CN112122364B - 一种冷轧带钢表面波纹度的测量方法 - Google Patents

Abstract

本发明公开了一种冷轧带钢表面波纹度的测量方法，包括以下步骤：1)对带钢表面图像的获取；2)图像信息的提取；3)图像指标的设计与选择；4)建立评价指标与波纹度间的关系；5)根据对应的评价指标，确定波纹度的大小。本发明解决了现有技术中使用的灰度图片所能提取的信息有限、测量精度低的问题。

Description

一种冷轧带钢表面波纹度的测量方法

技术领域

本发明涉及冷轧带钢表面波纹度的测量方法，更具体地说，涉及一种冷轧带钢表面波纹度的测量方法，特别涉及运用机器视觉技术并结合彩色图片分析图像质量进而获取冷轧带钢表面波纹度的方法。

背景技术

表面波纹度是用来衡量冷轧带钢特性的重要技术指标之一，直接影响着冷轧产品的产品质量。目前传统的接触式测量已无法满足要求，而具备无损、全场、实时在线测量等优点的非接触测量被广泛应用。非接触测量方法主要包括以下三种：

1)光学测量，因受到测量范围小、测量环境要求高、工作效率低以及设备费用高等因素的影响，很难实现在工程邻域内的在线应用；

2)电子测量，以电极在工件表面做非接触的相对运动，通过电容传感器得到的反馈信号代表电极直径覆盖下工件表面的形貌特征，其测量精度易受到电极的直径大小、电极的运动速度和设备的灵敏度等因素的影响，且其测量效率也较低；

3)机器视觉测量，基于光学原理，通过控制工业相机采集图像表面图像，然后对图像中与表面波纹度参数有关的特征指标进行提取，

从而获得表面波纹度值，其单次测量范围较大，过程简单，效率较高。

随着图像处理技术的不断提高，使得基于机器视觉方法的冷轧带钢质量测量方法不断革新，因相机与工件不需要接触，避免了因接触而造成的测量误差，并且基于机器视觉的测量方法不是线采样测量，可获取被测工件表面的多维信息，因此波纹度的测量结果精度更高。

当前基于机器视觉的波纹度测量方法中，大多数指标均是基于灰度图片而忽略了彩色图片多维性的优势。

发明内容

针对现有技术中存在的上述缺陷，本发明的目的是提供一种冷轧带钢表面波纹度的测量方法，解决了现有技术中使用的灰度图片所能提取的信息有限、测量精度低的问题。

为实现上述目的，本发明采用如下技术方案：

一种冷轧带钢表面波纹度的测量方法，包括以下步骤：

1)对带钢表面图像的获取；

2)图像信息的提取；

3)图像指标的设计与选择；

4)建立评价指标与波纹度间的关系；

5)根据对应的评价指标，确定波纹度的大小。

所述步骤1)中，采用红绿组合光源照射带钢表面，并通过CCD相机对带钢表面反射图像进行采集，并传至计算机。

所述计算机来计算理想点与凸起点在成像传感器上所成像之间的距离δ，计算公式如下：

δ＝k·Δh

上式中，k为比例因子，是为常数值，由光学测量系统的放大率决定，Δh为带钢表面上微小峰谷幅值。

所述步骤2)中，采用LabVIEW中的image to arrayVI对图像信息进行处理，将图像转换成可以使用Matlab进行处理的二维矩阵。

所述步骤3)中，在图像的采样区域每个像素点位置记为(i，j)，i＝1，2，…N，j＝1，2，…M，M×N为采样区域大小。

当红绿背景光源照射至带钢表面时，红绿光源在带钢表面形成的虚像从光洁平面的红绿分明到粗糙表面的红绿混叠，且混叠区域随着波纹度增大而增大，因此，当采样区域一定时，未混叠区域逐渐减少，而根据能量守恒定律，表面形成的虚像点单个像素的能量要比光洁表面形成的虚像点单个像素能量小，因此未混叠区域的能量在减小，能量差公式如下：

上式中，M×N为采样区域大小，R(i，j)为采样区域像素点(i，j)的红色分量的能量，G(i，j)为采样区域像素点(i，j)的绿色分量的能量。

常用的基于灰度图片波纹度评价指标有空间域的灰度等级算数平均值Ga、RR指标以及频率域的平均功率谱F₃，采用这3个指标ED指标进行性能比较，计算方法如下:

上式中，M×N为采样区域大小，g(i，j)、g_m分别为采样区域每个像素点的灰度值以及灰度平均值，SD_g、RMS_g分别为采样区域灰度值的标准方差、灰度等级分布的根平均平方，P(u,v)为灰度图片在频域空间的功率谱函数，S＝M×N－1。

在上述的技术方案中，本发明所提供的一种冷轧带钢表面波纹度的测量方法，提供一种结合机器视觉技术和彩色图片能量差评价指标的冷轧带钢表面波纹度测量方法，所述测量方法测量结果准确、测量精度高且不易受外界因素干扰，有利于提升带钢产品的质量。根据红绿光源在带钢表面不同波纹度产生的虚像混叠情况不同，采用彩色图片能量差(ED)指标用于带钢表面波纹度测量，测量精度更高。

附图说明

图1是本发明测量方法冷轧带钢表面波纹度的成像原理图；

图2是本发明测量方法点光源及其虚像模型图，(a)波纹度为R1，(b)波纹度为R2；

图3是本发明测量方法测量装置框架图；

图4是冷轧带钢表面的原图；

图5是本发明测量方法冷轧带钢表面的采样图；

图6是本发明测量方法应用彩色图片能量差指标(ED)、空间域的灰度等级算数平均值指标(Ga)、Luk F等人提出的RR指标与波纹度关系的曲线对比图(RR评价指标引自文献LUK F,HUYNH V,NORTH W.Measurement ofsurface roughness by a machine visionsystem)；

图7是本发明测量方法的流程图。

具体实施方式

下面结合附图和实施例进一步说明本发明的技术方案。

请结合图1至图7所示，本发明所提供的一种冷轧带钢表面波纹度的测量方法，包括以下步骤：

1)对带钢表面图像的获取。采用红绿组合光源照射带钢表面，并通过CCD相机对带钢表面反射图像进行采集，并传至计算机，其成像的基本原理如图1所示：

点光源发射的光线照射到粗糙表面的放大模型图，成微小θ角度的两束光线分别照射到A1、A2点处，Δh为带钢表面上微小峰谷幅值，δ为理想点与凸起点在成像传感器上所成像之间的距离。当测量装置及相机参数固定时，点光源在带钢表面所成虚像大小会随着波纹度的增大而增大，计算公式如下所示：

δ＝k·Δh

因此通过测量成像传感器上所成像之间的距离δ，便可得到带钢便面的微小峰谷幅值差，即带钢表面的波纹度大小情况。

如图3所示，为了使带钢样件表面波纹度的深度变化体现的更明显，并且为了使相机成像时能够垂直于反射的虚像，本实施例使带钢样件检测面垂直于工作台，红绿组合光源与工作台夹角为45°，相机光轴与工作台的夹角也为45°。

2)图像信息的提取。由于采集的彩色图像是一个三维图像，本质上是由矩阵构成的，因此采用LabVIEW中的image to arrayVI对图像信息进行处理，将图像转换成可以使用Matlab进行处理的二维矩阵。

3)图像指标的设计与选择。图2(a)、(b)中，虚线表示图像大小，实线表示采样区域，采样区域每个像素点位置记为(i，j)，i＝1，2，…N，j＝1，2，…M，M×N为采样区域大小。

当红绿背景光源照射至带钢表面时，红绿光源在带钢表面形成的虚像从光洁平面的红绿分明到粗糙表面的红绿混叠，且混叠区域随着波纹度增大而增大，因此，当采样区域一定时，未混叠区域逐渐减少，而根据能量守恒定律，表面形成的虚像点单个像素的能量要比光洁表面形成的虚像点单个像素能量小，因此未混叠区域的能量在减小，能量差公式如下：

上式中，M×N为采样区域大小，R(i，j)为采样区域像素点(i，j)的红色分量的能量，G(i，j)为采样区域像素点(i，j)的绿色分量的能量。

常用的基于灰度图片波纹度评价指标有空间域的灰度等级算数平均值Ga、RR指标以及频率域的平均功率谱F₃，采用这3个指标ED指标进行性能比较，计算方法如下:

上式中，M×N为采样区域大小，g(i，j)、g_m分别为采样区域每个像素点的灰度值以及灰度平均值，SD_g、RMS_g分别为采样区域灰度值的标准方差、灰度等级分布的根平均平方，P(u,v)为灰度图片在频域空间的功率谱函数，S＝M×N－1。

4)建立评价指标与波纹度间的关系。基于空间域的ED、Ga、RR随波纹度的增大而递减，且采用彩色图片的ED指标测量波纹度具有一定的优越性。

5)根据对应的评价指标，确定波纹度的大小。

数据处理与分析主要包含以下两部分：

图像采样：图像采样时尽量保证红色区域与绿色区域面积相等，且应包含黄色混叠区域。如图4、图5所示，对比触针式线性采样，机器视觉有明显的优势。

建立评价指标与波纹度间的关系：表1所示为带钢表面的波纹度数值及其对应的各特征指标数值。从表1中可得，基于空间域的ED、Ga、RR随波纹度的增大而递减，说明可采用基于空间域的ED、Ga、RR指标对带钢表面的波纹度测量，同时证明了设计的ED指标的合理性；而因带钢表面纹理随机性较大，基于频域空间的F₃指标并不适用。

表1波纹度及其对应的各指标数值

图6为根据表1数据绘制得到的各特征指标与波纹度之间的点画线及对应的最小二乘最优拟合曲线。从图6中可以直观的看出ED、Ga、RR波纹度间的关联性。对比图6中的拟合曲线可得到，相比Ga、RR与Wa的拟合曲线，ED的拟合曲线与试验所得数据更为吻合，说明采用彩色图片指标测量波纹度具有一定优越性。

本实施例先利用LabVIEW获取磨削表面反射图片，对彩色图片中的特征信息进行提取，再通过MATLAB根据波纹度与图像质量之间的数学关系模型计算表面波纹度，最后，利用LabVIEW强大的图形界面开发功能，对测量结果进行展示，实现了对带钢表面波纹度的精准在线测量，提高冷轧带钢表面波纹度的检测精度。

本实施例中，采用皮尔逊线性相关系数(PLCC)、平均绝对误差(MAE)、根平均平方误差(RMS)三个指标相结合，表征预测模型具备的可准确测力量波纹度的能力，即测量精度。表2为基于不同指标波纹度预测模型的性能评价。

表2基于不同指标波纹度预测模型的性能评价

从表2中可以看出，相比Ga、RR，基于ED的波纹度预测模型测量精度最高，其PLCC、MAE、RMS分别为0.989、0.083、0.096；故采用彩色图片进行波纹度测量较采用传统的灰度图片的测量精度高。

以上所述为本发明的实施例，本发明的波纹度测量方法可有效提高带钢表面波纹度的测量精度。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (2)

1.一种冷轧带钢表面波纹度的测量方法，其特征在于，包括以下步骤：

1)对带钢表面图像的获取；

2)图像信息的提取；

3)图像指标的设计与选择；

4)建立评价指标与波纹度间的关系；

5)根据对应的评价指标，确定波纹度的大小，

所述步骤1)中，采用红绿组合光源照射带钢表面，并通过CCD相机对带钢表面反射图像进行采集，并传至计算机，

所述计算机来计算理想点与凸起点在成像传感器上所成像之间的距离δ，计算公式如下：

δ＝k·Δh

上式中，k为比例因子，是为常数值，由光学测量系统的放大率决定，Δh为带钢表面上微小峰谷幅值，

所述步骤2)中，采用LabVIEW中的image to arrayVI对图像信息进行处理，将图像转换成可以使用Matlab进行处理的二维矩阵，

所述步骤3)中，在图像的采样区域每个像素点位置记为(i，j)，i＝1，2，…N，j＝1，2，…M，M×N为采样区域大小，

当红绿组合光源照射至带钢表面时，红绿组合光源在带钢表面形成的虚像从光洁平面的红绿分明到粗糙表面的红绿混叠，且混叠区域随着波纹度增大而增大，因此，当采样区域一定时，未混叠区域逐渐减少，而根据能量守恒定律，表面形成的虚像点单个像素的能量要比光洁表面形成的虚像点单个像素能量小，因此未混叠区域的能量在减小，能量差公式如下：

上式中，M×N为采样区域大小，R(i，j)为采样区域像素点(i，j)的红色分量的能量，G(i，j)为采样区域像素点(i，j)的绿色分量的能量。

2.如权利要求1所述的一种冷轧带钢表面波纹度的测量方法，其特征在于：常用的基于灰度图片波纹度评价指标有空间域的灰度等级算数平均值Ga、RR指标以及频率域的平均功率谱F₃，采用这3个指标进行性能比较，计算方法如下:

上式中，M×N为采样区域大小，g(i，j)、g_m分别为采样区域每个像素点的灰度值以及灰度平均值，SD_g、RMS_g分别为采样区域灰度值的标准方差、灰度等级分布的根平均平方，P(u,v)为灰度图片在频域空间的功率谱函数，S＝M×N－1。

Images