CN113030422A - 基于表检仪检测的冷轧带钢质量判定的方法 - Google Patents
基于表检仪检测的冷轧带钢质量判定的方法 Download PDFInfo
- Publication number
- CN113030422A CN113030422A CN202110231597.0A CN202110231597A CN113030422A CN 113030422 A CN113030422 A CN 113030422A CN 202110231597 A CN202110231597 A CN 202110231597A CN 113030422 A CN113030422 A CN 113030422A
- Authority
- CN
- China
- Prior art keywords
- defects
- quality
- cold
- rolled strip
- defect
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
- G01N33/204—Structure thereof, e.g. crystal structure
- G01N33/2045—Defects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及冷轧带钢表面质量检测领域,具体涉及一种基于表检仪检测的冷轧带钢质量判定的方法,实现了通过表检仪数据对冷轧带钢进行统一标准的质量判定,避免了对人工经验的依赖,提高了质量判定的效率与准确性。技术方案包括:采集表检仪检测的冷轧带钢的表面缺陷数据;对缺陷数据进行分析,确认缺陷大小、类型以及位置;结合缺陷识别模型将确认后的缺陷对比每一条表检规则,计算出缺陷与表检规则的符合度;将符合度从高到低进行排序,从最高符合度开始,选择N个符合度对应的缺陷作为主缺陷,然后再得出冷轧带钢质量分选度、表判码以及置信度;最后根据主缺陷、分选度、表判码以及置信度对钢卷质量进行最终判定。本发明适用于冷轧带钢质量判定。
Description
技术领域
本发明涉及冷轧带钢表面质量检测领域,具体涉及一种基于表检仪检测的冷轧带钢质量判定的方法。
背景技术
通过表检仪对冷轧带钢进行质量检测是目前最为常见的冷轧带钢质量检测方法,但目前使用的表检仪检测冷轧带钢表面质量的效果参差不齐,且存在各种各样的误差,容易导致质量判定不准确;所以在实际操作中,都会在表检仪检测完成后,进行人工复查。
但人工复查也存在诸多问题:检测人员的经验不同,导致判定规则标准不统一;对缺陷不能保持长时间的记忆,导致判定结果与实物不一致;长时间肉眼识别容易疲劳,出现漏判误判。
发明内容
本发明的目的是提供一种基于表检仪检测的冷轧带钢质量判定的方法,实现了通过表检仪数据对冷轧带钢进行统一标准的质量判定,避免了对人工经验的依赖,提高了质量判定的效率与准确性。
本发明采取如下技术方案实现上述目的,基于表检仪检测的冷轧带钢质量判定的方法,包括:
步骤1、采集表检仪检测的冷轧带钢的表面缺陷数据;
步骤2、对表面缺陷数据进行分析,确认缺陷大小、类型以及位置;
步骤3、结合缺陷识别模型将确认后的缺陷对比每一条表检规则,计算出缺陷与表检规则的符合度;
步骤4、将符合度从高到低进行排序,从最高符合度开始,选择N个符合度对应的缺陷作为主缺陷,N为大于等于1的整数;
步骤5、结合质量管理规则和缺陷识别模型,根据分选度判定信息得出冷轧带钢质量分选度;
步骤6、根据缺陷数据以及设定的质量目标,得出用于质量判定的表判码,并对表判码的准确性进行打分,根据打分结果得出置信度;
步骤7、根据主缺陷、分选度、表判码以及置信度对钢卷质量进行最终判定。
进一步的是,在步骤2中,对表面缺陷数据进行分析的方法包括:根据缺陷位置的信息特点,使用聚合的方式对缺陷进行分析,聚合方式为:
|Pi,L-Pj,R|≤宽度阈值;|Pi,T-Pj,B|≤长度阈值;其中i代表缺陷序号,下标L,R,T,B代表的是缺陷的上下左右四个位置的信息,Pi,L,Pj,R,Pi,T,Pj,B分别为冷轧带钢表面上的四个坐标。
进一步的是,在步骤2中,对表面缺陷数据进行分析的具体方法包括:
当缺陷在局部密集出现时,通过密度集合的方式,自动聚合邻近缺陷,所述邻近缺陷为距离小于等于设置第一阈值的两个同类别缺陷。
进一步的是,在步骤2中,所述对表面缺陷数据进行分析的具体方法还包括:对重点缺陷的二次识别,所述重点缺陷包括夹杂、孔洞、翘皮、平整斑以及焊缝。
进一步的是,在步骤3中,结合缺陷识别模型将确认后的缺陷对比每一条表检规则的具体方法包括:
缺陷识别模型基于每条表捡规则计算缺陷对表检规则的违反度,计算方式为:
其中x实际为缺陷实际的面积大小,x目标为缺陷目标面积大小;
若表检规则包括多个子规则,则总违反度为对所有子规则违反度的乘积,计算方式为:
进一步的是,在步骤3中,符合度的计算方式为:
F=max(100-10*logV,0),F表示符合度。
进一步的是,在步骤5中,根据分选度判定信息得出钢卷质量分选度的方法包括:
根据计算出的缺陷的违反度对对应的缺陷进行判定,违反度小于等于第二阈值时,则符合分选度判定要求,否则不符合;然后在所有缺陷满足的分选度判定要求中,选择分选度等级最低的作为冷轧带钢质量分选度。
进一步的是,在步骤6中,表判码的形式为:
本发明对表检仪检测的冷轧带钢的表面缺陷数据进行综合分析,确认缺陷大小、类型以及位置,并结合缺陷识别模型将缺陷与没条表检规则进行对比,计算缺陷与表检规则的符合度,然后根据符合度从高到低,依次选择多个缺陷作为主缺陷,然后依次得出冷轧带钢质量分选度,用于质量判定的表判码以及置信度;最后根据主缺陷、分选度、表判码以及置信度对钢卷质量进行最终判定;统一了标准,不再依赖人工经验,提高了质量判定的效率与准确性。
附图说明
图1是本发明基于表检仪检测的冷轧带钢质量判定的方法流程图。
具体实施方式
本发明基于表检仪检测的冷轧带钢质量判定的方法,其方法流程图如图1,包括:
步骤101、采集表检仪检测的冷轧带钢的表面缺陷数据;
步骤102、对表面缺陷数据进行分析,确认缺陷大小、类型以及位置;
步骤103、结合缺陷识别模型将确认后的缺陷对比每一条表检规则,计算出缺陷与表检规则的符合度;
步骤104、将符合度从高到低进行排序,从最高符合度开始,选择N个符合度对应的缺陷作为主缺陷,N为大于等于1的整数;
步骤105、结合质量管理规则和缺陷识别模型,根据分选度判定信息得出冷轧带钢质量分选度;
步骤106、根据缺陷数据以及设定的质量目标,得出用于质量判定的表判码,并对表判码的准确性进行打分,根据打分结果得出置信度;
步骤107、根据主缺陷、分选度、表判码以及置信度对钢卷质量进行最终判定。
由于表检仪本身特点,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,基于检测到的缺陷的上下左右的边部信息,进行聚合。
因此步骤102中,对表面缺陷数据进行分析的方法包括:根据缺陷位置的信息特点,使用聚合的方式对缺陷进行分析,聚合方式为:
|Pi,L-Pj,R|≤宽度阈值;|Pi,T-Pj,B|≤长度阈值;其中i代表缺陷序号,下标L,R,T,B代表的是缺陷的上下左右四个位置的信息,Pi,L,Pj,R,Pi,T,Pj,B分别为冷轧带钢表面上的四个坐标。
算法会对任意两个缺陷进行聚合评估,找出可以聚合的缺陷值进行聚合操作。其中宽度阈值与长度阈值可以通过规则引擎进行配置实现。
针对缺陷中出现的密集点状或块状缺陷而言,当缺陷在局部密集出现时,表检仪只能对单个缺陷进行识别,通过密度集合的方式,能自动聚合距离接近的缺陷,从而可以从整体情况评估出一小片的缺陷的面积影响,依赖输入为钢板缺陷的位置记录特征(如顶部距离,距左右端距离等),指定聚类邻域半径范围以及邻域核心的最少邻域点数,输出钢板缺陷的空间聚类结果,每个聚类的缺陷标签可由该聚类内不同缺陷的数量投票决定,两个同类别缺陷的距离小于等于100mm,即定义两个缺陷为邻近缺陷,并相互聚合为同一缺陷。
在统计缺陷信息的时候,将会把已合并的缺陷统一处理。在设计规则的时候,缺陷距离的大小也可以进行配置。
在步骤102中,所述对表面缺陷数据进行分析的具体方法还包括:对重点缺陷的二次识别,所述重点缺陷包括夹杂、孔洞、翘皮、平整斑(大范围内或单位范围内密度较大的斑)以及焊缝(上下表面同时横向高密度)。
其中,夹杂事残留在板坯内部的颗粒夹杂物经冷轧后沿轧制方向平行的黑色、灰黑色、灰白色长条状缺陷,无规律分布在带钢表面,一部分夹杂经过热轧后就暴露在表面,而有些夹杂需经过冷轧后才能暴露在表面。
孔洞是薄规格冷轧带钢中的一种常见缺陷,一般是指铸坯中的夹杂、卷渣以及表面裂纹等缺陷。
翘皮指高密度边部缺陷比例,主要分布在距板边缘20mm-30mm的区域,具有连续性和普遍性,表现为蛇状、块状或鱼鳞状等不规则形态。
在步骤3中,结合缺陷识别模型将确认后的缺陷对比每一条表检规则的具体方法包括:
缺陷识别模型将基于每条表捡规则计算缺陷对表检规则的违反度,计算方式为:
其中x实际为缺陷实际的面积大小,x目标为缺陷目标面积大小;
若表检规则包括多个子规则,则总违反度为对所有子规则违反度的乘积,计算方式为:
其符合度的计算方式为:F=max(100-10*logV,0),F表示符合度。
其中,表检规则为质量管理制定的表面质量检查规则。
步骤105中,根据分选度判定信息得出钢卷质量分选度的方法包括:
根据计算出的缺陷的违反度对对应的缺陷进行判定,违反度小于等于第二阈值(通常设置为1)时,则符合分选度判定要求,否则不符合;然后在所有缺陷满足的分选度判定要求中,选择分选度等级最低的作为钢卷质量分选度。
在步骤106中,表判码的形式为:
以下表中的数据为例,表中SG6到SG9A代表不同的分选度,其中列中的数字(如1以及2),代表了对应缺陷名称在钢卷(冷轧带钢)判定过程中的缺陷违反度。当数字为1时,表示当前缺陷在当前识别中,并没有违反当前的规则。当违反度大于1时,意味着当前分选度下该缺陷不符合规则。数字越大,代表该类规则的违反程度越高。表中显示结疤SG8A,SG9,SG9A符合判定规则,而氧化铁皮只有SG9,SG9A符合。
因此,在所有缺陷满足的分选度判定要求中,选择分选度等级最低的作为钢卷质量分选度,即SG9与SG9A满足所有缺陷分选度判定要求,则选择分选度等级低的SG9作为钢卷质量分选度。
综上所述,本发明实现了通过表检仪数据对冷轧带钢进行统一标准的质量判定,避免了对人工经验的依赖,提高了质量判定的效率与准确性。
Claims (8)
1.基于表检仪检测的冷轧带钢质量判定的方法,其特征在于,包括:
步骤1、采集表检仪检测的冷轧带钢的表面缺陷数据;
步骤2、对表面缺陷数据进行分析,确认缺陷大小、类型以及位置;
步骤3、结合缺陷识别模型将确认后的缺陷对比每一条表检规则,计算出缺陷与表检规则的符合度;
步骤4、将符合度从高到低进行排序,从最高符合度开始,选择N个符合度对应的缺陷作为主缺陷,N为大于等于1的整数;
步骤5、结合质量管理规则和缺陷识别模型,根据分选度判定信息得出冷轧带钢质量分选度;
步骤6、根据缺陷数据以及设定的质量目标,得出用于质量判定的表判码,并对表判码的准确性进行打分,根据打分结果得出置信度;
步骤7、根据主缺陷、分选度、表判码以及置信度对钢卷质量进行最终判定。
2.根据权利要求1所述的基于表检仪检测的冷轧带钢质量判定的方法,其特征在于,在步骤2中,对表面缺陷数据进行分析的方法包括:根据缺陷位置的信息特点,使用聚合的方式对缺陷进行分析,聚合方式为:
|Pi,L-Pj,R|≤宽度阈值;|Pi,T-Pj,B|≤长度阈值;其中i代表缺陷序号,下标L,R,T,B代表的是缺陷的上下左右四个位置的信息,Pi,L,Pj,R,Pi,T,Pj,B分别为冷轧带钢表面上的四个坐标。
3.根据权利要求2所述的基于表检仪检测的冷轧带钢质量判定的方法,其特征在于,在步骤2中,对表面缺陷数据进行分析的具体方法包括:
当缺陷在局部密集出现时,通过密度集合的方式,自动聚合邻近缺陷,所述邻近缺陷为距离小于等于设置第一阈值的两个同类别缺陷。
4.根据权利要求1所述的基于表检仪检测的冷轧带钢质量判定的方法,其特征在于,在步骤2中,所述对表面缺陷数据进行分析的具体方法还包括:对重点缺陷的二次识别,所述重点缺陷包括夹杂、孔洞、翘皮、平整斑以及焊缝。
6.根据权利要求5所述的基于表检仪检测的冷轧带钢质量判定的方法,其特征在于,在步骤3中,符合度的计算方式为:
F=max(100-10*logV,0),F表示符合度。
7.根据权利要求5所述的基于表检仪检测的冷轧带钢质量判定的方法,其特征在于,在步骤5中,根据分选度判定信息得出钢卷质量分选度的方法包括:
根据计算出的缺陷的违反度对对应的缺陷进行判定,违反度小于等于第二阈值时,则符合分选度判定要求,否则不符合;然后在所有缺陷满足的分选度判定要求中,选择分选度等级最低的作为冷轧带钢质量分选度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231597.0A CN113030422B (zh) | 2021-03-02 | 2021-03-02 | 基于表检仪检测的冷轧带钢质量判定的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231597.0A CN113030422B (zh) | 2021-03-02 | 2021-03-02 | 基于表检仪检测的冷轧带钢质量判定的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030422A true CN113030422A (zh) | 2021-06-25 |
CN113030422B CN113030422B (zh) | 2022-12-16 |
Family
ID=76466371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110231597.0A Active CN113030422B (zh) | 2021-03-02 | 2021-03-02 | 基于表检仪检测的冷轧带钢质量判定的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030422B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114965935A (zh) * | 2022-05-17 | 2022-08-30 | 马鞍山钢铁股份有限公司 | 基于客户需求的带钢质量判定方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001126064A (ja) * | 1999-10-26 | 2001-05-11 | Nachi Fujikoshi Corp | 金属表面の欠陥検出方法 |
CN104751288A (zh) * | 2015-03-30 | 2015-07-01 | 北京首钢自动化信息技术有限公司 | 一种钢卷分段多维在线质量判定系统及其方法 |
CN105913412A (zh) * | 2016-03-24 | 2016-08-31 | 北京航空航天大学 | 基于参数域边界分析的飞机结构件cad模型窄面缺陷自动识别方法 |
CN110175274A (zh) * | 2019-05-22 | 2019-08-27 | 山西太钢不锈钢股份有限公司 | 基于表检仪的缺陷分级方法及系统 |
CN110287693A (zh) * | 2019-06-13 | 2019-09-27 | 成都积微物联集团股份有限公司 | 一种基于符号执行路径剪枝的缓冲区溢出漏洞自动检测方法 |
CN110400099A (zh) * | 2019-08-09 | 2019-11-01 | 马鞍山钢铁股份有限公司 | 一种带钢产品表面质量分级方法 |
EP3605072A1 (en) * | 2017-03-21 | 2020-02-05 | JFE Steel Corporation | Surface defect inspection method and surface defect inspection device |
-
2021
- 2021-03-02 CN CN202110231597.0A patent/CN113030422B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001126064A (ja) * | 1999-10-26 | 2001-05-11 | Nachi Fujikoshi Corp | 金属表面の欠陥検出方法 |
CN104751288A (zh) * | 2015-03-30 | 2015-07-01 | 北京首钢自动化信息技术有限公司 | 一种钢卷分段多维在线质量判定系统及其方法 |
CN105913412A (zh) * | 2016-03-24 | 2016-08-31 | 北京航空航天大学 | 基于参数域边界分析的飞机结构件cad模型窄面缺陷自动识别方法 |
EP3605072A1 (en) * | 2017-03-21 | 2020-02-05 | JFE Steel Corporation | Surface defect inspection method and surface defect inspection device |
CN110175274A (zh) * | 2019-05-22 | 2019-08-27 | 山西太钢不锈钢股份有限公司 | 基于表检仪的缺陷分级方法及系统 |
CN110287693A (zh) * | 2019-06-13 | 2019-09-27 | 成都积微物联集团股份有限公司 | 一种基于符号执行路径剪枝的缓冲区溢出漏洞自动检测方法 |
CN110400099A (zh) * | 2019-08-09 | 2019-11-01 | 马鞍山钢铁股份有限公司 | 一种带钢产品表面质量分级方法 |
Non-Patent Citations (3)
Title |
---|
XIN JUN ZHAO等: "Research on system of quality assessing and defects" information managing of strip steel surface", 《ADVANCED MATERIALS RESEARCH》 * |
王森等: "基于模式识别的带钢表面缺陷等级判定的研究", 《现代制造工程》 * |
董德威: "板带钢质量评价方法及其灵敏度分析研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技I辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114965935A (zh) * | 2022-05-17 | 2022-08-30 | 马鞍山钢铁股份有限公司 | 基于客户需求的带钢质量判定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113030422B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104794491B (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN101915769B (zh) | 一种印刷电路板中带电阻元件的自动光学检测方法 | |
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN109115800B (zh) | 一种产品毛刺的快速检测及长度精确测量方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN114419007B (zh) | 多策略融合深度学习网络模型的缺陷类型识别方法及系统 | |
CN105974120B (zh) | 一种c反应蛋白色度自动检测装置与方法 | |
CN110909738A (zh) | 一种基于关键点检测的指针仪表自动读数方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115100188A (zh) | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN111860176B (zh) | 一种非金属夹杂全视场定量统计分布表征方法 | |
CN113030422B (zh) | 基于表检仪检测的冷轧带钢质量判定的方法 | |
JP2016118475A (ja) | 識別装置及び識別方法 | |
CN113222255B (zh) | 一种合同履约表现量化及短期违约预测的方法及装置 | |
CN113989585A (zh) | 一种基于多特征融合语义分割的中厚板表面缺陷检测方法 | |
CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 | |
CN117314871A (zh) | 基于灰度共生矩阵与决策树的带钢分选度分级方法及装置 | |
CN117237592A (zh) | 一种同口焊缝图像智能识别方法 | |
CN116297493A (zh) | 一种提高钢板缺陷检测准确度与相机故障容错率的方法 | |
CN110020686A (zh) | 一种基于群智感知传感数据的路面异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |