一种建立在线表面质量检测系统缺陷库的方法
技术领域
本发明属于冷轧板带表面质量检测技术领域,涉及一种建立在线表面质量检测系统缺陷库的方法。
背景技术
在线表面质量检测系统是用于检测带钢表面缺陷的可视化在线自动检测系统,能够自动检出带钢表面缺陷,并对缺陷进行准确命名,同时为用户提供报警信息,提高质检工作的效率和质量。在线表面质量检测系统缺陷库是将需要检测的带钢产品中常见的典型缺陷图像按照一定的规则进行分类命名后,得到的缺陷典型样本的集合,它是在线表面质量检测系统对检测到的缺陷进行正确命名的标准化模板。以前在进行缺陷分类的过程中往往是通过技术人员的感官进行判断缺陷的大小和形貌等,没有一个数字化的标准,导致各个类别质检界限不清,从而导致系统缺陷识别正确率低。
发明内容
为解决上述技术问题,本发明提供了一种建立在线表面质量检测系统缺陷库的方法,提高在线表面质量检测系统缺陷识别正确率,为质检人员提供准确的质量信息。
具体方案如下:
一种建立在线表面质量检测系统缺陷库的方法,具体步骤如下:
A在线表面质量检测系统采集带钢表面的缺陷图像,根据所述缺陷图像确定缺陷大类别;
B根据所述缺陷图像确定所述缺陷大类别的基本缺陷特征,根据所述基本缺陷特征对每一个所述缺陷大类别确定两个以上的缺陷小类别;
C采集两张以上的所述缺陷图像作为所述缺陷小类别的样本图像,建立初级缺陷库;
D所述在线表面质量检测系统的学习分类器对所述初级缺陷库进行学习分析,并将所述初级缺陷库内的所述缺陷大类别和所述缺陷小类别存入所述在线表面检测系统的数据库内,所述学习分类器学习结束后,所述学习分类器验证所述缺陷小类别的样本图像质量,删除所述缺陷小类别中不合格样本图像,增加所述缺陷小类别中的合格样本图像,所述学习分类器继续验证所述在线表面质量检测系统的调整后的缺陷数据库,达到实际检测水平即可。
进一步地,所述步骤A中确定缺陷大类别的方法为,将对带钢表面质量的影响类似和所述缺陷图像的成像特征类似的归为一类。
进一步地,所述步骤A中所述缺陷大类别包括夹杂、擦划伤、孔洞、油斑或边折印。
进一步地,所述步骤B中所述缺陷小类别包括轻微细线缺陷、严重细线缺陷、轻微片状缺陷、严重片状缺陷。
进一步地,所述步骤B中对每一个所述缺陷大类别下的所述缺陷小类别不超过8个。
进一步地,所述步骤B中的所述基本缺陷特征包括缺陷图像的长度、缺陷图像的宽度、缺陷图像的明场可见百分比和缺陷图像的暗场可见百分比。
进一步地,所述步骤C中对每一个所述缺陷小类别的所述样本图像为50-300张。
本发明提供的一种建立在线表面质量检测系统缺陷库的方法,分类标准明确,便于进行缺陷收集,提高了缺陷收集工作的效率和质量,同时在经过系统学习分类器学习及后期调整后,正确率能够达到90%以上,有利于在线表面质量检测系统在检测过程中正确命名带钢表面缺陷。
具体实施方式
本发明提供了一种建立在线表面质量检测系统缺陷库的方法,具体步骤如下:
第一,建立缺陷大类别。
按照产品质量要求,根据在线表面质量检测系统采集的缺陷图像的形貌特征,确定缺陷大类别,如夹杂、擦划伤、孔洞、油斑、边折印等。在确定缺陷大分类的过程中,要结合现场带钢实际表面产生缺陷的情况,因为在线表面质量检测系统相机拍到的图像为黑白图像,往往会存在失真,通过图像很难判断真实带钢表面缺陷的情况。在掌握各个缺陷类别经在线表面质量检测系统相机成像后的图像特点后,便可依照《连退产品表面及外观质量判定标准的技术通知单》中判定表面级别的要求,制定合理的分类。如:夹杂和翘皮两类缺陷在通知单中对带钢表面质量的影响类似,且在线表面质量检测系统中成像特征类似,故此在系统中将这两类缺陷统称叫做夹杂。
第二,建立缺陷小类别。
在现场产品的实际缺陷中,属于大类别的缺陷往往表现为多种形式,例如擦划伤缺陷有以下表现形式:轻微细线划伤、严重细线划伤、轻微片状划伤、严重片状划伤,这些缺陷的基本缺陷特征存在着明显差别,但是都是擦划伤缺陷。如果将各种各样的擦划伤缺陷混在一起,在线表面质量检测系统很可能得不到相同的基本缺陷特征,或者得到的相同基本缺陷特征不是典型特征,造成在线表面检测系统对缺陷大类别的命名不准确,那么这个缺陷大类别的分类就是失败的。如果不建立缺陷小类别,在线表面质量检测系统便不能够准确的区分四个缺陷小类别的擦划伤,不能够进行准确的质量信息报警。另外,在线表面质量检测系统学习分类器进行学习的过程中,如果只是通过缺陷大类别进行学习,那么由于相同基本缺陷特征的确定的不准确,必然会导致初级缺陷库内样本缺陷图像验证效果差,不能够准确踢除质量不高的样本缺陷图像。
建立缺陷小类别的具体方法为:在每个缺陷大类别中根据其缺陷图像特点,找出能够细化分类的基本缺陷特征,在每个缺陷大类别下建立两个以上的缺陷小类别。在线表面质量检测系统检测到的缺陷图像往往会记录其各个缺陷特征,如长度、宽度、明场可见百分比、暗场可见百分比等60多个基本缺陷特征,这些基本缺陷特征是系统区分缺陷是否属于同类别缺陷的基础,属于同一缺陷小类别的缺陷,有一个或者多个基本缺陷特征十分接近,如果在建立初级缺陷库时将属于同一缺陷大类别下的各个缺陷小类别按照一些基本缺陷特征细化分类,有助于系统正确命名缺陷。但是在细化的过程中不宜将过多基本缺陷特征当作建立缺陷小类别的标准,一般不超过8各缺陷小类别。例如:如果将三个基本缺陷特征纳入分类的话,会分成23=8个类,缺陷小类别过多一方面导致在线表面质量检测系统的学习分类器学习效率低下,增加现场缺陷样本图像的收集难度;另一方面会导致一部分缺陷小类别的样本图像数量不足,各缺陷大类别之间样本数量比例失调,影响系统缺陷识别正确率。
例如:以夹杂缺陷为例进行说明,根据长度和宽度两个特征可以分为夹杂(长细),用于长度大于500mm,宽度小于20mm的夹杂缺陷;夹杂(长粗)用于长度大于500mm,宽度大于20mm的夹杂缺陷;夹杂(短细)用于长度小于500mm,宽度小于20mm的夹杂缺陷;夹杂(短粗)用长度小于500mm,宽度大于20mm的夹杂缺陷。上述例子中各个缺陷小类别之间划分的数字标准是根据现场各类别缺陷出现的比例进行定义的,要保证各类缺陷在产品中出现的概率接近1∶1。
第三,验证初级数据库。
分别采集两张以上的缺陷图像作为所述缺陷小类别的样本图像,建立初级缺陷库,在线表面质量检测系统的学习分类器对初级缺陷库进行学习分析,并将初级缺陷库内的缺陷大类别和缺陷小类别存入在线表面检测系统的数据库内,学习分类器学习结束后,学习分类器验证缺陷小类别的样本图像质量,删除缺陷小类别中不合格样本图像,增加缺陷小类别中的合格样本图像,学习分类器继续验证所述在线表面质量检测系统的调整后的缺陷数据库,直到学习正确率达到满意效果,一般要在90%以上就能够满足现场检测要求,同时保证各个缺陷大类别之间缺陷样本图像数量差别不大。
学习分类器验证可以验证初级缺陷库内缺陷样本图像质量的好坏,通过学习分类器验证后,给出了一个缺陷库正确率的打分,例如油斑缺陷,分为圆形油斑和不规则形状油斑,学习后圆形油斑的正确率为92%,不规则形状油斑的正确率为94%,我们可以查看圆形油斑中学习后不正确的样本,假设不正确的缺陷样本有3个,一个是系统认为这个缺陷应该属于不规则形状的油斑,那么将该缺陷调整到不规则形状油斑的类别之内;第二个缺陷样本系统认为是孔洞缺陷,通过查看数据确认该缺陷为孔洞后便可将其调整到孔洞类别之内;第三个缺陷样本系统不认识该缺陷,定位为“未分类”缺陷,那么通过查看该缺陷的数据,如果该缺陷的部分数据缺失(可能是由于系统自身原因导致部分数据丢失)则删除该缺陷,在识别为“未分类”的缺陷样本中如果缺陷数据未丢失,则很可能是由于缺陷样本中这个类型的油斑数量较少,不能将该缺陷删除,而应该增加该类型的缺陷样本数量,直到能够正确识别该类型的“油斑”。
另外,如果缺陷样本图像数量过少,在线表面检测系统进行基本缺陷特征分析后,不能够得出缺陷图像的共同缺陷特征,50张的数量是根据现场实际经验得到的数值。根据实际缺陷产生的情况,可以适当增多,但不宜过多,一般不会超过300张,过多会导致一个大类下各个小类之间,或者各个大类之间缺陷样本数量的比例失调,当一个类别中样本数量与另一个类别相差过大时,比例超过1∶6时,会导致样本数量少的类别检测效果不好,小类或者大类都适用上述比例。
本发明在使用学习分类器进行学后正确率由原缺陷库的88%提高到目前的95%;在线表面质量检测系统在检测过程中对缺陷一次命名正确率提高了由原来的60%提高到70%左右(缺陷一次命名正确率是指在线表面质量检测系统检测到缺陷后,将缺陷与缺陷库内缺陷样本进行对比后直接对缺陷进行命名的准确比例,例如实际缺陷为边折印,在线表面质量检测系统检测到缺陷后命名为边折印,60%与70%数字为通过对现场的钢卷进行实际抽查得到的结果);经过验证调整后的缺陷库条理清楚,各个缺陷大类别和缺陷小类别之间界限分明,便于工作人员进行缺陷样本的收集,通过查看缺陷样本的特征便可直接确定其类别归属。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。