PDF下载
一种枝晶检测图像快速预处理方法

马宁1 杨撷光2

1内蒙古科技大学包头医学院计算机科学与技术学院,内蒙古包头市,014040,2包头市三合信息技术有限公司,内蒙古包头市,014010

摘要: 枝晶检测是一种先进的低倍检测技术,该技术在检测产品表面喷洒腐蚀剂形成腐蚀面,进而对腐蚀面凝固组织和缺陷进行分析和判定。通过对采集到枝晶检测图像进行预处理,调整图片灰度、亮度和对比度,去除图像噪声,进而设计一种基于滑动窗口的缺陷感兴趣区域快速定位和分割方法,为后期图像数据的分析、评判和深度学习训练提供有力支撑。
关键词: 枝晶检测;预处理;图片切割;滑动窗口
DOI:10.12721/ccn.2023.160426
基金资助:内蒙古自治区高等学校科学研究项目(NJZY21053)
文章地址:

1存在的问题

枝晶检测技术是近年兴起一种新型检测技术,特别是在凝固组织和缺陷呈现方面有着明显的优势[1],是提升钢材质量的有效手段。该检测方法使用特制腐蚀剂喷洒在检测产品表面,会自动呈现缺陷和组织结构,由于直观去观察腐蚀表面细节特征不容易获取,往往需要将腐蚀表面图像进行扫描采集再做进一步的分析,但目前采集到的图像由于受检测设备、检验现场环境、检测产品等因素影响在分析和进一步处理时存在如下问题[2]:

受环境光线影响,采集到图像的亮度普遍偏低,对比度不够强;

采集现场灰尘较大,采集到图像上会包含杂物和噪点;

一些检测产品体积较大,无法一次完成图像扫描过程,而拼接的图像分辨率过大,不利于后期计算机的处理过程。

2 预处理过程

(1)灰度化处理

由于对枝晶检测表面缺陷的判别不需要通过颜色进行判定,因此可以对扫描得到的图像进行灰度化处理,这样也可以有效降低数据存储量。

(2)矫正亮度和对比度

给定公式,其中g(x)代表矫正后像素点灰度值,f(x)代表校正前像素点灰度值,参数α>0和β通常称为增益和偏差参数(the gain and bias parameters),这些参数分别控制对比度和亮度。在上述基础上,通过在输入值和映射的输出值之间使用伽马变化调整图像的亮度,可有效减少光照对图像的影响(包括光照不均和局部阴影),使过曝或者欠曝的图像恢复正常,更接近人眼看到的图像。伽马变化是一种非线性变换,其对应函数如下:

30.png(3)去除噪点

使用中值滤波的方法进行祛噪[3],该方法通过对模板区域(这里选定3*3区域)的所有像素点,用灰度值大小位于这9个点最中间的像素点的灰度值去替换其他8个像素点。该方法可有效祛除枝晶图像中的噪点,同时也可完好的保存缺陷图像本身的特征,特别是一些细小的缺陷特征。

3快速缺陷区域定位方法

由于枝晶腐蚀图像中,大部分缺陷体积很小,且稀疏的分布在图像当中,如果采用基于深度学习的方式进行数据的训练,大部分不存在缺陷的区域是没有意义的,且会对计算机运算内存造成巨大的负担,因此通过对存在缺陷区域进行预提取,然后在进行分析和识别,可以有效提升检测的效率,这里给出一种基于滑动窗口的快速缺陷区域定位方法:

首先根据扫描采集到图像是规则长方形的特点,定义一个长宽尺寸固定大小的正方形窗口(这里给定640*640,也可以自定义大小或设计为长方形),从图像的左上角开始逐行逐列的让该窗口进行滑动,以获取对应窗口内图像,这里采用窗口重叠的方式,以获取更多的图像数据,即将大小为M*N的图像划分为W个窗口,W=a*b,其中a=SUP(M/640),b=SUP(N/640),如图1蓝色框所示。

31.png图1 滑动窗口图像区域

然后对获取到的窗口内图像进行灰度特征的计算,根据枝晶图像缺陷呈现的特点,主要体现在灰度值以及周边像素点灰度值分布规律,计算窗口中每一个像素点的梯度,将梯度方向划分为36个角度,统计每个角度范围内梯度分布的直方图,从图1统计图可以看出存在缺陷图像的深度梯度直方图相比于没有缺陷图像的深度梯度直方图,在像素灰度值分布上有明显的区别。这里基于无缺陷标准图像区域的深度梯度直方图设定梯度分布阈值向量k[5-7],如果大于k值则判定该区域内存在缺陷,最后将该图像区域进行切割。

4 总结

本文探讨了针对枝晶检测图像预处理的相关方法,首先调整了图像的灰度、亮度、对比度等参数并祛除噪点,然后使用直方图投影的方法快速定位缺陷可能存在的区域,进行切割。虽然这种快速定位缺陷区域的方法准确性还不够高,但可为后续基于深度学习的方法实现缺陷的自动定位和识别提供有力的数据支撑。

参考文献

[1] 许庆太,王文仲,朴志民,李云. 枝晶检验方法在连铸生产中的应用[J]. 鞍钢技术. 2017,(05): 28-34.

[2]石弦韦. 工件表面缺陷图像自适应识别研究及应用[D]. 湘潭大学. 2018.

[3]杨雷,唐瑞尹,王兴朝. 中值滤波在噪声图像匹配中的应用[J]. 现代计算机. 2021,(17):135-139.

[4]杨传礼,张修庆.基于机器视觉和深度学习的材料缺陷检测应用综述.材料导报[J]. https://kns.cnki.net/kcms/detail/50.1078.TB.20210728.1056.009.html.

[5]闵永智,殷超,党建武,等.基于图像色相值突变特征的钢轨区域快速识别方法[J].交通运输工程学报,2016,16(1):46-54.

[6]夏青,张宝峰,韩芳芳,等.宽幅面产品表面缺陷检测的幅面分割及缺陷提取研究[J]. 仪表技术与传感器,2016(2):56-59.

[7]段峰峰,王永滨,杨丽芳,等.基于主成分分析方向深度梯度直方图的立体视觉深度图特征提取[J].计算机应用,2016,36(1):222-226.