本發明涉及工業機器視覺技術領域，特別涉及一種基于線掃描相機的冷軋帶鋼表面缺陷圖像快速辨識方法。
背景技術：
隨著機器視覺技術的發展及工業流水線速度、精度的提高，線掃描成像系統越來越多地被工業檢測系統開發工程師所重視。由于線掃描相機具有分辨率高，響應速度快的特點，可以實現高精度，高速度測量，所以利用線掃描相機進行帶鋼的表面質量檢測也得到了廣泛應用。隨著汽車、家電等產品制造商對鋼板表面質量要求的提高，在運行效率、設備能力、經濟條件多重考慮下，采用多臺線掃描相機同步圖像采集的方式已經被廣泛認可。
對于帶鋼表面質量在線檢測系統，最重要的環節就是把帶鋼中的缺陷圖像從海量的在線視頻圖像中辨識出來，然后再進行分類等其它操作。缺陷辨識的方法很多，如二值化法，閾值分割法、邊緣提取法、小波變換法等等，對于二值化法、簡單的閾值分割法，算法簡單，處理速度較快，但只適用于帶鋼圖像與缺陷圖像差別明顯且全局差異波動較小的情況，對于有底紋或光照波動的情況則效果不理想。對于自適應閾值分割、邊緣檢測及小波變換等方法，能夠更好的適應帶鋼底紋與缺陷圖像的差異波動，但往往獲得較好的應用效果需要建立在算法復雜的基礎上，不適合冷軋高速生產環境。
技術實現要素：
針對上述缺陷，本發明所要解決的技術問題本發明提供了一種基于線掃描相機成像的冷軋鋼板表面缺陷圖像快速辨識方法，以達到從在線實時采集的海量冷軋帶鋼表面圖像中快速辨識出存在鋼板缺陷的圖像，并將其分割出來。
為達到上述目的，本發明采用了如下的技術方案：
一種基于線掃描相機的帶鋼表面缺陷圖像快速辨識方法，其方法步驟如下：
(1)獲取帶鋼實時圖像數據；
(2)對待分析圖像進行分塊處理；
(3)確定分析基板灰度邊界；
(4)提取分析基板圖像；
(5)確定奇異目標邊界；
(6)提取奇異點圖像；
(7)計算奇異密度；
(8)確定缺陷像素點；
(9)分割缺陷圖像；
所述的步驟(1)獲取帶鋼實時圖像數據；采用單臺線掃描相機直接采集的圖像，或者多臺線掃描相機采集的圖像經拼接后的圖像，或是經過圖像預處理后的帶鋼圖像均可；
所述的步驟(2)對待分析圖像進行分塊處理，是將整幅圖像進行分塊，橫向分塊步長為整幅圖像橫向尺寸的N分之一，N根據需要選取；縱向分塊步長為圖像高度；如果待分析圖像為拼接圖像，則分塊時不可跨拼接線分塊(即某一塊的分界線設定為拼接線位置)；分塊后，對分割出的每一塊圖像(區域圖像)進行步驟(3)-(6)的操作；
所述的步驟(3)確定分析基板灰度邊界方法如下：
(a)計算區域內灰度平均值WAVGK(y)及灰度標準差WSDVK(y)，其中k為塊序號。
(b)如果WAVGK(y)>原圖灰度有效值上限MaxOG或WAVGK(y)<原圖灰度有效值下限MixOG，則視為無效塊，繼續分析其它塊，當WAVGK(y)為其他值時繼續向后執行；MaxOG、MixOG為設定值，根據現場實際情況而定；
(c)確定基板灰度上邊界BGUB和下界BGDB；
BGUB＝min(254,WAVGK(y)+2*WSDVK(y))
BGDB＝WAVGK(y)-2*WSDVK(y)
所述的步驟(4)提取分析基板圖像，即是提取包含正常帶鋼面和缺陷邊緣信息的圖像，方法是將大于BGDB及小于BGUB的區域內圖像點確定為分析基板圖像；
所述的步驟(5)確定奇異目標邊界方法如下：
(a)計算分析基板內灰度平均值BAVGK(y)及灰度標準差BSDVK(y)，其中k為塊序號；
(b)如果BAVGK(y)+3*BSDVK(y)＞255或BAVGK(y)-3*BSDVK(y)<0，則視為無效塊，繼續分析其它塊，當BAVGK(y)+3*BSDVK(y)為其他值時繼續向后執行；
(c)確定高亮奇異目標邊界HLB和低亮奇異目標邊界LLB；
HLB＝min(254,BAVGK(y)+4*BSDVK(y))
LLB＝Max(20,BAVGK(y)-4*BSDVK(y))
所述的步驟(6)提取奇異點圖像，即是提取標示圖像上奇異點的圖像；本方法設定在區域圖像上對于大于HLB或小于LLB的圖像點確定為奇異點；在奇異點圖像上，奇異點處的圖像點灰度設定為255，非奇異點處的圖像點灰度設定為0；
循環執行步驟(3)-(6)的操作，直至處理完所有的區域圖像，合成整幅奇異點圖像，繼續向后執行；
所述的步驟(7)計算奇異密度，方法如下：
(a)對整幅奇異點圖像進行高斯均值處理。
(b)處理后的每個像素點的灰度為該點的奇異密度；
所述的步驟(8)確定缺陷像素點，是將奇異點圖像上奇異密度大于奇異閾值CStep的點所對應步驟(1)采集圖像上的像素點確定為缺陷像素點；
所述的步驟(9)分割缺陷圖像，是將包含缺陷像素點的連通圖像在原圖中分割出來。
綜上所述，本發明的特點是：1、適用于工業生產運行環境，工作可靠，算法簡單，易于實現；2、針對線掃描相機設計，處理效果好，運行速度快；3、該方法適用于計算機及單片機等各種計算設備；4、該方法不受帶鋼表面紋理、色差、光照不均等情況的影響。
附圖說明
圖1為缺陷圖像辨識方法流程圖。
具體實施方式
下面結合實施例對本發明作詳細的說明。
本方法的具體實施方式如圖1所示，包括以下幾個步驟：
步驟(1)是獲取帶鋼實時圖像數據。
獲取的圖像數據可以是單臺線掃描相機直接采集的圖像，也可以是多臺線掃描相機采集的圖像經拼接后的圖像，或是經過圖像預處理后的帶鋼圖像。同時采集到的圖像要經過減邊處理，即獲取的圖像均為帶鋼板面圖像，沒有邊部以外的非帶鋼圖像。采集圖像數據時的系統照明應使正常板面圖像灰度范圍在48到208之間。
步驟(2)是對待分析圖像進行分塊處理。
是將整幅圖像進行分塊，橫向分塊步長為整幅圖像橫向尺寸的N分之一，N根據需要選取。需配置時可取每塊橫向256個像素。縱向分塊步長為圖像高度。如果待分析圖像為拼接圖像，則分塊時不可跨拼接線分塊(即某一塊的分界線設定為拼接線位置)。分塊后，對分割出的每一塊圖像(區域圖像)進行步驟(3)-(6)的操作。
步驟(3)是確定分析基板灰度邊界，方法如下：
(a)計算區域內灰度平均值WAVGK(y)及灰度標準差WSDVK(y)，其中k為塊序號。
(b)如果WAVGK(y)>原圖灰度有效值上限MaxOG或WAVGK(y)<原圖灰度有效值下限MixOG，則視為無效塊，繼續分析其它塊，當WAVGK(y)為其他值時繼續向后執行。MaxOG、MixOG為設定值，根據現場實際情況而定。
(c)確定基板灰度上邊界BGUB和下界BGDB。
BGUB＝min(254,WAVGK(y)+2*WSDVK(y))
BGDB＝WAVGK(y)-2*WSDVK(y)
步驟(4)是提取分析基板圖像。
即是提取包含正常帶鋼面和缺陷邊緣信息的圖像，方法是將大于BGDB及小于BGUB的區域內圖像點確定為分析基板圖像。
步驟(5)是確定奇異目標邊界，方法如下：
(a)計算分析基板內灰度平均值BAVGK(y)及灰度標準差BSDVK(y)，其中k為塊序號。
(b)如果BAVGK(y)+3*BSDVK(y)＞255或BAVGK(y)-3*BSDVK(y)<0，則視為無效塊，繼續分析其它塊，當BAVGK(y)+3*BSDVK(y)為其他值時繼續向后執行。
(c)確定高亮奇異目標邊界HLB和低亮奇異目標邊界LLB。
HLB＝min(254,BAVGK(y)+4*BSDVK(y))
LLB＝Max(20,BAVGK(y)-4*BSDVK(y))
步驟(6)是提取奇異點圖像
即是提取標示圖像上奇異點的圖像。本方法設定在區域圖像上對于大于HLB或小于LLB的圖像點確定為奇異點。在奇異點圖像上，奇異點處的圖像點灰度設定為255，非奇異點處的圖像點灰度設定為0。
循環執行步驟(3)—(6)的操作，直至處理完所有的區域圖像，合成整幅奇異點圖像，繼續向后執行。
步驟(7)是計算奇異密度，方法如下：
(a)對整幅奇異點圖像進行3x3或5x5的高斯均值處理。
(b)處理后的每個像素點的灰度為該點的奇異密度；
步驟(8)是確定缺陷像素點。
是將奇異點圖像上奇異密度大于奇異閾值CStep的點所對應步驟(1)采集圖像上的像素點確定為缺陷像素點。鍍鋅帶鋼條件下需配置時奇異閾值可取50。
步驟(9)是分割缺陷圖像。
是將包含缺陷像素點的連通圖像在原圖中分割出來。連通方法可使用缺陷像素點膨脹連通、外接矩連通等方法。分割方法可以使用邊緣分割或外接矩直接分割。