基于特征抽取的钢带辊印识别方法

摘要

本发明涉及数据处理技术领域，具体涉及基于特征抽取的钢带辊印识别方法，该方法包括：获取待检测钢带的灰度图像；构建灰度图像的灰度共生矩阵，根据灰度共生矩阵确定出异常灰度图像；根据待检测钢带的工作辊半径将异常灰度图像分割为多个周期图像；对窗口内/外的目标灰度共生矩阵进行特征抽取，得到窗口内/外的灰度偏离程度值；根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异；根据第一周期图像和第二周期图像的最大灰度偏离差异和窗口内的灰度偏离程度值确定出存在辊印的待检测钢带，本发明能够提高辊印检测时的适用范围，并且能够快速识别辊印。

权利要求

1.基于特征抽取的钢带辊印识别方法，其特征在于，该方法包括：获取待检测钢带的灰度图像；

构建灰度图像的灰度共生矩阵，根据灰度共生矩阵的熵值确定出异常灰度图像；

根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像，获取任意的相邻周期图像依次记为第一周期图像、第二周期图像；

根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口；构建每个窗口内/外的目标灰度共生矩阵，根据目标灰度共生矩阵中每种点对的概率和灰度差计算对应的窗口内/外每种点对的灰度偏离程度值，根据窗口内/外每种点对的灰度偏离程度值得到该窗口内/外的灰度偏离程度值；

获取每个窗口的边缘灰度差，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异，获取所有窗口中的灰度偏离差异的最大值作为第一周期图像/第二周期图像的最大灰度偏离差异；

利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断；根据下式（c）计算待检测钢带存在辊印的可能性：             （c）

其中， 表示待检测钢带存在辊印的可能性； 表示第一周期图像中最大灰度偏离差异对应的第 个窗口内的灰度偏离程度值；表示最大灰度偏离差异对应的窗口； 表示第二周期图像中最大灰度偏离差异对应的第 个窗口内的灰度偏离程度值； 表示第一周期图像中的最大灰度偏离差异； 表示第二周期图像中的最大灰度偏离差异；

当待检测钢带存在辊印的可能性大于预设的可能性阈值时，则待检测钢带存在辊印。

2.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，构建灰度图像的灰度共生矩阵的步骤包括：对灰度图像中的初始灰度级进行压缩得到目标灰度级；

根据目标灰度级分别获取灰度图像中每个方向的相邻像素点之间的灰度差均值；

将每对相邻像素点记为一个点对，将两个目标灰度级对应相等的点对记为同一种点对；

分别计算每个方向的灰度差均值的归一化值；

将归一化值作为每个方向的权值，获取每个方向的每种点对出现次数的概率；

根据每个方向的权值和对应方向的每种点对出现次数的概率构建灰度共生矩阵。

3.根据权利要求2所述的基于特征抽取的钢带辊印识别方法，其特征在于，对灰度图像中的初始灰度级进行压缩得到目标灰度级的步骤包括：获取灰度图像的初始灰度级中的最大值和最小值；

根据最大值和最小值得到整个灰度图像的灰度区间；

将灰度区间划分为多个目标灰度级。

4.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像的步骤包括：根据待检测钢带的工作辊半径得到工作辊转动一个周期对应的待检测钢带的长度；

根据一个周期对应的待检测钢带的长度在异常灰度图像中对应的长度将异常灰度图像分割为多个长度相等的周期图像。

5.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口的步骤包括：获取最大灰度差对应的相邻像素点，将该相邻像素点中的灰度值大的像素点作为目标像素点；

以目标像素点为中心建立窗口，将窗口逐步向外扩展得到多个尺寸不同的窗口。

6.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，根据窗口内/外每种点对的灰度偏离程度值得到该窗口内/外的灰度偏离程度值的步骤包括：根据窗口内/外每种点对的灰尺寸度偏离程度值得到窗口内的灰度偏离程度累计值；

利用窗口内/外所有点对的灰度偏离程度值和灰度偏离程度累计值得到窗口内/外的灰度偏离程度值，根据下式（a）计算窗口内的灰度偏离程度值：                     （a）

其中， 表示第 个窗口内的灰度偏离程度值； 表示第 个窗口内的灰度偏离程度累计值； 表示第 个窗口内点对 的灰度偏离程度值； 表示目标灰度级分别为 一种点对； 表示窗口内的灰度级数量； 表示灰度图像的灰度级数量；

根据得到窗口内的灰度偏离程度值的方法得到窗口外的灰度偏离程度值。

7.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，获取每个窗口的边缘灰度差的步骤包括：获取每个窗口的边缘点，计算每个边缘点8邻域的灰度差均值；

对每个窗口的所有边缘点的灰度差均值求均值得到对应的窗口的边缘灰度差。

8.根据权利要求1所述的基于特征抽取的钢带辊印识别方法，其特征在于，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异的步骤包括：根据下式（b）计算每个窗口的灰度偏离差异：

                        （b）其中， 表示第 个窗口的灰度偏离差异； 表示第 个窗口内的灰度偏离程度值； 第 个窗口外的灰度偏离程度值； 表示第 个窗口的边缘灰度差。

说明书

基于特征抽取的钢带辊印识别方法

技术领域

[0001] 本发明涉及数据处理技术领域，具体涉及基于特征抽取的钢带辊印识别方法。

背景技术

[0002] 辊印主要是由于工作辊设备粘有异物或者工作辊损伤使得钢带表面损伤，在钢带表面上呈连续性或周期性分布的凸起或凹下的印痕缺陷，对辊印的检测不仅是对产品的检测，更是发现设备的问题，根据检测到的辊印检测此时的设备，防止已经存在缺陷的设备对后续的钢带的造成辊印缺陷。

[0003] 传统的辊印检测是根据检测仪对钢带表面的缺陷进行识别，然后根据固定的预设缺陷特征值，长宽比、面积和亮度来确定属于黑点、压印、辊印类的缺陷，固定的预设特征值不适用于所有类型的钢带，适用范围小，而且辊印宽度有大有小，根据面积和长宽比判断辊印不够准确，从而使得最后检测的结果不准确，因此，需要基于特征抽取的钢带辊印识别方法。

发明内容

[0004] 本发明提供基于特征抽取的钢带辊印识别方法，以解决现有的问题。

[0005] 本发明的基于特征抽取的钢带辊印识别方法采用如下技术方案：该方法包括：

[0006] 获取待检测钢带的灰度图像；

[0007] 构建灰度图像的灰度共生矩阵，根据灰度共生矩阵的熵值确定出异常灰度图像；

[0008] 根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像，获取任意的相邻周期图像依次记为第一周期图像、第二周期图像；

[0009] 根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口；构建每个窗口内/外的目标灰度共生矩阵，根据目标灰度共生矩阵中每种点对的概率和灰度差计算对应的窗口内/外每种点对的灰度偏离程度值，根据窗口内/外每种点对的灰度偏离程度值得到该窗口内/外的灰度偏离程度值；

[0010] 获取每个窗口的边缘灰度差，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异，获取所有窗口中的灰度偏离差异的最大值作为第一周期图像/第二周期图像的最大灰度偏离差异；

[0011] 利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断，识别出辊印。

[0012] 进一步，构建灰度图像的灰度共生矩阵的步骤包括：

[0013] 对灰度图像中的初始灰度级进行压缩得到目标灰度级；

[0014] 根据目标灰度级分别获取灰度图像中每个方向的相邻像素点之间的灰度差均值；

[0015] 将每对相邻像素点记为一个点对，将两个目标灰度级对应相等的点对记为同一种点对；

[0016] 分别计算每个方向的灰度差均值的归一化值；

[0017] 将归一化值作为每个方向的权值，获取每个方向的每种点对出现次数的概率；

[0018] 根据每个方向的权值和对应方向的每种点对出现次数的概率构建灰度共生矩阵。

[0019] 进一步，对灰度图像中的初始灰度级进行压缩得到目标灰度级的步骤包括：

[0020] 获取灰度图像的初始灰度级中的最大值和最小值；

[0021] 根据最大值和最小值得到整个灰度图像的灰度区间；

[0022] 将灰度区间划分为多个目标灰度级。

[0023] 进一步，根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像的步骤包括：

[0024] 根据待检测钢带的工作辊半径得到工作辊转动一个周期对应的待检测钢带的长度；

[0025] 根据一个周期对应的待检测钢带的长度在异常灰度图像中对应的长度将异常灰度图像分割为多个长度相等的周期图像。

[0026] 进一步，根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口的步骤包括：

[0027] 获取最大灰度差对应的相邻像素点，将该相邻像素点中的灰度值大的像素点作为目标像素点；

[0028] 以目标像素点为中心建立窗口，将窗口逐步向外扩展得到多个尺寸不同的窗口。

[0029] 进一步，根据窗口内/外每种点对的灰度偏离程度值得到该窗口内/外的灰度偏离程度值的步骤包括：

[0030] 根据窗口内/外每种点对的灰尺寸度偏离程度值得到窗口内的灰度偏离程度累计值；

[0031] 利用窗口内/外所有点对的灰度偏离程度值和灰度偏离程度累计值得到窗口内/外的灰度偏离程度值，根据下式（a）计算窗口内的灰度偏离程度值：

[0032]                      （a）

[0033] 其中， 表示第 个窗口内的灰度偏离程度值； 表示第 个窗口内的灰度偏离程度累计值； 表示第 个窗口内点对 的灰度偏离程度值； 表示目标灰度级分别为 的一种点对； 表示窗口内的灰度级数量；表示灰度图像的灰度级数量；

[0034] 根据得到窗口内的灰度偏离程度值的方法得到窗口外的灰度偏离程度值。

[0035] 进一步，获取每个窗口的边缘灰度差的步骤包括：

[0036] 获取每个窗口的边缘点，计算每个边缘点8邻域的灰度差均值；

[0037] 对每个窗口的所有边缘点的灰度差均值求均值得到对应的窗口的边缘灰度差。

[0038] 进一步，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异的步骤包括：

[0039] 根据下式（b）计算每个窗口的灰度偏离差异：

[0040]                         （b）

[0041] 其中， 表示第 个窗口的灰度偏离差异； 表示第 个窗口内的灰度偏离程度值； 第 个窗口外的灰度偏离程度值； 表示第 个窗口的边缘灰度差。

[0042] 进一步，利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断的步骤包括：

[0043] 根据下式（c）计算待检测钢带存在辊印的可能性：

[0044]              （c）

[0045] 其中， 表示待检测钢带存在辊印的可能性； 表示第一周期图像中最大灰度偏离差异对应的第 个窗口内的灰度偏离程度值；表示最大灰度偏离差异对应的窗口；表示第二周期图像中最大灰度偏离差异对应的第 个窗口内的灰度偏离程度值；
表示第一周期图像中的最大灰度偏离差异； 表示第二周期图像中的最大灰度偏离差异；当待检测钢带存在辊印的可能性大于预设的可能性阈值时，则待检测钢带存在辊印。

[0046] 本发明的有益效果是：本发明的基于特征抽取的钢带辊印识别方法，通过构建灰度共生矩阵确定灰度图像中是否存在缺陷，根据辊印的周期性特点将存在缺陷的异常灰度图像分割为多个周期图像，本方案只需要处理部分相邻周期图像，从而减少了计算量；对相邻周期图像的窗口构建灰度共生矩阵，根据灰度共生矩阵中点对的概率和灰度差得到窗口内、外的灰度偏离差异，对比相邻周期图像的窗口中的最大灰度偏离差异得到存在辊印的可能性，相比于传统的根据长宽比和面积等特征值确定辊印，更加准确，本发明中是对灰度共生矩阵进行特征抽取获得的特征值，例如最大灰度偏离差异是根据灰度共生矩阵计算得到的，不存在固定的对照特征值，所以适用范围广。

附图说明

[0047] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0048] 图1为本发明的基于特征抽取的钢带辊印识别方法的实施例总体步骤的流程图。

具体实施方式

[0049] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0050] 本发明的基于特征抽取的钢带辊印识别方法的实施例，如图1所示，该方法包括：

[0051] S1、获取待检测钢带的灰度图像。

[0052] 在检测平台上方安装相机拍摄待检测钢带的图像，在相机的视觉框中待检测钢带的宽设置在纵向，长在横向，并且使待检测钢带的宽完整的于相显示在相机的视觉框中；为减少背景对后续处理的影响，将相机采集到的待检测钢带的图像进行语义分割，获得待检测钢带区域的图像，对待检测钢带区域的图像进行灰度化处理得到待检测钢带的灰度图像。

[0053] S2、构建灰度图像的灰度共生矩阵，根据灰度共生矩阵的熵值确定出异常灰度图像。

[0054] 待检测钢带的表面颜色单一，得到的灰度图像中的灰度分布也比较单一，灰度分布主要包括待检测钢带表面的正常区域的灰度、由于环境光照不均匀或者反光造成的发生了变化的灰度、缺陷区域的灰度，由于缺陷区域相对于整张图像所占面积不大，且光照引起的灰度变化也不会产生过大的灰度差异，所以整个灰度图像中的灰度分布范围还是比较小的，为了减少计算量，对待检测钢带的灰度图像中的初始灰度级进行压缩；获取初始灰度级中的最大值和最小值，根据最大值和最小值得到整个灰度图像的灰度区间，将灰度区间中的初始灰度级划分至10个目标灰度级，根据这10个目标灰度级对每个像素点的初始灰度级赋值得到每个像素点的目标灰度级。

[0055] 灰度图像中的辊印区域与正常区域的灰度对比度较高，对于辊印区域的识别主要是基于区域的灰度对比度，每个像素点在不同的方向具有不同的对比度，根据灰度图像中每个像素点的目标灰度级构建包含多个方向的灰度共生矩阵。

[0056] 获取灰度图像中每个像素点与 ， ， ， 方向的相邻像素点组成的点对，将每对相邻像素点记为一个点对，将点对中的两个目标灰度级都对应相等的点对记为同一种点对，计算灰度图像中所有种点对分别在 ， ， ， 方向的灰度差均值，将得到的每个方向的灰度差均值归一化处理，归一化后依次表示为 ， ， ， ；统计灰度图像中每种点对在 方向出现的次数，根据每种点对在 方向出现的次数与所有点对在 方向出现的次数对每种点对出现的次数进行归一化处理得到每种点对在 方向出现次数的概率，进而可以得到在 方向的灰度共生矩阵，灰度共生矩阵中的元素为每种点对的概率；根据得到每种点对在 方向出现的概率得到每种点对在 ， ， 方向出现的概率，进而得到这三个方向的灰度共生矩阵；

[0057] 将每个方向的灰度差均值归一化后的值作为构建灰度共生矩阵的对应的方向的权值，利用每种点对在每个方向的权值以及出现的概率构建灰度图像的灰度共生矩阵，所述灰度图像的灰度共生矩阵表示为式（1）：

[0058]        （1）

[0059] 其中， 表示灰度图像的灰度共生矩阵； ， ， ， 分别表示， ， ， 方向的灰度共生矩阵； ， ， ， 分别表示 ， ， ，
方向的权值。

[0060] 待检测钢带表面不存在缺陷时，待检测钢带的灰度图像中的灰度分布相对较均匀，图像复杂程度较低，即对应的灰度共生矩阵的熵较小；待检测钢带表面存在缺陷时，灰度图像中灰度的均匀分布被破坏，图像复杂程度变大，对应的灰度共生矩阵的熵较大；因此，可以根据灰度共生矩阵的熵初步筛选表面具有缺陷的待检测钢带。

[0061] 根据下式（2）计算灰度共生矩阵中的熵：

[0062]                     （2）

[0063] 其中， 表示目标灰度级分别为 一种点对； 表示灰度图像对应的灰度共生矩阵的熵； 表示点对 在灰度共生矩阵中出现次数的概率；当待检测钢带表面存在缺陷时，图像灰度分布不均匀，对应的灰度共生矩阵的熵较大，因此，根据不存在缺陷的待检测钢带的灰度图像的熵值图像设置熵值阈值 ，当 时，认为待检测钢带的表面存在缺陷，将存在缺陷的待检测钢带的灰度图像记为异常灰度图像。

[0064] S3、根据待检测钢带的工作辊半径将异常灰度图像分割为多个长度相等的周期图像，获取任意的相邻周期图像依次记为第一周期图像、第二周期图像。

[0065] 步骤S2中已经检测到了表面存在缺陷的钢带，现在需要进一步判断得到的缺陷是否为辊印，对于本发明所针对的钢带表面的辊印，主要特征是辊印在钢带上是周期性分布的，如果工作辊出现损伤或者工作辊表面粘有异物，工作辊每转动一周，在钢带表面会产生相同的辊印，因此本方案根据辊印的周期性对缺陷进行判断。

[0066] 具体的，对于采集到的待检测钢带的图像，已知待检测钢带的实际尺寸和图像尺寸之间的比例为KL，待检测钢带成型的工作辊半径为R，所以工作辊转动一周所形成的钢带的长度为 ，在图像中，工作辊转动一周所形成的钢带的长度为 ，步骤S1中相机采集的待检测钢带的图像的长度为 ，则必须存在 ，因为要计算周期性，所以图像中起码要存在两个以上的周期；辊印在图像中以 为周期分布，所以在图像中截取相邻的长度为 的区域进行分析，即截取任意的相邻周期的两个图像，将这两个图像依次记为第一周期图像和第二周期图像。

[0067] S4、根据第一周期图像/第二周期图像中相邻像素点的最大灰度差得到目标像素点，以目标像素点为中心建立多个尺寸不同的窗口；构建每个窗口内/外的目标灰度共生矩阵，对目标灰度共生矩阵进行特征抽取得到该窗口内/外的灰度偏离程度值。

[0068] 具体的，计算第一周期图像中每个像素点与相邻像素点的灰度差，获取所有的灰度差中的最大灰度差 ，将最大灰度差 对应的相邻两个像素点中灰度值较大的像素点记为目标像素点，以目标像素点为中心建立一个 的窗口，对窗口进行扩展，每次向四个方向都进行扩展，扩展的步长为1，得到一个尺寸较大的窗口，扩展多次得到多个不同尺寸的窗口，即 ， 表示窗口扩展的次数，表示第 个窗口；根据构建灰度图像的灰度共生矩阵的方法构建每个窗口的目标灰度共生矩阵；计算灰度共生矩阵中每种点对的灰度差值，记为 ，根据下式（3）计算每种点对的灰度偏离程度值：

[0069]                             （3）

[0070] 其中， 表示点对 的灰度偏离程度值； 表示目标灰度级分别为 一种点对； 表示点对 出现次数的概率； 表示点对 的灰度差值；在缺陷周围，点对的灰度差值 较大，并且缺陷区域的高对比度的像素点都是聚集存在的，所以较大。

[0071] 根据窗口内每种点对的灰度偏离程度值得到窗口内的灰度偏离程度累计值，根据下式（4）计算窗口内的灰度偏离累计值：

[0072]                          （4）

[0073] 其中， 表示第 个窗口内的灰度偏离程度累计值； 表示第 个窗口内点对 的灰度偏离程度值； 表示第 个窗口内的目标灰度级的数量。

[0074] 利用窗口内所有点对的灰度偏离程度值和窗口内的灰度偏离程度累计值得到窗口内的灰度偏离程度值，根据下式（a）计算窗口内的灰度偏离程度值：

[0075]                      （a）

[0076] 其中， 表示第 个窗口内的灰度偏离程度值； 表示第 个窗口内的灰度偏离程度累计值； 表示第 个窗口内点对 的灰度偏离程度值； 表示目标灰度级分别为 的一种点对； 表示窗口内的灰度级数量；表示灰度图像的灰度级数量。

[0077] 第一周期图像中每个窗口的窗口外是指第一周期图像以内、对应的窗口以外的区域，根据得到窗口内的灰度偏离程度值的方法得到每个窗口外的灰度偏离程度值。

[0078] 根据得到第一周期图象的窗口内/外的灰度偏离程度值的方法得到第二周期图象的窗口内/外的灰度偏离程度值。

[0079] S5、获取每个窗口的边缘灰度差，根据每个窗口的边缘灰度差和窗口内、外的灰度偏离程度值得到该窗口的灰度偏离差异，获取所有窗口中的灰度偏离差异的最大值作为第一周期图像/第二周期图像的最大灰度偏离差异。

[0080] 具体的，获取每个窗口的边缘点，计算每个边缘点和该边缘点8邻域的每个像素点的灰度差值，将与8邻域的像素点得到的灰度差值求均值得到该边缘点的灰度差均值，对每个窗口的所有边缘点的灰度差均值求均值得到对应的窗口的边缘灰度差，窗口扩展的最开始的中心点是最大灰度差对应的像素点，所以最开始的窗口一定是在缺陷的边缘位置，然后窗口一步步扩展，此时得到的窗口一部分在缺陷区域内，一部分在缺陷区域外，则窗口内外的灰度偏离程度值得差异较大，窗口的边缘灰度差较大，窗口扩展到完全覆盖缺陷区域时，窗口内外的灰度偏离程度值的差异达到最大，窗口的边缘灰度差较小；根据下式（5）计算窗口内外的灰度偏离差异：

[0081]                             （5）

[0082] 其中， 表示第 个窗口内的灰度偏离程度值； 表示第 个窗口外的灰度偏离程度值； 表示窗口内外的灰度偏离差异； 表示第 个窗口的边缘灰度差；根据所有窗口内外的灰度偏离差异获取最大灰度偏离差异 ；最大灰度偏离差异对应的窗口完全覆盖了缺陷区域。

[0083] 根据得到第一周期图像的最大灰度偏离差异 的方法得到第二周期图像的最大灰度偏离差异 。

[0084] S6、利用第一周期图像和第二周期图像的最大灰度偏离差异及该最大灰度偏离差异在第一周期图像和第二周期图像中所对应的窗口内的灰度偏离程度值，对待检测钢带中是否存在辊印进行判断，识别出辊印。

[0085] 在步骤S5中分析了长度为 的第一周期图像，辊印在灰度图像中是周期性分布的， 为辊印的一个分布周期，所以现在需要分析与第一周期图像相邻的长度为 的第二周期图像。

[0086] 具体的，根据得到第一周期图像中最大灰度偏离差异、窗口内的灰度偏离程度值的方法得到第二周期图像的最大灰度偏离差异、窗口内的灰度偏离程度值；获取第二周期图像中最大灰度偏离差异对应的窗口内的灰度偏离程度值；在相邻的长度为 的第一、二周期图像中，两个周期图像对应的最大灰度偏离差异之间的差别越小，且两个周期图像的窗口内的灰度偏离程度值之间的差别越小，则相邻两个周期图像的窗口区域的特征越接近，则窗口包括的缺陷越有可能为辊印缺陷，即待检测钢带中越有可能存在辊印。

[0087] 根据下式（c）计算待检测钢带存在辊印的可能性：

[0088]              （c）

[0089] 其中， 表示待检测钢带存在辊印的可能性； 表示第一周期图像中最大灰度偏离差异对应的第 个窗口内的灰度偏离程度值；表示最大灰度偏离差异对应的窗口；表示第二周期图像中最大灰度偏离差异对应的第 个窗口内的灰度偏离程度值；
表示第一周期图像中的最大灰度偏离差异； 表示第二周期图像中的最大灰度偏离差异；根据经验设置存在辊印的可能性阈值 ，当待检测钢带存在辊印的可能性时，则待检测钢带存在辊印。

[0090] 当识别到待检测钢带表面存在辊印时，可以根据符合规定的安全方法停止钢带的生产装置，由专业的设备维修人员对工作辊进行检查，根据工作辊的受损程度，及时进行维修和更换，保障后续的钢带质量。

[0091] 综上所述，本发明提供基于特征抽取的钢带辊印识别方法，通过构建灰度共生矩阵确定灰度图像中是否存在缺陷，根据辊印的周期性特点将存在缺陷的异常灰度图像分割为多个周期图像，本方案只需要处理部分相邻周期图像，从而减少了计算量；对相邻周期图像的窗口构建灰度共生矩阵，根据灰度共生矩阵中点对的概率和灰度差得到窗口内、外的灰度偏离差异，对比相邻周期图像的窗口中的最大灰度偏离差异得到存在辊印的可能性，相比于传统的根据长宽比和面积等特征值确定辊印，更加准确，本发明中是对灰度共生矩阵进行特征抽取得到的特征值，例如最大灰度偏离差异是根据灰度共生矩阵计算得到的，不存在固定的对照特征值，所以适用范围广。

[0092] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。