CN114299059A - 一种热轧带钢表面未分类铸坯划伤缺陷的判定方法 - Google Patents

Abstract

本发明提供一种热轧带钢表面未分类铸坯划伤缺陷的判定方法，属于热轧带钢表面检测技术领域。该方法首先获取表面质量检测仪采集的热轧带钢未分类表面缺陷数据，包含缺陷的长度、宽度、相对位置信息和原始图片；然后根据人工经验提取属于铸坯划伤的缺陷样本，建立训练样本集，并对数据进行处理，计算未分类中典型缺陷样本特征量，建立未分类铸坯划伤缺陷判定模型，并根据样本数据训练模型；最后提取需要识别的未分类图片，并验证其样本特征量，模型输出该缺陷是否属于未分类铸坯划伤缺陷。该方法可以减轻热轧带钢现场质检人员工作量，减少未分类中由于铸坯划伤导致的致命缺陷漏判，预防下游表面质量异议。

Description

一种热轧带钢表面未分类铸坯划伤缺陷的判定方法

技术领域

本发明涉及热轧带钢表面检测技术领域，特别是指一种热轧带钢表面未分类铸坯划伤缺陷的判定方法。

背景技术

带钢表面缺陷是影响带钢质量的重要因素之一，其表面缺陷的实时检测是保证产品供给质量的重要前提。在常见的带钢表面视觉检测系统中，通常只能通过维护样本库来提高表检仪分类准确率，因带钢表面缺陷种类复杂，形貌多样，常常会出现表检系统输出大量未分类缺陷图片。因未分类缺陷形貌多变，通过维护样本库提高未分类缺陷分类准确率难以达到理想的效果，通常一卷带钢上未分类缺陷数量可以达到5000-10000张图片。在这些未分类缺陷图片中存在许多严重甚至致命缺陷，导致现场操作过程中对人工经验的依赖性较大，会给质检人员增加很大的工作量。且不同质检人员精力不同，尺度不一，经常会导致漏检的情况出现。

未分类缺陷中铸坯划伤缺陷是对带钢表面质量影响较大的一类缺陷，一旦出现铸坯划伤缺陷，此卷带钢必然会被封锁，铸坯划伤缺陷产生的根本原因是带钢铸坯表面发生划伤，在经过后续工序轧制的过程中形成各种形貌的表面缺陷，典型缺陷图片有固定形貌与特点，通过不断维护表检仪缺陷样本库，提高分类准确率。但铸坯划伤缺陷无固定形貌或特点，因此通过维护表检仪缺陷样本库也难以提高铸坯划伤缺陷分类准确率，只能依靠人工质检经验对其进行判定，因此铸坯划伤缺陷常常进入未分类缺陷中，增加人工质检工作量，当表检仪数据量大，人工质检精力下降时，易造成漏检。由此客户提出的质量异议是各大钢铁企业中一直未得到解决的难点、痛点，未分类铸坯划伤缺陷表检图片如图2所示。

目前对带钢表面质量检查的研究主要集中在如何更加高效地提高典型表面缺陷的识别率、分类准确率等方面，如现有技术自适应优化Gabor滤波器的带钢表面缺陷分类中通过各项异性扩散滤波抑制缺陷图片之中的伪边缘，采用鲸鱼群算法对Gabor参数进行寻优，经过特征融合最后进行分类，实验结果表明，该方法具有较好的区分性和鲁棒性；基于集成学习算法的带钢表面缺陷分类算法研究中对比验证了集成学习算法有更高的准确性和鲁棒性，可以实现真实工况下带钢表面缺陷的准确分类，有效屏蔽伪缺陷；以上研究内容的本质都是针对表面缺陷分类准确率的问题采用了对应的方法来优化表面质量检测系统的结果，其中的研究对象均为常见的典型缺陷，并解决非典型缺陷或无固定形貌的缺陷未分类的问题，例如本发明中提到的铸坯划伤缺陷依旧在表检仪分类结果中为未分类。

为解决以上问题，本发明提出一种热轧带钢表面未分类中铸坯划伤缺陷的判定方法，再结合现场表面质量检查环节的工艺思想进行特征数据集的构建，通过特征数据驱动智能算法来实现铸坯划伤缺陷的判定。本发明提出的热轧带钢表面未分类中铸坯划伤缺陷的判定方法充分考虑了质检实际工作中的需求，解决从大量未分类缺陷中寻找致命铸坯划伤缺陷的问题，减轻热轧带钢现场质检人员工作量，减少致命缺陷漏判，预防下游质量异议，为带钢表面质量自动判定提供了新思路。

发明内容

本发明要解决的技术问题是提供一种热轧带钢表面未分类铸坯划伤缺陷的判定方法，通过表检仪采集的缺陷几何位置信息和图片构架特征数据集，用数据驱动智能算法来实现铸坯划伤缺陷的判定，减轻热轧带钢现场质检人员工作量，减少致命缺陷漏判，预防下游质量异议，为带钢表面质量自动判定提供了新思路。

该方法包括步骤如下：

(1)获取热轧带钢表面质量检测仪分类结果为未分类表面缺陷数据，包含缺陷的长度、宽度、相对位置信息和原始图片；

(2)根据人工经验从表面质量检测仪数据中提取属于铸坯划伤的缺陷样本，建立训练样本集，并对数据进行处理，计算未分类中典型缺陷样本特征量，建立未分类铸坯划伤缺陷判定模型，并根据样本数据训练模型；

(3)从表面质量检测仪数据中提取需要识别的未分类图片，并计算其样本特征量，模型输出该缺陷是否属于未分类铸坯划伤缺陷。

其中，步骤(2)中具体过程如下：

S21：根据训练样本集缺陷图片，设置灰度阈值，规定灰色白色像素点阈值，区分图片特征点信息与背景信息，确定灰色白色像素点阈值如下：

其中，

为图片平均灰度值，g_i为图片任一像素点的灰度值，g_ts为定义灰色像素点阈值，ω_ts为定义白色像素点阈值，n为像素点数量，确定灰色白色像素点阈值后对图片像素点重新赋值，具体二值化处理逻辑如下：

B_i＝0(g_i＜g_ts)

W_i＝255(g_i＞w_ts)

G_i＝128(w_ts≥g_i≥g_ts)

其中，G_i为二值化处理重新赋值后背景像素点的灰度值(Gi在后续计算中只是为了二值化之后方便区分，在二值化图像上观察更加明显，不参与实际计算)，B_i为二值化处理后灰色像素点的灰度值，W_i为二值化处理后白色像素点的灰度值，g_i为图片任一像素点的灰度值，g_ts为定义灰色像素点阈值，w_ts为定义白色像素点阈值；

S22：对二值化处理后的图像，提取灰色像素点个数、灰色像素点占比、灰色像素点均值、白色像素点占比、图片左右灰度均值差、相邻像素点灰度差特征，具体计算公式如下：

S₁＝N(B_i)

S₂＝N(B_i)/m

S₃＝N(B_i)/S₁

S₄＝N(W_i)/m

S₆＝max(|g_i-g_i-1|)

其中，g_i为某一像素点灰度值，N(B_i)表示缺陷区域内像素点灰度值为B_i的事件数，m为缺陷区域图像内全部像素点数，N(W_i)表示缺陷区域图像内像素点灰度值为W_i的事件数，

为图片左半部分灰度值均值，

为图片右半部分灰度值均值，特征量S₁为缺陷的颜色特征；特征量S₂为缺陷灰色部分几何特征；特征量S₃为缺陷的颜色密度特征；特征量S₄为缺陷白色部分几何特征；特征量S₅为缺陷对中性特征；特征量S₆为缺陷边缘颜色过渡特征；

S23：根据S22中得到的训练样本的特征量，构建训练样本的特征数据集A，作为输入分类算法的输入部分：

A＝{S_j1，S_j2，…，S_j6}

其中，j代表训练样本的个数，S_jk代表第j个训练样本的第一个特征值；

S24：根据得到的训练样本特征数据集A，将训练数据集输入现有通用k-临近分类算法模型进行训练，得到缺陷判定模型，根据从表面质量检测仪中收集待判定的未分类缺陷作为测试样本集，确定未分类铸坯划伤缺陷对应的数据质心：

其中，z_jl表示第j维特征S_j在l向样本下的质心，n_l为l向样本下样本数量，S_jk表示第k个典型样本中第j维特征S_j的值，将l向样本下全部特征的数据质心联合得到l向样本的质心Z_l(z_1l，z_2l，......，z_jl。

步骤(3)具体为：计算测试样本特征值，并输入到缺陷判定模型中加以验证，根据欧氏距离公式计算测试样本的缺陷特征Z_x(s_1x，s_2x，......，s_jx)与正向样本和反向样本质心之间的距离，正向样本和反向样本由人工经验给出标签后得到，获取距离最小值对应的类别作为最终的判定结果，其中，距离计算公式表示为：

d_l＝min(d_x-T，d_x-F)

其中，d_x-T为测试样本与正向样本数据质心之间的距离，d_x-F为测试样本与反向样本数据质心之间的距离，d₁为测试样本距离正反向样本数据质心的最小值，s_1x，s_2x，……，s_jx为测试样本的缺陷特征集，z_1T，z_2T，……，z_jT为正向样本的数据质心，z_1F，z_2F，……，z_jF为反向样本的数据质心；

若d_l＝d_x-T，则该缺陷图像样本判定为未分类铸坯划伤缺陷；

若d_l＝d_x-F，则该缺陷图像样本判定为非未分类铸坯划伤缺陷。

本发明的上述技术方案的有益效果如下：

上述方案中，充分考虑了质检实际工作中的需求，解决从大量未分类缺陷中寻找致命铸坯划伤缺陷的问题，减轻热轧带钢现场质检人员工作量，减少致命缺陷漏判，预防下游质量异议，为带钢表面质量自动判定提供了新思路。

附图说明

图1为本发明的热轧带钢表面未分类铸坯划伤缺陷的判定方法流程图；

图2为现有的未分类铸坯划伤缺陷表检图片；

图3为本发明实施例中缺陷图片感兴趣区域剪裁示意图；

图4为本发明实施例中缺陷图片二值化处理图像示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明提供一种热轧带钢表面未分类铸坯划伤缺陷的判定方法。

如图1所示，该方法包括步骤如下：

(1)获取表面质量检测仪采集的热轧带钢未分类表面缺陷数据，包含缺陷的分类结果、长度、宽度、相对位置信息和原始图片；

(2)根据人工经验提取属于铸坯划伤的缺陷样本，建立训练样本集，并对数据进行处理，计算未分类中典型缺陷样本特征量，即计算训练样本特征量，建立未分类铸坯划伤缺陷判定模型，并根据样本数据训练模型；

(3)提取需要识别的未分类图片，即测试样本，计算测试样本特征量，并验证其样本特征量，模型输出该缺陷是否属于未分类铸坯划伤缺陷。

下面结合具体实施例予以说明。

以某钢铁企业1580mm热轧产线表检系统检出的未分类缺陷为例，对所述方法进行说明，具体包括以下步骤：

1、针对现场质检确认的未分类中铸坯划伤缺陷，收集50处未分类铸坯划伤缺陷图片及缺陷信息作为正向样本训练数据集，同时连续选取100处未分类非铸坯划伤缺陷作为反向样本训练数据集(如图3所示)，具体包括缺陷分类结果、缺陷长度、缺陷宽度、缺陷相对位置，具体原始数据如下：

2、根据人工经验建立训练样本集，并对典型样本图片进行二值化处理(如图4所示)，计算未分类中典型缺陷样本特征量，建立未分类铸坯划伤缺陷判定模型，并根据样本数据训练模型，具体步骤如下：

步骤1：根据训练样本集缺陷图片，设置灰度阈值，规定灰色白色像素点阈值，区分图片特征点信息与背景信息，确定灰色白色像素点阈值如下：

其中，

为图片平均灰度值，g_i为图片任一像素点的灰度值，g_ts为定义灰色像素点阈值，w_ts为定义白色像素点阈值，n为像素点数量，确定灰色白色阈值后对图片像素点重新赋值，具体二值化处理逻辑如下：

B_i＝0(g_i＜g_ts)

W_i＝255(g_i＞w_ts)

G_i＝128(w_ts≥g_i≥g_ts)

其中，G_i为二值化处理重新赋值后背景像素点的灰度值，B_i为二值化处理后灰色像素点的灰度值，W_i为二值化处理后白色像素点的灰度值，g_i为图片任一像素点的灰度值，g_ts为定义灰色像素点阈值，w_ts为定义白色像素点阈值；

步骤2：本实施例中，选择灰色像素点个数、灰色像素点占比、灰色像素点均值、白色像素点占比、图片左右灰度均值差、相邻像素点灰度差等特征，构建特征数据集，以此作为输入K-临近算法的输入部分，具体计算公式如下：

S₁＝N(B_i)

S₂＝N(B_i)/m

S₃＝N(B_i)/S₁

S₄＝N(W_i)/m

S₆＝max(|g_i-g_i-1|)

其中，g_i为某一像素点灰度值，N(B_i)表示缺陷区域内像素点灰度值为B_i的事件数，m为缺陷区域图像内全部像素点数，N(W_i)表示缺陷区域图像内像素点灰度值为W_i的事件数，

为图片左半部分灰度值均值，

为图片右半部分灰度值均值，特征量S₁为缺陷的颜色特征；特征量S₂为缺陷灰色部分几何特征；特征量S₃为缺陷的颜色密度特征；特征量S₄为缺陷白色部分几何特征；特征量S₅为缺陷对中性特征；特征量S₆为缺陷边缘颜色过渡特征；

步骤3：筛选符合铸坯划伤样貌的样本以及非铸坯划伤样貌的缺陷样本，构建训练样本构建数据集，数据集如下：

经过10次连续随机抽样测试，总计收集测试样本集实验结果200条，其中每一等级样本各占100条。由于实验数据完全随机抽样，部分样本在测试样本集中多次出现，同一条样本数据在不同训练样本集构建的缺陷判定模型下得到了多次预测结果，设定测试准确率阈值为95％，将大于该阈值的测试样本视为特征明显、性能良好的典型样本，本实施例中筛选得到的典型样本共43个，具体如下表所示：

步骤4：根据上述训练样本特征数据集A。将训练数据集输入k-临近分类算法模型进行训练，建立缺陷判定模型，根据测试样本集，确定未分类铸坯划伤缺陷对应的数据质心：

3、计算测试样本特征值，并输入到判定模型中加以验证，测试样本的缺陷特征Z_x(s_1x，s_2x，......，s_jx)，根据欧氏距离公式计算缺陷特征Z_x(s_1x，s_2x，......，s_jx)与正反向样本质心之间的距离，获取距离最小值对应的类别作为最终的判定结果。

其中，距离计算公式表示为：

d_l＝min(d_x-T，d_x-F)

若d_l＝d_x-T，则该缺陷图像样本判定为“未分类铸坯划伤缺陷(T)”；

若d_l＝d_x-F，则该缺陷图像样本判定为“非未分类铸坯划伤缺陷(F)”。

在实际应用过程中，统计连续21天某班组生产的近4000卷带钢，共计避免因未分类铸坯划伤引起的漏检共计50起，以某天某班组连续生产的189卷带钢为例，其中现场质检人员发现的未分类铸坯划伤缺陷2例，本方法发现的未分类铸坯划伤缺陷9例，其中包含人工质检发现的2例未分类铸坯划伤缺陷，减少因未分类铸坯划伤引起的漏检7例，并且可以及时提醒现场质检人员做出处置意见，具有重大意义，对减少人工工作量以及减少漏检引起的质量异议做出一定的贡献。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种热轧带钢表面未分类铸坯划伤缺陷的判定方法，其特征在于：包括步骤如下：

(1)获取热轧带钢表面质量检测仪分类结果为未分类表面缺陷数据，包含缺陷的长度、宽度、相对位置信息和原始图片；

(2)根据人工经验从表面质量检测仪数据中提取属于铸坯划伤的缺陷样本，建立训练样本集，并对数据进行处理，计算未分类中典型缺陷样本特征量，建立未分类铸坯划伤缺陷判定模型，并根据样本数据训练模型；

(3)从表面质量检测仪数据中提取需要识别的未分类图片，并计算其样本特征量，模型输出该缺陷是否属于未分类铸坯划伤缺陷。

2.根据权利要求1所述的热轧带钢表面未分类铸坯划伤缺陷的判定方法，其特征在于：所述步骤(2)中具体过程如下：

S21：根据训练样本集缺陷图片，设置灰度阈值，规定灰色白色像素点阈值，区分图片特征点信息与背景信息，确定灰色白色像素点阈值如下：

其中，

为图片平均灰度值，g_i为图片任一像素点的灰度值，g_ts为定义灰色像素点阈值，w_ts为定义白色像素点阈值，n为像素点数量，确定灰色白色阈值后对图片像素点重新赋值，具体二值化处理逻辑如下：

B_i＝0(g_i＜g_ts)

W_i＝255(g_i＞w_ts)

G_i＝128(w_ts≥g_i≥g_ts)

其中，G_i为二值化处理重新赋值后背景像素点的灰度值，B_i为二值化处理后灰色像素点的灰度值，W_i为二值化处理后白色像素点的灰度值，g_i为图片任一像素点的灰度值，g_ts为定义灰色像素点阈值，w_ts为定义白色像素点阈值；

S22：对二值化处理后的图像，提取灰色像素点个数、灰色像素点占比、灰色像素点均值、白色像素点占比、图片左右灰度均值差、相邻像素点灰度差特征，具体计算公式如下：

S₁＝N(B_i)

S₂＝N(B_i)/m

S₃＝N(B_i)/S₁

S₄＝N(W_i)/m

S₆＝max(|g_i-g_i-1|)

其中，g_i为某一像素点灰度值，N(B_i)表示缺陷区域内像素点灰度值为B_i的事件数，m为缺陷区域图像内全部像素点数，N(W_i)表示缺陷区域图像内像素点灰度值为W_i的事件数，

为图片左半部分灰度值均值，

为图片右半部分灰度值均值，特征量S₁为缺陷的颜色特征；特征量S₂为缺陷灰色部分几何特征；特征量S₃为缺陷的颜色密度特征；特征量S₄为缺陷白色部分几何特征；特征量S₅为缺陷对中性特征；特征量S₆为缺陷边缘颜色过渡特征；

S23：根据S22中得到的训练样本的特征量，构建训练样本的特征数据集A，作为输入分类算法的输入部分：

A＝{S_j1，S_j2，…，S_j6}

其中，j代表训练样本的个数，S_jk代表第j个训练样本的第k个特征值，k＝1，2，3，4，5，6；

S24：根据得到的训练样本特征数据集A，将训练数据集输入现有通用的k-临近分类算法模型进行训练，得到缺陷判定模型，根据从表面质量检测仪中收集待判定的未分类缺陷作为测试样本集，确定未分类铸坯划伤缺陷对应的数据质心：

其中，z_jl表示第j维特征S_j在l向样本下的质心，n_l为l向样本下样本数量，S_jk表示第k个典型样本中第j维特征S_j的值，将1向样本下全部特征的数据质心联合得到l向样本的质心Z_l(z_1l，z_2l，......，z_jl)。

3.根据权利要求1所述的热轧带钢表面未分类铸坯划伤缺陷的判定方法，其特征在于：所述步骤(3)具体为：计算测试样本特征值，并输入到缺陷判定模型中加以验证，根据欧氏距离公式计算测试样本的缺陷特征Z_x(s_1x，s_2x，......，s_jx)与正向样本和反向样本质心之间的距离，正向样本和反向样本由人工经验给出标签后得到，获取距离最小值对应的类别作为最终的判定结果，其中，距离计算公式表示为：

d_l＝min(d_x-T，d_x-F)

其中，d_x-T为测试样本与正向样本数据质心之间的距离，d_x-F为测试样本与反向样本数据质心之间的距离，d_l为测试样本距离正反向样本数据质心的最小值，s_1x，s_2x，……，s_jx为测试样本的缺陷特征集，z_1T，z_2T，……，z_jT为正向样本的数据质心，z_1F，z_2F，……，z_jF为反向样本的数据质心；

若d_l＝d_x-T，则该缺陷图像样本判定为未分类铸坯划伤缺陷；

若d_l＝d_x-F，则该缺陷图像样本判定为非未分类铸坯划伤缺陷。

Images