CN113570602A - 一种基于人工智能的热轧钢卷卷曲评估方法 - Google Patents

Abstract

本发明涉及一种基于人工智能的热轧钢卷卷曲评估方法，其对初始钢卷图像进行灰度化处理得到灰度图像；对灰度图像分别进行处理，得到对应的摩尔纹识别特征一和摩尔纹识别特征二，并获得初始摩尔纹识别指标，当初始摩尔纹识别指标大于设定阈值，则初始摩尔纹识别指标对应的像素点组成的区域为初始摩尔纹区域；获取不同相机位置下的钢卷图像，根据初始摩尔纹区域对钢卷图像进行分割删除，得到特征图像，并提取摩尔纹区域，根据摩尔纹区域，计算对应相机位置的钢卷卷曲评估值；根据初始钢卷图像的总面积和获取的各相机位置的钢卷卷曲评估值，计算当前钢卷的松卷程度。即本发明通过进行摩尔纹的检测，实现了钢卷卷曲的评估，提高了检测效率。

Description

一种基于人工智能的热轧钢卷卷曲评估方法

技术领域

本发明涉及钢卷缺陷检测领域，具体涉及一种基于人工智能的热轧钢卷卷曲评估方法。

背景技术

目前，针对钢卷卷曲图像的评估主要通过人工打分完成，通过肉眼对卷曲的钢卷图像实现缺陷检测，找到卷曲出的钢卷中存在缺陷的钢卷，并对缺陷钢卷进行打分评估。但是基于人工完成的检测是存在部分主观因素，且容易造成错误评估的可能性较大，对人力资源需要一定的消耗。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的热轧钢卷卷曲评估方法，所采用的技术方案具体如下：

本发明的一种基于人工智能的热轧钢卷卷曲评估方法，包括以下步骤：

获取相机初始位置的初始钢卷图像，对所述初始钢卷图像进行灰度化处理，得到灰度图像；

对所述灰度图像分别进行处理，得到对应的摩尔纹识别特征一和摩尔纹识别特征二；根据所述摩尔纹识别特征一和摩尔纹识别特征二，获得初始摩尔纹识别指标，当所述初始摩尔纹识别指标大于设定阈值，则初始摩尔纹识别指标对应的像素点组成的区域为初始摩尔纹区域；反之，对应的像素点组成的区域为初始非摩尔纹区域；

获取不同相机位置下对应的钢卷图像，根据所述初始摩尔纹区域对所述钢卷图像进行分割删除，得到特征图像，提取所述特征图像的摩尔纹区域，根据各相机位置下的摩尔纹区域，得到对应的摩尔纹区域面积，并计算对应相机位置下的钢卷卷曲评估值；

根据初始钢卷图像的总面积和获取的各相机位置的钢卷卷曲评估值，计算当前钢卷的松卷程度，对钢卷进行评估。

进一步地，在对所述灰度图像进行分别处理之前，还包括对所述灰度图像进行区域分割，得到初始钢卷图像中的高频图像区域的步骤。

进一步地，所述摩尔纹识别特征一的获取方法为：

1）对所述高频图像区域进行边缘检测，获取边缘像素点；以最外侧边缘像素点中任意一点为初始起始点，沿着该初始起始点的灰度梯度方向对方向上的所有像素点进行灰度梯度方向计算；

2）当灰度梯度方向上所有的边缘像素点的灰度梯度方向一致，且指向钢卷区域中心点，则灰度梯度方向上不存在初始摩尔纹区域的像素点；当灰度梯度方向上所有的边缘像素点的梯度方向存在差异，则灰度梯度方向上存在初始摩尔纹区域的像素点，计算该像素点与初始起始点的差异度，所述差异度为两像素点的灰度梯度方向向量的余弦距离度量；

3）以初始起始点开始，向左右两边的最外侧边缘像素点方向进行逐点灰度梯度方向的判断，并计算对应的差异度，直到循环一周的边缘像素点为止，初始钢卷图像的初始摩尔纹区域的像素点获取完毕，得到高频图像区域中所有像素点的差异度，将该差异度作为摩尔纹识别特征一。

进一步地，所述摩尔纹识别特征二的获取方法为：

选取半径r的圆作为图像窗口，沿所述高频图像区域的最外侧的边缘为初始图像窗口位置，最外侧边缘的位置坐标方向进行滑动，每次窗口滑动步长为r，通过窗口内像素点的像素值与标准像素均值进行对比，得到窗口区域像素点的对比度；

当图像窗口滑动一周后，向下滑动步长为r，然后继续第一周的滑动方向滑动检测，直到图像区域所有像素点都判断完毕为止，得到每个像素点的对比度，将该对比度作为每个像素点的摩尔纹识别特征二。

进一步地，所述特征图像的获取过程为：

（1）以相机的初始位置为基点，按照设定距离分别进行不同方向的一次移动，得到不同方向上对应的新的钢卷图像，进而得到新的钢卷图像序列；在一次移动的基础上，分别继续不同方向上的二次移动，移动方向不变，如此继续移动，获得多组新的钢卷图像序列；

（2）采用透射变换算法将各钢卷图像与初始钢卷图像中各像素点进行对应；之后将初始钢卷图像中检测属于初始摩尔区域像素点，与新采集到的钢卷图像中对应像素点标注为0，其他区域的像素点标注为1，得到钢卷图像中非摩尔区域的

图像；

（3）将各

图像与对应的钢卷图像进行相乘，得到分割删除后的各特征图像。

进一步地，初始摩尔纹识别指标为：

其中，

表示摩尔纹识别特征一，

表示摩尔纹识别特征二，

为权重系数，

，

，其中，

，d表示参与灰度梯度方向判断的最外侧边缘像素点与垂直方向的钢卷图像直径的水平欧式距离的倒数。

进一步地，各钢卷图像序列中的特征图像的摩尔纹区域的钢卷卷曲评估值为：

，

其中，

表示第k次移动对应的钢卷图像序列的所有特征图像的摩尔纹区域面积和，j为方向的个数，

表示相机距离移动参数。

进一步地，当前钢卷的松卷程度为：

其中，

为初始钢卷图像的总面积，

表示归一化函数，将参数进行归一化到区间[0,1]之间，

为第k次移动对应的钢卷图像序列的所有特征图像的摩尔纹区域的钢卷卷曲评估值，n为移动的总次数。

本发明的有益效果：

本发明通过调节相机位置和形成摩尔纹的效果和摩尔纹的分布区域，实现了对钢卷的快速摩尔纹检测，获得摩尔纹区域，通过摩尔纹区域可反映出该区域的卷曲程度比较紧密，这样才会出现摩尔纹，即本方案恰恰利用现有的摩尔纹的特点，用于钢卷卷曲的检测，提出了一种新的钢卷卷曲评估方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明的一种基于人工智能的热轧钢卷卷曲评估方法的实施例的方法流程图；

图2为本发明的一种基于人工智能的热轧钢卷卷曲评估方法的计算梯度方向的示意图；

图3为本发明的一种基于人工智能的热轧钢卷卷曲评估方法的相机移动位置对应的上下左右方向的区域的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的热轧钢卷卷曲评估方法的具体方案。

本发明是对钢卷卷曲的效果进行的评估，即通过在钢卷正面一侧布置可移动相机，利用相机对钢卷正面进行图像采集，并通过不断变动相机位置，采集不同相机位置的钢卷正面图像，对采集的钢卷正面图像进行分析，实现对钢卷卷曲的评估。

具体地，本发明对采集的图像进行摩尔纹检测，进行热轧钢卷卷曲评估的；需要说明的是，产生摩尔纹的原因主要是因为相机的感光元件CCD（CMOS）像素的空间频率与图像中纹理的空间频率接近，就会产生摩尔纹。其中，摩尔纹主要出现在高空间频率图像部分，也就是说，各层卷曲的越紧密，细节纹理信息就越多，高空间频率图像部分就越多，摩尔纹就会出现。

具体地，本发明的一个实施例提供的一种基于人工智能的热轧钢卷卷曲评估方法的步骤流程图，如图1所示，该方法包括以下步骤：

步骤1，获取相机初始位置的初始钢卷图像，对所述初始钢卷图像进行灰度化处理，得到灰度图像；

本实施例中通过相机对钢卷平面进行图像采集，得到相机初始位置的钢卷图像。其中的初始位置为相机拍摄的位置，即该相机位置是位于相机光心与钢卷区域中心点的同一水平线上，这样就能够对钢卷正面进行图像采集。

本实施例中的灰度化处理为公知技术，此处不再详细赘述。

步骤2，对所述灰度图像分别进行处理，得到对应的摩尔纹识别特征一和摩尔纹识别特征二；根据所述摩尔纹识别特征一和摩尔纹识别特征二，获得初始摩尔纹识别指标，当所述初始摩尔纹识别指标大于设定阈值，则判断初始摩尔纹识别指标对应的像素点组成的区域为初始摩尔纹区域；反之，该区域为初始非摩尔纹区域。

本实施例中，为了提高图像摩尔纹区域的检测效率，按照摩尔纹仅出现在高频图像信息部分的特点，对初始钢卷图像

进行高频图像信息区域分割，得到初始钢卷图像

中的高频图像区域，然后进行摩尔纹识别特征一和摩尔纹识别特征二的提取。

具体地，摩尔纹识别特征一的获取方法为：

1）对高频图像区域进行边缘检测，获取边缘像素点；以最外侧边缘像素点中任意一点（以垂直水平面的区域直径边缘点为例）为初始起始点，沿着该初始起始点的灰度梯度方向对方向上的所有像素点进行灰度梯度方向计算，如图2所示；

其中，灰度梯度方向为

；

式中，

，

，

表示图像像素点坐标的灰度值。

2）当灰度梯度方向上所有的边缘像素点的灰度梯度方向一致，且指向钢卷区域中心点，则灰度梯度方向上不存在初始摩尔纹区域的像素点；当灰度梯度方向上所有的边缘像素点的梯度方向存在差异（图2中实线箭头为灰度梯度方向一致，虚线箭头为边缘像素点的梯度方向存在差异），则灰度梯度方向上存在初始摩尔纹区域的像素点，计算该像素点与初始起始点的差异度，所述差异度为两像素点的灰度梯度方向向量的余弦距离

度量。

本实施例中，当灰度梯度方向上存在初始摩尔纹区域的像素点，初始摩尔纹区域的像素点的灰度梯度方向存在明显差异，差异的大小与最外侧边缘像素点中起始点的位置有关，越接近于初始起始点，则灰度梯度方向的差异越大，灰度差异通过灰度梯度方向向量的余弦距离

度量，余弦距离大于0即为存在差异，余弦距离的计算方法为公知技术，不在过多赘述。

3）以初始起始点开始，向左右两边的最外侧边缘像素点方向进行逐点灰度梯度方向的判断，并计算对应的差异度，直到循环一周的边缘像素点为止，初始钢卷图像

的初始摩尔纹区域的像素点获取完毕，得到高频图像区域中所有像素点的差异度，将该差异度作为摩尔纹识别特征一。

需要说明的是，当循环判断到钢卷图像水平方向的边缘像素点的梯度方向时，可能存在与摩尔纹区域的像素点的灰度梯度方向相同的问题，此时则通过调整摩尔纹识别特征的权重系数，来帮助钢卷图像进行有效的摩尔纹识别（即提高摩尔纹识别特征二的权重，增强对摩尔纹区域像素点的识别）。

具体地，摩尔纹识别特征二的获取方法为：

首先，选取半径r的圆作为图像窗口，沿高频图像区域的最外侧的边缘为初始图像窗口位置，最外侧边缘的位置坐标方向进行滑动，每次窗口滑动步长为r，通过窗口内像素点的像素值与标准像素均值进行对比，得到窗口区域像素点的对比度；

其中，对比度

，

其中，

表示窗口内第i个像素点的像素值，是指窗口内的像素值均值，

表示窗口内的像素点总数，对比度的取值范围为[0,1]，其中r=3。

其次，当图像窗口滑动一周后，向下滑动步长为r，然后继续第一周的滑动方向滑动检测，直到图像区域所有像素点都判断完毕为止，得到每个像素点的对比度，将该对比度作为每个像素点的摩尔纹识别特征二。

基于上述得到的摩尔纹识别特征一和摩尔纹识别特征二，可计算得到初始摩尔纹识别指标为：

其中，

表示摩尔纹识别特征一，

表示摩尔纹识别特征二，

分别为摩尔纹识别特征一和摩尔纹识别特征二的权重系数，

，

，其中，

，d表示参与灰度梯度方向判断的最外侧边缘像素点与垂直方向的钢卷图像直径的水平欧式距离的倒数。

本实施例中的设定阈值

，当模型参数

时，即为属于摩尔纹区域；当模型参数

时，即为不属于摩尔纹区域。通过摩尔纹识别模型完成最终钢卷高频区域内的初始摩尔纹区域检测。其中本实施例中的设定阈值的具体选取是根据历史数据进行统计分析获取的。

步骤3，获取不同相机位置下对应的钢卷图像，根据所述初始摩尔纹区域对所述钢卷图像进行分割删除，得到特征图像，提取所述特征图像的摩尔纹区域，根据各相机位置下的摩尔纹区域，得到对应的摩尔纹区域面积，并计算对应相机位置下的钢卷卷曲评估值；

具体地，本实施例中获取的特征图像的过程为：

（1）以相机的初始位置为基点，按照设定距离分别进行不同方向的一次移动，得到不同方向上对应的新的钢卷图像

，进而得到新的钢卷图像序列

；之后，在一次移动的基础上，分别继续不同方向上的二次移动，移动方向不变，如此继续移动，获得多组新的钢卷图像序列

，其中k为移动的次数，j为每次移动时方向的个数；

本实施例中，默认每次相机移动的设定距离为5（可进行调整）个单位长度，移动方向为上下左右四个方向，则得到图像序列

。

本实施例中的检测范围为每个移动方向下采集到的图像对应区域，例如：移动方向为向上移动时，图像检测范围为图像

的上方

范围的图像区域，如图3所示。

本实施例中，通过不断移动相机位置，每次移动距离为5（可进行调整）个单位长度，移动方向不变，依次得到多组钢卷图像序列

。

（2）采用透射变换算法将各钢卷图像与初始钢卷图像

中各像素点进行对应；之后将初始钢卷图像

中检测属于初始摩尔区域像素点，与新采集到的钢卷图像中对应像素点标注为0，其他区域的像素点标注为1，得到钢卷图像中非摩尔区域的

图像；

（3）将各

图像与对应的钢卷图像进行相乘，得到分割删除后的各特征图像

。

本实施例中分别对各特征图像进行摩尔纹区域检测，获取各摩尔纹区域，其中获取摩尔纹区域的方法与步骤2中获取标准摩尔纹区域的方法一致，此处不再赘述。

本实施例中，不同相机位置下的摩尔纹区域的钢卷卷曲评估值；

当相机进行多次移动后，各钢卷图像序列中的特征图像的摩尔纹区域的钢卷卷曲评估值为：

，

其中，

表示第k次移动对应的钢卷图像序列的所有特征图像的摩尔纹区域面积和，j为方向的个数，

表示相机距离移动参数，初始值为1。

上述实施例中的摩尔纹区域面积是通过摩尔纹区域内的像素点个数确定的。

当相机不移动，表示摩尔纹区域卷曲最好，不存在异常，相机距离移动参数随着相机移动距离变大而变小，具体的函数关系通过数据拟合得到，即为相机采集到钢卷全部图像区域都出现摩尔纹时，相机移动距离作为相机移动最大距离，然后进行函数数据拟合（得到的函数关系式类似于

的函数关系）。

需要说明的是，本方案能够通过视差的效果，使原本钢卷卷曲程度较差的区域图像也能够产生摩尔纹，根据摩尔纹的实时分布区域和对应的相机位置偏移距离，对钢卷卷曲的各部分区域完成卷曲程度评估，所用先验知识为：视差。

具体地，由于相机的移动会导致采集到的图像存在视差影响，导致采集到的移动相机图像区域大小与原始区域面积大小存在差异，可通过透射变换算法，进行视差的矫正，从而进行面积优化，得到真实的图像区域面积，由于透射变换算法为公知技术，不再详细赘述。

步骤4，根据初始钢卷图像的总面积和获取的各相机位置的钢卷卷曲评估值，计算当前钢卷的松卷程度，对钢卷进行评估；

其中，当前钢卷的松卷程度为：

其中，

为初始钢卷图像的总面积，

表示归一化函数，将参数进行归一化到区间[0,1]之间，有利于松卷程度评估，

为第k次移动对应的钢卷图像序列的所有特征图像的摩尔纹区域的钢卷卷曲评估值，n为移动的总次数。

本实施例中，计算的松卷程度能够对钢卷的卷曲进行评估，当松卷程度越大时，说明当前钢卷中出现松卷的图像区域较多且松卷区域相邻钢卷边缘间的间距较大；当松卷程度越小时，说明当前钢卷中出现松卷的图像区域较少且松卷区域相邻钢卷边缘间的间距较小。

本实施例中的初始钢卷图像的总面积根据图像中像素点的个数进行确定。

本发明中还可通过设定松卷程度阈值来实现卷曲异常钢卷检测，并进行相关卷曲设备故障排查，并通过具体相机采集位置的摩尔纹区域图像位置，实现对异常卷曲区域的定位。该设定松卷程度阈值可通过先验知识获取，如人为选取满足要求的松卷程度的钢卷进行松卷程度的计算，并将其作为设定松卷程度阈值，进行其他钢卷的评估。

本发明通过对钢卷卷曲进行摩尔纹检测，获得摩尔纹区域，通过摩尔纹区域可反映出该区域的卷曲程度比较紧密，这样才会出现摩尔纹，即本方案恰恰利用现有的摩尔纹的特点，用于钢卷卷曲的检测，提出了一种新的钢卷卷曲评估方法。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，包括以下步骤：

获取相机初始位置的初始钢卷图像，对所述初始钢卷图像进行灰度化处理，得到灰度图像；

对所述灰度图像分别进行处理，得到对应的摩尔纹识别特征一和摩尔纹识别特征二；根据所述摩尔纹识别特征一和摩尔纹识别特征二，获得初始摩尔纹识别指标，当所述初始摩尔纹识别指标大于设定阈值，则初始摩尔纹识别指标对应的像素点组成的区域为初始摩尔纹区域；反之，对应的像素点组成的区域为初始非摩尔纹区域；

获取不同相机位置下对应的钢卷图像，根据所述初始摩尔纹区域对所述钢卷图像进行分割删除，得到特征图像，提取所述特征图像的摩尔纹区域，根据各相机位置下的摩尔纹区域，得到对应的摩尔纹区域面积，并计算对应相机位置下的钢卷卷曲评估值；

根据初始钢卷图像的总面积和获取的各相机位置的钢卷卷曲评估值，计算当前钢卷的松卷程度，对钢卷进行评估。

2.根据权利要求1所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，在对所述灰度图像进行分别处理之前，还包括对所述灰度图像进行区域分割，得到初始钢卷图像中的高频图像区域的步骤。

3.根据权利要求2所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，

所述摩尔纹识别特征一的获取方法为：

1）对所述高频图像区域进行边缘检测，获取边缘像素点；以最外侧边缘像素点中任意一点为初始起始点，沿着该初始起始点的灰度梯度方向对方向上的所有像素点进行灰度梯度方向计算；

2）当灰度梯度方向上所有的边缘像素点的灰度梯度方向一致，且指向钢卷区域中心点，则灰度梯度方向上不存在初始摩尔纹区域的像素点；当灰度梯度方向上所有的边缘像素点的梯度方向存在差异，则灰度梯度方向上存在初始摩尔纹区域的像素点，计算该像素点与初始起始点的差异度，所述差异度为两像素点的灰度梯度方向向量的余弦距离度量；

3）以初始起始点开始，向左右两边的最外侧边缘像素点方向进行逐点灰度梯度方向的判断，并计算对应的差异度，直到循环一周的边缘像素点为止，初始钢卷图像的初始摩尔纹区域的像素点获取完毕，得到高频图像区域中所有像素点的差异度，将该差异度作为摩尔纹识别特征一。

4.根据权利要求2所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，

所述摩尔纹识别特征二的获取方法为：

选取半径r的圆作为图像窗口，沿所述高频图像区域的最外侧的边缘为初始图像窗口位置，最外侧边缘的位置坐标方向进行滑动，每次窗口滑动步长为r，通过窗口内像素点的像素值与标准像素均值进行对比，得到窗口区域像素点的对比度；

当图像窗口滑动一周后，向下滑动步长为r，然后继续第一周的滑动方向滑动检测，直到图像区域所有像素点都判断完毕为止，得到每个像素点的对比度，将该对比度作为每个像素点的摩尔纹识别特征二。

5.根据权利要求1所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，所述特征图像的获取过程为：

（1）以相机的初始位置为基点，按照设定距离分别进行不同方向的一次移动，得到不同方向上对应的新的钢卷图像，进而得到新的钢卷图像序列；在一次移动的基础上，分别继续不同方向上的二次移动，移动方向不变，如此继续移动，获得多组新的钢卷图像序列；

（2）采用透射变换算法将各钢卷图像与初始钢卷图像中各像素点进行对应；之后将初始钢卷图像中检测属于初始摩尔区域像素点，与新采集到的钢卷图像中对应像素点标注为0，其他区域的像素点标注为1，得到钢卷图像中非摩尔区域的

图像；

（3）将各

图像与对应的钢卷图像进行相乘，得到分割删除后的各特征图像。

6.根据权利要求1所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，

初始摩尔纹识别指标为：

其中，

表示摩尔纹识别特征一，

表示摩尔纹识别特征二，

为权重系数，

，

，其中，

，d表示参与灰度梯度方向判断的最外侧边缘像素点与垂直方向的钢卷图像直径的水平欧式距离的倒数。

7.根据权利要求5所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，

各钢卷图像序列中的特征图像的摩尔纹区域的钢卷卷曲评估值为：

，

其中，

表示第k次移动对应的钢卷图像序列的所有特征图像的摩尔纹区域面积和，j为方向的个数，

表示相机距离移动参数。

8.根据权利要求7所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，

当前钢卷的松卷程度为：

其中，

为初始钢卷图像的总面积，

表示归一化函数，将参数进行归一化到区间[0,1]之间，

为第k次移动对应的钢卷图像序列的所有特征图像的摩尔纹区域的钢卷卷曲评估值，n为移动的总次数。

Images