(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211169519.3 (22)申请日 2022.09.26 (71)申请人 江苏万森绿 建装配式建 筑有限公司 地址 226000 江苏省南 通市如东县 长沙镇 港欣路1号 (72)发明人 王芳芳　 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/00(2017.01) G06T 5/20(2006.01) G06T 5/00(2006.01) G06T 7/13(2017.01) G06T 7/45(2017.01) G06T 7/90(2017.01) G06V 10/762(2022.01) (54)发明名称 一种基于机器视觉的热连轧带钢图像分割 方法 (57)摘要 本发明涉及图像处理技术领域， 具体涉及一 种基于机器视觉的热连轧带钢图像 分割方法， 该 方法获取热连轧带钢的灰度图像以及每个像素 点的梯度幅值， 并检测出边缘像素点； 选取预设 数量的边缘像素点作为聚类中心， 获取每个像素 点与聚类中心的差异度； 以每个像素点作为中心 点构建窗口， 根据像素点和聚类中心的窗口特征 获取像素点的窗口包围度； 以差异度和窗口包围 度的比值作为像素点与聚类中心的差异距离， 基 于差异距离和默认的隶属度矩 阵构建模糊均值 聚类的目标函数， 对灰度图像中的像素点进行模 糊均值聚类， 得到热连轧带钢的分割图像。 本发 明能够更加精细地划分出表面图像中的缺陷区 域， 提高分割精度。 权利要求书1页 说明书7页 附图3页 CN 115294158 A 2022.11.04 CN 115294158 A 1.一种基于 机器视觉的热连轧带钢图像分割方法， 其特 征在于， 该 方法包括以下步骤： 采集热连轧带钢的表面图像， 并获取表面图像的灰度图像， 通过获取灰度图像中每个 像素点的梯度幅值检测出边 缘像素点； 选取预设数量的边缘像素点作为聚类中心， 基于每个像素点的梯度幅值和聚类中心的 梯度幅值 获取每个像素点的幅值差异； 结合每个像素点和聚类中心的色差以及 对应的所述 幅值差异得到每 个像素点与聚类中心的差异度； 以每个像素点作为中心点构建窗口， 得到每个像素点的窗口区域； 在窗口区域中筛选 目标点， 由每个窗口的目标点生成灰度共生矩阵， 并计算对应的逆差距； 以每个像素点与对 应目标点之间的距离、 目标点的数量、 目标点的灰度值以及逆差距作为对应像素点的窗口 特征， 根据像素点和聚类中心的窗口特 征获取像素点的窗口包围度； 以所述差异度和所述 窗口包围度的比值作为像素点与聚类中心的差异距离， 基于所述 差异距离和默认的隶属度 矩阵构建模糊均值聚类的目标函数， 对灰度图像中的像素点进 行 模糊均值聚类， 得到热 连轧带钢的分割图像。 2.根据权利要求1所述的一种基于机器视觉的热连轧带钢图像分割方法， 其特征在于， 所述幅值差异的获取 方法为： 获取每个像素点的梯度幅值与预设常数的和， 以聚类中心的梯度幅值与该和的比值作 为所述幅值差异。 3.根据权利要求1所述的一种基于机器视觉的热连轧带钢图像分割方法， 其特征在于， 所述差异度的获取 方法为： 将所述表面 图像转换至LAB空间中， 得到每个像素点的LAB值， 计算每个像素点与聚类 中心的LAB值的差值作为所述色差， 通过对所述幅值差异和所述色差进行加权求和得到所 述差异度。 4.根据权利要求1所述的一种基于机器视觉的热连轧带钢图像分割方法， 其特征在于， 所述以每 个像素点作为中心点构建窗口， 包括： 根据每个像素点与最近的边缘像素点之间的距离获取对应的窗口尺寸， 以每个像素点 为中心点， 依据对应的窗口尺寸构建窗口。 5.根据权利要求1所述的一种基于机器视觉的热连轧带钢图像分割方法， 其特征在于， 所述在窗口区域中筛 选目标点， 包括： 过窗口的中心点作窗口的中线和对角线， 获取在所作中线和对角线上的边缘像素点作 为对应窗口区域内的目标点。 6.根据权利要求1所述的一种基于机器视觉的热连轧带钢图像分割方法， 其特征在于， 所述像素点的窗口包围度的获取 方法为： 获取像素点与对应窗口区域内每个目标点之间的距离， 计算每个像素点对应的所有距 离之和作为目标距离， 获取像素点对应的目标距离与聚类中心对应的目标距离之 间的比值 作为第一指数； 计算像素点对应窗口区域内的目标点数量与聚类中心对应窗口区域内的目 标点数量的比值作为第二指数； 计算像素点对应的逆差距与聚类中心对应的逆差距的比值 作为第三指数； 计算像素点对应窗口区域内的目标点灰度值之和与聚类中心对应窗口区域 内的目标点灰度值之和的比值作为第四指数； 以第一指数、 第二指数和第三指数 的和乘上 第四指数 得到的乘积作为所述窗口包围度。权　利　要　求　书 1/1 页 2 CN 115294158 A 2一种基于机 器视觉的热 连轧带钢图像分割方 法 技术领域 [0001]本发明涉及图像处理技术领域， 具体涉及 一种基于机器视觉的热连轧带钢图像分 割方法。 背景技术 [0002]热连轧带钢指的是通过热压的方式生产出来的带材或板材， 是钢产业的主要产 品。 优质的热连轧带钢表面的质量要好， 因为带钢表面的缺陷不仅仅会损害到板制件的外 观， 而且会降低带钢的性能， 成为带钢发生破裂和锈蚀的策源地。 因此， 如何最大程度避免 带钢缺陷的产生， 将带钢成品的产出质量 最优化， 是钢产业 面临的重要难题。 [0003]在机器视觉领域中， 图像分割算法的运用可以实现对图像的精确分割， 从而对图 像的特征进行分析。 当带钢存在锡堆缺陷时， 由于锡堆分布不均匀， 在图像中表现为重叠， 基于像素灰度的图像分割算法无法实现对锡堆的精确划分。 模糊C均值聚类算法 （FCM） 相比 于硬聚类， 可以对彩色图像进 行更为精细的划分， 但是FCM的目标函数仅仅依靠欧氏距离无 法达到很好的分割效果， 分割精度较低。 发明内容 [0004]为了解决热连轧带钢图像中锡堆缺陷分割精度较低的问题， 本发明提供一种基于 机器视觉的热连轧带钢图像分割方法， 所采用的技 术方案具体如下： 本发明一个实施例提供了一种基于机器视觉的热连轧带钢图像分割方法， 该方法 包括以下步骤： 采集热连轧带钢的表面图像， 并获取表面图像的灰度图像， 通过获取灰度图像中 每个像素点的梯度幅值检测出边 缘像素点； 选取预设数量的边缘像素点作为聚类中心， 基于每个像素点的梯度幅值和聚类中 心的梯度幅值获取每个像素点的幅值差异； 结合每个像素点和聚类中心的色差以及 对应的 所述幅值差异得到每 个像素点与聚类中心的差异度； 以每个像素点作为中心点构建窗口， 得到每个像素点的窗口区域； 在 窗口区域中 筛选目标点， 由每个窗口的目标点生成灰度共生矩阵， 并计算对应的逆差距； 以每个像素点 与对应目标点之间的距离、 目标点的数量、 目标点的灰度值以及逆差距作为对应像素点的 窗口特征， 根据像素点和聚类中心的窗口特 征获取像素点的窗口包围度； 以所述差异度和所述窗口包围度的比值作为像素点与聚类中心的差异距离， 基于 所述差异距离和默认的隶属度 矩阵构建模糊均值聚类的目标函数， 对灰度图像中的像素点 进行模糊均值聚类， 得到热 连轧带钢的分割图像。 [0005]优选的， 所述幅值差异的获取 方法为： 获取每个像素点的梯度幅值与预设常数的和， 以聚类中心的梯度幅值与该和的比 值作为所述幅值差异。 [0006]优选的， 所述差异度的获取 方法为：说　明　书 1/7 页 3 CN 115294158 A 3