CN114820612A - 基于机器视觉的轧辊表面缺陷检测方法及系统 - Google Patents

基于机器视觉的轧辊表面缺陷检测方法及系统 Download PDF

Info

Publication number
CN114820612A
CN114820612A CN202210744750.4A CN202210744750A CN114820612A CN 114820612 A CN114820612 A CN 114820612A CN 202210744750 A CN202210744750 A CN 202210744750A CN 114820612 A CN114820612 A CN 114820612A
Authority
CN
China
Prior art keywords
defect
point
points
follows
roller
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
Application number
CN202210744750.4A
Other languages
English (en)
Other versions
CN114820612B (zh
Inventor
谢昌萍
徐军
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.)
Nantong Hengqiang Mill Roll Co ltd
Original Assignee
Nantong Hengqiang Mill Roll 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 Nantong Hengqiang Mill Roll Co ltd filed Critical Nantong Hengqiang Mill Roll Co ltd
Priority to CN202210744750.4A priority Critical patent/CN114820612B/zh
Publication of CN114820612A publication Critical patent/CN114820612A/zh
Application granted granted Critical
Publication of CN114820612B publication Critical patent/CN114820612B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及机器视觉技术领域，具体涉及基于机器视觉的轧辊表面缺陷检测方法及系统，该方法为应用电子设备进行识别的方法，该系统为生产领域人工智能系统，以实现对轧辊表面的缺陷检测。该方法首先获取轧辊辊身区域内各像素点的梯度方向，比较梯度方向和竖直方向的偏差得到偏差程度；根据偏差程度得到多个初始缺陷点；根据初始缺陷点的聚集情况选取多个第一缺陷点；计算第一缺陷点的缺陷点概率，从第一缺陷点中筛选出多个第二缺陷点，连接第二缺陷点得到每个分类结果的缺陷区域；计算缺陷区域的缺陷程度。本发明通过轧辊辊身表面图像的梯度信息，判断辊身表面图像中存在的缺陷区域的缺陷程度，以达到实现轧辊表面缺陷实时检测的目的。

Description

基于机器视觉的轧辊表面缺陷检测方法及系统
技术领域
本发明涉及机器视觉技术领域，具体涉及基于机器视觉的轧辊表面缺陷检测方法及系统。
背景技术
轧辊是轧机上使金属产生连续塑性变形的主要工作部件和工具。轧辊主要由辊身、辊颈和轴头三个部分组成，其中辊身是实际参与轧制金属的轧辊中间部分，其余轧制材料直接接触，当辊身出现缺陷，如辊身软点，会直接对轧制产品质量造成影响。辊身软点是一种常见的轧辊表面缺陷，软点区域在产生过程中内部会产生热裂纹，随着轧机的不断运行，热裂纹会内扩散，进而导致剥落的产生，可以说是软点是轧辊产生表面剥落的第一阶段。
目前，常见的对辊身软点缺陷检测的方法为涡轮探伤，但是涡轮探伤对环境信号较为敏感，通常需要结合其他一起进行综合判断，且涡轮探伤无法做到对轧辊表面的实时检测，也就无法及时发现软点缺陷。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于机器视觉的轧辊表面缺陷检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了基于机器视觉的轧辊表面缺陷检测方法，该方法包括以下步骤：
采集轧辊表面图像，提取所述轧辊表面图像的轧辊辊身区域；
获取所述轧辊辊身区域的各像素点的梯度值和梯度方向，比较各像素点的梯度方向和竖直方向的偏差，得到各像素点的偏差程度；根据所述偏差程度得到多个初始缺陷点；
对所述初始缺陷点进行分类得到多个分类结果；获取所述分类结果中各初始缺陷点的曲率，以各初始缺陷点为圆心，以曲率的倒数为半径得到各初始缺陷点的对应圆，将属于多个对应圆的初始缺陷点作为第一缺陷点；根据第一缺陷点的偏差程度和所属对应圆圆心的偏差程度得到缺陷点概率；根据所述缺陷点概率从多个第一缺陷点中筛选出多个第二缺陷点，连接所述第二缺陷点得到每个分类结果的缺陷区域；
根据所述缺陷区域内各像素点与缺陷区域的中心点之间的距离，以及所述缺陷区域的面积得到所述缺陷区域的缺陷程度。
优选的，所述提取轧辊辊身区域的方法为：利用语义分割网络提取所述轧辊表面图像的轧辊辊身区域。
优选的，所述比较各像素点的梯度方向和竖直方向的偏差，得到各像素点的偏差程度，包括：
所述偏差程度的计算公式为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为第
Figure 100002_DEST_PATH_IMAGE006
个像素点的所述偏差程度；
Figure 100002_DEST_PATH_IMAGE008
为第
Figure 643431DEST_PATH_IMAGE006
个像素点的所述梯度方向；
Figure 100002_DEST_PATH_IMAGE010
为竖直向上的单位向量；
Figure 100002_DEST_PATH_IMAGE012
为第
Figure 603166DEST_PATH_IMAGE006
个像素点的梯度方向的模。
优选的，所述根据第一缺陷点的偏差程度和所属对应圆圆心的偏差程度得到缺陷点概率，包括：
所述缺陷点概率的计算公式：
Figure 100002_DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE016
为第
Figure 100002_DEST_PATH_IMAGE018
个分类结果中第
Figure 100002_DEST_PATH_IMAGE020
个第一缺陷点的缺陷点概率；
Figure 100002_DEST_PATH_IMAGE022
为第
Figure 48928DEST_PATH_IMAGE020
个第一缺陷点的偏差程度；
Figure 100002_DEST_PATH_IMAGE024
为含第
Figure 613771DEST_PATH_IMAGE020
个第一缺陷点的对应圆的数量；
Figure 100002_DEST_PATH_IMAGE026
为第
Figure 100002_DEST_PATH_IMAGE028
个对应圆的圆心的偏差程度。
优选的，所述对所述初始缺陷点进行分类得到多个分类结果，包括：
利用DBSCAN聚类算法根据初始缺陷点的坐标对所述初始缺陷点进行聚类得到多个分类结果。
优选的，所述根据所述缺陷区域内各像素点与缺陷区域的中心点之间的距离，以及所述缺陷区域的面积得到所述缺陷区域的缺陷程度，包括：
所述缺陷程度的计算公式为：
Figure 100002_DEST_PATH_IMAGE030
其中，
Figure 100002_DEST_PATH_IMAGE032
为第
Figure 791680DEST_PATH_IMAGE018
个缺陷区域的缺陷程度；
Figure 100002_DEST_PATH_IMAGE034
为第
Figure 379656DEST_PATH_IMAGE018
个缺陷区域的面积；
Figure 100002_DEST_PATH_IMAGE036
为第
Figure 583104DEST_PATH_IMAGE018
个缺陷区域的第
Figure 100002_DEST_PATH_IMAGE038
个像素点的梯度值；
Figure 100002_DEST_PATH_IMAGE040
为第
Figure 64770DEST_PATH_IMAGE018
个缺陷区域的第
Figure 898734DEST_PATH_IMAGE038
个像素点的横坐标；
Figure 100002_DEST_PATH_IMAGE042
为第
Figure 974006DEST_PATH_IMAGE018
个缺陷区域的第
Figure 743047DEST_PATH_IMAGE038
个像素点的纵坐标；
Figure 100002_DEST_PATH_IMAGE044
为第
Figure 751323DEST_PATH_IMAGE018
个缺陷区域的中心点的横坐标；
Figure 100002_DEST_PATH_IMAGE046
为第
Figure 552926DEST_PATH_IMAGE018
个缺陷区域的中心点的纵坐标。
优选的，所述连接所述第二缺陷点得到每个分类结果的缺陷区域，包括：
对每个分类结果内的所述第二缺陷点进行凸包检测，得到每个所述分类结果对应的缺陷区域。
优选的，所述根据所述偏差程度得到多个初始缺陷点，包括：
所述偏差程度大于等于预设偏差阈值的像素点为初始缺陷点。
第二方面，本发明一个实施例提供了基于机器视觉的轧辊表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于机器视觉的轧辊表面缺陷检测方法。
本发明实施例至少具有如下有益效果：
本发明实施例利用机器视觉技术，应用电子设备进行识别缺陷的方法，缺陷检测系统为生产领域人工智能系统，实现对轧辊表面的缺陷检测。该方法首先采集轧辊表面图像，提取轧辊表面图像的轧辊辊身区域；获取轧辊辊身区域的各像素点的梯度值和梯度方向，比较各像素点的梯度方向和竖直方向的偏差，得到各像素点的偏差程度；根据偏差程度得到多个初始缺陷点；对初始缺陷点进行分类得到多个分类结果；获取分类结果中各初始缺陷点的曲率，以各初始缺陷点为圆心，以曲率的倒数为半径得到各初始缺陷点的对应圆，将属于多个对应圆的初始缺陷点作为第一缺陷点，由于仅根据梯度方向对缺陷进行判断准确率较低，故根据软点缺陷为近似圆形而通过曲率对缺陷像素点进一步进行判断；根据第一缺陷点的偏差程度和所属对应圆圆心的偏差程度得到缺陷点概率；根据缺陷点概率从多个第一缺陷点中筛选出多个第二缺陷点，连接第二缺陷点得到每个分类结果的缺陷区域；根据缺陷区域内各像素点与缺陷区域的中心点之间的距离，以及缺陷区域的面积得到缺陷区域的缺陷程度，得到缺陷区域后，避免频繁停机进行磨削对生产效率的影响，故计算缺陷区域的缺陷程度，进而作出相应的处理。本发明通过处理采集到的轧辊辊身表面图像的梯度信息，进而判断当前辊身表面图像中存在的软点区域的缺陷程度，并根据软点区域的缺陷程度作出相应的处理，以实现轧辊表面缺陷的实时检测。
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为本发明一个实施例所提供的基于机器视觉的轧辊表面缺陷检测方法的方法流程图。
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，对依据本发明提出的基于机器视觉的轧辊表面缺陷检测方法及系统，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。
本发明实施例提供了基于机器视觉的轧辊表面缺陷检测方法及系统的具体实施方法，该方法适用于轧辊表面缺陷检测场景。该场景下将相机固定与轧机机架的正上方，采集轧辊表面图像，并对轧辊表面图像内的特征信息做出相应的处理操作。为了解决涡轮探伤无法对轧辊表面的缺陷进行实时检测，而无法及时发现软点缺陷。本发明为应用电子设备进行识别的方法，该系统为生产领域人工智能系统，以实现对轧辊表面的缺陷检测，通过处理采集到的轧辊辊身表面图像的梯度信息，进而判断当前辊身表面图像中存在的软点区域的缺陷程度，并根据软点区域的缺陷程度作出相应的处理，以达到对轧辊表面缺陷实时检测的目的。
下面结合附图具体的说明本发明所提供的基于机器视觉的轧辊表面缺陷检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于机器视觉的轧辊表面缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤S100，采集轧辊表面图像，提取轧辊表面图像的轧辊辊身区域。
首先，根据相机到轧辊的工作距离，结合当前轧辊规格，调节相机焦距，使相机的视野范围长度为轧辊辊身长度。由于轧辊属于柱形体，为保证检测的准确性，本发明实施例分三次采集轧辊表面图像，每次采集1/3圆周图像，并根据轧辊转速，确定相机采样频率。
由于加工环境较为复杂，且轧辊存在多种规格，采集到的轧辊表面图像中除了轧辊外还存在部分加工环境以及轧机机架图像，为了让系统能适用于各种情况，增强其泛化能力，本发明提取轧辊表面图像的轧辊辊身区域。
具体的：利用语义分割网络提取轧辊表面图像的轧辊辊身区域，该语义分割网络的网络结构为Encoder-Decoder结构，数据集为各种类型的轧辊表面图像，该网络的标签分为两类，轧辊和背景，给轧辊表面图像中所有像素标注上对应的标签。属于轧辊辊身的像素，其值标注为1；属于背景的像素，标注为0。即通过语义分割网络得到了0-1掩膜图像，将轧辊表面图像与0-1掩膜图像相乘即提取到了轧辊表面图像的轧辊辊身区域。
在本发明实施例中，该语义分割网络的损失函数为交叉熵损失函数。
步骤S200，获取轧辊辊身区域的各像素点的梯度值和梯度方向，比较各像素点的梯度方向和竖直方向的偏差，得到各像素点的偏差程度；根据偏差程度得到多个初始缺陷点。
由于当对轧辊表面无软点缺陷时的轧辊表面图像进行梯度检测时，轧辊表面图像中只会存在反光造成的条形区域，但是由于软点缺陷的深浅不一，且大部分软点缺陷的边缘并不清晰，无法从梯度幅值方面将软点缺陷与反光区域进行区分。
而反光区域的梯度方向基本为竖直方向，软点缺陷的梯度方向具有向心性，因此可以根据梯度方向进行软点缺陷区域与反光区域像素点进行初步区分。需要说明的是，本发明实施例采集轧辊表面图像时轧辊横向放置，轧辊反光的区域正常为条纹区域，所以轧辊反光区域产生的梯度方向为竖直方向的；而软点缺陷是小凹坑，故软点缺陷的梯度方向不是竖直的。
首先使用高斯滤波对轧辊辊身区域进行处理，防止噪声干扰。
对轧辊辊身区域进行梯度检测，获取轧辊辊身区域的各像素点的梯度值和梯度方向。比较各像素点的梯度方向和竖直方向的偏差，得到各像素点的偏差程度。在本发明实施例中利用Sobel算子对轧辊辊身区域进行梯度检测。
该第
Figure 849915DEST_PATH_IMAGE006
个像素点的偏差程度
Figure 864008DEST_PATH_IMAGE004
的计算公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 523528DEST_PATH_IMAGE008
为第
Figure 433715DEST_PATH_IMAGE006
个像素点的梯度方向；
Figure 218000DEST_PATH_IMAGE010
为竖直向上的单位向量；
Figure 504625DEST_PATH_IMAGE012
为第
Figure 628439DEST_PATH_IMAGE006
个像素点的梯度方向的模。
该偏差程度的公式中
Figure DEST_PATH_IMAGE048
为第
Figure 845880DEST_PATH_IMAGE006
个像素点与竖直方向的偏差。
该偏差程度越大，梯度方向越不趋向于竖直方向，其属于反光区域像素点的概率越小，则该偏差程度对应的像素点为缺陷像素点的概率越大。
得到多个像素点的偏差程度，将偏差程度大于等于预设偏差阈值的像素点作为初始缺陷点，在本发明实施例中预设偏差阈值为0.7，在其他实施例中可根据实际情况调整该取值。
步骤S300，对初始缺陷点进行分类得到多个分类结果；获取分类结果中各初始缺陷点的曲率，以各初始缺陷点为圆心，以曲率的倒数为半径得到各初始缺陷点的对应圆，将属于多个对应圆的初始缺陷点作为第一缺陷点；根据第一缺陷点的偏差程度和所属对应圆圆心的偏差程度得到缺陷点概率；根据缺陷点概率从多个第一缺陷点中筛选出多个第二缺陷点，连接第二缺陷点得到每个分类结果的缺陷区域。
步骤S200是基于梯度方向对缺陷像素点进行了初步判断，而软点缺陷表现为凹痕，其边缘梯度方向中也存在偏向于竖直方向的像素点，故在进行了初步判断之后，考虑软点缺陷为凹痕，其整体近似于圆形，根据缺陷像素点的曲率对缺陷像素点进行进一步修正。
由于缺陷是一小块区域，整个轧辊辊身区域中可能存在多个缺陷，故先对轧辊辊身区域进行腐蚀，去除离散点，得到去除离散点后的多个初始缺陷点。需要说明的是，因为得到的初始缺陷点中有可能包含离散点，故对离散点进行去除，得到去除离散点后的多个初始缺陷点。
再利用DBSCAN聚类算法根据去除离散点后的初始缺陷点的坐标对初始缺陷点进行聚类得到多个分类结果。每个分类结果对应一个缺陷。
基于任意一个分类结果
Figure 586303DEST_PATH_IMAGE018
，对该分类结果
Figure 676619DEST_PATH_IMAGE018
中的初始缺陷点进行分析，具体的：
计算第
Figure 920518DEST_PATH_IMAGE018
个分类结果中第
Figure DEST_PATH_IMAGE050
个初始缺陷点与该分类结果中的距离最近的初始缺陷点所形成的曲率，记第
Figure 438087DEST_PATH_IMAGE018
个分类结果中第
Figure 956486DEST_PATH_IMAGE050
个初始缺陷点的曲率为
Figure DEST_PATH_IMAGE052
，得到分类结果中各初始缺陷点的曲率。
以各初始缺陷点为圆心，以曲率的倒数为半径得到各初始缺陷点的对应圆。如以第
Figure 240706DEST_PATH_IMAGE050
个初始缺陷点为圆点，以该像素点对应的曲率的倒数
Figure DEST_PATH_IMAGE054
为半径拟合圆形，得到第
Figure 401429DEST_PATH_IMAGE050
个像素点的对应圆，该对应圆覆盖的像素点为缺陷像素点的概率较大。
重复获取分类结果中各初始缺陷点的对应圆，并获取多个对应圆的并集，将属于多个对应圆中的初始缺陷点作为第一缺陷点。根据第一缺陷点的偏差程度和所属对应圆圆心的偏差程度对第一缺陷点的偏差程度进行修正，得到缺陷点概率。
第
Figure 824320DEST_PATH_IMAGE018
个分类结果中第
Figure 273756DEST_PATH_IMAGE020
个第一缺陷点的缺陷点概率
Figure 705874DEST_PATH_IMAGE016
的计算公式：
Figure DEST_PATH_IMAGE014A
其中，
Figure 580158DEST_PATH_IMAGE022
为第
Figure 439530DEST_PATH_IMAGE020
个第一缺陷点的偏差程度；
Figure 110683DEST_PATH_IMAGE024
为含第
Figure 346492DEST_PATH_IMAGE020
个第一缺陷点的对应圆的数量；
Figure 419490DEST_PATH_IMAGE026
为第
Figure 184184DEST_PATH_IMAGE028
个对应圆的圆心的偏差程度。
基于每个分类结果，得到分类结果内各第一缺陷点修正后的缺陷点概率。
根据缺陷点概率从多个第一缺陷点中筛选出多个第二缺陷点，具体的：将缺陷点概率大于预设概率阈值的第一缺陷点作为第二缺陷点。在本发明实施例中预设概率阈值的取值为0.9，在其他实施例中实施者可根据实际情况调整该取值。
连接第二缺陷点得到每个分类结果的缺陷区域。具体的：对每个分类结果内的多个第二缺陷点进行凸包检测，得到每个分类结果对应的缺陷区域，由此得到每个分类结果也即每个缺陷区域的分布范围。
步骤S400，根据缺陷区域内各像素点与缺陷区域的中心点之间的距离，以及缺陷区域的面积得到缺陷区域的缺陷程度。
由于软点缺陷程度不同，当缺陷程度较大时，在缺陷的影响下容易产生缺陷产品，且可能会逐渐发展成更严重的表面剥落缺陷，无论是对产品质量还是轧辊本身质量都会造成很大的影响，此时必须及时停止轧辊运行，并进行磨削；当缺陷程度较小时，缺陷对产品质量的影响基本可以忽略不计，且发生剥落的可能性较小，而频繁停机再进行磨削会降低生产效率，因此对于缺陷程度较小的缺陷没有必要再停机进行磨削。故在检测出软点对应的缺陷区域后还需要进一步的对该缺陷区域的缺陷程度进行评估，并根据不同的缺陷程度使系统做出相应的处理措施。
由于软点缺陷的梯度产生除了缺陷边缘外还有凹陷深度，软点缺陷梯度越大，分布范围越大，表示其软点缺陷的凹陷程度越严重，越需要对其进行停机磨削。因此对缺陷程度的评估可以从缺陷深度及其分布范围来评估。
根据步骤S300得到的缺陷区域，获取缺陷区域所包含的像素点数量，该像素点数量即为缺陷区域的面积。
对缺陷区域做最小包围框，以包围框对角线的交点为该缺陷区域的中心点。
由于凹坑内部存在背光区与受光区，故凹坑内部也存在梯度差异，但是相对于边缘位置梯度较小，背光区的边缘处由于反光程度较小，会导致其与周边区域的梯度差异较大，因此边缘区域更能反映凹坑深度，所以对凹陷程度进行评估时，越靠近边缘的位置的梯度对凹陷程度评估的可靠性越大。由于边缘的位置不易获取，所以根据像素点距离缺陷区域的中心点的位置来判断像素点距离边缘的远近。
根据缺陷区域内各像素点与缺陷区域的中心点之间的距离，以及缺陷区域的面积得到缺陷区域的缺陷程度。具体的：
第
Figure 139370DEST_PATH_IMAGE018
个缺陷区域的缺陷程度
Figure 913291DEST_PATH_IMAGE032
的计算公式为：
Figure DEST_PATH_IMAGE030A
其中，
Figure 434271DEST_PATH_IMAGE034
为第
Figure 369866DEST_PATH_IMAGE018
个缺陷区域的面积；
Figure 15611DEST_PATH_IMAGE036
为第
Figure 858802DEST_PATH_IMAGE018
个缺陷区域的第
Figure 703130DEST_PATH_IMAGE038
个像素点的梯度值；
Figure 86925DEST_PATH_IMAGE040
为第
Figure 219966DEST_PATH_IMAGE018
个缺陷区域的第
Figure 335689DEST_PATH_IMAGE038
个像素点的横坐标；
Figure 972207DEST_PATH_IMAGE042
为第
Figure 515184DEST_PATH_IMAGE018
个缺陷区域的第
Figure 869942DEST_PATH_IMAGE038
个像素点的纵坐标；
Figure 382832DEST_PATH_IMAGE044
为第
Figure 670593DEST_PATH_IMAGE018
个缺陷区域的中心点的横坐标；
Figure 181209DEST_PATH_IMAGE046
为第
Figure 288842DEST_PATH_IMAGE018
个缺陷区域的中心点的纵坐标。
得到各缺陷区域的缺陷程度。
根据步骤S100~步骤S400对采集到的轧辊辊身区域进行软点缺陷检测以及缺陷程度评估。
当缺陷区域对应的缺陷程度小于预设缺陷程度阈值时，此时仅对该缺陷区域进行标记，但不停机进行磨削。在下次采集的轧辊表面图像中对应位置，沿着各个边缘像素点的梯度方向寻找梯度最大值，则该梯度最大值的位置则为发生扩展后的缺陷区域对应点的位置，重复步骤S100~步骤S400，再次对该缺陷区域进行缺陷程度评估。
在本发明实施例中该预设缺陷程度阈值可根据实际需要进行设置，或者，获取多组历史数据，根据历史数据设置该预设缺陷程度阈值。
当缺陷区域对应的缺陷程度大于等于预设缺陷程度阈值时，停止轧机运行，对所有缺陷区域进行磨削。
综上所述，本发明实施例利用机器视觉技术，该方法为应用电子设备进行识别的方法，该系统为生产领域人工智能系统，实现对轧辊表面的缺陷检测。该方法首先采集轧辊表面图像，提取轧辊表面图像的轧辊辊身区域；获取轧辊辊身区域的各像素点的梯度值和梯度方向，比较各像素点的梯度方向和竖直方向的偏差，得到各像素点的偏差程度；根据偏差程度得到多个初始缺陷点；对初始缺陷点进行分类得到多个分类结果；获取分类结果中各初始缺陷点的曲率，以各初始缺陷点为圆心，以曲率的倒数为半径得到各初始缺陷点的对应圆，将属于多个对应圆的初始缺陷点作为第一缺陷点；根据第一缺陷点的偏差程度和所属对应圆圆心的偏差程度得到缺陷点概率；根据缺陷点概率从多个第一缺陷点中筛选出多个第二缺陷点，连接第二缺陷点得到每个分类结果的缺陷区域；根据缺陷区域内各像素点与缺陷区域的中心点之间的距离，以及缺陷区域的面积得到缺陷区域的缺陷程度。本发明通过处理采集到的轧辊辊身表面图像的梯度信息，进而判断当前辊身表面图像中存在的软点区域的缺陷程度，并根据软点区域的缺陷程度作出相应的处理，以实现轧辊表面缺陷的实时检测。
本发明实施例还提出了基于机器视觉的轧辊表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于基于机器视觉的轧辊表面缺陷检测方法在上述给出了详细描述，不再赘述。
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。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.基于机器视觉的轧辊表面缺陷检测方法，其特征在于，该方法包括以下步骤：
采集轧辊表面图像，提取所述轧辊表面图像的轧辊辊身区域；
获取所述轧辊辊身区域的各像素点的梯度值和梯度方向，比较各像素点的梯度方向和竖直方向的偏差，得到各像素点的偏差程度；根据所述偏差程度得到多个初始缺陷点；
对所述初始缺陷点进行分类得到多个分类结果；获取所述分类结果中各初始缺陷点的曲率，以各初始缺陷点为圆心，以曲率的倒数为半径得到各初始缺陷点的对应圆，将属于多个对应圆的初始缺陷点作为第一缺陷点；根据第一缺陷点的偏差程度和所属对应圆圆心的偏差程度得到缺陷点概率；根据所述缺陷点概率从多个第一缺陷点中筛选出多个第二缺陷点，连接所述第二缺陷点得到每个分类结果的缺陷区域；
根据所述缺陷区域内各像素点与缺陷区域的中心点之间的距离，以及所述缺陷区域的面积得到所述缺陷区域的缺陷程度；
其中，所述缺陷程度的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个缺陷区域的缺陷程度；
Figure DEST_PATH_IMAGE008
为第
Figure 895428DEST_PATH_IMAGE006
个缺陷区域的面积；
Figure DEST_PATH_IMAGE010
为第
Figure 406044DEST_PATH_IMAGE006
个缺陷区域的第
Figure DEST_PATH_IMAGE012
个像素点的梯度值；
Figure DEST_PATH_IMAGE014
为第
Figure 169469DEST_PATH_IMAGE006
个缺陷区域的第
Figure 626995DEST_PATH_IMAGE012
个像素点的横坐标；
Figure DEST_PATH_IMAGE016
为第
Figure 566001DEST_PATH_IMAGE006
个缺陷区域的第
Figure 654043DEST_PATH_IMAGE012
个像素点的纵坐标；
Figure DEST_PATH_IMAGE018
为第
Figure 311289DEST_PATH_IMAGE006
个缺陷区域的中心点的横坐标；
Figure DEST_PATH_IMAGE020
为第
Figure 103665DEST_PATH_IMAGE006
个缺陷区域的中心点的纵坐标。
2.根据权利要求1所述的基于机器视觉的轧辊表面缺陷检测方法，其特征在于，所述提取轧辊辊身区域的方法为：利用语义分割网络提取所述轧辊表面图像的轧辊辊身区域。
3.根据权利要求1所述的基于机器视觉的轧辊表面缺陷检测方法，其特征在于，所述比较各像素点的梯度方向和竖直方向的偏差，得到各像素点的偏差程度，包括：
所述偏差程度的计算公式为：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为第
Figure DEST_PATH_IMAGE026
个像素点的所述偏差程度；
Figure DEST_PATH_IMAGE028
为第
Figure 95847DEST_PATH_IMAGE026
个像素点的所述梯度方向；
Figure DEST_PATH_IMAGE030
为竖直向上的单位向量；
Figure DEST_PATH_IMAGE032
为第
Figure 479424DEST_PATH_IMAGE026
个像素点的梯度方向的模。
4.根据权利要求1所述的基于机器视觉的轧辊表面缺陷检测方法，其特征在于，所述根据第一缺陷点的偏差程度和所属对应圆圆心的偏差程度得到缺陷点概率，包括：
所述缺陷点概率的计算公式：
Figure DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE036
为第
Figure 748600DEST_PATH_IMAGE006
个分类结果中第
Figure DEST_PATH_IMAGE038
个第一缺陷点的缺陷点概率；
Figure DEST_PATH_IMAGE040
为第
Figure 656251DEST_PATH_IMAGE038
个第一缺陷点的偏差程度；
Figure DEST_PATH_IMAGE042
为含第
Figure 569849DEST_PATH_IMAGE038
个第一缺陷点的对应圆的数量；
Figure DEST_PATH_IMAGE044
为第
Figure DEST_PATH_IMAGE046
个对应圆的圆心的偏差程度。
5.根据权利要求1所述的基于机器视觉的轧辊表面缺陷检测方法，其特征在于，所述对所述初始缺陷点进行分类得到多个分类结果，包括：
利用DBSCAN聚类算法根据初始缺陷点的坐标对所述初始缺陷点进行聚类得到多个分类结果。
6.根据权利要求1所述的基于机器视觉的轧辊表面缺陷检测方法，其特征在于，所述连接所述第二缺陷点得到每个分类结果的缺陷区域，包括：
对每个分类结果内的所述第二缺陷点进行凸包检测，得到每个所述分类结果对应的缺陷区域。
7.根据权利要求1所述的基于机器视觉的轧辊表面缺陷检测方法，其特征在于，所述根据所述偏差程度得到多个初始缺陷点，包括：
所述偏差程度大于等于预设偏差阈值的像素点为初始缺陷点。
8.基于机器视觉的轧辊表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
CN202210744750.4A 2022-06-29 2022-06-29 基于机器视觉的轧辊表面缺陷检测方法及系统 Expired - Fee Related CN114820612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210744750.4A CN114820612B (zh) 2022-06-29 2022-06-29 基于机器视觉的轧辊表面缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210744750.4A CN114820612B (zh) 2022-06-29 2022-06-29 基于机器视觉的轧辊表面缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN114820612A true CN114820612A (zh) 2022-07-29
CN114820612B CN114820612B (zh) 2022-09-02

Family

ID=82522499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210744750.4A Expired - Fee Related CN114820612B (zh) 2022-06-29 2022-06-29 基于机器视觉的轧辊表面缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN114820612B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018833A (zh) * 2022-08-05 2022-09-06 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115311275A (zh) * 2022-10-11 2022-11-08 南通百仕灵新能源科技有限公司 一种电子元器件表面缺陷检测方法及系统
CN117911404A (zh) * 2024-03-19 2024-04-19 常州制邦信息科技有限公司 一种轧辊工件表面缺陷检测系统及检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101526484A (zh) * 2009-04-13 2009-09-09 江南大学 基于嵌入式机器视觉的轴承缺陷检测技术
CN107576664A (zh) * 2017-09-28 2018-01-12 清华大学 一种轧辊磨削表面缺陷机器视觉检测系统
CN108571928A (zh) * 2018-04-13 2018-09-25 桂林电子科技大学 一种基于机器视觉的夹片锚具尺寸缺陷检测方法
US20190318471A1 (en) * 2018-04-13 2019-10-17 Taiwan Semiconductor Manufacturing Co., Ltd. Hot spot defect detecting method and hot spot defect detecting system
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101526484A (zh) * 2009-04-13 2009-09-09 江南大学 基于嵌入式机器视觉的轴承缺陷检测技术
CN107576664A (zh) * 2017-09-28 2018-01-12 清华大学 一种轧辊磨削表面缺陷机器视觉检测系统
CN108571928A (zh) * 2018-04-13 2018-09-25 桂林电子科技大学 一种基于机器视觉的夹片锚具尺寸缺陷检测方法
US20190318471A1 (en) * 2018-04-13 2019-10-17 Taiwan Semiconductor Manufacturing Co., Ltd. Hot spot defect detecting method and hot spot defect detecting system
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018833A (zh) * 2022-08-05 2022-09-06 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115018833B (zh) * 2022-08-05 2022-11-04 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115311275A (zh) * 2022-10-11 2022-11-08 南通百仕灵新能源科技有限公司 一种电子元器件表面缺陷检测方法及系统
CN117911404A (zh) * 2024-03-19 2024-04-19 常州制邦信息科技有限公司 一种轧辊工件表面缺陷检测系统及检测方法
CN117911404B (zh) * 2024-03-19 2024-05-28 常州制邦信息科技有限公司 一种轧辊工件表面缺陷检测系统及检测方法

Also Published As

Publication number Publication date
CN114820612B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114820612B (zh) 基于机器视觉的轧辊表面缺陷检测方法及系统
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN115375676B (zh) 一种基于图像识别的不锈钢制品质量检测方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
US8090157B2 (en) Approaches and apparatus for eye detection in a digital image
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN109682839B (zh) 一种金属弧形工件表面缺陷在线检测方法
US20060029257A1 (en) Apparatus for determining a surface condition of an object
CN109377485A (zh) 一种方便面包装缺陷机器视觉检测方法
CN115984284B (zh) 一种用于船舶维护的x射线船体焊缝图像检测方法
US20220011241A1 (en) Surface-defect detecting method, surface-defect detecting apparatus, steel-material manufacturing method, steel-material quality management method, steel-material manufacturing facility, surface-defect determination model generating method, and surface-defect determination model
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
CN115439481A (zh) 基于图像处理的除氧器焊接质量检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115100191A (zh) 基于工业检测的金属铸件缺陷识别方法
CN110060239B (zh) 一种用于瓶子瓶口的缺陷检测方法
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN117974601B (zh) 基于模板匹配的硅片表面缺陷检测方法及系统
CN113295698A (zh) 一种缺陷检测方法、存储介质和检测系统
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN110070523A (zh) 一种用于瓶底的异物检测方法
CN115601359A (zh) 一种焊缝检测方法及装置
CN116012292A (zh) 一种基于机器视觉的晶圆外观缺陷检测方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220902