CN112598621B - 一种冷轧带钢表面质量的智能判定方法 - Google Patents
一种冷轧带钢表面质量的智能判定方法 Download PDFInfo
- Publication number
- CN112598621B CN112598621B CN202011354774.6A CN202011354774A CN112598621B CN 112598621 B CN112598621 B CN 112598621B CN 202011354774 A CN202011354774 A CN 202011354774A CN 112598621 B CN112598621 B CN 112598621B
- Authority
- CN
- China
- Prior art keywords
- defect
- polymerization
- cold
- defects
- width
- 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
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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:a)将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为长宽聚合;b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。与现有技术相比,本发明提供的冷轧带钢表面质量的智能判定方法能够对冷轧带钢表面夹杂缺陷实现可靠、有效的聚合,从而提供更为准确的夹杂长度宽度信息,提高智能判定的准确性。本发明提供的关于“夹杂”缺陷聚合判定的方法在冷轧带钢表面质量智能判定上属于首创,对冷轧带钢表面质量智能判定奠定了基础,并且可在冷轧板带领域推广使用,具有广阔的应用前景。
Description
技术领域
本发明涉及冷轧带钢表面质量检查技术领域,更具体地说,是涉及一种冷轧带钢表面质量的智能判定方法。
背景技术
冷轧带钢表面质量智能判定系统的判定数据来源于表面质量检测仪。在传统的人工检查判定过程中,结合表面质量检查仪检测结果,将检测结果放大数倍后根据实际情况将本是一条夹杂缺陷,但是表面质量检查仪检测为数条夹杂进行人工聚合后判定。
由于冷轧带钢在经过轧制后,表面夹杂缺陷会延轧制方向延伸、拉长、缺陷出现断开(如图1所示),并不是完全以一条连续的直线行驶存在,这样表面质量检查仪就会将本是一条夹杂缺陷,检测为数条夹杂并输出(如图2所示);同时,表面夹杂缺陷会延轧制方向延伸、拉长、缺陷出现断开后,在同一条直线上由于个别断开部分灰度、长度、长宽比等参数与传统夹杂缺陷不合,表面质量检测仪会将其检测为其他缺陷如:条痕、划伤等缺陷输出(如图3所示);这样严重影响了智能判定的准确性。
发明内容
有鉴于此,本发明的目的在于提供一种冷轧带钢表面质量的智能判定方法,能够对冷轧带钢表面夹杂缺陷实现可靠、有效的聚合,从而提供更为准确的夹杂长度宽度信息,提高智能判定的准确性。
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:
a)将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为长宽聚合;
b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。
优选的,步骤a)中所述获得任意缺陷信息的方式为采用表面质量检测仪对冷轧带钢进行表面缺陷检测。
优选的,步骤a)中所述汇总的任意缺陷信息包括基础分类器对缺陷进行的初次分类结果、缺陷在表面的相对位置和缺陷的长宽。
优选的,步骤a)中所述缺陷聚合的过程具体为:
a1)生成任意缺陷与其相邻的同类型缺陷的连通图,得到多个连通子图;
a2)聚合多个连通子图的结果,得到长宽聚合缺陷结果;
a3)分别计算上述长宽聚合缺陷结果的稳定度和凝聚度,拒绝稳定度不好的聚合和凝聚度不好的聚合,得到聚合后缺陷结果。
优选的,步骤a1)中所述连通图根据缺陷的长度阈值和宽度阈值进行限定,将同时满足上述长度阈值和宽度阈值的缺陷生成连通图;
|Pi,L-Pj,R|≤宽度阈值;
|Pi,T-Pj,B|≤长度阈值;
其中,Pi代表任意缺陷信息,Pj代表任意缺陷相邻的同类型缺陷信息;L、 R、T、B代表缺陷左、右、上、下四个位置。
优选的,步骤a3)中所述稳定度从冷轧带钢横轴维度评估缺陷的聚合度;所述稳定度的计算方式具体为:
计算长宽聚合缺陷结果的宽度的标准差,标准差越低对应越稳定的聚合缺陷。
优选的,步骤a3)中所述凝聚度从冷轧带钢纵轴维度评估缺陷的聚合度;所述凝聚度的计算方式具体为:
计算长宽聚合缺陷结果的纵轴的有效长度占比,占比越高对应越凝聚的聚合缺陷。
优选的,步骤a3)中所述拒绝稳定度不好的聚合和凝聚度不好的聚合的依据为预先设定的稳定度阈值和凝聚度阈值。
优选的,所述稳定度阈值和凝聚度阈值根据各厂家对夹杂的理解以及表面质量检测仪检测的敏感度确定。
优选的,步骤b)中所述判定的方式为人工检查判定或机器检查判定。
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:a) 将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为长宽聚合;b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。与现有技术相比,本发明提供的冷轧带钢表面质量的智能判定方法能够对冷轧带钢表面夹杂缺陷实现可靠、有效的聚合,从而提供更为准确的夹杂长度宽度信息,提高智能判定的准确性。本发明提供的关于“夹杂”缺陷聚合判定的方法在冷轧带钢表面质量智能判定上属于首创,对冷轧带钢表面质量智能判定奠定了基础,并且可在冷轧板带领域推广使用,具有广阔的应用前景。
附图说明
图1为冷轧带钢在经过轧制后表面夹杂缺陷延轧制方向延伸、拉长、缺陷出现断开的示意图;
图2为表面质量检查仪将本是一条夹杂缺陷检测为数条夹杂并输出的示意图;
图3为表面质量检测仪将本是一条夹杂缺陷检测为其他缺陷并输出的示意图;
图4为本发明实施例生成的缺陷连通图的示意图。
具体实施方式
下面将结合本发明实施例,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:
a)将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为长宽聚合;
b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。
本发明首先将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷。在本发明中,所述获得任意缺陷信息的方式优选为采用表面质量检测仪对冷轧带钢进行表面缺陷检测。本发明对所述表面质量检测仪的型号和来源没有特殊限制,采用本领域技术人员熟知的市售产品即可。在本发明优选的实施例中,所述表面质量检测仪为美国康耐视公司SmartView-6。
在本发明中,所述汇总的任意缺陷信息优选包括基础分类器对缺陷进行的初次分类结果、缺陷在表面的相对位置和缺陷的长宽。在本发明优选的实施例中,任意缺陷i的信息其中ci为基础分类器对缺陷进行的初次分类结果,xi,yi为缺陷在表面的相对位置,li,wi为缺陷的长宽。确定缺陷需要考虑的周围缺陷的距离范围。
在本发明中,由于表面质量检测仪本身特点,连续的缺陷有可能被识别成独立的多个小缺陷,因而需要把独立的不同缺陷通过位置上的信息特点,重新聚合成同样的一类缺陷。
在本发明中,所述缺陷聚合的方式为长宽聚合;本为连续的一条缺陷,但在表面质量检测仪中有可能被识别成多条独立的缺陷,通过位置方面的信息,相邻的同类型缺陷可被重新聚合;本发明称这种聚合方式为长宽聚合,是基于检测到的缺陷的上下左右的边部信息,进行的聚合。
在本发明中,所述缺陷聚合的过程优选具体为:
a1)生成任意缺陷与其相邻的同类型缺陷的连通图,得到多个连通子图;
a2)聚合多个连通子图的结果,得到长宽聚合缺陷结果;
a3)分别计算上述长宽聚合缺陷结果的稳定度和凝聚度,拒绝稳定度不好的聚合和凝聚度不好的聚合,得到聚合后缺陷结果。
本发明首先生成任意缺陷与其相邻的同类型缺陷的连通图,得到多个连通子图。本发明基于长度方向、宽度方向距离限制,搜索生成连通图;可参见图4所示,图4为本发明实施例生成的缺陷连通图的示意图。
本发明为了进行缺陷聚合,首先生成任意缺陷与其相邻的同类型缺陷的连通图;所述连通图根据缺陷的长度阈值和宽度阈值进行限定,将同时满足上述长度阈值和宽度阈值的缺陷生成连通图。
具体限定规则如下:
|Pi,L-Pj,R|≤宽度阈值;
|Pi,T-Pj,B|≤长度阈值;
其中,Pi代表任意缺陷信息,Pj代表任意缺陷相邻的同类型缺陷信息;下标L、R、T、B代表缺陷左、右、上、下四个位置。
满足要求的缺陷可以生成连通图(图4),限于冷轧带钢的长度执行上述步骤a1)后,本发明会得到多个连通子图;本发明进一步聚合多个连通子图的结果,得到长宽聚合缺陷结果。
得到所述长宽聚合缺陷结果后,本发明分别计算上述长宽聚合缺陷结果的稳定度和凝聚度,拒绝稳定度不好的聚合和凝聚度不好的聚合,得到聚合后缺陷结果。
在本发明中,所述稳定度从冷轧带钢横轴维度(聚合后的缺陷)评估缺陷的聚合度,即聚合后的缺陷的聚合度。在本发明中,所述稳定度的计算方式优选具体为:
计算长宽聚合缺陷结果的宽度的标准差,标准差越低对应越稳定的聚合缺陷。
在本发明中,所述凝聚度从冷轧带钢纵轴维度(相似缺陷)评估缺陷的聚合度,即相似缺陷的凝聚度。在本发明中,所述凝聚度的计算方式优选具体为:
计算长宽聚合缺陷结果的纵轴的有效长度占比,占比越高对应越凝聚的聚合缺陷。
在本发明中,所述拒绝稳定度不好的聚合和凝聚度不好的聚合的依据为预先设定的稳定度阈值和凝聚度阈值;其中,稳定度数值高于稳定度阈值记为稳定度不好;凝聚度数值低于凝聚度阈值记为凝聚度不好。在本发明中,所述稳定度阈值(具体数字)和凝聚度阈值(具体数字)根据各厂家对夹杂的理解(夹杂严重程度)以及表面质量检测仪检测的敏感度确定。本发明采用上述过程能够筛选过滤掉稳定度低的聚合和凝聚度低的聚合缺陷。
经过上述步骤后,本发明将得到的聚合后缺陷结果输出,即输出满足条件的聚合后缺陷。
最后,本发明依据输出的聚合后缺陷对冷轧带钢表面质量进行判定,得到冷轧带钢表面质量的判定结果。在本发明中,所述判定的方式优选为人工检查判定或机器检查判定。
本发明提供的冷轧带钢表面质量的智能判定方法能够对冷轧带钢表面夹杂缺陷实现可靠、有效的聚合,从而提供更为准确的夹杂长度宽度信息,提高智能判定的准确性。本发明提供的关于“夹杂”缺陷聚合判定的方法在冷轧带钢表面质量智能判定上属于首创,实用性好,对冷轧带钢表面质量智能判定奠定了基础,并且可在冷轧板带领域推广使用,具有广阔的应用前景。
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:a) 将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为长宽聚合;b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。与现有技术相比,本发明提供的冷轧带钢表面质量的智能判定方法能够对冷轧带钢表面夹杂缺陷实现可靠、有效的聚合,从而提供更为准确的夹杂长度宽度信息,提高智能判定的准确性。本发明提供的关于“夹杂”缺陷聚合判定的方法在冷轧带钢表面质量智能判定上属于首创,对冷轧带钢表面质量智能判定奠定了基础,并且可在冷轧板带领域推广使用,具有广阔的应用前景。
为了进一步说明本发明,下面通过以下实施例进行详细说明。
实施例
采用表面质量检测仪对冷轧带钢进行表面缺陷检测;检测结果出现有多个夹杂缺陷,中间断续,通过直接统计,夹杂最长长度只有300mm。
采用本发明上述技术方案将可聚合的夹杂进行聚合后,得到的最大长度达到1400mm,且长宽聚合缺陷结果的稳定度为20mm(稳定度阈值为40mm),凝聚度为30%(凝聚度阈值为20%),满足该场景下的要求,因此该聚合合理;最终依据该长度的夹杂缺陷判定该钢卷不符合要求,避免了质量事故的发生。
所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种冷轧带钢表面质量的智能判定方法,包括以下步骤:
a)将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为长宽聚合;所述缺陷聚合的过程具体为:
a1)生成任意缺陷与其相邻的同类型缺陷的连通图,得到多个连通子图;所述连通图根据缺陷的长度阈值和宽度阈值进行限定,将同时满足上述长度阈值和宽度阈值的缺陷生成连通图;
|Pi,L-Pj,R|≤宽度阈值;
|Pi,T-Pj,B|≤长度阈值;
其中,Pi代表任意缺陷信息,Pj代表任意缺陷相邻的同类型缺陷信息;L、R、T、B代表缺陷左、右、上、下四个位置;
a2)聚合多个连通子图的结果,得到长宽聚合缺陷结果;
a3)分别计算上述长宽聚合缺陷结果的稳定度和凝聚度,拒绝稳定度不好的聚合和凝聚度不好的聚合,得到聚合后缺陷结果;所述稳定度从冷轧带钢横轴维度评估缺陷的聚合度;所述稳定度的计算方式具体为:
计算长宽聚合缺陷结果的宽度的标准差,标准差越低对应越稳定的聚合缺陷;所述凝聚度从冷轧带钢纵轴维度评估缺陷的聚合度;所述凝聚度的计算方式具体为:
计算长宽聚合缺陷结果的纵轴的有效长度占比,占比越高对应越凝聚的聚合缺陷;所述拒绝稳定度不好的聚合和凝聚度不好的聚合的依据为预先设定的稳定度阈值和凝聚度阈值;所述稳定度阈值和凝聚度阈值根据各厂家对夹杂的理解以及表面质量检测仪检测的敏感度确定;
b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。
2.根据权利要求1所述的智能判定方法,其特征在于,步骤a)中所述获得任意缺陷信息的方式为采用表面质量检测仪对冷轧带钢进行表面缺陷检测。
3.根据权利要求1所述的智能判定方法,其特征在于,步骤a)中所述汇总的任意缺陷信息包括基础分类器对缺陷进行的初次分类结果、缺陷在表面的相对位置和缺陷的长宽。
4.根据权利要求1所述的智能判定方法,其特征在于,步骤b)中所述判定的方式为人工检查判定或机器检查判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354774.6A CN112598621B (zh) | 2020-11-27 | 2020-11-27 | 一种冷轧带钢表面质量的智能判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354774.6A CN112598621B (zh) | 2020-11-27 | 2020-11-27 | 一种冷轧带钢表面质量的智能判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598621A CN112598621A (zh) | 2021-04-02 |
CN112598621B true CN112598621B (zh) | 2022-07-19 |
Family
ID=75184422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011354774.6A Active CN112598621B (zh) | 2020-11-27 | 2020-11-27 | 一种冷轧带钢表面质量的智能判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598621B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252682B (zh) * | 2021-04-15 | 2022-12-16 | 首钢集团有限公司 | 提高表面质量检测系统识别带钢表面缺陷准确率的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163141A (zh) * | 2011-12-14 | 2013-06-19 | 鞍钢股份有限公司 | 基于嵌入式图像处理系统的带钢表面在线检测系统及方法 |
CN109709099A (zh) * | 2018-12-29 | 2019-05-03 | 宝钢湛江钢铁有限公司 | 一种智能识别带钢表面缺陷的方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4639858B2 (ja) * | 2005-03-07 | 2011-02-23 | Jfeスチール株式会社 | 表面欠陥検査方法及びその装置 |
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 |
JP4919988B2 (ja) * | 2008-03-07 | 2012-04-18 | 株式会社日立ハイテクノロジーズ | 回路パターン検査装置、および回路パターン検査方法 |
CN104914111B (zh) * | 2015-05-18 | 2018-08-03 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
CN108020554A (zh) * | 2017-10-31 | 2018-05-11 | 无锡港湾网络科技有限公司 | 一种带钢表面缺陷识别检测方法 |
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 |
-
2020
- 2020-11-27 CN CN202011354774.6A patent/CN112598621B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163141A (zh) * | 2011-12-14 | 2013-06-19 | 鞍钢股份有限公司 | 基于嵌入式图像处理系统的带钢表面在线检测系统及方法 |
CN109709099A (zh) * | 2018-12-29 | 2019-05-03 | 宝钢湛江钢铁有限公司 | 一种智能识别带钢表面缺陷的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112598621A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103267764B (zh) | 基于邻域信息评估的热轧钢板表面缺陷图像识别方法 | |
CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
CN102096921B (zh) | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 | |
CN102982313B (zh) | 烟雾检测的方法 | |
CN102658298B (zh) | 一种适用于热轧薄规格带钢的板形质量在线判定方法 | |
CN101996405A (zh) | 一种快速的玻璃图像缺陷检测及分类方法及其装置 | |
CN112598621B (zh) | 一种冷轧带钢表面质量的智能判定方法 | |
CN106683076A (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN104785535B (zh) | 一种基于模糊算法的冷轧平坦度质量判定方法 | |
Biswas et al. | Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis | |
CN103455820A (zh) | 基于机器视觉技术的车辆检测和跟踪方法及系统 | |
CN105445607A (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
CN115239632B (zh) | 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法 | |
CN113112470B (zh) | 一种基于人工智能的冷轧过程钢材弯曲检测分析方法 | |
CN101995412A (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN102005049B (zh) | 基于单边广义高斯模型的sar图像变化检测阈值方法 | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
CN113781483B (zh) | 工业产品外观缺陷检测方法和装置 | |
CN106408563A (zh) | 一种基于变异系数的雪花噪声检测方法 | |
CN109919298B (zh) | 基于长短时记忆网络的机场跑道刻槽自动识别与测量方法 | |
WO2015085817A1 (zh) | 一种多光谱券类质量检测方法和系统 | |
CN110020686B (zh) | 一种基于群智感知传感数据的路面异常检测方法 | |
CN115115624B (zh) | 一种电缆桥架的防腐涂层滚轧损伤检测方法 | |
Li et al. | Detection of small size defects in belt layer of radial tire based on improved faster r-cnn |
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 |