高速轧制带钢表面图像稀疏表示和缺失信息恢复方法研究

Traditional surface quality detection methods, which carry out feature extraction and defect recognition directly towards the raw images, restrict the real-time property of defect inspection for steel strip surface. Through mining the sparse and compressible characteristics of the steel strip surface image profoundly, the theory and approach of sparse representation and missing information recovery for high resolution images will be studied in this project. The main research contents are as follows. Firstly, an efficient image enhancement algorithm will be proposed to enhance the image sparsity by constructing a novel parameter-adaptive anisotropic diffusion coefficient function. Secondly, an intelligent grading and decision-making mechanism of the number of signal atomics will be gradually established, then a redundant dictionary learning algorithm with fast convergence will be derived, which can achieve high accuracy and efficiency of sparse representation. Thirdly, through revealing the causation of image missing information in complex industrial environment, an approximate generalized cylinder analysis method will be proposed for the robust sparse error calibration, which can reliably recover the missing information of image. Therefore, the expected achievements of this project will broaden the research ideas of on-line automatic detection technology, and provide technical support for real-time inspection of steel strip and other similar high quality sheet materials, which have crucial significance of scientific research and practical application value.

对海量原始图像直接进行特征提取和缺陷识别，制约带钢表面缺陷在线检测的实时性。本项目以带钢表面图像具备稀疏、可压缩特性为切入点，开展高分辨率图像稀疏表示和缺失信息恢复理论及方法研究：①探究鲁棒图像增强方法，构建参数自适应的各向异性扩散系数函数，提升图像的稀疏特性；②研究高效逼近图像稀疏表示方法，建立信号原子数量定级与决策机制，导出快速收敛的冗余字典学习算法；③探索稳健图像缺失信息恢复方法，揭示复杂工业环境下图像缺失信息的产生机理，提出稀疏误差校正的近似广义柱面分析方法。本项目成果将拓宽自动化实时检测技术的研究思路，为带钢以及类似高品质片材在线检测提供技术支撑，具有重要的科学研究意义与实际应用价值。

带钢表面缺陷在线检测技术较大程度上表征钢铁制造业的科技水平，对实现我国钢铁工业转型升级，建成世界钢铁强国具有重要意义。本项目围绕海量带钢表面图像实时处理与缺陷在线识别的宏观目标，以探究带钢表面图像的稀疏特性为切入点，开展超大数据规模图像矩阵的稀疏表示和缺失信息恢复方法研究。具体研究内容介绍如下：1）研究快速高效的自适应图像增强算法；2）研究带钢表面图像稀疏表示的字典学习方法；3）研究带钢表面图像的缺失信息恢复方法。本项目研究期间，紧扣带钢表面图像具备稀疏和可压缩特性，围绕带钢表面图像鲁棒增强、稀疏特征提取、纹理紧致表示等学术问题，系统开展了带钢表面图像稀疏表示及其缺失信息恢复方法的研究工作，项目内容按计划完成，并将相关成果推广至痕量气体分子光谱检测领域，在玻璃药瓶内残氧量在线检测上开展探索性应用。同时，梳理了板带钢表面质量视觉检测和分类近30年的发展历程，在IEEE TIM上首次发表板带钢表面缺陷检测与分类的孪生综述论文2篇，为本领域学者和工程师们学术研究和设备研制提供重要借鉴；构建了全球首个热轧带钢表面原始图像公开缺陷数据集CSU_STEEL，为本领域研究学者的算法性能验证提供公用平台。基于上述成果，累计发表比本基金标注的SCI期刊论文21篇，其中JCR Q1区20篇，IEEE Trans论文10篇，第一作者/通讯作者论文18篇，第一/第二项目标注论文16篇；受本基金资助，项目负责人先后参加IEEE国际会议3次，前往马来西亚、意大利等地开展学术交流活动（IWCMC 2020、ISCAS 2018、AMS2017），极大开拓了国际视野，促成了与芬兰奥卢大学CMVS、北京大学STRUCT等研究中心的学术交流，为后续工业自动光学检测研究工作奠定坚实算法和数据基础。