基于预分类的模糊聚类钢板表面缺陷检测方法
【技术领域】
[0001] 本发明涉及数字图像处理及模式识别技术领域，具体涉及一种基于预分类的模糊 聚类钢板表面缺陷检测方法。
【背景技术】
[0002] 钢板已成为众多工业不可缺少的原材料，准确、高效的进行钢板质量检测，合理控 制钢板质量，可以提高生产率，降低人工劳动强度，对提高钢板缺陷检测的智能化水平有着 重要的意义。随着数字图像处理及模式识别技术的快速发展，数字图像处理及模式识别技 术已被应用于缺陷检测。
[0003] 申请号为201310210470. 6的中国发明专利申请公开了一种基于邻域信息评估的 热轧钢板表面缺陷图像识别方法。通过目标检测、缺陷区域分割、基于领域信息评估的局部 二值模式提取特征、支持向量机分类得到钢板缺陷检测结果，采用局部二值模式的特征提 取方法使同类缺陷的特征集中而不同类型缺陷特征区分度提高，采用邻域信息评估窗口方 法有效抵抗特征受到的噪声干扰影响，但其只处理了图像灰度特征，针对钢板缺陷实时检 测的特殊环境，有因光照强度、光照角度等原因引起的反光、亮度偏低等问题，模式不能准 确的定位缺陷，在没有其它特征的辅助下，特征识别存在误判，且单纯的采用支持向量机分 类器的分类准确度不高。申请号为201310009805. 8的中国专利申请公开了一种模拟人类 视觉感知机理的铜带表面缺陷辨识装置及方法。通过图像信息采集、二次曲面拟合图像增 强、LOG算子边缘检测、模式分类系统对铜板表面缺陷进行检测。二次曲面拟合的方法校正 了光照不均的问题，LOG算子边缘检测提高了缺陷区域分割的准确度，提取灰度值特征、几 何特征以及矩特征，增加了图像信息。但在线实时钢板缺陷图像光照不均的种类分为反光 区域、多目标缺陷区域和灰度偏暗区域等，二次曲面拟合的方法只对灰度分布不均匀图像 的矫正较为明显，当图像灰度值较接近时，该方法的增强效果不明显，且未优化的模式分类 系统分类准确度不高。申请号为201210065030. 1的中国专利申请公开了一种基于多特征 模糊识别的铜带表面缺陷检测系统。通过目标检测、Canny算法图像分割、提取特征向量输 入多特征模糊识别分类器的方法实现铜带表面缺陷检测。Canny算法可检测出合理的边缘 数据，服务于铜带表面缺陷图像特征选择和提取，但多特征是对形状特征中的长宽比、矩形 度、圆形度和不变矩的区分，在带钢缺陷形状特征区分度不大的情况下，分类准确度不高。 故有必要开发一种基于预分类的模糊聚类钢板表面缺陷检测方法，在缺陷图像预处理之前 分析图像灰度直方图，确定不同类型图像的处理阈值区间，实现图像预分类，解决多种光照 不均的问题；钢板表面缺陷复杂、多样，不同类别之间不一定存在分明的界限，模糊聚类方 法通过隶属度来分配数据所属的类，能够获取最大区分度，因此采用模糊聚类方法计算不 同缺陷类型特征向量之间的聚类中心，可以避免特征相似而类别不同的缺陷的错误划分， 从而提高钢板缺陷检测的准确度。
【发明内容】
[0004] 有鉴于此，本发明提供一种基于预分类的模糊聚类钢板表面缺陷检测方法，可在 钢板表面缺陷检测时，克服现有钢板表面缺陷检测出现误判和漏判的不足，有效提高钢板 缺陷检测的准确度和快速性。
[0005] 本发明通过以下技术手段解决上述技术问题：
[0006] 基于预分类的模糊聚类钢板表面缺陷检测方法，包括如下步骤：
[0007] Sl:获取钢板表面缺陷图像；
[0008] S2 :对步骤Sl获取的缺陷图像进行预分类，生成不同的图像处理阈值区间；
[0009]S3 :对步骤S2获取的不同类别的图像进行相应的图像预处理，最终将缺陷以白色 尚壳状态显不；
[0010]S4:提取钢板缺陷图像的几何特征、灰度特征、投影特征和纹理特征，优化特征向 量，采用模糊聚类方法计算各类样本的聚类中心，将各类样本聚类中心的距离作为支持向 量机分类器每级分类划分的度量；
[0011] S5 :分类判定，得到缺陷检测结果。用type表示分类结果，其中type= 0, 1，2, 3, 4, 5,如果type= 1，则表明该缺陷类型为结症；如果type= 2,则表明该缺陷类型 为纵向裂纹；如果type= 3,则表明该缺陷类型为横向裂纹；如果type= 4,则表明缺陷类 型为麻点；如果type= 5,则表明缺陷类型为网纹；如果type= 0,则表明数据库没有此类 缺陷，则将新的缺陷类型存入数据库并附缺陷数据类型编号，最终输出检测结果。
[0012] 进一步，所述步骤Sl中，以钢板生产线实时拍摄的图像作为钢板表面缺陷检测的 源图像。
[0013] 进一步，所述步骤S2中，在灰度图像的前提下，通过阈值分割法确定图像处理的 阈值区间，完成图像预分类。
[0014] 进一步，所述步骤S2具体包括如下步骤：
[0015] S21 :对步骤Sl获取的缺陷图像进行灰值化；
[0016] S22:对灰值化后的缺陷图像进行直方图绘制，计算灰度直方图的均值、峰值和方 差；
[0017] S23 :对步骤S22提取的灰度特征统计分析，结合灰度直方图判断缺陷图像均值、 方差分布范围，并计算两者的差值dif，将差值统计归类，选取最优阈值T=Ix1,x2}，其中 X1,X2为阈值分割点，完成图像预分类；
[0018] S24 :结合线性插值、非线性插值和梯度锐化对步骤S23的预分类结果进行图像预 处理，在基本的图像处理操作下，最终使缺陷目标以白色高亮状态显示
[0019] 进一步，所述步骤S3具体包括如下步骤：
[0020] S31 :当dif< &时，图像灰度偏暗，在缺陷目标确定前要对图像做梯度锐化处理； 当Xl<dif< 12时，图像目标区域偏大，在缺陷目标确定前要对图像做线性插值处理；当 dif> &时，图像反光，在缺陷目标确定前要对图像做非线性插值处理；
[0021] S32 :缺陷图像经过步骤S31的预处理后，对图像做基本图像处理操作，最终将灰 度直方图以单峰、灰度有效值在170-255区间内的形式显示；
[0022] S33 :结合交互式阈值分割法选取图像二值化的最优阈值y，优化二值化图像，得 到目标缺陷图像；
[0023] S34 :计算步骤S33的目标缺陷图像的几何特征；将目标缺陷图像做水平X轴和垂 直y轴方向上的投影直方图，获取投影特征；以灰度图像为背景，提取灰度直方图下的灰度 特征和灰度共生矩阵下的纹理特征。
[0024] 进一步，所述步骤S4具体包括如下步骤：
[0025]S41:几何特征：边界周长、缺陷面积、圆形度、矩形度、缺陷紧凑性、区域占空比、 矩特征、离心率、椭圆偏心率等；投影特征：波形特征、脉冲特征、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：灰度对比度、灰度均 值、灰度歪度、灰度峭度、灰度能量、灰度熵值等；纹理特征：灰度共生矩阵能量、灰度共生 矩阵对比度、灰度共生矩阵相关值、灰度共生矩阵熵值等；
[0026]S42:对步骤S41提取的特征向量进行降维处理，求取能够充分描述缺陷信息且缺 陷信息不重复的特征向量；
[0027]S43:将步骤S42确定的特征参数存入特征数据库；
[0028]S44:某一类样本聚类中心的选取：计算任意两个样本的欧式距离，取最小距离对 应的两个样本的均值作为第一个聚类中心；选定样本间最小距离阈值a，计算与第一个聚 类中心中的两个样本的欧式距离都大于a的样本，并选择这些样本中的欧氏距离最短的 两个样本的均值定为第二个聚类中心；以此类推，直到找到除孤立点之外的所有样本的聚 类中心；将所有聚类中心的均值作为该类缺陷的最终聚类中心；
[0029]S45:重复步骤S44,确定已知缺陷种类各类样本的聚类中心Vi(i=i，2,…，c);
[0030]S46 :分别计算两两聚类中心的距离％ ，其中i,j= 1，2,…，c;i乒j;r =c-1。每个聚类中心都有c-1个与其他聚类中心的距离值，