扰会产生图像噪声，这种噪声会直
接影响到后续的带铜缺陷检测。因而对图像进行预处理十分必要。提出了一种针对带钢图像表面噪声预处理的算法，该算法通过分析带铜表面噪声分布的特点，对其进行标识，进而提出了改进的标准中值算法，对所有噪声点邻域内实现对噪声的有效滤除。通过大量的实验证明该算法有效可行，在算法的复杂度上有较大的降低，在噪声滤除效果上有明显的改善。
关键词：带钢；检测；表面缺陷；图像质量；改进中值滤波；噪声滤除中图分类号：ＴＨ１６文献标识码：Ａ文章编号：１００１ — ３９９７（２０１４）０ｌ一０１２４ — ０４
ＲｅｓｅａｒｃｈｏｆＩｍａｇｅＮｏｉｓｅＦｉｌｔｅｒｉｎｇＡｌｇｏｒｉｔｈｍＯｎｌｉｎｅＳｔｒｉｐＳｕｒｆａｃｅＤｅｆｅｃｔＩｎｓｐｅｃｔｉｏｎＳｙｓｔｅｍ
ｉｍｇｅａｐｒｅｐｒｏｃｅｓｓｉｎｇｉｓｖｅｒｙｉｍｐｏｒｔａｎｔ．Ｉｍｐｒｏｖｉｎｇｓｔａｎｄａｒｄｍｅｄｉａｎｉｌｆｔｅｒｉｎｇｍｅｔｈｏｄ，ａｎｅｗｐｒｅｐｒｏｃｅｓｓｉｎｇｌａｇｏｒｉｔｈｍｕｓｅｄｉｎｓｔｒｉｐｓｕ￣ｃｅａｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｓｉｐｒｏｐｏｓｅｄ．Ｉｎｔｈｉｓｌａｇｏｒｉｔｈｍ，ｔｈｅｎｏｉｓｅｄｉｓｔｒｉｂｕｔｉｏｎｃｈｒａａｃｔｅｒｉｓｔｉｃｓｉｓｓｔｕｄｉｅｄｉｒｆｓｔｌｙ，ｔｈｅｎｔｈｅ
ＫｅｙＷｏｒｄｓ：Ｓｔｒｉｐ；Ｄｅｔｅｃｔｉｏｎ；ＳｕｒｆａｃｅＤｅｆｅｃｔ；ＩｍａｇｅＱｕａｌｉｔｙ；ＩｍｐｒｏｖｅｄＭｅｄｉａｎＦｉｌｔｅｒｉｎｇ；ＮｏｉｓｅＦｉｌｔｅｒｉｎｇ
ｆｍｏｅｔａｌｆ￣ｇｍａｅｎｔｓ，ｌｉｇｈｔｃｏｎｄｉｔｉｏｎａｎｄＳＯｏｎ。ｗｈｉｃｈｗｉｌｌｄｉｒｅｃｔｌｙＣｙ￣ｃｔｔｈｅｓｕｂｓｅｑｕｅｎｔｉｍａｇｅｍｅｏ￣ｕｒｅｍｅｎｔａｃｃｕｒａｃｙ．Ｔｈｕｓ，ｔｈｅ
ＺＨＡ０Ｗｅｉ
（ＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇＩｎｓｔｉｔｕｔｅ，ＳｈｅｎｙａｎｇＰｏｌｙｔｅｃｈｎｉｃＣｏｌｌｅｇｅ，ＬｉａｏｎｉｎｇＳｈｅｎｙａｎｇ１１００４５，Ｃｈｉｎａ）
ｉｓｐｒｏｖｅｄｅｆｅｃｔｉｖｅａｎｄｆｅａｓｉｂｌｅｂｙａｌｒａｇｅｎｕｍｂｅｒｆｅｏｘｐｅｒｉｍｅｎｔｓ，ｍｅｎｗａｈｉｌｅ，ｃｏｍｐｌｅｘｉｔｙｏｆｔｈｅｌａｇｏｒｉｔｈｍｒｅｄｕｃｅｄｇｒｅａｔｌｙｎｄａｎｏｓｉｅｉｌｆｔｅｒｉｎｇｅｆｆｅｃｔｉｍｐｒｏｖｅｄｓｉｇｎｉｉｃｆａｎ＠．