CN111899230B - 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 - Google Patents
基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 Download PDFInfo
- Publication number
- CN111899230B CN111899230B CN202010681192.2A CN202010681192A CN111899230B CN 111899230 B CN111899230 B CN 111899230B CN 202010681192 A CN202010681192 A CN 202010681192A CN 111899230 B CN111899230 B CN 111899230B
- Authority
- CN
- China
- Prior art keywords
- section
- casting blank
- values
- low
- quality
- 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
- 238000005266 casting Methods 0.000 title claims abstract description 81
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 65
- 239000010959 steel Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011002 quantification Methods 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 76
- 238000005204 segregation Methods 0.000 claims abstract description 22
- 229910045601 alloy Inorganic materials 0.000 claims description 34
- 239000000956 alloy Substances 0.000 claims description 34
- 239000002253 acid Substances 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 16
- 238000005530 etching Methods 0.000 claims description 13
- 239000000523 sample Substances 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008520 organization Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000005498 polishing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009749 continuous casting Methods 0.000 description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 11
- 229910052799 carbon Inorganic materials 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 229910000746 Structural steel Inorganic materials 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 229910000677 High-carbon steel Inorganic materials 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000010249 in-situ analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Abstract
本发明公开了一种基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法，包括以下步骤：（1）获取钢铸坯断面的低倍组织；（2）测量断面低倍组织的三维特征（XY面灰度值与Z轴高度值）；（3）低倍组织不同区域质量信息多尺度量化表达；（4）低倍组织质量自动多级评判。本发明针对钢铸坯中偏析、疏松缩孔、裂纹与夹杂物缺陷，本发明方法综合低倍组织断面三维特征，能够降低对低倍组织图像质量的依赖，适用对象更广，结果更为准确，可以实现全区域或特定位置质量信息的多尺度精细量化表达，并通过构建缺陷特征值与评判等级关系方程实现缺陷自动多级评判，从而更好满足大数据智能控制要求。
Description
技术领域
本发明涉及钢铸坯组织及缺陷检测领域，尤其涉及基于钢铸坯低倍组织三维特征的质量量化及自动多级评判的检测方法。
背景技术
钢铸坯的质量状况包含偏析、疏松缩孔、裂纹与夹杂物等众多缺陷，且每类缺陷往往表现出比较复杂的特征(如形状)。为了解决钢铸坯质量统一评判的问题，目前采用的方法是建立标准缺陷评级图。如以连铸钢坯为例，现有YB/T4002—2013《连铸钢方坯低倍组织缺陷评级图》、YB/T4003—2016《连铸钢板坯低倍组织缺陷评级图》与YB/T153—2015《优质结构钢连铸坯低倍组织缺陷评级图》等国家标准。缺陷评级图统一的使用方法是将实际铸坯的低倍组织图与标准图进行形状大小数目半定量对比；各类缺陷以工程师目视可见为限，起评级别均为0.5级；各类缺陷评级图片由0.5级至3.0级6个级别组成，随着缺陷严重程度(大小数目)而递增，同时也有在此基础上再根据形状差别分为A、B、C三类。通过现有方法，针对某一钢铸坯的某类缺陷，至多产生19种不同结果(即0；A0.5、A1.0…A3.0；B0.5、B1.0…B3.0；C0.5、C1.0…C3.0)。但是，随着我国智能制造的快速发展，各种大数据技术逐渐应用于生产控制的各个环节；数字化是网络化与智能化等新一代智能制造发展方向基石；因此按照现有钢铸坯低倍组织缺陷评级图而得出的有限铸坯质量情况并不能有效反映实际铸坯各方面复杂的质量信息，更不能满足制造行业转型升级的发展需求。与此同时，由于现有钢铸坯低倍组织缺陷评级基本均是通过工程师根据经验人工完成，因此评判结果时常受人为因素而波动，也难以满足高端钢铁产品对质量稳定性与一致性的高要求。
发明内容
本发明旨在提供一种基于钢铸坯低倍组织三维特征的质量量化及自动多级评判的检测方法，利用该方法克服现有钢铸坯人工图像评级方法的质量信息少、结果偏差大等不足，实现铸坯质量全方位量化准确表达，并满足智能制造背景下对过程大数据的要求。
本发明的技术方案：一种基于钢铸坯低倍组织三维特征的质量量化的方法，其特征在于，包括以下步骤：
(1)获取钢铸坯断面的低倍组织：钢铸坯断面磨平(粗糙度不大于1.6μm)，利用国家标准GB/T226-2015《钢的低倍组织及缺陷酸蚀检验法》进行酸蚀实验，然后清洗表面吹干获得断面的低倍组织；
(2)测量断面低倍组织的三维特征：首先利用高清数码相机或影像仪或扫描仪获得低倍组织图像并将其转化为灰度图且计算出对应二维面不同XY坐标位置的灰度值；然后利用激光/白光共聚焦表面形貌仪或干涉/探针轮廓仪获取低倍组织表面不同位置Z坐标(纵向)的高度值；
(3)低倍组织不同区域质量信息多尺度量化表达：首先利用低倍组织的灰度值或高度值获取的铸坯断面不同位置不同尺度下合金元素含量，然后再利用低倍组织的灰度值或高度值获取铸坯断面特定缺陷区域不同尺度下高度值，最后综合不同位置含量及高度值获得钢铸坯质量全区域精细量化图谱。其中，断面不同位置合金元素含量通过其与灰度值或高度值的正/负相关关系获得，高度值通过直接测量或其与灰度值的正/负相关关系获得。
一种基于钢铸坯低倍组织三维特征的质量量化的自动多级评判的方法，其特征在于，包括以下步骤：
(1)按照工艺要求对钢铸坯断面进行打磨、酸蚀，获取钢铸坯断面的低倍组织；
(2)测量断面低倍组织的三维特征，获得灰度值与高度值：利用数码相机或影像仪或扫描仪获得断面低倍组织图像，并将其转化为灰度图，再计算出二维面不同XY坐标位置的灰度值；然后利用激光/白光共聚焦表面形貌仪或干涉/探针轮廓仪获取断面低倍组织表面不同位置Z轴方向的高度值；
(3)低倍组织不同区域质量信息多尺度量化表达：首先利用低倍组织的灰度值和/或高度值获取的铸坯断面不同位置不同计量尺度下合金元素含量，然后再利用低倍组织的灰度值和/或高度值获取铸坯断面特定缺陷区域不同尺度下高度值，最后综合不同位置合金元素含量及高度值获得钢铸坯断面全区域质量精细量化图谱，主要包括偏析、疏松缩孔、裂纹与夹杂物不同缺陷的类别、位置、尺寸、数目与形状的特征参数值；
(4)低倍组织质量自动评级：基于铸坯断面全区域的合金元素含量分布与不同区域特定位置的高度值，通过其与平均含量、平均高度值的对比，确定明显偏离平均值异常区域的类别、位置、尺寸、数目与形状等特征；然后利用计算机通过与国家标准缺陷评级图中缺陷级别规定特征的对比自动确定偏析、疏松缩孔、裂纹与夹杂物等缺陷的等级。以连铸钢坯为例，对比标准为YB/T4002—2013《连铸钢方坯低倍组织缺陷评级图》、YB/T4003—2016《连铸钢板坯低倍组织缺陷评级图》、YB/T153—2015《优质结构钢连铸坯低倍组织缺陷评级图》等。同时，基于对缺陷多尺度的量化表达，利用已知评判结果通过建立缺陷特征值与评判等级之间的关系方程，可对于处于国家标准两个紧邻缺陷级别之间的新样本质量可实现更为连续的多级自动评判。
进一步地，将钢铸坯断面磨平，粗糙度不大于1.6μm，采用国家标准GB/T226-2015的要求进行酸蚀实验，然后清洗表面吹干获得断面的低倍组织。
进一步地，断面不同位置合金元素含量通过其与灰度值或高度值的正/负相关关系获得，高度值通过直接测量或其与灰度值的正/负相关关系获得。
还有，在出现灰度值或高度值测量结果误差大时，通过对应位置的高度值或灰度值进行补偿测量。
进一步地，基于对缺陷不同计量尺度的量化表达，利用已知评判结果，通过建立缺陷特征值与评判等级之间的关系方程，能对于处于国家标准两个紧邻缺陷级别之间的新样本质量实现更为连续的多级自动评判。
本专利发明人通过多次研究发现：钢铸坯光滑表面经过酸蚀试验而呈现低倍组织的不同位置的灰度值或高度值均与其合金元素含量及缺陷特征相关。以82B高碳钢为例，碳元素含量与灰度值、表面高度值均呈现反比例关系(但关系方程式不同)，而铁元素含量与灰度值、表面高度值均呈现正比例关系。同时，灰度值除了受表面物相等因素影响外，也会受高度值的影响。现在，测量钢铸坯中合金元素含量分布的方法主要有化学分析、电子探针、金属原位分析等。以上方法虽然具有各自的优点，并在实践中得到了很多应用，但目前难获得铸坯大/全区域的合金元素含量分别，而只能对局部位置进行测量，这也是为什么对于整体钢铸坯质量的判断目前只能依据缺陷评级图而进行人工半定量表达的原因，从而也就难以满足现在对高端材料质量工艺精细优化的要求。因此，发明人提出先综合利用断面低倍组织三维特征(XY面灰度值与Z轴高度值)获得钢铸坯表面任意位置或区域的合金元素含量，然后对整体铸坯质量根据尺度进行精细量化表达(根据质量要求调整灰度值与高度值测量尺度实现)，再确定偏析区域大小形状等特征，从而实现与标准缺陷评级图自动对比，且能够根据所得质量信息构建缺陷特征值与评判等级的关系方程并以此实现多级连续自动评级，达到对铸坯不同质量的准确分辨与表达。同样，对于钢铸坯中疏松缩孔、裂纹与夹杂物等缺陷，也发现了类似的规律。由于疏松缩孔、裂纹在低倍组织的表面都表现出明显的高度值及灰度值变化，高度值变化同时也会引起灰度值的发生一定的改变；而三氧化二铝、硅酸盐等其大尺寸夹杂物也会由于酸洗实验而在低倍组织表面留下特定形状的空洞(如云朵状、球状)或由于物相不同呈现出不同的形貌，从而最终表现为不同位置点灰度值与高度值的不同；因此通过构建各自缺陷特征与低倍组织灰度值与高度值的关系可以实现对其对应缺陷特征的精细量化表达与自动多级评判。与此同时，由于现场酸洗过程问题导致低倍组织灰度值偏差较大时，可以采用对应的高度值进行补偿测量；同样当某类缺陷高度值太大导致形貌仪或轮廓仪测量结果偏差大时，可以采用对应的灰度值进行补偿测量。
综合以上，本发明具有如下有益结果：1.能够综合基于低倍组织灰度值和表面高度值的量化结果更为准确的获得钢铸坯断面合金元素偏析形态特征，疏松缩孔、裂纹与夹杂物等缺陷特征；能够降低对低倍组织图像质量的依赖，减少只利用单一参数计算结果所带来的误差，适用对象更广，结果更为准确。2.根据具体检测需要，由于质量信息通过灰度值与高度值获得，因此可以实现全区域或特定位置质量信息的多尺度精细量化表达；3.基于以上得到的量化图谱，利用计算机通过与标准缺陷评级图对比，实现自动评级，从而提高钢铸坯质量判断的准确性；4.由于所基于的缺陷特征可以大区域多尺度量化，因此，相对于现有方法中的间断评级(间隔为0.5)，能够根据质量要求实现连续多级评判，从而更好满足大数据智能控制要求。
附图说明
图1帘线钢连铸方坯中心区域XY断面碳元素质量百分数二维分布等高图；(40mm×40mm)；图1-1对应工艺1，图1-2对应工艺2。
图2帘线钢连铸方坯中心点位置低倍组织表面纵向(Z坐标)的高度值(单位：μm)。
图3帘线钢连铸方坯中心点位置基于高度值的碳元素含量分布。
图4帘线钢连铸方坯中心偏析面积与中心偏析等级关系图。
图5钢铸坯低倍组织质量量化及自动多级评判的实施步骤图。
具体实施方式
本发明一种基于钢铸坯低倍组织三维特征的质量量化方法，其特征在于，包括以下步骤：
(1)按照工艺要求对钢铸坯断面进行打磨、酸蚀，获取钢铸坯断面的低倍组织；
(2)测量断面低倍组织的三维特征，获得灰度值与高度值：利用数码相机或影像仪或扫描仪获得断面低倍组织图像，并将其转化为灰度图，再计算出二维面不同XY坐标位置的灰度值；然后利用激光/白光共聚焦表面形貌仪或干涉/探针轮廓仪获取断面低倍组织表面不同位置Z轴方向的高度值；
(3)低倍组织不同区域质量信息多尺度量化表达：首先利用低倍组织的灰度值和/或高度值获取的铸坯断面不同位置不同计量尺度下合金元素含量，然后再利用低倍组织的灰度值和/或高度值获取铸坯断面特定缺陷区域不同尺度下高度值，最后综合不同位置合金元素含量及高度值获得钢铸坯断面全区域质量精细量化图谱，主要包括偏析、疏松缩孔、裂纹与夹杂物类不同缺陷的类别、位置、尺寸、数目与形状的特征参数值。
本发明一种基于钢铸坯低倍组织三维特征的质量量化自动多级评判的方法，其特征在于，包括以下步骤：
(1)按照工艺要求对钢铸坯断面进行打磨、酸蚀，获取钢铸坯断面的低倍组织；
(2)测量断面低倍组织的三维特征，获得灰度值与高度值：利用数码相机或影像仪或扫描仪获得断面低倍组织图像，并将其转化为灰度图，再计算出二维面不同XY坐标位置的灰度值；然后利用激光/白光共聚焦表面形貌仪或干涉/探针轮廓仪获取断面低倍组织表面不同位置Z轴方向的高度值；
(3)低倍组织不同区域质量信息多尺度量化表达：首先利用低倍组织的灰度值和/或高度值获取的铸坯断面不同位置不同计量尺度下合金元素含量，然后再利用低倍组织的灰度值和/或高度值获取铸坯断面特定缺陷区域不同尺度下高度值，最后综合不同位置合金元素含量及高度值获得钢铸坯断面全区域质量精细量化图谱，主要包括偏析、疏松缩孔、裂纹与夹杂物不同缺陷的类别、位置、尺寸、数目与形状的特征参数值；
(4)低倍组织质量自动多级评判：基于铸坯断面全区域的合金元素含量分布与不同区域特定位置的高度值，通过其与平均含量、平均高度值的对比，确定明显偏离平均值异常区域的类别、位置、尺寸、数目与形状特征；然后利用计算机通过与国家标准缺陷评级图中缺陷级别规定特征的对比自动确定偏析、疏松缩孔、裂纹与夹杂物类缺陷的等级。
其中，将钢铸坯断面磨平，粗糙度不大于1.6μm，采用国家标准GB/T226-2015的要求进行酸蚀实验，然后清洗表面吹干获得断面的低倍组织。
其中，断面不同位置合金元素含量通过其与灰度值或高度值的正/负相关关系获得，高度值通过直接测量或其与灰度值的正/负相关关系获得。同时，灰度值或高度值测量结果误差大时，即与真实值的误差较大(如超过10％)而无法反映实际波动时，通过对应位置的高度值或灰度值进行补偿测量。
基于对缺陷不同计量尺度的量化表达，利用已知评判结果，通过建立缺陷特征值与评判等级之间的正相关关系方程，可对于处于国家标准两个紧邻缺陷级别之间的新样本质量可实现更为连续的多级自动评判。
实施例1：
以82B帘线钢(平均碳含量为0.82％)连铸方坯断面(150mm×150mm)为例，其基于钢铸坯低倍组织三维特征的质量全区域精细量化及自动多级评判的检测方法，实现步骤如下：
(1)获取钢铸坯断面的低倍组织：首先将钢铸坯断面磨平(粗糙度不大于1.6μm)，然后基于国家标准GB/T226-2015进行热酸侵蚀法实验，酸液成分为1：1(容积比)工业盐酸水溶液，温度为60℃—80℃，酸蚀时间为20分钟，酸侵后清洗表面吹干获得断面的低倍组织；
(2)测量断面低倍组织的三维特征：首先利用高清数码相机获得低倍组织图像并将其转化为灰度图且计算出对应二维面不同XY坐标位置的灰度值；然后利用激光共聚焦表面形貌仪获取低倍组织表面不同位置Z坐标(纵向)的高度值；
(3)低倍组织不同区域质量信息多尺度量化表达：首先利用低倍组织的灰度值获取的铸坯断面等轴晶中心区域40mm×40mm范围内碳元素含量(如图1所示)，然后由于中心点位置内部不同点的灰度值计算结果差别小且偏差较大(15.6％)，则再利用低倍组织的高度值获取铸坯等轴晶区域中心点位置(300μm×300μm)下高度值(如图2所示)，最后综合不同位置含量及高度值获得钢铸坯碳元素含量分布。其中，断面不同位置碳元素含量首先通过其与灰度值的负相关关系(其中一个典型算法如公式1所示)获得。
式中，Cig是相应位置的合金元素含量，gi是相应位置的灰度值，是图片的平均灰度值，/>是铸坯合金元素平均含量。
然后，对于中心点位置的合金元素含量通过高度值进行补偿测量，高度值与合金元素含量的一个典型关系如公式2所示。对应位置碳元素含量分布如图3所示。
式中，Cih是相应位置的合金元素等效含量，hi是相应位置的高度值，是所测区域的平均高度值，/>是所测区域合金元素平均含量，hmax为所测区域高度值的最大值。
(4)低倍组织质量自动评级：基于铸坯断面灰度值与高度值综合测量所得的碳元素含量分布，通过其与平均含量的对比，确定明显偏离平均值中心偏析(中心位置碳元素含量大于0.90％的区域)的位置、大小等特征；然后利用计算机通过与国家标准YB/T4002—2013《连铸钢方坯低倍组织缺陷评级图》缺陷评级图中缺陷级别规定特征的对比自动确定中心偏析的等级(如表1)。同时，基于对缺陷多尺度的量化表达，利用已知评判结果(如表1)通过建立缺陷特征值与评判等级之间的正相关关系方程(如图4所示，通常拟合为一条直线或多项式曲线，再利用该拟合线实现多级连续评判)，可对于处于国家标准两个紧邻缺陷级别之间的新样本质量可实现更为连续的多级自动评判；例如，新样本中心偏析面积基于前面灰度值与高度值所得为20.34mm2，则根据图4所拟合的关系方程(y＝0.0627x+0.0226，其中，x为中心偏析面积，y为缺陷对应的等级)，可将其缺陷等级量化为1.2979；相比于之前间隔为0.5等级精度的评判方法，其结果更为精细准确。对于铸坯断面上的其他缺陷，如疏松缩孔、裂纹与夹杂物等缺陷，采用与中心偏析相同的实施步骤可同样实现对其特征的量化表达与自动多级评判(如图5所示)。
表1帘线钢连铸方坯中心偏析等级自动评判结果
| 编号 | 中心偏析面积 | 中心偏析等级 |
| 工艺1 | 31.56mm2 | 2级 |
| 工艺2 | 7.62mm2 | 0.5级 |
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，尽管申请人参照较佳实施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，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于钢铸坯低倍组织三维特征的质量量化方法，其特征在于，包括以下步骤：
（1）按照工艺要求对钢铸坯断面进行打磨、酸蚀，获取钢铸坯断面的低倍组织；
（2）测量断面低倍组织的三维特征，获得灰度值与高度值：利用数码相机或影像仪或扫描仪获得断面低倍组织图像，并将其转化为灰度图，再计算出二维面不同XY坐标位置的灰度值；然后利用激光/白光共聚焦表面形貌仪或干涉/探针轮廓仪获取断面低倍组织表面不同位置Z轴方向的高度值；
（3）低倍组织不同区域质量信息多尺度量化表达：首先利用低倍组织的灰度值和高度值获取的铸坯断面不同位置不同计量尺度下合金元素含量，然后再利用低倍组织的灰度值和高度值获取铸坯断面缺陷区域不同尺度下高度值，最后综合不同位置合金元素含量及高度值获得钢铸坯断面全区域质量精细量化图谱，主要包括偏析、疏松缩孔、裂纹与夹杂物类不同缺陷的类别、位置、尺寸、数目与形状的特征参数值。
2.根据权利要求1所述的基于钢铸坯低倍组织三维特征的质量量化方法，其特征在于，将钢铸坯断面磨平，粗糙度不大于1.6μm，采用国家标准GB/T226-2015的要求进行酸蚀实验，然后清洗表面吹干获得断面的低倍组织。
3.根据权利要求1或2所述的基于钢铸坯低倍组织三维特征的质量量化方法，其特征在于，断面不同位置合金元素含量通过其与灰度值或高度值的正/负相关关系获得，高度值通过直接测量或其与灰度值的正/负相关关系获得。
4.根据权利要求3所述的基于钢铸坯低倍组织三维特征的质量量化方法，其特征在于，在出现灰度值或高度值测量结果误差大时，通过对应位置的高度值或灰度值进行补偿测量。
5.一种基于钢铸坯低倍组织三维特征的质量量化的自动多级评判的方法，其特征在于，包括以下步骤：
（1）按照工艺要求对钢铸坯断面进行打磨、酸蚀，获取钢铸坯断面的低倍组织；
（2）测量断面低倍组织的三维特征，获得灰度值与高度值：利用数码相机或影像仪或扫描仪获得断面低倍组织图像，并将其转化为灰度图，再计算出二维面不同XY坐标位置的灰度值；然后利用激光/白光共聚焦表面形貌仪或干涉/探针轮廓仪获取断面低倍组织表面不同位置Z轴方向的高度值；
（3）低倍组织不同区域质量信息多尺度量化表达：首先利用低倍组织的灰度值和高度值获取的铸坯断面不同位置不同计量尺度下合金元素含量，然后再利用低倍组织的灰度值和/或高度值获取铸坯断面缺陷区域不同尺度下高度值，最后综合不同位置合金元素含量及高度值获得钢铸坯断面全区域质量精细量化图谱，主要包括偏析、疏松缩孔、裂纹与夹杂物不同缺陷的类别、位置、尺寸、数目与形状的特征参数值；
（4）低倍组织质量自动多级评判：基于铸坯断面全区域的合金元素含量分布与不同区域特定位置的高度值，通过其与平均含量、平均高度值的对比，确定明显偏离平均值异常区域的类别、位置、尺寸、数目与形状特征；然后利用计算机通过与国家标准缺陷评级图中缺陷级别规定特征的对比自动确定偏析、疏松缩孔、裂纹与夹杂物类缺陷的等级。
6.根据权利要求5所述的基于钢铸坯低倍组织三维特征的质量量化的自动多级评判的方法，其特征在于，基于对缺陷不同计量尺度的量化表达，利用已知评判结果，通过建立缺陷特征值与评判等级之间的关系方程，能对于处于国家标准两个紧邻缺陷级别之间的新样本质量实现更为连续的多级自动评判。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010681192.2A CN111899230B (zh) | 2020-07-15 | 2020-07-15 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010681192.2A CN111899230B (zh) | 2020-07-15 | 2020-07-15 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111899230A CN111899230A (zh) | 2020-11-06 |
| CN111899230B true CN111899230B (zh) | 2023-11-17 |
Family
ID=73191270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010681192.2A Active CN111899230B (zh) | 2020-07-15 | 2020-07-15 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111899230B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669307A (zh) * | 2021-01-06 | 2021-04-16 | 大冶特殊钢有限公司 | 基于机器视觉的低倍酸蚀缺陷自动识别与评级的方法及系统 |
| CN113408947B (zh) * | 2021-07-15 | 2023-01-03 | 北京国联视讯信息技术股份有限公司 | 一种智能制造工业生产数据采集分析方法、设备及计算机存储介质 |
| CN113533332A (zh) * | 2021-08-10 | 2021-10-22 | 江西离子型稀土工程技术研究有限公司 | 一种基于断面图像特征的镨钕合金定性质检的方法 |
| CN115541601A (zh) * | 2022-11-30 | 2022-12-30 | 江苏永钢集团有限公司 | 一种基于机器视觉的钢材低倍数字化检测方法 |
| CN117876359A (zh) * | 2024-03-04 | 2024-04-12 | 金品计算机科技(天津)有限公司 | 一种橡胶制品缺陷检测方法、装置、设备及介质 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0186512A2 (en) * | 1984-12-28 | 1986-07-02 | Nippon Steel Corporation | Method for controlling solidification segregation of steel |
| US5083604A (en) * | 1988-08-08 | 1992-01-28 | Nippon Steel Corporation | Method for improving internal center segregation and center porosity of continuously cast strand |
| CN1259663A (zh) * | 1999-12-28 | 2000-07-12 | 上海宝钢集团公司 | 铸坯断面质量的自动评价方法 |
| CN101819150A (zh) * | 2010-04-21 | 2010-09-01 | 天津钢铁集团有限公司 | 一种连铸坯成分偏析的分析方法 |
| CN105158046A (zh) * | 2015-06-30 | 2015-12-16 | 江苏联峰能源装备有限公司 | 一种连铸坯低倍样的快速制备方法 |
| CN105203732A (zh) * | 2015-09-14 | 2015-12-30 | 武汉钢铁(集团)公司 | 弹簧钢铸坯成分偏析定量分析方法 |
| CN105445306A (zh) * | 2015-11-16 | 2016-03-30 | 南京钢铁股份有限公司 | 一种钢中元素偏析程度的评定方法 |
| CN105866124A (zh) * | 2016-06-06 | 2016-08-17 | 重庆大学 | 利用碳钢铸坯低倍组织灰度图获取碳元素含量分布的方法 |
| CN106404790A (zh) * | 2016-06-24 | 2017-02-15 | 邯郸市邯钢集团信达科技有限公司 | 一种板坯低倍质量等级自动评定系统及评定方法 |
| CN107543776A (zh) * | 2017-08-07 | 2018-01-05 | 河钢股份有限公司邯郸分公司 | 一种连铸坯中心致密度的检验方法 |
| CN107657108A (zh) * | 2017-09-22 | 2018-02-02 | 重庆大学 | 一种连铸坯宏观偏析预测方法 |
| CN109035221A (zh) * | 2018-07-10 | 2018-12-18 | 成都先进金属材料产业技术研究院有限公司 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
| CN109191459A (zh) * | 2018-09-30 | 2019-01-11 | 东北大学 | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 |
| CN109614710A (zh) * | 2018-12-12 | 2019-04-12 | 重庆大学 | 基于随机数学原理预测连铸坯元素偏析三维特征的方法 |
| CN109632811A (zh) * | 2019-01-07 | 2019-04-16 | 重庆赛宝工业技术研究院 | 基于机器视觉的结构钢锭型偏析缺陷检验量化评级方法 |
| CN109712141A (zh) * | 2019-01-07 | 2019-05-03 | 重庆赛宝工业技术研究院 | 连铸钢方坯中心偏析缺陷检验量化评级方法 |
| CN110070532A (zh) * | 2019-04-23 | 2019-07-30 | 江南大学 | 基于三维图像与二维图像特征结合的织物平整度评价方法 |
| CN110705539A (zh) * | 2019-11-12 | 2020-01-17 | 中冶赛迪技术研究中心有限公司 | 提高连铸坯低倍中心偏析评级精度的图像获取方法和系统 |
| CN111257086A (zh) * | 2020-04-10 | 2020-06-09 | 重庆大学 | 基于超声波与酸蚀反应综合作用显示钢组织及缺陷的检测方法 |
-
2020
- 2020-07-15 CN CN202010681192.2A patent/CN111899230B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0186512A2 (en) * | 1984-12-28 | 1986-07-02 | Nippon Steel Corporation | Method for controlling solidification segregation of steel |
| US5083604A (en) * | 1988-08-08 | 1992-01-28 | Nippon Steel Corporation | Method for improving internal center segregation and center porosity of continuously cast strand |
| CN1259663A (zh) * | 1999-12-28 | 2000-07-12 | 上海宝钢集团公司 | 铸坯断面质量的自动评价方法 |
| CN101819150A (zh) * | 2010-04-21 | 2010-09-01 | 天津钢铁集团有限公司 | 一种连铸坯成分偏析的分析方法 |
| CN105158046A (zh) * | 2015-06-30 | 2015-12-16 | 江苏联峰能源装备有限公司 | 一种连铸坯低倍样的快速制备方法 |
| CN105203732A (zh) * | 2015-09-14 | 2015-12-30 | 武汉钢铁(集团)公司 | 弹簧钢铸坯成分偏析定量分析方法 |
| CN105445306A (zh) * | 2015-11-16 | 2016-03-30 | 南京钢铁股份有限公司 | 一种钢中元素偏析程度的评定方法 |
| CN105866124A (zh) * | 2016-06-06 | 2016-08-17 | 重庆大学 | 利用碳钢铸坯低倍组织灰度图获取碳元素含量分布的方法 |
| CN106404790A (zh) * | 2016-06-24 | 2017-02-15 | 邯郸市邯钢集团信达科技有限公司 | 一种板坯低倍质量等级自动评定系统及评定方法 |
| CN107543776A (zh) * | 2017-08-07 | 2018-01-05 | 河钢股份有限公司邯郸分公司 | 一种连铸坯中心致密度的检验方法 |
| CN107657108A (zh) * | 2017-09-22 | 2018-02-02 | 重庆大学 | 一种连铸坯宏观偏析预测方法 |
| CN109035221A (zh) * | 2018-07-10 | 2018-12-18 | 成都先进金属材料产业技术研究院有限公司 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
| CN109191459A (zh) * | 2018-09-30 | 2019-01-11 | 东北大学 | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 |
| CN109614710A (zh) * | 2018-12-12 | 2019-04-12 | 重庆大学 | 基于随机数学原理预测连铸坯元素偏析三维特征的方法 |
| CN109632811A (zh) * | 2019-01-07 | 2019-04-16 | 重庆赛宝工业技术研究院 | 基于机器视觉的结构钢锭型偏析缺陷检验量化评级方法 |
| CN109712141A (zh) * | 2019-01-07 | 2019-05-03 | 重庆赛宝工业技术研究院 | 连铸钢方坯中心偏析缺陷检验量化评级方法 |
| CN110070532A (zh) * | 2019-04-23 | 2019-07-30 | 江南大学 | 基于三维图像与二维图像特征结合的织物平整度评价方法 |
| CN110705539A (zh) * | 2019-11-12 | 2020-01-17 | 中冶赛迪技术研究中心有限公司 | 提高连铸坯低倍中心偏析评级精度的图像获取方法和系统 |
| CN111257086A (zh) * | 2020-04-10 | 2020-06-09 | 重庆大学 | 基于超声波与酸蚀反应综合作用显示钢组织及缺陷的检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| "Computational Prediction Model of Macrosegregation in Continuously Casting Steel Blooms";Yingying Zhai;《2011 Second International Conference on Digital Manufacturing & Automation》;全文 * |
| "方坯连铸疏松及宏观偏析的模拟研究";董其鹏;《中国博士学位论文全文数据库 工程科技辑》;全文 * |
| 利用高分辨同步辐射Micro-CT定量三维表征含Ti铁素体不锈钢铸坯中氧化物夹杂;杨文;张立峰;任英;段豪剑;张莹;肖向辉;;金属学报(第02期);全文 * |
| 原位统计分布分析技术分析不同中低合金钢连铸板坯横截面上碳、硅、锰、磷、硫、铌、钛、钒;李美玲;王辉;杨植岗;冯晓旭;陈吉文;贾云海;王海舟;;冶金分析(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111899230A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111899230B (zh) | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 | |
| Kamaya | Measurement of local plastic strain distribution of stainless steel by electron backscatter diffraction | |
| Ni et al. | Measurement of concrete crack feature with android smartphone APP based on digital image processing techniques | |
| Nwaogu et al. | A non-contact 3D method to characterize the surface roughness of castings | |
| CN105548207B (zh) | 连铸坯中心疏松或缩孔的定量测定方法 | |
| CN116758077B (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
| Li et al. | Quantitative analysis of the irregularity of graphite nodules in cast iron | |
| JP2023511869A (ja) | マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステム | |
| CN107367510B (zh) | 一种高碳钢连铸坯等轴晶率的测定方法 | |
| CN115272322A (zh) | 一种基于数据处理的合金缺陷定量检测方法 | |
| CN107677677B (zh) | 一种连铸坯偏析程度定量化表征方法 | |
| CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 | |
| CN116465969B (zh) | 基于图像处理分析型砂粉用量对铸造质量影响的方法 | |
| CN115930833B (zh) | 一种大型腔体类铸造件的质量检测及矫形方法 | |
| CN113312812B (zh) | 一种冷成型钢构件初始几何缺陷生成方法 | |
| CN113240637B (zh) | 一种基于机器学习的墙面平整度信息化检测方法和系统 | |
| CN115170484A (zh) | 一种激光增材制造工件表面缺陷的表征与分类方法 | |
| Ayala-Landeros et al. | Correlation between roughness (Ra) and fractal dimension (D) using artificial vision systems for on-site inspection | |
| Koteras et al. | Measurement strategy as a determinant of the measurement uncertainty of an optical scanner | |
| CN114354541A (zh) | 大米加工精度检测方法及系统 | |
| Wang et al. | Stochastic Modeling of Corroded Surface Features of Structural Steel Under Sulfate Attack | |
| CN113899874B (zh) | 连铸板坯低倍检验中间裂纹的评定检测方法 | |
| CN114609358B (zh) | 一种针对既有锈蚀钢结构剩余性能评估方法 | |
| CN117890389A (zh) | 精烧制品表面质量在线检测方法、设备及其存储介质 | |
| CN112122364B (zh) | 一种冷轧带钢表面波纹度的测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |