小波分解在带钢缺陷检测中的应用

doi:10.3969/j.issn.1006-2475.2014.07.033

计算机与现代化 ›› 2014, Vol. 0 ›› Issue (7): 146-149.doi: 10.3969/j.issn.1006-2475.2014.07.033

小波分解在带钢缺陷检测中的应用

（西安工程大学机电工程学院，陕西西安 710048）

收稿日期:2014-05-19 出版日期:2014-07-16 发布日期:2014-07-17
作者简介:徐帅华(1990-)，男，河南周口人，西安工程大学机电工程学院硕士研究生，研究方向：图像处理与模式识别; 管声启(1971-)，男，安徽安庆人，副教授，博士，研究方向：图像处理，智能信号检测与模式识别。
基金资助:
陕西省教育厅科研计划项目(2013JK1083); 西安工程大学博士科研启动基金资助项目(BS1005)

Application of Wavelet Decomposition in Steel Strip Defect Detection

(College of Mechanical & Electrical Engineering, Xi’an Polytechnic University, Xi’an 710048, China)

Received:2014-05-19 Online:2014-07-16 Published:2014-07-17

摘要/Abstract

摘要： 光照不均会降低带钢图像的质量，在研究带钢缺陷特点的基础上，提出一种新的带钢缺陷检测方法。首先，对图像取对数处理并进行小波分解，其次分别对小波分解的子图进行同态滤波，然后对滤波后的子图进行中央周边差操作形成差分子图，在此基础上，对差分子图进行融合处理并取指数处理得到高对比度的缺陷图像，最后采用Otsu分割方法对缺陷图像分割。实验结果表明，该方法能增强缺陷图像对比度，图像细节部分清晰，同时可抑制噪声的影响，能够有效地实现缺陷图像的分割。

关键词: 小波分解, 图像分割, 缺陷检测

Abstract: The influence of illumination reduces the quality of strip image, a new kind of steel strip detection method is put forward through analysis of strip defect characteristics. First of all, the logarithm of strip image gray value is decomposed into a series of sub-graph through the wavelet transform. Secondly, every sub-graph of wavelet decomposition is treated by homomorphism, and then the center-surround difference operation is used to construct difference sub-map. On this basis, difference sub-maps are selected for image fusion and exponential operation is used to get the high contrast defect image. Finally, steel strip defect is detected through the segmentation method of maximum between-cluster variance. The result of experiments shows that this method can enhance the defect image contrast with clear image details, inhibit the effect of noise, and effectively realize the rapid detection of strip defect image.

Key words: wavelet decomposition, image segmentation, defect detection

中图分类号:

TP391.41

徐帅华，管声启，陈龙龙，李婷 . 小波分解在带钢缺陷检测中的应用[J]. 计算机与现代化, 2014, 0(7): 146-149.

XU Shuai-hua, GUAN Sheng-qi, CHEN Long-long, LI Ting. Application of Wavelet Decomposition in Steel Strip Defect Detection[J]. Computer and Modernization, 2014, 0(7): 146-149.

参考文献

[1] 王宏,朱德生,唐威. 一种基于灰度投影的带钢表面缺陷检测算法[J]. 东北大学学报(自然科学版), 2008,29(3):375-377.

[2] Qin Xian-sheng, He Feng, Liu Qiong, et al. Online defect inspection algorithm of bamboo strip based on computer vision[C]// Proceedings of the 2009 IEEE International Conference on Industrial Technology. 2009.

[3] 丛家慧,颜云辉. 视觉注意机制在带钢表面缺陷检测中的应用[J]. 中国机械工程, 2011,22(10):1189-1192.

[4] 管声启,石秀华. 基于频域滤波的织物疵点检测[J]. 计算机应用, 2008,28(10):2673-2675.

[5] 梁琳,何卫平,雷蕾,等. 光照不均图像增强方法综述[J]. 计算机应用研究, 2010,27(5):1625-1628.

[6] 王冬梅,路敬祎,王秀芳. 基于Matlab的同态滤波算法的研究[J]. 科学技术与工程, 2010,10(26):6562-6564.

[7] Wei Yulan, Li Bing, Zhang Dan, et al. The strip steel surface defects detection adaptive preprocessing method based on double field[J]. Advanced Materials Research, 2012,549:576-579.

[8] Bulnes F G, Usamentiaga R, Garcia D F, et al. Periodic defects in steel strips: Detection through a vision-based technique[J]. IEEE Industry Applications Magazine, 2013,19(2):39-46.

[9] 孙忠贵. 数字图像光照不均匀校正及Matlab实现[J]. 微计算机信息, 2008,24(12):313-314.

[10] 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, 2013,25(4):59-62.

[11] 管声启,屈云仙,高照元. 小波域同态滤波的刀具磨损检测[J]. 机械科学与技术, 2013,32(11):1703-1707.

[12] 谭绍华. 基于机器视觉的带钢表面缺陷检测系统研究[D]. 武汉:华中科技大学, 2012.

[13] 林选伟. 基于视觉注意机制的钢板表面缺陷区域检测[D]. 武汉:武汉科技大学, 2013.

[14] Liu Shangwang, He Dongjian, Liang Xinhong. An improved hybrid model for automatic salient region detection[J]. IEEE Signal Processing Letters, 2012,19(4):207-210.

[15] 陈莉. 基于小波变换的图像增强算法[J]. 陕西理工学院学报(自然科学版), 2014,30(1):32-37.

[16] 熊杰,周明全,耿国华,等. 使用同态分解和小波变换增强真彩图像[J]. 计算机工程与应用, 2010,46(4):22-25.

[17] 熊杰. 基于频率域、小波变换和神经网络的真彩图像增强算法研究[D]. 西安:西北大学, 2010.

小波分解在带钢缺陷检测中的应用

Application of Wavelet Decomposition in Steel Strip Defect Detection

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	万鸿炜, 陈平华. 基于Involution算子和协调反向注意力的息肉图像分割[J]. 计算机与现代化, 2024, 0(11): 84-90.
[2]	赵文博1, 向东1, 王玖斌2, 邓岳辉3, 张伟1, 康倩1, 李玉洁1. 基于改进黏菌算法与Tsallis熵的电力设备红外图像分割[J]. 计算机与现代化, 2024, 0(06): 70-75.
[3]	朱纷, 何立风, 孙爽, 张梦颖, 于佳佳. 基于形变残差和级联编码的胰腺分割模型[J]. 计算机与现代化, 2024, 0(06): 83-88.
[4]	张子旭, 李嘉莹, 栾鹏鹏, 彭圆圆. 基于注意力机制的U-Net眼底图像分割算法[J]. 计算机与现代化, 2024, 0(05): 110-114.
[5]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[6]	张嘉琪, 徐啟蕾. 基于NAM-YOLO网络的苹果缺陷检测算法[J]. 计算机与现代化, 2023, 0(10): 53-58.
[7]	王娟, 李传庚, 张卿源, 夏承遗. 基于Multiscale-Net的膝关节半月板分割方法[J]. 计算机与现代化, 2023, 0(05): 111-116.
[8]	刘辉, 邹锋, 陈得宝, 籍旭颖, 张妍. 基于改进MOJAYA/D算法的图像分割[J]. 计算机与现代化, 2023, 0(04): 62-72.
[9]	王淑平, 李敏, 杜敏, 罗建伟. 基于改进探路者算法的多阈值图像分割[J]. 计算机与现代化, 2022, 0(01): 61-69.
[10]	雍玉洁, 顾华. 基于空间聚类和边缘梯度的图像分割算法[J]. 计算机与现代化, 2021, 0(02): 13-17.
[11]	姚传文, 黄道斌, 叶明全, . 基于粗糙集自适应粒度的MR脑肿瘤图像分割[J]. 计算机与现代化, 2021, 0(01): 34-37.
[12]	席孝倩, 刘威. 基于目标检测算法的肺结节辅助诊断系统[J]. 计算机与现代化, 2020, 0(11): 1-7.
[13]	刘晓康, 万曦, 涂文超, 周清楷, 田正稳. 基于红外可见光图像配准的电力设备分割算法[J]. 计算机与现代化, 2020, 0(08): 26-30.
[14]	曹帅帅，陈雪鑫，苗圃，卜庆凯. 基于PSO与K-均值聚类算法优化结合的图像分割方法[J]. 计算机与现代化, 2020, 0(01): 22-.
[15]	李熙莹1,2,3，朱肯钢1,2,3. 结合天空分割和局部透射率优化交通图像去雾算法[J]. 计算机与现代化, 2019, 0(05): 51-.