发明内容
为了解决上述技术问题,本发明的目的在于提供汽车镀锌板镀锌质量控制方法,所采用的技术方案具体如下:
获取镀锌板表面的图像信息,并对所述图像信息进行边缘检测,得到边缘图像;所述边缘图像中存在多条边缘线;
获取所述边缘图像中各像素点的梯度幅值和梯度方向;计算处于同一条边缘线上相邻两像素点的梯度幅值差值和梯度方向差值;
将所述梯度幅值差值和梯度方向差值组成二元组;
根据所述梯度幅值差值与梯度方向差值,计算所有二元组对应的第一特征与第二特征;并基于所述第一特征与第二特征构建判断空间,所述判断空间的横坐标对应第一特征,并将横坐标记为C维度,所述判断空间的纵坐标对应第二特征,并将纵坐标记为V维度;将所有二元组对应到判断空间中,得到所有二元组在判断空间中对应的点;
分别计算判断空间中的所有点在C维度与V维度对应的复杂特性,基于两复杂特性的差值,得到复杂差异系数;
根据所述复杂差异系数以及不同类型的镀层云纹对应的倾向度模型,计算不同类型的镀层云纹对应的倾向度;
分别比较所述不同类型的镀层云纹对应的倾向度与阈值的大小,若对应倾向度大于阈值,则判断镀锌板表面包含对应类型的镀层云纹,进而获取镀锌板表面包含的镀层云纹类型;
基于镀锌板表面包含的镀层云纹类型,实现镀锌板镀锌质量的控制。
进一步地,所述第一特征为:
其中,
为第i个二元组对应的第一特征,
为第i个二元组中归一化后的梯度方向差值,
为第i个二元组中归一化后的梯度幅值差值;
所述第二特征为梯度幅值差值。
进一步地,所述判断空间中的所有点在C维度上的复杂特性的获取方法为:将所有点在C维度上的值构成集合,并将集合划分为若干个子集合,得到各子集合中对应点的个数与集合中点的个数的比值,根据所述比值,确定判断空间中的所有点在C维度上的复杂特性;其中,点在C维度上的值与二元组的第一特征相对应;
所述判断空间中的所有点在V维度上的复杂特性的获取方法为:将所有点在V维度上的值构成集合,并将集合划分为若干个子集合,得到各子集合中对应点的个数与集合中点的个数的比值,根据所述比值,确定判断空间中的所有点在V维度上的复杂特性。其中,点在V维度上的值与二元组的第二特征相对应。
进一步地,所述复杂差异系数为:
其中,
为判断空间中的所有点在
维度上的复杂特性,
为判断空间中的所有点在
维度上的复杂特性。
进一步地,所述镀层云纹包括停车镀层云纹、减速镀层云纹以及锌流波痕镀层云纹。
进一步地,停车镀层云纹的倾向度模型为:
其中,
为复杂差异系数,
为判断空间中点的总个数,
为判断空间中第j个点在
维度上的值;
减速镀层云纹的倾向度模型为:
其中,
为复杂差异系数,
为判断空间中点的总个数,
为判断空间中第j个点在
维度上的值;
锌流波痕镀层云纹的倾向度模型为:
其中,
为复杂差异系数,
为判断空间中点的总个数,
为判断空间中第j个点在
维度上的值;
为判断空间中第j个点在
维度上的值。
本发明还提供了汽车镀锌板镀锌质量控制器,包括存储器和处理器,所述处理器执行所述存储器存储的汽车镀锌板镀锌质量控制方法的程序。
本发明实施例至少具有如下有益效果:
本发明涉及控制或调节系统领域,具体涉及汽车镀锌板镀锌质量控制方法及控制器,该控制器为工业机械制造、工业自动控制系统的自动控制器或自适应控制系统,其中控制器在进行控制时,具有相应的控制方法,具体为:本发明通过对镀锌板的图像信息进行边缘检测,计算相邻两像素点的梯度幅值差值和梯度方向差值;将梯度幅值差值和梯度方向差值组成二元组;构建判断空间;得到二元组在判断空间中对应的点,分别计算判断空间中的点在C维度与V维度上的复杂特性,基于两复杂特性的差值,得到复杂差异系数;根据复杂差异系数和不同类型的镀层云纹的倾向度模型;计算不同类型的镀层云纹的倾向度,根据倾向度获取镀锌板包含的镀层云纹类型,实现对镀锌板镀锌质量的控制。
本发明考虑了不同类型的镀层云纹在判断空间中的分布特性,使得构建的倾向度更加精确,能够准确判断镀锌板表面的镀层云纹的类型,同时,本发明能够及时根据镀锌板表面的缺陷类型实现对镀锌板镀锌质量的控制,提高了同批次产品的整体质量,减少了镀锌板的次品率。
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汽车镀锌板镀锌质量控制方法及控制器,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。
请参阅图1,其示出了本发明一个实施例提供的汽车镀锌板镀锌质量控制方法的步骤流程图,该方法包括以下步骤:
步骤1,获取镀锌板表面的图像信息,并对图像信息进行边缘检测,得到边缘图像;所述边缘图像中存在多条边缘线。
具体地,利用相机获取镀锌板表面的图像信息;相机的位置部署由实施者根据实际情况设定,满足相机能够完整地获取镀锌板表面的图像信息即可。
进一步地,为了减少计算量,本实施例利用加权平均法对图像信息进行灰度化处理,得到灰度图像;作为其他实施方式,分量法、最大值法以及平均值法同样适用;进而采用canny算法对灰度图像进行边缘检测,得到边缘图像。
步骤2,获取边缘图像中各像素点的梯度幅值和梯度方向;计算处于同一条边缘线上相邻两像素点的梯度幅值差值和梯度方向差值,并将梯度幅值差值和梯度方向差值组成二元组。
本实施例将处于同一条边缘线上的各像素点的梯度幅值组成梯度幅值序列,将处于同一条边缘线上的各像素点的梯度方向组成梯度方向序列;各边缘线均具有与其对应的梯度幅值序列与梯度方向序列。
梯度幅值序列的获取方法为:将边缘线中的其中一个端点记为0,将边缘线中的另一个端点记为1;进一步地,将该边缘线上所有像素点的梯度幅值按照从0到1的顺序构建梯度幅值序列。
梯度方向序列的获取方法为:将边缘线中的其中一个端点记为0,将边缘线中的另一个端点记为1;进一步地,将该边缘线上所有像素点的梯度方向按照从0到1的顺序构建梯度方向序列。
需要说明的是,同一条边缘线对应的梯度幅值序列与梯度方向序列,梯度幅值序列中起始值对应的端点与梯度幅值序列中起始对应的端点为该边缘线的同一个端点,即梯度方向序列与梯度幅值序列上的值是一一对应的,梯度方向与对应梯度幅值为同一个像素点的梯度特征。
进一步地,根据边缘线的梯度方向序列与梯度幅值序列,得到边缘线的对应的梯度幅值差值序列与梯度方向差值序列。
梯度幅值差值序列的获取方法为:计算梯度幅值序列中相邻两梯度幅值的差值,得到梯度幅值差值,并将梯度幅值差值组成梯度幅值差值序列;
梯度幅值差值为:
,其中,
为梯度幅值差值序列中第i个梯度幅值差值,
为梯度幅值序列中第i个梯度幅值,
为梯度幅值序列中第i+1个梯度幅值。
梯度方向差值序列的获取方法为:计算梯度方向序列中相邻两梯度方向的的差值,得到梯度方向差值,并将梯度方向差值组成梯度方向差值序列;
梯度方向差值为:
其中,
为梯度方向差值序列中第i个梯度方向差值,
为梯度方向序列中第i个梯度方向,
为梯度方向序列中第i+1个梯度方向。
由于梯度方向序列中的值为边缘像素点的梯度方向,边缘像素点的梯度方向是双向的,即一条直线两个不同的指向;因此相邻两个梯度方向的差异本质上为在两个方向上的差异,本实施例用锐角来表征这两个相邻梯度方向的差异;差异为梯度方向差值,即梯度方向差值的取值范围为为
,锐角越小,表征两个相邻梯度方向的差异越小。
步骤3,根据梯度幅值差值与梯度方向差值,计算各二元组对应的第一特征与第二特征,并基于第一特征与第二特征构建判断空间,判断空间的横坐标对应第一特征,并将横坐标记为C维度,判断空间的纵坐标对应第二特征,并将纵坐标记为V维度;将所有二元组对应到判断空间中,得到所有二元组在判断空间中对应的点。
第一特征为:
其中,
为第i个二元组对应的第一特征,
为第i个二元组中归一化后的梯度方向差值,
为第i个二元组中归一化后的梯度幅值差值。
需要说明的是,分别对所有二元组中的梯度幅差值与梯度方向差值进行归一化操作,得到归一化后的梯度幅值差值与梯度方向差值,归一化操作是一种去量纲化的处理,去量纲化可以消除参数之间的量纲影响,将所有参数统一到一个数值区间内,以便让代表不同量纲的参数之间能够进行数学运算;
与
代表的是两种不同的差异,将二者做差或加和,表达的是两种不同的差异的差值以及两种不同的差异的加和;第一特征
衡量的是同一边缘线上相邻两像素点的梯度幅值的差异、梯度方向的差异这二者的差异;梯度方向差异是根据梯度方向计算得到的差异,表示相邻两个像素点在梯度方向上的变化程度;梯度幅值差异是根据梯度幅值计算获得的差异,表示相邻两个像素点在梯度幅值上的变化程度,第一特征表示这两个变化程度的大小是否相似,越相似,第一特征越趋近于0,越不相似,第一特征越趋近于1。
第二特征为梯度幅值差值,本实施例将第i个二元组对应的第二特征记为
,即
。
进一步地,将第二特征进行归一化,使第一特征与第二特征的取值范围均在0-1之间,然后根据第一特征与第二特征构建判断空间,判断空间如图2所示,判断空间具有C维度和V维度,判断空间的横坐标为C维度,C维度对应第一特征,判断空间的纵坐标为V维度,V维度对应第二特征;根据二元组对应的第一特征与第二特征,将二元组对应到判断空间中,一个二元组对应到判断空间中为一个点,所有的二元组在判断空间中均具有其相应的位置。
步骤4,分别计算判断空间中的所有点在C维度与V维度对应的复杂特性,基于两复杂特性的差值,得到复杂差异系数。
判断空间中的所有点在C维度上的复杂特性的获取方法为:将所有点在C维度上的值构成集合,并将集合划分为若干个子集合,得到各子集合中对应点的个数与集合中点的个数的比值,根据比值,确定判断空间中的所有点在C维度上的复杂特性。其中,点在C维度上的值与二元组的第一特征相对应。
判断空间中的所有点在C维度上的复杂特性用公式表达为:
式中,
为子集合的总个数,
为C维度上第k个子集合中点的个数与集合中点的个数的比值。本实施例中获取子集合的规则为:获取所有点在判断空间中C维度上的值,最大值与最小值构成判断空间中的点在C维度上的取值范围,并将取值范围均分为若干个级别,从小到大依次为级别
;任意选取一个级别,将取值在该级别内的所有点组成一个子集合。其中,本实施例设置10个级别,实施者可根据实际情况对级别数进行调整。
判断空间中的所有点在V维度上的复杂特性的获取方法为:将所有点在V维度上的值构成集合,并将集合划分为若干个子集合,得到各子集合中对应点的个数与集合中点的个数的比值,根据比值,确定判断空间中的所有点在V维度上的复杂特性。其中,点在V维度上的值与二元组的第二特征相对应。
判断空间中的所有点在V维度上的复杂特性用公式表达为:
式中,
为子集合的总个数,
为V维度上第k个子集合中点的个数与集合中点的个数的比值。本实施例中获取子集合的规则为:获取所有点在判断空间中V维度上的值,最大值与最小值构成判断空间中的点在V维度上的取值范围,并将取值范围均分为若干个级别,从小到大依次为级别
;任意选取一个级别,将取值在该级别内的所有点组成一个子集合。其中,本实施例设置10个级别,实施者可根据实际情况对级别数进行调整。
需要说明的是,
表征判断空间的点在C维度上的分布集中性,
的值越大,表征判断空间的点在C维度上的分布越不集中,越凌乱;
表征判断空间的点在V维度上的分布集中性,
的值越大,表征判断空间的点在V维度上的分布越不集中,越凌乱。
复杂差异系数为:
其中,
为判断空间中的所有点在
维度上的复杂特性,
为判断空间中的所有点在
维度上的复杂特性复杂差异系数
的取值为0-1。
复杂差异系数表征判断空间中的点在C维度与V维度分布的集中性差异。
步骤5,根据分布复杂差异系数以及不同类型的镀层云纹对应的倾向度模型,计算不同类型的镀层云纹对应的倾向度。
具体地,镀层云纹的类型有三种,即停车镀层云纹、减速镀层云纹以及锌流波痕镀层云纹。
停车镀层云纹波纹状的波动较大,且在整条波纹附近均有明显的锌粒突起;因此根据停车镀层云纹本身的特性,边缘图像中停车镀层云纹对应边缘线的波动较大,即相邻两像素点的梯度方向差值时大时小,又因为整条波纹均有明显的锌粒突起,所以相邻两像素点的梯度幅值差异基本保持不变,且维持在较高水平;因此相邻两像素点的梯度方向差值与梯度幅值差值,这二者的差值时大时小、无法预测,即第一特征时大时小无法预测;根据以上描述,停车镀层云纹对应的二元组中第一特征是变化的,第二特征基本保持不变,且处于较高水平;因此,停车镀层云纹的二元组对应在判断空间中的点的分布如图3所示;停车镀层云纹对应到判断空间中的点在C维度上的分布不稳定,在V维度上的分布稳定集中。
由停车镀层云纹本身的特性可知,停车镀层云纹对应的复杂差异系数
趋近于1,表示停车镀层云纹对应到判断空间中的点在C维度上复杂特性
远大于在V维度上复杂特性
,即判断空间中的点在C维度上的分布不稳定,在V维度上的分布稳定集中。
根据停车镀层云纹的二元组在判断空间中对应点的分布和停车镀层云纹对应的复杂差异系数,得到停车镀层云纹的倾向度模型。
停车镀层云纹的倾向度模型为:
其中,
为复杂差异系数,
为判断空间中点的总个数,
为判断空间中第j个点在
维度上的值。
减速镀层云纹的波纹状的波动较大,锌粒突起仅分布在波纹的波峰处,即边缘走向改变较小的地方锌粒突起较少,边缘走向改变较大的地方锌粒突起较多;因此根据减速镀层云纹本身的特性,边缘图像中减速镀层云纹对应的边缘线的波动较大,即相邻两像素点的梯度方向差值时大时小,但差值大小与相邻两像素点的梯度幅值差值的大小是趋于一致的,即相邻两像素点的梯度方向差值较大的时候,相邻两像素点的梯度幅值差值也较大,相邻两像素点的梯度方向差值较小的时候,相邻两像素点的梯度幅值差值也较小。这样就导致减速镀层云纹对应的各二元组中第一特征是基本不变,且处于较低水平,第二特征是时大时小的。减速镀层云纹的二元组对应在判断空间中的点的分布如图4所示。减速镀层云纹对应到判断空间中的点在V维度上的分布不稳定,在C维度上的分布稳定集中。
由减速镀层云纹本身的特性可知,减速镀层云纹对应的复杂差异系数
趋近于-1,表示减速镀层云纹对应到判断空间中的点在V维度上的复杂特性
远大于在C维度复杂特性
,即表征判断空间中的点在V维度上的分布不稳定,在C维度上的分布稳定集中。
根据减速镀层云纹的二元组在判断空间中对应点的分布和减速镀层云纹对应的复杂差异系数,得到减速镀层云纹的倾向度模型。
减速镀层云纹的倾向度模型为:
其中,
为复杂差异系数,
为判断空间中点的总个数,
为判断空间中第j个点在
维度上的值。
锌流波痕镀层云纹的波纹状的波动一直处于细小的鱼鳞状,且无明显的锌粒突起,手感相对平滑,因此边缘图像中锌流波痕镀层云纹对应的边缘线的梯度方向是变化的,但梯度幅值变化不大,且梯度幅值一直处于较低水平;这就导致相邻两像素点的梯度方向差值一直处于较高水平,但相邻两像素点的梯度幅值差值一直处于较低水平。因此锌流波镀层云纹对应的二元组中第一特征一直处于较高水平,第二特征一直处于较低水平;所以,锌流波痕镀层云纹的二元组对应在判断空间中的点的分布如图5所示。
由锌流波痕的特性可知,锌流波痕镀层云纹对应的复杂差异系数
趋近于0,表示锌流波痕镀层云纹对应到判断空间中的点在V维度上复杂特性
与在C维度上复杂特性
的差异较小,即表征判断空间中的点在V维度上的集中性与在C维度上的集中性相同。
根据锌流波痕镀层云纹的二元组对应在判断空间中的点的分布和锌流波痕镀层云纹对应的复杂差异系数,得到锌流波痕镀层云纹的倾向度模型。
锌流波痕镀层云纹的倾向度模型为:
其中,
为复杂差异系数,
为判断空间中点的总个数,
为判断空间中第j个点在
维度上的值;
为判断空间中第j个点在
维度上的值。
需要说明的是,复杂差异系数是为了准确分辨镀锌板表面的镀层云纹的类型,根据上述对三种不同类型的镀层云纹的描述可知,停车镀层云纹对应各二元组的第一特征不稳定,第二特征趋近于1。减速镀层云纹对应二元组的第一特征趋近于0,第二特征不稳定。锌流波痕镀层云纹对应的二元组第一特征趋于稳定,第二特征也趋于稳定,且第一特征趋近于1,第二特征趋近于0。但仅仅凭借这些信息无法准确表征判断空间中的点对应的镀层云纹的类型,本实施例计算复杂差异系数对不同类型的镀层云纹进行区分;复杂差异系数
表征判断空间中的点在C维度与V维度分布的集中性差异;通过复杂差异系数可以准确判断镀锌板表面的镀层云纹的类型。
步骤6,分别比较不同类型的镀层云纹对应的倾向度与阈值的大小,若对应倾向度大于阈值,则判断镀锌板表面包含对应类型的镀层云纹,进而获取镀锌板表面包含的镀层云纹类型。
本实施例中,若停车镀层云纹的倾向度大于阈值,则镀锌板上存在停车镀层云纹;若减速镀层云纹的倾向度大于阈值,则镀锌板上存在减速镀层云纹;若锌流波痕镀层云纹的倾向度大于阈值,则镀锌板上存在锌流波痕镀层云纹。根据所有判断结果,获取镀锌板表面包含的镀层云纹类型。本实施例将阈值设定为0.3,阈值可根据实际情况由实施者进行调整。
进一步地,对镀锌板的质量进行评价,若镀锌板存在停车镀层云纹,则将对应镀锌板评定为最低级产品;若镀锌板同时存在减速镀层云纹与锌流波痕镀层云纹,则将对应镀锌板评定为中级品;若镀锌板仅存在锌流波痕镀层云纹,则将对应镀锌板评定为高级品;若镀锌板不存在任何一种镀层云纹,则将对应镀锌板评定为优质特级品。
步骤7,基于镀锌板表面包含的镀层云纹类型,实现镀锌板镀锌质量的控制。
具体地,不同类型的镀层云纹对应不同的控制策略。
停车镀层云纹是由机组停车导致,缺陷呈海浪状且锌层露铁或增厚,随机分布在海浪状边缘处;减速镀层云纹是由带钢运行速度过低导致,缺陷呈水纹状且锌层增厚,集中分布在水纹波峰处;锌流波痕镀层云纹是由机组生产速度低、镀层带钢厚度厚、带钢表面粗糙度低等原因导致,缺陷呈鱼鳞状波动,锌层不会出现增厚。
1.若镀锌板存在停车镀层云纹,则控制策略推荐为:控制带钢进入锌锅温度及锌液温度满足工艺要求,在较长时间的停车后重新起车,升温时,尽量采取快速升温的方法以及减小退火炉喷冷段的输出。
2.若镀锌板存在减速镀层云纹,则控制策略推荐为:对于不同规格的料,速度避免减小到相应规格带钢运行的最小速度,在有突发问题需要降速时,采取小幅多次的方法,避免一次降速20m/min以上。
3.若镀锌板存在锌流波痕镀层云纹,则控制策略推荐为:生产厚料厚镀层的镀锌板时,尽量用最大生产速度进行生产,同时使气刀刀唇的距离尽可能减小,降低气刀高度等。
本发明还提供了汽车镀锌板镀锌质量控制器,包括存储器和处理器,处理器执行存储器存储的汽车镀锌板镀锌质量控制方法的程序;由于汽车镀锌板镀锌质量控制方法的具体实施方式已在上述步骤1至步骤7中详细给出,不再过多赘述。本实施例中的控制器还包括相机,相机用于采集镀锌板表面的图像信息,并将图像信息传输至存储器中进行存储;本实施例的处理器为嵌入式系统,嵌入式系统能够控制带钢运行速度参数、气刀位置参数以及炉温参数等。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。