CN114998322A - 基于计算机视觉的轧机智能控制方法及系统 - Google Patents

基于计算机视觉的轧机智能控制方法及系统 Download PDF

Info

Publication number
CN114998322A
CN114998322A CN202210844472.XA CN202210844472A CN114998322A CN 114998322 A CN114998322 A CN 114998322A CN 202210844472 A CN202210844472 A CN 202210844472A CN 114998322 A CN114998322 A CN 114998322A
Authority
CN
China
Prior art keywords
pixels
suspected
scratch
scratch defect
pixel
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
CN202210844472.XA
Other languages
English (en)
Other versions
CN114998322B (zh
Inventor
黄镇生
杨彩红
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 CN202210844472.XA priority Critical patent/CN114998322B/zh
Publication of CN114998322A publication Critical patent/CN114998322A/zh
Application granted granted Critical
Publication of CN114998322B publication Critical patent/CN114998322B/zh
Active 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种基于计算机视觉的轧机智能控制方法及系统，该方法及系统是一种应用电子设备进行图像识别的方法及系统，可应用于生产领域人工智能系统、人工智能优化操作系统。其中，基于计算机视觉的轧机智能控制方法包括：基于轧辊图像，应用电子设备识别获取疑似划痕缺陷；对于疑似划痕缺陷像素，计算其他像素对疑似划痕缺陷像素的滤波权重时考虑了梯度差异；基于滤波权重完成双边滤波；基于滤波后的轧辊图像，重新获取划痕缺陷，进行轧机的智能控制。本发明采用不同的计算方式计算疑似划痕缺陷像素和非疑似划痕缺陷像素的滤波权重，基于此，经过滤波后可以将轧辊图像中不明显的边缘保留下来，实现划痕缺陷的准确检测。

Description

基于计算机视觉的轧机智能控制方法及系统
技术领域
本发明涉及图像处理领域，具体涉及一种基于计算机视觉的轧机智能控制方法及系统。
背景技术
在机械制造过程中，通常需要通过轧机对金属等材料进行加工，轧辊是轧机上使金属等材料产生连续塑性变形的主要工作部件和工具。在轧制过程中，可能会由于轧制速度设置不当导致轧辊与被轧制的金属打滑，产生打滑划痕缺陷。
对于划痕缺陷，目前通常利用磁粉探伤、超声波探伤等方法在轧机停止工作后对轧辊进行划痕缺陷检测。而磁粉探伤、超声波探伤等方法无法在轧机工作的同时对轧辊进行检测，也就无法根据检测结果智能控制轧机。
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计算机视觉的轧机智能控制方法及系统，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一种基于计算机视觉的轧机智能控制方法，该方法包括以下具体步骤：
获取轧辊图像，基于所述轧辊图像获取划痕缺陷；获取所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷；
对于疑似划痕缺陷像素，基于与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重；基于所述滤波权重进行双边滤波；
基于滤波后的轧辊图像，重新获取划痕缺陷；根据所述重新获取的划痕缺陷的像素数量，进行轧机的智能控制。
进一步地，基于与像素范围域中其他像素的距离差异、灰度差异以及梯度差异，计算滤波权重，包括：
计算所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率；所述概率为第一权值，基于所述概率获取第二权值；
利用所述第一权值为所述梯度差异加权，利用所述第二权值为所述距离差异和灰度差异加权；基于所述差异的加权和计算所述滤波权重。
进一步地，计算所述疑似划痕缺陷为划痕缺陷的概率，包括：
基于所述预设方向上梯度幅值，对疑似划痕缺陷对应像素进行分组；
获取所述梯度幅值较大的像素组中像素的最大连续个数和最大连续个数对应像素的灰度方差；
根据所述灰度方差和所述像素个数计算所述概率；其中，所述概率和所述灰度方差呈反相关关系，所述概率和所述像素个数呈正相关关系。
进一步地，若其他像素为非疑似划痕缺陷像素，基于所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率，对所述距离差异进行差异放大；基于放大后的距离差异，计算所述滤波权重。
进一步地，对于非疑似划痕缺陷像素，基于与像素范围域中其他像素的距离差异和灰度差异，计算其他像素对非疑似划痕缺陷像素的滤波权重。
第二方面，本发明另一个实施例提供了一种基于计算机视觉的轧机智能控制系统，该系统具体包括：
缺陷获取模块，用于获取轧辊图像，基于所述轧辊图像获取划痕缺陷；获取所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷；
滤波模块，用于对于疑似划痕缺陷像素，基于与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重；基于所述滤波权重进行双边滤波；
智能控制模块，用于基于滤波后的轧辊图像，重新获取划痕缺陷；根据所述重新获取的划痕缺陷的像素数量，进行轧机的智能控制。
进一步地，所述滤波模块包括：
权值获取单元，用于计算所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率；所述概率为第一权值，基于所述概率获取第二权值；
第一计算单元，用于利用所述第一权值为所述梯度差异加权，利用所述第二权值为所述距离差异和灰度差异加权；基于所述差异的加权和计算所述滤波权重。
进一步地，所述权值获取单元包括：
像素分组单元，用于基于所述预设方向上梯度幅值，对疑似划痕缺陷对应像素进行分组；
数据获取单元，用于获取所述梯度幅值较大的像素组中像素的最大连续个数和最大连续个数对应像素的灰度方差；
概率计算单元，用于根据所述灰度方差和所述像素个数计算所述概率；其中，所述概率和所述灰度方差呈反相关关系，所述概率和所述像素个数呈正相关关系。
进一步地，基于所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率，对所述距离差异进行差异放大；基于放大的距离差异计算所述滤波权重。
进一步地，所述滤波模块包括：
第二计算单元，用于基于与像素范围域中其他像素的距离差异和灰度差异，计算其他像素对非疑似划痕缺陷像素的滤波权重。
本发明实施例至少具有如下有益效果：本发明涉及一种基于计算机视觉的轧机智能控制方法及系统，该方法及系统是一种应用电子设备进行图像识别的方法及系统，可应用于生产领域人工智能系统、人工智能优化操作系统。本发明对于疑似划痕缺陷像素和非疑似划痕缺陷像素，采用不同的滤波权重计算方式，基于此，经过滤波后可以将轧辊图像中不明显的边缘保留下来，同时去除噪声点，基于滤波图像实现划痕缺陷的准确检测。此外，对于疑似划痕缺陷像素，本发明还根据疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率设置了梯度差异的权值，对越可能为划痕缺陷的疑似划痕缺陷的像素进行滤波时，越注重像素梯度幅值差异，进而使得不明显的划痕缺陷得以保留。
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为本发明实施例提供的基于计算机视觉的轧机智能控制方法的步骤流程图。
图2为本发明实施例提供的基于计算机视觉的轧机智能控制系统的模块构成图。
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一种基于计算机视觉的轧机智能控制方法及系统，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，一或多个实施例或实施方式中的特定特征、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。
本发明的主要目的是：利用计算机视觉，对采集到的轧辊图像进行处理，分析轧辊图像的特征，对轧辊表面的划痕缺陷进行检测，进而结合划痕缺陷，对轧机进行智能控制。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的轧机智能控制方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的轧机智能控制方法的步骤流程图，该方法包括以下步骤：
获取轧辊图像，基于所述轧辊图像获取划痕缺陷；获取所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷；
对于疑似划痕缺陷像素，基于与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重；基于所述滤波权重进行双边滤波；
基于滤波后的轧辊图像，重新获取划痕缺陷；根据所述重新获取的划痕缺陷的像素数量，进行轧机的智能控制。
下面对上述步骤进行详细说明：
轧制为通过轧辊的转动对被轧制金属进行挤压，使得金属材料产生连续塑形变形。在理想的正常的轧制过程中，轧辊和被轧制的金属之间无相对运动；而在实际轧制过程中，往往会由于轧制速度设置不当，导致轧辊和被轧制金属之间发生了相对运动，即打滑，此时若金属表面存在异物，则会在轧辊上产生划痕。金属表面异物大小不一，则产生的划痕在图像中清晰度不一，同时受光照影响，轧辊表面存在光斑，并且图像上包含大量的噪声，在噪声和光斑的干扰下，通过现有的图像处理方法，如阈值分割、边缘检测，无法将所有的划痕缺陷检测出来。基于此，本发明首先对清晰的划痕缺陷进行检测，剔除清晰的划痕缺陷，获取疑似划痕缺陷，按照不同的权重计算方式计算疑似划痕缺陷像素和非疑似划痕缺陷像素的邻域像素对其的滤波权重，基于滤波权重对图像进行双边滤波，去除噪声的干扰，保留极有可能为划痕缺陷的疑似划痕缺陷，从而基于滤波后的图像检测获得最终的划痕缺陷。
具体地：
步骤S1，获取轧辊图像，基于所述轧辊图像获取划痕缺陷；获取所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷。
步骤S11，获取轧辊图像，基于所述轧辊图像获取划痕缺陷。
获取轧辊图像：本发明基于计算机视觉检测划痕缺陷，因此，需要获取轧辊图像，具体地，在轧辊正上方放置相机，拍摄得到初始图像，初始图像中包含背景及轧辊。由于检测的是轧辊上的划痕缺陷，因此，可以将初始图像中的背景去除，优选地，实施例利用语义分割网络去除初始图像中的背景，利用语义分割网络获取轧辊遮罩，轧辊遮罩与初始图像相乘，去除背景，得到轧辊图像，轧辊图像中仅包括轧辊辊身。其中，语义分割网络的训练具体为：(1)训练数据集为多张俯视采集的初始图像；(2)需要分割的像素共分为2类，即训练数据集对应标签标注过程为：对应位置像素属于轧辊辊身的标注为1，对应位置像素属于背景类或轧机其他位置的标注为0，得到单通道的语义标签；(3)由于网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
基于所述轧辊图像获取划痕缺陷：将轧辊图像转换为灰度图，利用Canny算子对灰度图进行边缘检测，Canny算子可以检测到明显的边缘，如明显的划痕以及光斑边缘，对于不明显的边缘检测效果非常差，无法检测出来。轧辊与被轧制金属发生相对运动，轧制金属表面的异物在轧辊表面划过导致产生划痕缺陷，具体地沿轧辊滚动方向产生划痕缺陷，因此，沿轧辊滚动方向，对检测到的边缘进行霍夫变换直线检测，检测到的直线对应边缘为划痕缺陷。需要说明，此处的划痕缺陷为可被Canny算子检测到的明显的划痕缺陷。
步骤S12，获取所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷。
一个实施方式中，利用Sobel算子获取轧辊图像中所有像素点在预设方向上的梯度幅值，获取梯度幅值大于预设幅值的像素，并在梯度幅值大于预设幅值的像素中剔除划痕缺陷像素。基于先验可知，划痕缺陷像素在垂直于划痕缺陷方向上的梯度幅值较大，因此，预设方向为垂直于划痕缺陷的方向，划痕缺陷方向为轧辊滚动方向。
另一个实施方式中，利用Sobel算子获取轧辊图像中划痕缺陷以外其他像素点在预设方向上的梯度幅值，获取梯度幅值大于预设幅值的像素。
基于轧辊和待轧制金属的相对运动特性可知，辊身上划痕缺陷是有固定方向的；基于此，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷：对于获取的所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，若连续像素的方向与划痕缺陷一致，即连续像素的方向为沿轧辊滚动方向，且连续个数大于等于预设个数阈值，则连续像素对应为疑似划痕缺陷。优选地，预设个数阈值为2。
步骤S2，对于疑似划痕缺陷像素，基于与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重；基于所述滤波权重进行双边滤波。
图像中包含大量噪声，噪声影响划痕的检测，若直接对图像进行去噪，常用的均值滤波、高斯滤波等方法在去除噪声的同时使得图像边缘较为模糊，双边滤波去除噪声的同时可以保留图像的边缘，但对细小的纹理也会一并去除。
双边滤波采用加权平均的方法，用周边像素灰度值的加权平均代表中心像素的强度，双边滤波的权重考虑了像素的欧氏距离以及像素范围域中的灰度差异。本方案在双边滤波的基础上，对双边滤波权重的计算方式进行改进，具体地：
步骤S21，对于疑似划痕缺陷像素，基于与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重。
一个实施方式中，对于每个疑似划痕缺陷像素，获取其像素范围域，所述像素范围域为以该疑似划痕缺陷像素为中心像素获取的窗口区域，窗口区域内中心像素以外的像素称为其他像素或邻域像素，优选地，所述窗口区域的大小为3*3；基于该疑似划痕缺陷像素与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重。其中，滤波权重与梯度差异、距离差异以及灰度差异均呈反相关关系。
一个实施方式中，计算所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率；所述概率为第一权值，基于所述概率获取第二权值；利用所述第一权值为所述梯度差异加权，利用所述第二权值为所述距离差异和灰度差异加权；基于所述差异的加权和计算其他像素对疑似划痕缺陷像素的滤波权重。其中，第一权值和第二权值的和为1。
另一个实施方式中，基于所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率，对所述距离差异进行差异放大；基于放大后的距离差异，计算所述其他像素对疑似划痕缺陷像素的滤波权重，具体地，基于梯度差异、放大后的距离差异以及灰度差异，计算所述其他像素对疑似划痕缺陷像素的滤波权重。其中，对距离差异进行差异放大的原因为，不明显划痕与划痕两侧灰度差异较小，若直接通过像素范围域内的所有像素到中心像素的欧式距离计算滤波权重，则可能将不明显划痕去除，因此当像素属于疑似划痕像素集合时，将疑似划痕像素对应像素范围域中的非疑似划痕像素到疑似划痕像素点的距离差异进行放大，使其对疑似划痕像素的滤波权重变小，进而使得不明显的划痕缺陷尽可能保留。
关于疑似划痕缺陷为划痕缺陷的概率的计算：
(1)基于所述预设方向上梯度幅值，对疑似划痕缺陷对应像素进行分组。
一个实施方式中，对于每条疑似划痕缺陷，利用K-means算法对该条疑似划痕缺陷对应像素的梯度幅值进行聚类分组，优选地，实施例将该条疑似划痕对应像素分为两组。
另一个实施方式中，设置幅值阈值，对于每条疑似划痕缺陷，对该条疑似划痕缺陷对应像素进行梯度阈值分割，将该条疑似划痕对应像素分为两组。其中，幅值阈值大于上述步骤S1中的预设幅值。
(2)获取所述梯度幅值较大的像素组中像素的最大连续个数和最大连续个数对应像素的灰度方差；根据所述灰度方差和所述像素个数计算所述概率；其中，所述概率和所述灰度方差呈反相关关系，所述概率和所述像素个数呈正相关关系。作为一个示例，所述概率的计算方式为：
Figure 876126DEST_PATH_IMAGE001
Figure 855583DEST_PATH_IMAGE002
为疑似划痕缺陷为划痕缺陷的概率，
Figure 697637DEST_PATH_IMAGE002
值越大，疑似划痕缺陷越可能为划痕缺陷；
Figure 561688DEST_PATH_IMAGE003
为梯度幅值较大的像素组中最大连续个数对应像素的灰度方差；
Figure 936912DEST_PATH_IMAGE004
为梯度幅值较大的像素组中像素的最大连续个数，
Figure 87271DEST_PATH_IMAGE005
为关于像素个数
Figure 682200DEST_PATH_IMAGE004
的关系式，根据“连续像素的方向为沿轧辊滚动方向，且连续个数大于等于预设个数阈值，则连续像素对应为疑似划痕缺陷。优选地，预设个数阈值为2”，可知
Figure 84363DEST_PATH_IMAGE006
，
Figure 815558DEST_PATH_IMAGE007
用于衡量
Figure 231758DEST_PATH_IMAGE004
的大小，加
Figure 48405DEST_PATH_IMAGE008
是为了防止分母为零。若
Figure 847733DEST_PATH_IMAGE004
的个数越大，同时此
Figure 574381DEST_PATH_IMAGE004
个连续像素点的灰度越相近，则此
Figure 836516DEST_PATH_IMAGE004
个像素点越可能为不明显划痕缺陷上较为明显的一部分，该条疑似划痕为划痕缺陷的概率就越大。
步骤S22，对于非疑似划痕缺陷像素，基于与像素范围域中其他像素的距离差异和灰度差异，计算其他像素对非疑似划痕缺陷像素的滤波权重。
和疑似划痕缺陷像素相同，非疑似划痕缺陷像素的像素范围域为以非疑似划痕缺陷像素为中心像素获取的窗口区域。
至此，得到轧辊图像中各像素的其他像素(邻域像素)对其的滤波权重。
对上述多个实施方式进行组合，下面给出各像素的其他像素(邻域像素)对其中心像素的滤波权重的计算方式的一个示例：
Figure 406037DEST_PATH_IMAGE009
Figure 9057DEST_PATH_IMAGE010
Figure 855790DEST_PATH_IMAGE011
Figure 518853DEST_PATH_IMAGE012
Figure 811556DEST_PATH_IMAGE013
Figure 28386DEST_PATH_IMAGE014
表示轧辊图像中位于第
Figure 854260DEST_PATH_IMAGE015
行第
Figure 829169DEST_PATH_IMAGE016
列的像素，
Figure 609169DEST_PATH_IMAGE017
表示位于第
Figure 553991DEST_PATH_IMAGE015
行第
Figure 234371DEST_PATH_IMAGE016
列的像素对应的像素范围域中位于第
Figure 239236DEST_PATH_IMAGE018
行第
Figure 255601DEST_PATH_IMAGE019
列的其他像素(邻域像素)，
Figure 4114DEST_PATH_IMAGE020
表示位于第
Figure 539000DEST_PATH_IMAGE018
行第
Figure 855712DEST_PATH_IMAGE019
列的其他像素(邻域像素)对位于第
Figure 108839DEST_PATH_IMAGE015
行第
Figure 162508DEST_PATH_IMAGE016
列的像素的滤波权重；所有疑似划痕缺陷像素构成像素集合
Figure 551901DEST_PATH_IMAGE021
，
Figure 39514DEST_PATH_IMAGE022
为第一判断系数，若位于第
Figure 527740DEST_PATH_IMAGE015
行第
Figure 883635DEST_PATH_IMAGE016
列的像素属于像素集合
Figure 97841DEST_PATH_IMAGE021
，判断系数
Figure 615410DEST_PATH_IMAGE022
的值为1，否则，判断系数
Figure 577550DEST_PATH_IMAGE022
的值为0，基于第一判断系数可实现利用不同的计算方式计算疑似划痕缺陷像素和非疑似划痕缺陷像素对应的
Figure 205977DEST_PATH_IMAGE020
；
Figure 81879DEST_PATH_IMAGE023
为第二判断系数，若位于第
Figure 504770DEST_PATH_IMAGE018
行第
Figure 954206DEST_PATH_IMAGE019
列的像素属于像素集合
Figure 386325DEST_PATH_IMAGE021
，判断系数
Figure 837772DEST_PATH_IMAGE023
的值为0，否则，第二判断系数
Figure 962723DEST_PATH_IMAGE023
的值为1，
Figure 774821DEST_PATH_IMAGE024
为差异放大系数，基于差异放大系数，将疑似划痕像素对应像素范围域中的非疑似划痕像素到疑似划痕像素点的距离差异进行放大；
Figure 72948DEST_PATH_IMAGE025
为经过差异放大的位于第
Figure 647411DEST_PATH_IMAGE015
行第
Figure 943263DEST_PATH_IMAGE016
列的像素与位于第
Figure 367291DEST_PATH_IMAGE018
行第
Figure 193076DEST_PATH_IMAGE019
列的其他像素(邻域像素)之间的距离差异函数，
Figure 386160DEST_PATH_IMAGE026
为根据像素范围域内所有其他像素到中心像素的距离得到的距离差异的方差，其中，一个其他像素到中心像素的距离为未经过差异放大的初始距离或经过差异放大后的距离；
Figure 852914DEST_PATH_IMAGE027
为位于第
Figure 639604DEST_PATH_IMAGE015
行第
Figure 217216DEST_PATH_IMAGE016
列的像素与位于第
Figure 28921DEST_PATH_IMAGE018
行第
Figure 666576DEST_PATH_IMAGE019
列的其他像素(邻域像素)之间的灰度差异函数，
Figure 940562DEST_PATH_IMAGE028
表示位于第
Figure 321865DEST_PATH_IMAGE015
行第
Figure 223962DEST_PATH_IMAGE016
列的像素的灰度，
Figure 423997DEST_PATH_IMAGE029
表示位于第
Figure 778755DEST_PATH_IMAGE018
行第
Figure 199635DEST_PATH_IMAGE019
列的其他像素(邻域像素)的灰度，
Figure 956238DEST_PATH_IMAGE030
表示L2范数，
Figure 670116DEST_PATH_IMAGE031
表示位于第行第
Figure 43329DEST_PATH_IMAGE016
列的像素与位于第
Figure 999390DEST_PATH_IMAGE018
行第
Figure 610500DEST_PATH_IMAGE019
列的其他像素(邻域像素)之间的灰度差异；
Figure 760858DEST_PATH_IMAGE032
表示根据像素范围域内所有其他像素与中心像素的灰度得到的灰度差异的方差；
Figure 653990DEST_PATH_IMAGE033
为位于第
Figure 649628DEST_PATH_IMAGE015
行第
Figure 380824DEST_PATH_IMAGE016
列的像素与位于第
Figure 702084DEST_PATH_IMAGE018
行第
Figure 659675DEST_PATH_IMAGE019
列的其他像素(邻域像素)之间的梯度幅值差异函数，
Figure 963399DEST_PATH_IMAGE034
表示位于第
Figure 814680DEST_PATH_IMAGE015
行第
Figure 572420DEST_PATH_IMAGE016
列的像素在所述预设方向上的梯度幅值，
Figure 17308DEST_PATH_IMAGE035
表示位于第
Figure 620328DEST_PATH_IMAGE018
行第
Figure 827581DEST_PATH_IMAGE019
列的其他像素(邻域像素)在所述预设方向上的梯度幅值，
Figure 490643DEST_PATH_IMAGE036
表示位于第
Figure 547461DEST_PATH_IMAGE015
行第
Figure 423013DEST_PATH_IMAGE016
列的像素与位于第
Figure 481842DEST_PATH_IMAGE018
行第
Figure 315806DEST_PATH_IMAGE019
列的其他像素(邻域像素)之间的梯度幅值差异；
Figure 70308DEST_PATH_IMAGE037
表示根据像素范围域内所有其他像素与中心像素的梯度幅值得到的梯度幅值的方差；不明显划痕灰度与两侧像素灰度差异较小，仅考虑距离和灰度差异，则可能将不明显划痕去除。当像素为疑似划痕像素时，同时考虑像素梯度差异，使得不明显的划痕缺陷得以保留。
对上述多个实施方式进行组合，下面给出各像素的其他像素(邻域像素)对其中心像素的滤波权重的计算方式的另一个示例：
Figure 15131DEST_PATH_IMAGE038
Figure 474273DEST_PATH_IMAGE039
若位于第
Figure 642255DEST_PATH_IMAGE015
行第
Figure 643971DEST_PATH_IMAGE016
列的像素属于像素集合
Figure 126905DEST_PATH_IMAGE021
，则
Figure 396213DEST_PATH_IMAGE022
的值为位于第
Figure 571979DEST_PATH_IMAGE015
行第
Figure 58062DEST_PATH_IMAGE016
列的像素所述疑似缺陷划痕为缺陷划痕的概率，否则，
Figure 344687DEST_PATH_IMAGE022
的值为0；上式中其他表达式的含义和上一示例相同。需要注意，对于疑似划痕缺陷像素，上式中
Figure 875025DEST_PATH_IMAGE022
为第一权值，
Figure 487272DEST_PATH_IMAGE040
为第二权值。
步骤S23，基于所述滤波权重进行双边滤波。
对于轧辊图像中的每个像素，根据该像素的像素范围域中其他像素的灰度值和其他像素对该像素的滤波权重，计算滤波后该像素的灰度值：
Figure 287601DEST_PATH_IMAGE041
Figure 158343DEST_PATH_IMAGE042
表示位于第
Figure 365896DEST_PATH_IMAGE015
行第
Figure 211361DEST_PATH_IMAGE016
列的像素滤波后的灰度值，
Figure 439080DEST_PATH_IMAGE029
表示位于第
Figure 566042DEST_PATH_IMAGE015
行第
Figure 805394DEST_PATH_IMAGE016
列的像素对应的像素范围域中位于第
Figure 900389DEST_PATH_IMAGE018
行第
Figure 131517DEST_PATH_IMAGE019
列其他像素的灰度，
Figure 439002DEST_PATH_IMAGE020
表示位于第
Figure 923073DEST_PATH_IMAGE018
行第
Figure 48024DEST_PATH_IMAGE019
列其他像素(邻域像素)对位于第
Figure 142013DEST_PATH_IMAGE015
行第
Figure 643401DEST_PATH_IMAGE016
列的像素的滤波权重；第
Figure 480514DEST_PATH_IMAGE015
行第
Figure 510787DEST_PATH_IMAGE016
列像素点像素范围域内共有
Figure 138077DEST_PATH_IMAGE043
个其他像素(邻域像素)，对其他像素(邻域像素)进行标号，
Figure 646419DEST_PATH_IMAGE044
表示标号为1的其他像素(邻域像素)位于第
Figure 340968DEST_PATH_IMAGE045
行第
Figure 542142DEST_PATH_IMAGE046
列，
Figure 187887DEST_PATH_IMAGE047
表示标号为
Figure 765499DEST_PATH_IMAGE043
的其他像素(邻域像素)位于第
Figure 317484DEST_PATH_IMAGE048
行第
Figure 689559DEST_PATH_IMAGE049
列；
Figure 822600DEST_PATH_IMAGE050
表示位于第
Figure 203903DEST_PATH_IMAGE015
行第
Figure 607465DEST_PATH_IMAGE016
列像素的像素范围域内所有其他像素(邻域像素)灰度的加权和；除以
Figure 291387DEST_PATH_IMAGE051
为归一化手段。
基于上述滤波公式，完成轧辊图像的双边滤波。
步骤S3，基于滤波后的轧辊图像，重新获取划痕缺陷；根据所述重新获取的划痕缺陷的像素数量，进行轧机的智能控制。
利用灰度变换增强方法对滤波后的轧辊图像进行增强，使得图像上不明显的划痕缺陷变得更加清晰；再利用Canny算子对增强后的图像进行边缘检测；最后，沿轧辊滚动方向，对检测到的边缘进行霍夫变换直线检测，检测到的直线对应边缘为划痕缺陷。
检测到的划痕缺陷的像素数量为
Figure 646145DEST_PATH_IMAGE052
，根据所述重新获取的划痕缺陷的像素数量，进行轧机的智能控制，具体地：
轧机当前的轧制速度参数为
Figure 565559DEST_PATH_IMAGE053
，对轧机进行智能控制：
若
Figure 322163DEST_PATH_IMAGE054
，则轧辊与被轧制的金属之间发生了打滑，轧制速度越大，越容易发生打滑，此时调整轧机的轧制速度参数，将轧制速度参数调整为
Figure 800155DEST_PATH_IMAGE055
；
若
Figure 173368DEST_PATH_IMAGE056
，则金属表面异物较多，会对最终获得的金属制品的质量造成影响，同时对轧辊质量造成影响，此时调整轧机轧制速度参数，将轧制速度参数调至
Figure 693211DEST_PATH_IMAGE057
，同时控制机械臂对金属表面异物进行清理。待清理完成后，将轧制速度参数调整为
Figure 805786DEST_PATH_IMAGE055
。其中，
Figure 956144DEST_PATH_IMAGE058
为轧制速度参数每次调整的幅度；
Figure 551074DEST_PATH_IMAGE057
为非常小的速度参数，在此速度下，机械臂可以对金属表面异物进行清理；
Figure 15553DEST_PATH_IMAGE059
为像素数量阈值，
Figure 973845DEST_PATH_IMAGE059
经验值为5。
基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种基于计算机视觉的轧机智能控制系统，请参阅图2，其示出了本发明一个实施例提供的一种基于计算机视觉的轧机智能控制系统的模块构成图，该系统包括缺陷获取模块100、滤波模块200以及智能控制模块300，具体地：
缺陷获取模块100，用于获取轧辊图像，基于所述轧辊图像获取划痕缺陷；获取所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷；
滤波模块200，用于对于疑似划痕缺陷像素，基于与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重；基于所述滤波权重进行双边滤波；
智能控制模块300，用于基于滤波后的轧辊图像，重新获取划痕缺陷；根据所述重新获取的划痕缺陷的像素数量，进行轧机的智能控制。
进一步地，所述滤波模块200包括权值获取单元210和第一计算单元220，具体地：
权值获取单元210，用于计算所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率；所述概率为第一权值，基于所述概率获取第二权值；
第一计算单元220，用于利用所述第一权值为所述梯度差异加权，利用所述第二权值为所述距离差异和灰度差异加权；基于所述差异的加权和计算所述滤波权重。
进一步地，所述权值获取单元210包括像素分组单元211、数据获取单元212以及概率计算单元213，具体地：
像素分组单元211，用于基于所述预设方向上梯度幅值，对疑似划痕缺陷对应像素进行分组；
数据获取单元212，用于获取所述梯度幅值较大的像素组中像素的最大连续个数和最大连续个数对应像素的灰度方差；
概率计算单元213，用于根据所述灰度方差和所述像素个数计算所述概率；其中，所述概率和所述灰度方差呈反相关关系，所述概率和所述像素个数呈正相关关系。
进一步地，基于所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率，对所述距离差异进行差异放大；基于放大的距离差异计算所述滤波权重。
进一步地，所述滤波模块200还包括第二计算单元230，具体地：
第二计算单元230，用于基于与像素范围域中其他像素的距离差异和灰度差异，计算其他像素对非疑似划痕缺陷像素的滤波权重。
进一步地，所述滤波模块200还包括滤波单元240，具体地：
滤波单元240，用于基于所述滤波权重进行双边滤波。
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)

1.一种基于计算机视觉的轧机智能控制方法，其特征在于，该方法包括：
获取轧辊图像，基于所述轧辊图像获取划痕缺陷；获取所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷；
对于疑似划痕缺陷像素，基于与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重；基于所述滤波权重进行双边滤波；
基于滤波后的轧辊图像，重新获取划痕缺陷；根据所述重新获取的划痕缺陷的像素数量，进行轧机的智能控制；
基于与像素范围域中其他像素的距离差异、灰度差异以及梯度差异，计算滤波权重，包括：
计算所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率；所述概率为第一权值，基于所述概率获取第二权值；
利用所述第一权值为所述梯度差异加权，利用所述第二权值为所述距离差异和灰度差异加权；基于所述差异的加权和计算所述滤波权重。
2.如权利要求1所述的基于计算机视觉的轧机智能控制方法，其特征在于，计算所述疑似划痕缺陷为划痕缺陷的概率，包括：
基于所述预设方向上梯度幅值，对疑似划痕缺陷对应像素进行分组；
获取所述梯度幅值较大的像素组中像素的最大连续个数和最大连续个数对应像素的灰度方差；
根据所述灰度方差和所述像素个数计算所述概率；其中，所述概率和所述灰度方差呈反相关关系，所述概率和所述像素个数呈正相关关系。
3.如权利要求2所述的基于计算机视觉的轧机智能控制方法，其特征在于，若其他像素为非疑似划痕缺陷像素，基于所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率，对所述距离差异进行差异放大；基于放大后的距离差异，计算所述滤波权重。
4.如权利要求3所述的基于计算机视觉的轧机智能控制方法，其特征在于，对于非疑似划痕缺陷像素，基于与像素范围域中其他像素的距离差异和灰度差异，计算其他像素对非疑似划痕缺陷像素的滤波权重。
5.一种基于计算机视觉的轧机智能控制系统，其特征在于，该系统包括：
缺陷获取模块，用于获取轧辊图像，基于所述轧辊图像获取划痕缺陷；获取所述轧辊图像中划痕缺陷像素以外，预设方向上梯度幅值大于预设幅值的像素，结合划痕缺陷的方向特性和连续特性，获取疑似划痕缺陷；
滤波模块，用于对于疑似划痕缺陷像素，基于与像素范围域中其他像素的梯度差异、距离差异以及灰度差异，计算其他像素对疑似划痕缺陷像素的滤波权重；基于所述滤波权重进行双边滤波；
智能控制模块，用于基于滤波后的轧辊图像，重新获取划痕缺陷；根据所述重新获取的划痕缺陷的像素数量，进行轧机的智能控制；
所述滤波模块包括：
权值获取单元，用于计算所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率；所述概率为第一权值，基于所述概率获取第二权值；
第一计算单元，用于利用所述第一权值为所述梯度差异加权，利用所述第二权值为所述距离差异和灰度差异加权；基于所述差异的加权和计算所述滤波权重。
6.如权利要求5所述的基于计算机视觉的轧机智能控制系统，其特征在于，所述权值获取单元包括：
像素分组单元，用于基于所述预设方向上梯度幅值，对疑似划痕缺陷对应像素进行分组；
数据获取单元，用于获取所述梯度幅值较大的像素组中像素的最大连续个数和最大连续个数对应像素的灰度方差；
概率计算单元，用于根据所述灰度方差和所述像素个数计算所述概率；其中，所述概率和所述灰度方差呈反相关关系，所述概率和所述像素个数呈正相关关系。
7.如权利要求6所述的基于计算机视觉的轧机智能控制系统，其特征在于，基于所述疑似划痕缺陷像素所属疑似划痕缺陷为划痕缺陷的概率，对所述距离差异进行差异放大；基于放大的距离差异计算所述滤波权重。
8.如权利要求7所述的基于计算机视觉的轧机智能控制系统，其特征在于，所述滤波模块包括：
第二计算单元，用于基于与像素范围域中其他像素的距离差异和灰度差异，计算其他像素对非疑似划痕缺陷像素的滤波权重。
CN202210844472.XA 2022-07-19 2022-07-19 基于计算机视觉的轧机智能控制方法及系统 Active CN114998322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210844472.XA CN114998322B (zh) 2022-07-19 2022-07-19 基于计算机视觉的轧机智能控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210844472.XA CN114998322B (zh) 2022-07-19 2022-07-19 基于计算机视觉的轧机智能控制方法及系统

Publications (2)

Publication Number Publication Date
CN114998322A true CN114998322A (zh) 2022-09-02
CN114998322B CN114998322B (zh) 2022-10-25

Family

ID=83022237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210844472.XA Active CN114998322B (zh) 2022-07-19 2022-07-19 基于计算机视觉的轧机智能控制方法及系统

Country Status (1)

Country Link
CN (1) CN114998322B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503397A (zh) * 2023-06-26 2023-07-28 山东天通汽车科技股份有限公司 基于图像数据的车内传输带缺陷检测方法
CN116703898A (zh) * 2023-08-03 2023-09-05 山东优奭趸泵业科技有限公司 一种精密机械轴承端面的质量检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920233A (zh) * 2017-02-24 2017-07-04 中国人民解放军国防科学技术大学 基于图像处理的划痕检测方法、装置及电子设备
CN111489337A (zh) * 2020-04-08 2020-08-04 广东工业大学 一种自动光学检测伪缺陷去除方法及系统
US20210174489A1 (en) * 2019-12-04 2021-06-10 Beijing Boe Optoelectronics Technology Co., Ltd. Method and apparatus for detecting a screen, and electronic device
CN113689428A (zh) * 2021-10-25 2021-11-23 江苏南通元辰钢结构制造有限公司 基于图像处理的机械零件应力腐蚀检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920233A (zh) * 2017-02-24 2017-07-04 中国人民解放军国防科学技术大学 基于图像处理的划痕检测方法、装置及电子设备
US20210174489A1 (en) * 2019-12-04 2021-06-10 Beijing Boe Optoelectronics Technology Co., Ltd. Method and apparatus for detecting a screen, and electronic device
CN111489337A (zh) * 2020-04-08 2020-08-04 广东工业大学 一种自动光学检测伪缺陷去除方法及系统
CN113689428A (zh) * 2021-10-25 2021-11-23 江苏南通元辰钢结构制造有限公司 基于图像处理的机械零件应力腐蚀检测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503397A (zh) * 2023-06-26 2023-07-28 山东天通汽车科技股份有限公司 基于图像数据的车内传输带缺陷检测方法
CN116503397B (zh) * 2023-06-26 2023-09-01 山东天通汽车科技股份有限公司 基于图像数据的车内传输带缺陷检测方法
CN116703898A (zh) * 2023-08-03 2023-09-05 山东优奭趸泵业科技有限公司 一种精密机械轴承端面的质量检测方法
CN116703898B (zh) * 2023-08-03 2023-10-20 山东优奭趸泵业科技有限公司 一种精密机械轴承端面的质量检测方法

Also Published As

Publication number Publication date
CN114998322B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN114998322B (zh) 基于计算机视觉的轧机智能控制方法及系统
CN109829876B (zh) 基于机器视觉的链板缺陷在线检测装置及方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN112712512A (zh) 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN108169236A (zh) 一种基于视觉的金属表面缺陷检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN115359053B (zh) 一种金属板材缺陷智能检测方法及系统
CN116385450B (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN113963042A (zh) 基于图像处理的金属零件缺陷程度评估方法
CN116703898B (zh) 一种精密机械轴承端面的质量检测方法
CN112581434A (zh) 一种用于产品缺陷检测的图像识别方法
CN116452598A (zh) 基于计算机视觉的车桥生产质量快速检测方法及系统
CN111462092A (zh) 一种基于深度学习的保温杯表面的缺陷检测方法
CN115953398A (zh) 一种用于带钢表面的缺陷识别方法
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
CN114820612A (zh) 基于机器视觉的轧辊表面缺陷检测方法及系统
Yazdchi et al. Detection and classification of surface defects of cold rolling mill steel using morphology and neural network
CN115311507A (zh) 基于数据处理的建筑板材分类方法
CN115587966A (zh) 一种在光照不均匀条件下零件有无缺漏的检测方法及系统
CN111062910B (zh) 局部阈值分割方法及缺陷检测方法
CN113052794A (zh) 一种基于边缘特征的图像清晰度识别方法
CN111368856A (zh) 一种基于视觉的图书盘点系统的书脊提取方法及装置

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