CN104985002B - 一种热轧带钢边部缺陷报警方法及装置 - Google Patents
一种热轧带钢边部缺陷报警方法及装置 Download PDFInfo
- Publication number
- CN104985002B CN104985002B CN201510280571.XA CN201510280571A CN104985002B CN 104985002 B CN104985002 B CN 104985002B CN 201510280571 A CN201510280571 A CN 201510280571A CN 104985002 B CN104985002 B CN 104985002B
- Authority
- CN
- China
- Prior art keywords
- strip
- defect
- hot
- described hot
- foreign body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及热轧技术领域,特别涉及一种热轧带钢边部缺陷报警方法及装置。该方法包括:检测出具有边部缺陷的热轧带钢,并对热轧带钢的边部缺陷的严重程度进行判断以及报警。该装置包括第一获得单元、第二获得单元、第三获得单元、判断单元及报警单元。本发明提供的热轧带钢边部缺陷报警方法及装置,在热轧带钢的边部缺陷较为严重的情况下,发出报警信号并封闭当前热轧带钢,防止该热轧带钢输入到下游客户,有效的降低了下游客户在冷轧工艺中断带事故的发生几率,降低了下游客户的经济损失。
Description
技术领域
本发明涉及热轧技术领域,特别涉及一种热轧带钢边部缺陷报警方法及装置。
背景技术
热轧厂的下游客户对热轧带钢的表面质量的要求较高,具有严重边部缺陷(如边部异物压入缺陷或边裂缺陷)的热轧带钢不能输送到下游客户。下游客户在冷轧轧制过程中,沿带钢轧制方向会建立一定的张力,如果热轧带钢边部存在严重缺陷会造成应力的局部集中,最终导致带钢拉断(即断带事故)。由于冷轧往往是高速轧制,断带后通常需要停机处理8-12小时,严重的需要20小时以上,还可能伴随着伤辊等事故,断带事故会给企业带来严重的经济损失。目前,部分热轧厂应用了表面质量检测系统,通过科学的优化表面质量检测系统可以提高热轧带钢边部缺陷的分类率,现场质量人员通过查看这些缺陷的图片即可得到热轧带钢表面的质量信息,手动将边部缺陷严重的热轧带钢封闭,避免发给下游冷轧客户。
但本发明的发明人在实现本发明实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:人为查看缺陷图片时难免会有疏漏,导致部分具有严重边部缺陷的热轧带钢输送到下游客户,增加了下游客户在冷轧轧制过程中发生断带事故的几率。
发明内容
本发明实施例通过提供一种热轧带钢边部缺陷报警方法及装置,解决了现有技术中部分具有严重边部缺陷的热轧带钢输送到下游客户,导致下游客户在冷轧轧制过程中发生断带事故的问题。有效的避免了具有严重边部缺陷的热轧带钢输入到下游客户,降低了下游客户在冷轧工艺中断带事故的发生几率。
本发明实施例提供了一种热轧带钢边部缺陷报警方法,包括:获得有缺陷的所述热轧带钢的实时图像,并根据所述实时图像显示的缺陷将所述热轧带钢分类为边部异物压入缺陷或边裂缺陷。获得所述热轧带钢的边部异物压入缺陷或边裂缺陷的位置信息。获得所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值。根据所述位置信息以及所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断所述热轧带钢是否正常。当所述热轧带钢不正常时,进行报警并封闭当前所述热轧带钢。
进一步地,所述根据所述位置信息以及所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断所述热轧带钢是否正常,包括:
当所述热轧带钢为边部异物压入缺陷时,判断所述热轧带钢上的所述边部异物压入缺陷是否在所述热轧带钢的前、后两端以外的区域;若所述热轧带钢上的所述边部异物压入缺陷在所述热轧带钢的前、后两端以外的区域,则判断所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离是否小于50mm;若所述热轧带钢上的所述边部异物压入缺陷不在所述热轧带钢的前、后两端以外的区域,则判定所述热轧带钢正常;其中,所述热轧带钢的前、后两端的长度都为3m。
若所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离小于50mm,则读取所述实时图像上的所述边部异物压入缺陷的面积、像素个数和像素平均灰度值;若所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离大于或等于50mm,则判定所述热轧带钢正常。
若所述实时图像上的所述边部异物压入缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边部异物压入缺陷报警并封闭当前所述热轧带钢;若所述实时图像上的所述边部异物压入缺陷不同时满足面积大于400mm2、像素个数大于440以及像素平均灰度值小于80,则判定所述热轧带钢正常。
进一步地,所述根据所述位置信息以及所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断所述热轧带钢是否正常,还包括:
当所述热轧带钢为边裂缺陷时,判断所述热轧带钢上的所述边裂缺陷是否在所述热轧带钢的前、后两端以外的区域;若所述热轧带钢上的所述边裂缺陷在所述热轧带钢的前、后两端以外的区域,则读取所述实时图像上的所述边裂缺陷的面积、像素个数和像素平均灰度值;若所述热轧带钢上的所述边裂缺陷不在所述热轧带钢的前、后两端以外的区域,则判定所述热轧带钢正常。
若所述实时图像上的所述边裂缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边裂缺陷报警并封闭当前所述热轧带钢;若所述实时图像上的所述边裂缺陷不同时满足面积大于400mm2、像素个数大于440和像素平均灰度小于80,则判定所述热轧带钢正常。
进一步地,在所述获得有缺陷的所述热轧带钢的实时图像,根据所述实时图像显示的缺陷将所述热轧带钢分类为边部异物压入缺陷或边裂缺陷之前,获取30~50张标准边裂缺陷图片和50~80张标准边部异物压入缺陷图片进行分类优化。
进一步地,控制所述热轧带钢的分类准确率大于90%。
本发明实施例还提供了一种热轧带钢边部缺陷报警装置,包括:第一获得单元,用于获得有缺陷的所述热轧带钢的实时图像,根据所述实时图像显示的缺陷将所述热轧带钢分类为边部异物压入缺陷或边裂缺陷。第二获得单元,用于获得所述热轧带钢的边部异物压入缺陷或边裂缺陷的位置信息。第三获得单元,用于获得所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值。判断单元,用于根据所述位置信息以及所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断所述热轧带钢是否正常。报警单元,用于当所述热轧带钢不正常时,进行报警并封闭当前所述热轧带钢。进一步地,所述判断单元包括:第一判断模块,用于当所述热轧带钢为边部异物压入缺陷时,判断所述热轧带钢上的所述边部异物压入缺陷是否在所述热轧带钢的前、后两端以外的区域;若所述热轧带钢上的所述边部异物压入缺陷在所述热轧带钢的前、后两端以外的区域,则判断所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离是否小于50mm;若所述热轧带钢上的所述边部异物压入缺陷不在所述热轧带钢的前、后两端以外的区域,则判定所述热轧带钢正常;其中,所述热轧带钢的前、后两端的长度都为3m。
若所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离小于50mm,则读取所述实时图像上的所述边部异物压入缺陷的面积、像素个数和像素平均灰度值;若所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离大于或等于50mm,则判定所述热轧带钢正常。
若所述实时图像上的所述边部异物压入缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边部异物压入缺陷报警并封闭当前所述热轧带钢;若所述实时图像上的所述边部异物压入缺陷不同时满足面积大于400mm2、像素个数大于440以及像素平均灰度值小于80,则判定所述热轧带钢正常。
进一步地,所述判断单元还包括:第二判断模块,用于当所述热轧带钢为边裂缺陷时,判断所述热轧带钢上的所述边裂缺陷是否在所述热轧带钢的前、后两端以外的区域;若所述热轧带钢上的所述边裂缺陷在所述热轧带钢的前、后两端以外的区域,则读取所述图像上的边裂缺陷的面积、像素个数和像素平均灰度值;若所述热轧带钢上的所述边裂缺陷不在所述热轧带钢的前、后两端以外的区域,则判定所述热轧带钢正常。
若所述实时图像上的所述边裂缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边裂缺陷报警并封闭当前所述热轧带钢;若所述实时图像上的所述边裂缺陷不同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则判定所述热轧带钢正常。
进一步地,还包括:优化单元,用于存储30~50张标准边裂缺陷图片和50~80张标准边部异物压入缺陷图片,对所述第一获得单元进行分类优化。
进一步地,所述第一获得单元对所述热轧带钢的分类准确率大于90%。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、本发明实施例提供的热轧带钢边部缺陷报警方法,在获取带有边部缺陷的图像后,将边部缺陷进行分类,并判断边部缺陷的严重程度,在边部缺陷较为严重的情况下,发出报警信号以及发出控制信号封闭当前热轧带钢,防止当前热轧带钢输入到下游客户,有效的降低了下游客户在冷轧工艺中断带事故的发生几率,降低了下游客户的经济损失。
2、本发明实施例提供的热轧带钢边部缺陷报警装置,在检测到带有严重缺陷的热轧带钢时,能够自动产生报警信号并自动封闭当前热轧带钢,准确性高,避免了缺陷热轧带钢输送到下游客户。
附图说明
图1为本发明实施例提供的热轧带钢边部缺陷报警方法流程图;
图2为本发明实施例提供的热轧带钢边部缺陷报警装置结构框图。
具体实施方式
本发明实施例通过提供一种热轧带钢边部缺陷报警方法及装置,解决了现有技术中部分具有严重边部缺陷的热轧带钢输送到下游客户,导致下游客户在冷轧轧制过程中发生断带事故的问题。
本发明实施例中的技术方案为解决上述具有严重边部缺陷的热轧带钢输送到下游客户,导致下游客户在冷轧轧制过程中发生断带事故的问题,总体思路如下:
获得有缺陷的热轧带钢的实时图像,根据实时图像显示的缺陷将热轧带钢分类为边部异物压入缺陷或边裂缺陷;获得热轧带钢的边部异物压入缺陷或边裂缺陷的位置信息;获得实时图像上的边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值;根据位置信息以及实时图像上的边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断热轧带钢是否正常;当热轧带钢不正常时,进行报警并封闭当前热轧带钢。
下面结合具体的实施例对本发明提供的热轧带钢边部缺陷报警方法及装置进行说明:
参见图1,本发明实施例提供了一种热轧带钢边部缺陷报警方法,包括:
步骤10、获得有缺陷的热轧带钢的实时图像,并根据实时图像显示的缺陷将热轧带钢分类为边部异物压入缺陷或边裂缺陷。
具体为:获取热轧带钢的实时图像;当获取显示有缺陷的图像时,根据图像显示的缺陷特征,将热轧带钢分为边部异物压入缺陷或边裂缺陷。需要说明的是,当获取的某一图片既有边部异物压入缺陷特征,又有边裂缺陷特征时,需要将该图片所对应的热轧带钢既分类为边部异物压入缺陷又分类为边裂缺陷。本实施例中,采用Parsytec表面检测系统自带的分类软件CBE对带有缺陷的热轧带钢分类,Parsytec表面检测系统为热轧领域常用的带钢表面检测系统。
步骤20、获得热轧带钢的边部异物压入缺陷或边裂缺陷的位置信息。
上述位置信息为边部异物压入缺陷或边裂缺陷的中心点位置,可根据实时图像与实物的比例计算得出。
步骤30、获得实时图像上的边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值。
步骤40、根据位置信息以及实时图像上的边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断热轧带钢是否正常。
具体为:当热轧带钢为边部异物压入缺陷时,判断热轧带钢上的边部异物压入缺陷是否在热轧带钢的前、后两端以外的区域。若热轧带钢上的边部异物压入缺陷在热轧带钢的前、后两端以外的区域,则判断热轧带钢上的边部异物压入缺陷与热轧带钢侧边的最小垂直距离是否小于50mm(判断边部异物压入缺陷与热轧带钢侧边的最小垂直距离时,以该边部异物压入缺陷的中心为距离计算起点)。若热轧带钢上的边部异物压入缺陷不在热轧带钢的前、后两端以外的区域,则判定热轧带钢正常。其中,热轧带钢的前、后两端的长度都为3m,热轧带钢的前、后两端在后续工艺中需要切割移除,边部异物压入缺陷分布在热轧带钢的前、后两端并不对后续的冷轧工艺造成影响。
若热轧带钢上的边部异物压入缺陷与热轧带钢侧边的最小垂直距离小于50mm,则读取实时图像上的边部异物压入缺陷的面积、像素个数和像素平均灰度值;若热轧带钢上的边部异物压入缺陷与热轧带钢侧边的最小垂直距离大于或等于50mm,则判定热轧带钢正常。
若实时图像上的边部异物压入缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边部异物压入缺陷报警并封闭当前热轧带钢(边部异物压入缺陷同时满足面积大于400mm2、像素个数大于440以及像素平均灰度值小于80,说明该边部异物压入缺陷较为严重,会对后续的冷轧工艺造成影响)。若实时图像上的边部异物压入缺陷不同时满足面积大于400mm2、像素个数大于440以及像素平均灰度值小于80,则判定热轧带钢正常。
当热轧带钢为边裂缺陷时,判断热轧带钢上的所述边裂缺陷是否在热轧带钢的前、后两端以外的区域。若热轧带钢上的边裂缺陷在热轧带钢的前、后两端以外的区域,则读取实时图像上的边裂缺陷的面积、像素个数和像素平均灰度值。若热轧带钢上的边裂缺陷不在热轧带钢的前、后两端以外的区域,则判定热轧带钢正常(热轧带钢的前、后两端在后续工艺中要切割移除,边裂缺陷分布在热轧带钢的前、后两端并不对后续的冷轧工艺造成影响)。若实时图像上的边裂缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边裂缺陷报警并封闭当前热轧带钢。若实时图像上的边裂缺陷不同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则判定热轧带钢正常。本实施例中,实时图像上的边裂缺陷面积为正好覆盖边裂两端的圆的面积。
步骤50、当热轧带钢不正常时,进行报警并封闭当前热轧带钢。
此外,为保证对带有缺陷的热轧带钢分类准确,在进行步骤10之前,可以根据实际需要进行:步骤60、获取30~50张标准边裂缺陷图片和50~80张标准边部异物压入缺陷图片进行分类优化,使有缺陷的热轧带钢的分类准确率达到90%以上。本实施例中,采用Parsytec表面检测系统自带的分类软件CBE对带有缺陷的热轧带钢分类。分类优化是通过输入标准边部缺陷(包括边部异物压入缺陷和边裂缺陷)图片,对Parsytec表面检测系统自带的分类软件CBE进行训练的过程,使得CBE软件学习标准边部缺陷的特征,从而达到对后续获取的边部缺陷进行准确分类的目的。
参见图2,本发明实施例还提供了一种热轧带钢边部缺陷报警装置,包括:第一获得单元、第二获得单元、第三获得单元、判断单元、报警单元及优化单元。
第一获得单元用于获得有缺陷的热轧带钢的实时图像,根据实时图像显示的缺陷将热轧带钢分类为边部异物压入缺陷或边裂缺陷。
第二获得单元用于获得热轧带钢的边部异物压入缺陷或边裂缺陷的位置信息。
第三获得单元用于获得实时图像上的边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值。
判断单元用于根据位置信息以及实时图像上的边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断热轧带钢是否正常。
报警单元用于当热轧带钢不正常时,进行报警并封闭当前热轧带钢。
优化单元用于存储30~50张标准边裂缺陷图片和50~80张标准边部异物压入缺陷图片;对第一获得单元进行分类优化,使第一获得单元的分类准确率达到90%以上。
其中,判断单元包括:第一判断模块和第二判断模块。
第一判断模块用于当热轧带钢为边部异物压入缺陷时,判断热轧带钢上的边部异物压入缺陷是否在热轧带钢的前、后两端以外的区域。若热轧带钢上的边部异物压入缺陷在热轧带钢的前、后两端以外的区域,则判断热轧带钢上的边部异物压入缺陷与热轧带钢侧边的最小垂直距离是否小于50mm。若热轧带钢上的边部异物压入缺陷不在所述热轧带钢的前、后两端以外的区域,则判定热轧带钢正常。其中,热轧带钢的前、后两端的长度都为3m。
若热轧带钢上的边部异物压入缺陷与热轧带钢侧边的最小垂直距离小于50mm,则读取实时图像上的边部异物压入缺陷的面积、像素个数和像素平均灰度值。若热轧带钢上的边部异物压入缺陷与热轧带钢侧边的最小垂直距离大于或等于50mm,则判定热轧带钢正常。
若实时图像上的边部异物压入缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度小于80,则进行边部异物压入缺陷报警并封闭当前热轧带钢。若实时图像上的边部异物压入缺陷不同时满足面积大于400mm2、像素个数大于440以及像素平均灰度值小于80,则判定热轧带钢正常。
第二判断模块用于当热轧带钢为边裂缺陷时,判断热轧带钢上的边裂缺陷是否在热轧带钢的前、后两端以外的区域;若热轧带钢上的边裂缺陷在热轧带钢的前、后两端以外的区域,则读取实时图像上的边裂缺陷的面积、像素个数和像素平均灰度值;若热轧带钢上的边裂缺陷不在热轧带钢的前、后两端以外的区域,则判定热轧带钢正常。
若实时图像上的边裂缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边裂缺陷报警并封闭当前热轧带钢。若实时图像上的边裂缺陷不同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则判定热轧带钢正常。本实施例中,图像上的边裂缺陷面积为正好覆盖边裂两端的圆的面积。
利用本发明实施例提供的热轧带钢边部缺陷报警方法及装置对S30Y、SPHC、Q01G三种热轧带钢进行监测,监测数据如表1所示,本发明实施例提供的热轧带钢边部缺陷报警方法及装置的报警准确率在85%以上。
钢种 | 检测卷数 | 报警卷数 | 报警准确率 |
S30Y | 168 | 148 | 88% |
SPHC | 276 | 257 | 93% |
Q01G | 56 | 54 | 96% |
合计 | 500 | 459 | 92% |
表1
本发明实施例提供的热轧带钢边部缺陷报警方法,在获取带有边部缺陷的图像后,将边部缺陷进行分类,并判断边部缺陷的严重程度,在边部缺陷较为严重的情况下,发出报警信号以及发出控制信号封闭当前热轧带钢,防止当前热轧带钢输入到下游客户,有效的降低了下游客户在冷轧工艺中断带事故的发生几率,降低了下游客户的经济损失。
本发明实施例提供的热轧带钢边部缺陷报警装置,在检测到带有严重缺陷的热轧带钢时,能够自动产生报警信号并自动封闭当前热轧带钢,准确性高,避免了缺陷热轧带钢输送到下游客户。
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。
Claims (8)
1.一种热轧带钢边部缺陷报警方法,其特征在于,包括:
获得有缺陷的所述热轧带钢的实时图像,并根据所述实时图像显示的缺陷将所述热轧带钢分类为边部异物压入缺陷或边裂缺陷;
获得所述热轧带钢的边部异物压入缺陷或边裂缺陷的位置信息;
获得所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值;
根据所述位置信息以及所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断所述热轧带钢是否正常;
当所述热轧带钢不正常时,进行报警并封闭当前所述热轧带钢;
其中,所述根据所述位置信息以及所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断所述热轧带钢是否正常,包括:
当所述热轧带钢为边部异物压入缺陷时,判断所述热轧带钢上的所述边部异物压入缺陷是否在所述热轧带钢的前、后两端以外的区域;若所述热轧带钢上的所述边部异物压入缺陷在所述热轧带钢的前、后两端以外的区域,则判断所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离是否小于50mm;若所述热轧带钢上的所述边部异物压入缺陷不在所述热轧带钢的前、后两端以外的区域,则判定所述热轧带钢正常;其中,所述热轧带钢的前、后两端的长度都为3m;
若所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离小于50mm,则读取所述实时图像上的所述边部异物压入缺陷的面积、像素个数和像素平均灰度值;若所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离大于或等于50mm,则判定所述热轧带钢正常;
若所述实时图像上的所述边部异物压入缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边部异物压入缺陷报警并封闭当前所述热轧带钢;若所述实时图像上的所述边部异物压入缺陷不同时满足面积大于400mm2、像素个数大于440以及像素平均灰度值小于80,则判定所述热轧带钢正常。
2.根据权利要求1所述的热轧带钢边部缺陷报警方法,其特征在于,所述根据所述位置信息以及所述实时图像上的所述边部异物压入缺陷或所述边裂缺陷的面积、像素个数和像素平均灰度值判断所述热轧带钢是否正常,还包括:
当所述热轧带钢为边裂缺陷时,判断所述热轧带钢上的所述边裂缺陷是否在所述热轧带钢的前、后两端以外的区域;若所述热轧带钢上的所述边裂缺陷在所述热轧带钢的前、后两端以外的区域,则读取所述实时图像上的所述边裂缺陷的面积、像素个数和像素平均灰度值;若所述热轧带钢上的所述边裂缺陷不在所述热轧带钢的前、后两端以外的区域,则判定所述热轧带钢正常;
若所述实时图像上的所述边裂缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边裂缺陷报警并封闭当前所述热轧带钢;若所述实时图像上的所述边裂缺陷不同时满足面积大于400mm2、像素个数大于440和像素平均灰度小于80,则判定所述热轧带钢正常。
3.根据权利要求2所述的热轧带钢边部缺陷报警方法,其特征在于,在所述获得有缺陷的所述热轧带钢的实时图像,根据所述实时图像显示的缺陷将所述热轧带钢分类为边部异物压入缺陷或边裂缺陷之前,获取30~50张标准边裂缺陷图片和50~80张标准边部异物压入缺陷图片进行分类优化。
4.根据权利要求3所述的热轧带钢边部缺陷报警方法,其特征在于,控制所述热轧带钢的分类准确率大于90%。
5.一种热轧带钢边部缺陷报警装置,其特征在于,包括:
第一获得单元,用于获得有缺陷的所述热轧带钢的实时图像,并根据所述实时图像显示的缺陷将所述热轧带钢分类为边部异物压入缺陷或边裂缺陷;
第二获得单元,用于获得所述热轧带钢的边部异物压入缺陷或边裂缺陷的位置信息;
第三获得单元,用于获得所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值;
判断单元,用于根据所述位置信息以及所述实时图像上的所述边部异物压入缺陷或边裂缺陷的面积、像素个数和像素平均灰度值判断所述热轧带钢是否正常;
报警单元,用于当所述热轧带钢不正常时,进行报警并封闭当前所述热轧带钢;
其中,所述判断单元包括:
第一判断模块,用于当所述热轧带钢为边部异物压入缺陷时,判断所述热轧带钢上的所述边部异物压入缺陷是否在所述热轧带钢的前、后两端以外的区域;若所述热轧带钢上的所述边部异物压入缺陷在所述热轧带钢的前、后两端以外的区域,则判断所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离是否小于50mm;若所述热轧带钢上的所述边部异物压入缺陷不在所述热轧带钢的前、后两端以外的区域,则判定所述热轧带钢正常;其中,所述热轧带钢的前、后两端的长度都为3m;
若所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离小于50mm,则读取所述实时图像上的所述边部异物压入缺陷的面积、像素个数和像素平均灰度值;若所述热轧带钢上的所述边部异物压入缺陷与所述热轧带钢侧边的最小垂直距离大于或等于50mm,则判定所述热轧带钢正常;
若所述实时图像上的所述边部异物压入缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边部异物压入缺陷报警并封闭当前所述热轧带钢;若所述实时图像上的所述边部异物压入缺陷不同时满足面积大于400mm2、像素个数大于440以及像素平均灰度值小于80,则判定所述热轧带钢正常。
6.根据权利要求5所述的热轧带钢边部缺陷报警装置,其特征在于,所述判断单元还包括:
第二判断模块,用于当所述热轧带钢为边裂缺陷时,判断所述热轧带钢上的所述边裂缺陷是否在所述热轧带钢的前、后两端以外的区域;若所述热轧带钢上的所述边裂缺陷在所述热轧带钢的前、后两端以外的区域,则读取所述图像上的边裂缺陷的面积、像素个数和像素平均灰度值;若所述热轧带钢上的所述边裂缺陷不在所述热轧带钢的前、后两端以外的区域,则判定所述热轧带钢正常;
若所述实时图像上的所述边裂缺陷同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则进行边裂缺陷报警并封闭当前所述热轧带钢;若所述实时图像上的所述边裂缺陷不同时满足面积大于400mm2、像素个数大于440和像素平均灰度值小于80,则判定所述热轧带钢正常。
7.根据权利要求5所述的热轧带钢边部缺陷报警装置,其特征在于,还包括:
优化单元,用于存储30~50张标准边裂缺陷图片和50~80张标准边部异物压入缺陷图片,对所述第一获得单元进行分类优化。
8.根据权利要求7所述的热轧带钢边部缺陷报警装置,其特征在于,所述第一获得单元对所述热轧带钢的分类准确率大于90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510280571.XA CN104985002B (zh) | 2015-05-27 | 2015-05-27 | 一种热轧带钢边部缺陷报警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510280571.XA CN104985002B (zh) | 2015-05-27 | 2015-05-27 | 一种热轧带钢边部缺陷报警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104985002A CN104985002A (zh) | 2015-10-21 |
CN104985002B true CN104985002B (zh) | 2017-02-22 |
Family
ID=54296964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510280571.XA Active CN104985002B (zh) | 2015-05-27 | 2015-05-27 | 一种热轧带钢边部缺陷报警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104985002B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019111571A (ja) * | 2017-12-26 | 2019-07-11 | Jfeスチール株式会社 | フェライト系ステンレス鋼帯の冷間圧延方法 |
CN109692877B (zh) * | 2018-12-29 | 2020-11-10 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面质量管理系统及方法 |
CN113866183B (zh) * | 2021-09-15 | 2023-11-14 | 北京首钢股份有限公司 | 一种带钢表面检测仪的故障检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04182030A (ja) * | 1990-11-14 | 1992-06-29 | Nkk Corp | 薄鋼板の擦疵発生警報装置 |
KR20020047776A (ko) * | 2000-12-14 | 2002-06-22 | 이구택 | 열간압연 소재온도 전송 감시장치 |
CN1900701A (zh) * | 2006-07-19 | 2007-01-24 | 北京科技大学 | 基于激光线光源的热轧带钢表面缺陷在线检测方法和装置 |
KR100711406B1 (ko) * | 2005-12-26 | 2007-04-30 | 주식회사 포스코 | 산세 압연 공정의 표면 결함 및 판 파단 방지를 위한 감시 장치 |
JP2013116489A (ja) * | 2011-12-05 | 2013-06-13 | Jfe Steel Corp | 熱延仕上ミルにおけるストリップ破断検出方法 |
CN103207185A (zh) * | 2012-01-11 | 2013-07-17 | 宝山钢铁股份有限公司 | 钢卷端部质量检测系统及方法 |
-
2015
- 2015-05-27 CN CN201510280571.XA patent/CN104985002B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04182030A (ja) * | 1990-11-14 | 1992-06-29 | Nkk Corp | 薄鋼板の擦疵発生警報装置 |
KR20020047776A (ko) * | 2000-12-14 | 2002-06-22 | 이구택 | 열간압연 소재온도 전송 감시장치 |
KR100711406B1 (ko) * | 2005-12-26 | 2007-04-30 | 주식회사 포스코 | 산세 압연 공정의 표면 결함 및 판 파단 방지를 위한 감시 장치 |
CN1900701A (zh) * | 2006-07-19 | 2007-01-24 | 北京科技大学 | 基于激光线光源的热轧带钢表面缺陷在线检测方法和装置 |
JP2013116489A (ja) * | 2011-12-05 | 2013-06-13 | Jfe Steel Corp | 熱延仕上ミルにおけるストリップ破断検出方法 |
CN103207185A (zh) * | 2012-01-11 | 2013-07-17 | 宝山钢铁股份有限公司 | 钢卷端部质量检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104985002A (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110171691B (zh) | 带式传输机皮带撕裂状态检测方法及检测系统 | |
CN104985002B (zh) | 一种热轧带钢边部缺陷报警方法及装置 | |
CN104307892B (zh) | 连轧穿带过程中带材头部纠偏的方法 | |
CN104923567B (zh) | 热轧带钢精轧时带钢头部咬入机架打滑的识别和监控方法 | |
CN111626204B (zh) | 一种铁路异物入侵监测方法及系统 | |
CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
JP6365526B2 (ja) | 小径ロールのベアリング劣化検出方法及びベアリング劣化検出装置 | |
JP5169336B2 (ja) | 帯状体の穴・割れ欠陥検出装置 | |
CN110653271B (zh) | 热轧带钢卷取夹送辊的辊面质量自动评级装置和评级方法 | |
CN101739549A (zh) | 人脸检测方法及系统 | |
CN110992323B (zh) | 一种基于图像处理的钢带检测方法、装置及卡钢检测方法 | |
JP2006242906A (ja) | 表面欠陥検査方法及びその装置 | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
CN103691744A (zh) | 一种带钢动态抛尾量预报方法 | |
CN102695075A (zh) | 检测显示屏上无视频信号的方法和设备及其系统 | |
CN111598024A (zh) | 一种基于图像的铁路限界区域识别方法 | |
KR100838723B1 (ko) | 스트립표면 결함부의 검출 및 평점산출장치 | |
CN105911074A (zh) | 钢丝芯皮带接头x射线在线检测中自适应阈值标定方法 | |
JP5853738B2 (ja) | 表面欠陥検査方法および表面欠陥検査装置 | |
JP2004125686A (ja) | 鋼板の疵検出方法、鋼板の疵検出装置、コンピュータプログラム及びコンピュータ読み取り可能な記録媒体 | |
DE102020205120A1 (de) | Verfahren zum Betreiben einer Metallbandbearbeitungsanlage sowie Metallbandbearbeitungsanlage | |
Usamentiaga et al. | Jam detector for steel pickling lines using machine vision | |
JP7440701B2 (ja) | 異常判断装置、制御装置、および圧延設備、並びに異常判断方法、および制御方法 | |
TWI779910B (zh) | 偵測邊導器鋼帶品質的軋延系統與偵測方法 | |
JP7464208B1 (ja) | 金属帯の欠陥検出装置、金属帯の冷間圧延装置、金属帯の欠陥検出方法及び、金属帯の冷間圧延方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210519 Address after: 025 Zhao'an street, Qian'an Economic Development Zone, Tangshan City, Hebei Province 064400 Patentee after: QIAN'AN IRON AND STEEL COMPANY OF SHOUGANG Corp. Address before: 100041 No. 68, Shijingshan Road, Beijing, Shijingshan District Patentee before: BEIJING SHOUGANG Co.,Ltd. |
|
TR01 | Transfer of patent right |