CN109816645A - 一种钢卷松卷的自动检测方法 - Google Patents

Abstract

本发明提供一种钢卷松卷的自动检测方法，包括对钢卷表面采集深度数据，还包括以下步骤：将所述深度数据去噪后，将深度图映射为同等大小的灰度图像；对所述灰度图利用soble算子进行图像梯度检测；对边缘进行连通域分析，通过前景像素面积，去除噪声区域；在图像边缘区域，利用图像梯度，找到处于边缘处的梯度相反点对；利用点对之间距离，并结合深度信息，判断是否为松卷情况。本发明提出一种钢卷松卷的自动检测方法，此方法非统计类方法，无需大量标注数据和冗长的训练时间，节省了大量的人力成本和时间成本，利用深度信息，保证了系统对光照的鲁棒性。

Description

一种钢卷松卷的自动检测方法

技术领域

本发明涉及智能制造的技术领域，特别是一种钢卷松卷的自动检测方法。

背景技术

在钢铁企业的热轧连轧机生产线上，通常都要在卷取区域对钢卷成型质量进行检测，并进行处理。目前钢铁厂商仍主要采用人工排查的方式进行检测，但由于钢卷生产线处于高温辐射环境下，质检人员无法近距离观察。而且肉眼观察存在一定主观性，并且容易产生视觉疲惫，很难实现长时间的在线精确检测。所以如何自动检测钢卷的松卷，引起了行内广泛的讨论。

目前为实现自动检测钢卷松卷，普遍采用的方法是机器视觉和图像模式识别技术。通常在拿到图像数据，对图像进行一系列的处理技术，例如图像增强，图像去噪，阀值分割、膨胀腐蚀、区域填充等，然后利用模式识别技术对图像进行特征向量采集，最后利用机器学习技术，通过学习正常的正样本和松卷的负样本，得到一个性能良好的分类器。最终利用这个训练得到的分类器，对待测图像进行分类判断。现有技术的缺点在于，为了得到一个性能良好的分类器，我们需要大量人工标注的正负样本数据，这一步很有难度同时需要消耗大量的人力和物力。其次，训练一个分类器，通常需要较长的时间，这又消耗了大量的时间成本。

发明内容

为了解决上述的技术问题，本发明提出一种钢卷松卷的自动检测方法，此方法非统计类方法，无需大量标注数据和冗长的训练时间，节省了大量的人力成本和时间成本，利用深度信息，保证了系统对光照的鲁棒性。

本发明提供一种钢卷松卷的自动检测方法，包括对钢卷表面采集深度数据，包括以下步骤：

步骤1：将所述深度数据去噪后，将深度图映射为同等大小的灰度图像；

步骤2：对所述灰度图利用soble算子进行图像梯度检测；

步骤3：对边缘进行连通域分析，通过前景像素面积，去除噪声区域；步骤4：在图像边缘区域，利用图像梯度，找到处于边缘处的梯度相反点对；

步骤5：利用点对之间距离，并结合深度信息，判断是否为松卷情况。

优选的是，所述步骤1包括子步骤：

步骤11：将深度数据，按照图片的格式，展开成2维矩阵；

步骤12：对2维矩阵上的点，根据其深度值的有效性，映射到值0或者200，判定标准为其中，GrayValue表示转化成灰度图后的灰度值，Dep_Value表示深度值，Threshold表示深度阈值；

步骤13：把非连续点和离散点设置为0；

步骤14：将映射后的值变换为灰度值，生成由灰度图像。

在上述任一方案中优选的是，所述步骤2包括利用横向Sobel算子和纵向Sobel算子，对图片进行计算梯度变化和边缘信息。

在上述任一方案中优选的是，所述横向Sobel算子的计算公式为其中，G_x表示X方向上的灰度梯度变化，I表示原始图像。

在上述任一方案中优选的是，所述纵向Sobel算子的计算公式为其中，G_y表示Y方向上的灰度梯度变化。

在上述任一方案中优选的是，所述步骤3包括对边缘二值化图像，进行连通域分析，通过前景像素面积，来去除噪声边缘，得到有效边缘。

在上述任一方案中优选的是，所述步骤4包括对于边缘上的点，利用梯度下降的方向，寻找点对。

在上述任一方案中优选的是，如果两个点的边缘梯度相反，则两点边缘在同一边的两面，边缘之间的区域为钢卷表面。

在上述任一方案中优选的是，如果两个点的边缘梯度相同，则边缘之间的区域为松卷造成的深度值无效的沟壑区域。

在上述任一方案中优选的是，所述步骤5包括利用沟壑点对之间距离，计算沟壑的宽度，若宽度大过阈值，则判断为松卷情况。

本发明提出了一种钢卷松卷的自动检测方法，此方法的最终判断结果正常，对于宽度大于2cm的沟壑，能够实现稳定的有效检测。

附图说明

图1为按照本发明的钢卷松卷的自动检测方法的一优选实施例的流程图。

图2为按照本发明的钢卷表面异常突起的自动检测方法的点对梯度的一实施例的分析图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

实施例一

如图1所示，执行步骤100，首先利用市面上普遍的深度相机，对钢卷表面采集数据，并获得所述钢卷表面图。

执行步骤110，将深度数据去噪后，将深度图映射为同等大小的灰度图像。步骤1包括子步骤：

步骤111：将深度数据，按照图片的格式，展开成2维矩阵；

步骤112：对2维矩阵上的点，根据其深度值的有效性，映射到值0或者200，判定标准为 其中，GrayValue表示转化成灰度图后的灰度值，Dep_Value表示深度值，Threshold表示深度阈值；

步骤113：把非连续点和离散点设置为0；

步骤114：将映射后的值变换为灰度值，生成由灰度图像。

执行步骤120，对灰度图利用soble算子进行图像梯度检测，并计算图像的边缘信息。利用横向Sobel算子和纵向Sobel算子，对图片进行计算梯度变化和边缘信息。横向Sobel算子的计算公式为 纵向Sobel算子的计算公式为 其中，G_x表示X方向上的灰度梯度变化，G_y表示Y方向上的灰度梯度变化，I表示原始图像。

执行步骤130，对边缘进行连通域分析，通过前景像素面积，去除噪声区域。具体为：对边缘二值化图像，进行连通域分析，通过前景像素面积，来去除噪声边缘，得到有效边缘

执行步骤140，在图像边缘区域，利用图像梯度，找到处于边缘处的梯度相反点对。具体为：对于边缘上的点，利用梯度下降的方向，寻找点对。点对需满足以下条件：1)两点的梯度方向成钝角；2)延任一点的梯度方向寻找，会找到另外一点。

执行步骤150，判断两点之间的边缘梯度关系。如果两个点的边缘梯度相反，则执行步骤155，两点边缘在同一边的两面，边缘之间的区域为钢卷表面。如果两个点的边缘梯度相同，则执行步骤160，边缘之间的区域为松卷造成的深度值无效的沟壑区域。

执行步骤170，利用点对之间距离，并结合深度信息，判断是否为松卷情况。具体为对于所有点对，结合深度图信息，判断点对之间距离大小和点对之间是否为沟壑，即计算沟壑的宽度并判断沟壑点对之间距离是否有超过设定阈值。如果沟壑点对之间距离没有超过设定阈值，则执行步骤175，确定钢卷没有产生松卷的情况。如果沟壑点对之间距离超过设定阈值，则执行步骤180，确定钢卷产生松卷的情况。

实施例二

为了解决上述难以获取大量标注数据和需要较高人力物力时间成本的问题，本方法提出了一种稳定，且无需标注数据，成本较低的一种钢卷松卷自动检测的算法。

此方法由于利用深度信息，保证了系统对光照的鲁棒性。同时，由于此方法非统计类方法，无需大量标注数据和冗长的训练时间，节省了大量的人力成本和时间成本。此方法的最终判断结果正常，对于宽度大于2cm的沟壑，能够实现稳定的有效检测。

利用深度相机进行钢卷松卷的自动检测方法包括以下步骤：

步骤一：首先利用市面上普遍的深度相机，对钢卷表面采集数据。

步骤二：将深度数据去噪后，将深度图映射为同等大小的灰度图像。利用深度信息，得到3D的深度云图，对噪音点和离群点进行去噪处理。具体去噪及映射方法：先将深度数据，按照图片的格式，展开成2维矩阵。对2维矩阵上的点，根据其深度值的有效性，映射到值0或者200.具体判断标准是利用公式：

判定标准为，其中，GrayValue表示转化成灰度图后的灰度值，Dep_Value表示深度值，Threshold表示深度阈值

由于深度值是连续变换的数据，有效深度在一张深度图内不会有太大变换。将连续变化的值，通过阈值判断，转化为2个离散的点，抑制了数据小幅度波动带来的局部干扰。同时，把非连续点和离散点设置为0，也去除了噪声的影响。最后将映射后的值变换为灰度值，生成由灰度图像。

步骤三：利用横向Sobel算子和纵向Sobel算子，对图片进行计算梯度变化和边缘信息。Sobel算子常被用来检测图像边缘。利用sobel图像边缘检测对由深度图转换来的灰度图进行处理后，可以反映出原深度图中，深度变化距离的地方及边界处。

Sobel算子是像素图像边缘检测中最重要的算子之一，在机器学习、数字媒体、计算机视觉等信息科技领域起着举足轻重的作用。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。

X横向Sobel算子的计算公式为

Y横向Sobel算子的计算公式为

其中，G_x表示X方向上的灰度梯度变化，G_y表示Y方向上的灰度梯度变化，I表示原始图像。

步骤四：对的边缘二值化图像进行连通域分析，通过前景像素面积，去除噪声区域，得到有效边缘。

连通域分析可以得到闭环图像，根据面积，可以去除一些由sobel算子计算得到的伪边界。

步骤五：在图像边缘区域，利用图像梯度，找到处于边缘处的梯度相反点对。对于边缘上的点，利用梯度下降的方向，寻找点对。点对需满足，两点的梯度方向成钝角，且延任一点的梯度方向寻找，会找到另外一点。

原理解释：在图像边缘区域，利用图像梯度，找到处于边缘处的梯度相反点对。

原理解释：由之前4步得到可靠边缘后，计算边界处的梯度方向，也就是边缘的方向。边缘处一般为深度有效值与无效值的边界。我们记，深度从有效往无效值变换的方向为边界的方向。如果，两点的边缘梯度是相反，则说明两点边缘在同一边的两面，边缘之间的区域为钢卷表面。如果两点梯度相同，则边缘之间区域为松卷造成的深度值无效的沟壑区域。

如图2所示，为钢卷横切面。黑色代表钢卷，中间白色部分为钢卷之间的沟壑。若两点梯度方向相反，则该点对位于同一钢卷的两侧，点队之间为钢卷；若两点梯度相向，则点对之间为钢卷之间的沟壑。

具体步骤：任选边缘上一点，根据点得梯度方向，延梯度方向，进行搜索，直至找到另一个边缘上的点，从而形成点对。再根据原理所述，通过梯度的夹角判断边缘之间是否为沟壑区域。若不是，则重新找点。若是，则进入步骤六。

步骤六：利用点对之间距离，并结合深度信息，判断是否为松卷情况。对于所有点对，结合深度图信息，判断点对之间距离大小和点对之间是否为沟壑，从而检测是否有超过设定阈值的松卷产生。利用沟壑点对之间距离，计算沟壑的宽度，若宽度大过阈值，则判断为松卷情况。

为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (10)

1.一种钢卷松卷的自动检测方法，包括对钢卷表面采集深度数据，其特征在于，还包括以下步骤：

步骤1：将所述深度数据去噪后，将深度图映射为同等大小的灰度图像；

步骤2：对所述灰度图利用soble算子进行图像梯度检测；

步骤3：对边缘进行连通域分析，通过前景像素面积，去除噪声区域；

步骤4：在图像边缘区域，利用图像梯度，找到处于边缘处的梯度相反点对；

步骤5：利用点对之间距离，并结合深度信息，判断是否为松卷情况。

2.如权利要求1所述的钢卷松卷的自动检测方法，其特征在于：所述步骤1包括子步骤：

步骤11：将深度数据，按照图片的格式，展开成2维矩阵；

步骤12：对2维矩阵上的点，根据其深度值的有效性，映射到值0或者200，判定标准为其中，GrayValue表示转化成灰度图后的灰度值，Dep_Value表示深度值，Threshold表示深度阈值；

步骤13：把非连续点和离散点设置为0；

步骤14：将映射后的值变换为灰度值，生成由灰度图像。

3.如权利要求2所述的钢卷松卷的自动检测方法，其特征在于：所述步骤2包括利用横向Sobel算子和纵向Sobel算子，对图片进行计算梯度变化和边缘信息。

4.如权利要求3所述的钢卷松卷的自动检测方法，其特征在于：所述横向Sobel算子的计算公式为其中，G_x表示X方向上的灰度梯度变化，I表示原始图像。

5.如权利要求4所述的钢卷松卷的自动检测方法，其特征在于：Y所述纵向Sobel算子的计算公式为其中，G_y表示Y方向上的灰度梯度变化。

6.如权利要求5所述的钢卷松卷的自动检测方法，其特征在于：所述步骤3包括对边缘二值化图像，进行连通域分析，通过前景像素面积，来去除噪声边缘，得到有效边缘。

7.如权利要求6所述的钢卷松卷的自动检测方法，其特征在于：所述步骤4包括对于边缘上的点，利用梯度下降的方向，寻找点对。

8.如权利要求7所述的钢卷松卷的自动检测方法，其特征在于：如果两个点的边缘梯度相反，则两点边缘在同一边的两面，边缘之间的区域为钢卷表面。

9.如权利要求8所述的钢卷松卷的自动检测方法，其特征在于：如果两个点的边缘梯度相同，则边缘之间的区域为松卷造成的深度值无效的沟壑区域。

10.如权利要求1所述的钢卷松卷的自动检测方法，其特征在于：所述步骤5包括利用沟壑点对之间距离，计算沟壑的宽度，若宽度大过阈值，则判断为松卷情况。