CN112489025A - 一种连铸坯表面凹坑缺陷识别方法 - Google Patents

一种连铸坯表面凹坑缺陷识别方法 Download PDF

Info

Publication number
CN112489025A
CN112489025A CN202011421381.2A CN202011421381A CN112489025A CN 112489025 A CN112489025 A CN 112489025A CN 202011421381 A CN202011421381 A CN 202011421381A CN 112489025 A CN112489025 A CN 112489025A
Authority
CN
China
Prior art keywords
continuous casting
point
points
point cloud
casting billet
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.)
Pending
Application number
CN202011421381.2A
Other languages
English (en)
Inventor
代芹芹
蔡佳兴
范益
杨文秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Iron and Steel Co Ltd
Original Assignee
Nanjing Iron and Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Iron and Steel Co Ltd filed Critical Nanjing Iron and Steel Co Ltd
Priority to CN202011421381.2A priority Critical patent/CN112489025A/zh
Publication of CN112489025A publication Critical patent/CN112489025A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种连铸坯表面凹坑缺陷识别统计方法，采用3D视觉对连铸坯修磨过程中呈现的凹坑及其深度进行识别，进而能够实现对凹坑数量的自动统计。该方法一方面可取代人工现场对凹坑进行识别统计，节约人工成本，消除安全风险，提高现场的安全指数；另一方面可实现连续实时识别统计，提高计数效率，采集的数据更加全面具体，为连铸工艺改进提供数据支撑。

Description

一种连铸坯表面凹坑缺陷识别方法
技术领域
本发明涉及一种表面质量判断方法，具体涉及一种连铸坯表面凹坑缺陷识别方法。
背景技术
镍系钢连铸坯在进加热炉准备轧制之前，一般通过修磨去除表面的凹坑、裂纹等缺陷，由于凹坑的深度不同，修磨过少，凹坑不能完全去除，在后期轧制过程中容易产生裂纹、凹坑等缺陷，修磨过多，则增加镍系钢损耗。
一般连铸修磨后的表面凹坑通过人工统计，由于修磨现场具有运转的大型设备、移动的行车，这些为统计人员增加了危险系数，另外修磨间隔较长，又增加了时间成本。
发明内容
发明目的：为了克服现有技术的缺陷，本发明提供一种连铸坯表面凹坑缺陷识别方法，该方法能够识别出连铸坯表面的凹坑，取代人工进行识别统计。
技术方案：本发明所述的一种连铸坯表面凹坑缺陷识别统计方法，包括如下步骤：
(1)拍摄修磨完成的连铸坯表面，获取连铸坯3D点云图像；
(2)使用下采样算法对3D点云图像进行简化处理；
(3)对每个点的邻域进行统计分析，根据经验设定标准值a，剔除大于标准值a的邻域点，以去除离散点；
(4)使用区域生长算法分割提取点云中的每一类，进行聚类分割；
(5)将标定板放在连铸坯的表面，拍摄获取标定板的3D点云图像，根据标定板的3D点云图像校准连铸坯的基准面；
(6)根据分割出的每一类结果的深度信息Z值和基准面，进行凹坑识别并判断凹坑深度。
其中，所述步骤(1)中，采用位置固定的3D相机拍摄获取连铸坯的3D点云图像。
具体的，所述步骤(3)中，去除离散点的步骤包括：
(3.1)对于每个点，计算它到所有相邻点的平均距离；连铸坯3D点云图像的点云分布是高斯分布，计算出一个均值μ和一个标准差σ；
(3.2)这个邻域点集中，与其邻域距离在a＝μ+std_mul*σ区间之外的点都被视为离群点，从点云数据中去除；其中，std_mul是标准差倍数的一个经验阈值。
所述步骤(4)中，聚类分割的步骤包括：
(4.1)根据点的曲率值对点云进行排序，定义曲率最小的点为初始种子点，区域生长算法从初始种子点开始生长；
(4.2)设置一空的聚类区域C和空的种子点序列Q，将选好的初始种子点加入种子点序列，并搜索该种子点的领域点，计算每一个领域点法线与种子点法线之间的夹角，小于设定的经验平滑阈值时，将领域点加入到聚类区域C中，同时判断该领域点的曲率值是否小于经验曲率阈值，将小于经验曲率阈值的领域点加入种子点序列Q中，在Q中重新选择新的种子点重复该步骤，直到Q中序列为空，完成聚类分割。
所述步骤(5)中，基准面校准时，3D相机的位置保持与步骤(1)的位置一致。
进一步的，所述步骤(5)中，拍摄获取标定板的3D点云图像后，对标定板的3D点云图像进行步骤(2)、(3)、(4)的处理计算，得到3D相机与标定板的距离Z1，计算得到3D相机与基准面的距离Z3＝Z1+Z2，其中，Z2为标定板的厚度。
所述步骤(6)中，根据分割出的每一类结果计算其质心坐标(X,Y,Z)，得到其深度信息Z值，将深度信息Z值与Z3进行差值计算，得到Z4＝Z3-Z，当Z4<0时，则判定该位置为凹坑，并根据Z4的大小判断凹坑的深度，当Z4＝0时，则判定该位置为平面。
有益效果：与现有技术相比，该方法采用3D视觉对连铸坯修磨过程中呈现的凹坑及其深度进行识别，进而能够实现对凹坑数量的自动统计，一方面可取代现场人工识别统计，节约人工成本，消除工人的安全风险，提高现场的安全指数；另一方面可连续实时识别统计，提高计数效率，采集的数据更加全面具体，为连铸工艺改进提供数据支撑。
附图说明
图1是本发明的方法流程图；
图2是本发明实施例中3D相机采样示意图。
具体实施方式
如图1、2所示，该连铸坯表面凹坑缺陷识别方法在实施前将3D相机2通过支架3固定在修磨后的辊道上方，视觉检测位置、方向、角度始终保持不变。
识别步骤包括：
(1)采用3D相机2拍摄修磨完成的连铸坯1表面，获取连铸坯3D点云图像；
具体的，当修磨完成时，连铸坯1行进至视觉检测位置，光电传感器4检测到连铸坯1来料信号时，触发3D相机2拍照，得到PCD格式的连铸坯点云图。
(2)使用下采样算法对3D点云图像进行简化处理；
该函数对输入的点云数据创建一个三维体素栅格，每个体素内用体素中所有点的重心来近似显示体素中其他点，这样该体素内所有点都用一个重心点最终表示。它的优点是可以在下采样的时候保存点云的形状特征。可以减少点云数据量，提高运算速度。
(3)对每个点的邻域进行统计分析，根据经验设定标准值a，剔除大于标准值a的邻域点，以去除离散点；
去除离散点的步骤包括：
(3.1)对于每个点，计算它到所有相邻点的平均距离；连铸坯3D点云图像的点云分布是高斯分布，计算出一个均值μ和一个标准差σ；
(3.2)这个邻域点集中，与其邻域距离在a＝μ+std_mul*σ区间之外的点都被视为离群点，从点云数据中去除；其中，std_mul是标准差倍数的一个经验阈值。
(4)使用区域生长算法分割提取点云中的每一类，进行聚类分割；
聚类分割的步骤包括：
(4.1)根据点的曲率值对点云进行排序，定义曲率最小的点为初始种子点，区域生长算法从初始种子点开始生长；
(4.2)设置一空的聚类区域C和空的种子点序列Q，将选好的初始种子点加入种子点序列，并搜索该种子点的领域点，计算每一个领域点法线与种子点法线之间的夹角，小于设定的经验平滑阈值时，将领域点加入到聚类区域C中，同时判断该领域点的曲率值是否小于经验曲率阈值，将小于经验曲率阈值的领域点加入种子点序列Q中，在Q中重新选择新的种子点重复该步骤，直到Q中序列为空，完成聚类分割。
(5)将标定板放在连铸坯1的表面，采用3D相机2拍摄获取标定板的3D点云图像，拍摄获取标定板的3D点云图像后，对标定板的3D点云图像进行步骤(2)、(3)、(4)的处理计算，得到3D相机与标定板的距离Z1，计算得到3D相机与基准面的距离Z3＝Z1+Z2，其中，Z2为标定板的厚度。
(6)根据分割出的每一类结果的深度信息Z值和基准面，进行凹坑识别并判断凹坑深度，具体根据分割出的每一类结果计算其质心坐标(X,Y,Z)，得到其深度信息Z值，将深度信息Z值与Z3进行差值计算，得到Z4＝Z3-Z，当Z4<0时，则判定该位置为凹坑，并根据Z4的大小判断凹坑的深度，当Z4＝0时，则判定该位置为平面。
识别凹坑后，进而可以实现对凹坑数量的实时统计，并可以根据Z4的大小对凹坑的深度划分等级。

Claims (7)

1.一种连铸坯表面凹坑缺陷识别方法，其特征在于，包括如下步骤：
(1)拍摄修磨完成的连铸坯表面，获取连铸坯3D点云图像；
(2)使用下采样算法对3D点云图像进行简化处理；
(3)对每个点的邻域进行统计分析，根据经验设定标准值a，剔除大于标准值a的邻域点，以去除离散点；
(4)使用区域生长算法分割提取点云中的每一类，进行聚类分割；
(5)将标定板放在连铸坯的表面，拍摄获取标定板的3D点云图像，根据标定板的3D点云图像校准连铸坯的基准面；
(6)根据分割出的每一类结果的深度信息Z值和基准面，进行凹坑识别并判断凹坑深度。
2.根据权利要求1所述的连铸坯表面凹坑缺陷识别方法，其特征在于，所述步骤(1)中，采用位置固定的3D相机拍摄获取连铸坯的3D点云图像。
3.根据权利要求1所述的连铸坯表面凹坑缺陷识别方法，其特征在于，所述步骤(3)中，去除离散点的步骤包括：
(3.1)对于每个点，计算它到所有相邻点的平均距离；连铸坯3D点云图像的点云分布是高斯分布，计算出一个均值μ和一个标准差σ；
(3.2)这个邻域点集中，与其邻域距离在a＝μ+std_mul*σ区间之外的点都被视为离群点，从点云数据中去除；其中，std_mul是标准差倍数的一个经验阈值。
4.根据权利要求1所述的连铸坯表面凹坑缺陷识别方法，其特征在于，所述步骤(4)中，聚类分割的步骤包括：
(4.1)根据点的曲率值对点云进行排序，定义曲率最小的点为初始种子点，区域生长算法从初始种子点开始生长；
(4.2)设置一空的聚类区域C和空的种子点序列Q，将选好的初始种子点加入种子点序列，并搜索该种子点的领域点，计算每一个领域点法线与种子点法线之间的夹角，小于设定的经验平滑阈值时，将领域点加入到聚类区域C中，同时判断该领域点的曲率值是否小于经验曲率阈值，将小于经验曲率阈值的领域点加入种子点序列Q中，在Q中重新选择新的种子点重复该步骤，直到Q中序列为空，完成聚类分割。
5.根据权利要求2所述的连铸坯表面凹坑缺陷识别方法，其特征在于，所述步骤(5)中，基准面校准时，3D相机的位置保持与步骤(1)的位置一致。
6.根据权利要求5所述的连铸坯表面凹坑缺陷识别方法，其特征在于，所述步骤(5)中，拍摄获取标定板的3D点云图像后，对标定板的3D点云图像进行步骤(2)、(3)、(4)的处理计算，得到3D相机与标定板的距离Z1，计算得到3D相机与基准面的距离Z3＝Z1+Z2，其中，Z2为标定板的厚度。
7.根据权利要求6所述的连铸坯表面凹坑缺陷识别方法，其特征在于，所述步骤(6)中，根据分割出的每一类结果计算其质心坐标(X,Y,Z)，得到其深度信息Z值，将深度信息Z值与Z3进行差值计算，得到Z4＝Z3-Z，当Z4<0时，则判定该位置为凹坑，并根据Z4的大小判断凹坑的深度，当Z4＝0时，则判定该位置为平面。
CN202011421381.2A 2020-12-07 2020-12-07 一种连铸坯表面凹坑缺陷识别方法 Pending CN112489025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011421381.2A CN112489025A (zh) 2020-12-07 2020-12-07 一种连铸坯表面凹坑缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011421381.2A CN112489025A (zh) 2020-12-07 2020-12-07 一种连铸坯表面凹坑缺陷识别方法

Publications (1)

Publication Number Publication Date
CN112489025A true CN112489025A (zh) 2021-03-12

Family

ID=74940485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011421381.2A Pending CN112489025A (zh) 2020-12-07 2020-12-07 一种连铸坯表面凹坑缺陷识别方法

Country Status (1)

Country Link
CN (1) CN112489025A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486741A (zh) * 2021-06-23 2021-10-08 中冶南方工程技术有限公司 一种料场料堆点云台阶识别方法
CN113486854A (zh) * 2021-07-29 2021-10-08 北京超维世纪科技有限公司 基于深度相机实现工业类巡检机器人的识别检测算法
CN113592862A (zh) * 2021-09-27 2021-11-02 武汉科技大学 钢板表面缺陷的点云数据分割方法、系统、设备、介质
CN115239625A (zh) * 2022-06-21 2022-10-25 厦门微图软件科技有限公司 顶盖焊点云缺陷检测方法、装置、设备及存储介质
CN115311277A (zh) * 2022-10-11 2022-11-08 南通美乐柯材料科技有限公司 一种不锈钢制品的凹坑缺陷识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033520A (zh) * 2012-12-26 2013-04-10 天津市三特电子有限公司 热连铸钢坯表面质量检测方法
CN109242828A (zh) * 2018-08-13 2019-01-18 浙江大学 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法
CN109272523A (zh) * 2018-08-13 2019-01-25 西安交通大学 基于改进cvfh和crh特征的随机堆放活塞位姿估计方法
CN110033447A (zh) * 2019-04-12 2019-07-19 东北大学 一种基于点云方法的高铁重轨表面缺陷检测方法
CN110223267A (zh) * 2018-03-14 2019-09-10 浙江大学山东工业技术研究院 基于高度直方图分割的耐火砖深度缺陷的识别方法
CN110400296A (zh) * 2019-07-19 2019-11-01 重庆邮电大学 连铸坯表面缺陷双目扫描与深度学习融合识别方法及系统
CN110672007A (zh) * 2019-09-24 2020-01-10 佛山科学技术学院 一种基于机器视觉的工件表面质量检测方法及系统
CN110779933A (zh) * 2019-11-12 2020-02-11 广东省智能机器人研究院 基于3d视觉传感阵列的表面点云数据获取方法和系统
CN111080627A (zh) * 2019-12-20 2020-04-28 南京航空航天大学 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法
CN111311576A (zh) * 2020-02-14 2020-06-19 易思维（杭州）科技有限公司 基于点云信息的缺陷检测方法
CN111696210A (zh) * 2020-04-22 2020-09-22 北京航天控制仪器研究所 一种基于三维点云数据特征轻量化的点云重构方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033520A (zh) * 2012-12-26 2013-04-10 天津市三特电子有限公司 热连铸钢坯表面质量检测方法
CN110223267A (zh) * 2018-03-14 2019-09-10 浙江大学山东工业技术研究院 基于高度直方图分割的耐火砖深度缺陷的识别方法
CN109242828A (zh) * 2018-08-13 2019-01-18 浙江大学 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法
CN109272523A (zh) * 2018-08-13 2019-01-25 西安交通大学 基于改进cvfh和crh特征的随机堆放活塞位姿估计方法
CN110033447A (zh) * 2019-04-12 2019-07-19 东北大学 一种基于点云方法的高铁重轨表面缺陷检测方法
CN110400296A (zh) * 2019-07-19 2019-11-01 重庆邮电大学 连铸坯表面缺陷双目扫描与深度学习融合识别方法及系统
CN110672007A (zh) * 2019-09-24 2020-01-10 佛山科学技术学院 一种基于机器视觉的工件表面质量检测方法及系统
CN110779933A (zh) * 2019-11-12 2020-02-11 广东省智能机器人研究院 基于3d视觉传感阵列的表面点云数据获取方法和系统
CN111080627A (zh) * 2019-12-20 2020-04-28 南京航空航天大学 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法
CN111311576A (zh) * 2020-02-14 2020-06-19 易思维（杭州）科技有限公司 基于点云信息的缺陷检测方法
CN111696210A (zh) * 2020-04-22 2020-09-22 北京航天控制仪器研究所 一种基于三维点云数据特征轻量化的点云重构方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
汤勃;孔建益;伍世虔;: "机器视觉表面缺陷检测综述", 中国图象图形学报, no. 12 *
王冲;李锻能;邓君裕;赵靖;: "改进法线方向的点云实时分割提取平面方法研究", 计算机测量与控制, no. 05 *
王时丽 等: "基于机器视觉的钢轨表面缺陷三维检测方法", 《微型机与应用》, pages 10 - 13 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486741A (zh) * 2021-06-23 2021-10-08 中冶南方工程技术有限公司 一种料场料堆点云台阶识别方法
CN113486854A (zh) * 2021-07-29 2021-10-08 北京超维世纪科技有限公司 基于深度相机实现工业类巡检机器人的识别检测算法
CN113592862A (zh) * 2021-09-27 2021-11-02 武汉科技大学 钢板表面缺陷的点云数据分割方法、系统、设备、介质
CN115239625A (zh) * 2022-06-21 2022-10-25 厦门微图软件科技有限公司 顶盖焊点云缺陷检测方法、装置、设备及存储介质
CN115311277A (zh) * 2022-10-11 2022-11-08 南通美乐柯材料科技有限公司 一种不锈钢制品的凹坑缺陷识别方法

Similar Documents

Publication Publication Date Title
CN112489025A (zh) 一种连铸坯表面凹坑缺陷识别方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN109816664B (zh) 一种三维点云分割方法及装置
CN110153567A (zh) 一种基于图像识别的激光切割系统
CN108896547A (zh) 基于机器视觉的耐火砖测量系统
CN109859160B (zh) 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法
CN105551064A (zh) 一种基于图像特征估计堆料体积变化率的方法
CN108133191A (zh) 一种适用于室内环境的实时物体识别方法
CN107392954B (zh) 一种基于序列图像的粗大误差点剔除方法
CN112595276B (zh) 一种基于深度学习的输电线路覆冰厚度检测方法
CN108596873A (zh) 基于高度直方图分割的耐火砖深度缺陷的识别方法
WO2022233096A1 (zh) 一种基于深度视觉的钢坯最优剪切控制方法及装置
CN105719266A (zh) 基于纹理特征聚类的磁瓦表面缺陷检测方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN112785596B (zh) 基于dbscan聚类的点云图螺栓分割和高度测量方法
CN115018838A (zh) 用于被氧化钢管材料表面麻点瑕疵的识别方法
CN110717900B (zh) 基于改进Canny边缘检测算法的受电弓磨耗检测方法
CN115541601A (zh) 一种基于机器视觉的钢材低倍数字化检测方法
CN115082410A (zh) 基于图像处理的卡簧缺陷检测方法
CN112330653A (zh) 一种基于图像识别技术的矿石粒度在线检测方法
CN106570877A (zh) 基于采煤机虚拟样机与真实图像配准的采煤机位姿定位系统及方法
CN114049340A (zh) 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置
CN113538393A (zh) 棒线材原料坯弯曲检测方法、装置、设备及可读存储介质
CN113436102A (zh) 一种加工零件表面缺陷检测方法
CN110276260B (zh) 一种基于深度摄像头的商品检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210312