CN115082427A - 基于人工智能的铝材压延工艺参数控制方法 - Google Patents

基于人工智能的铝材压延工艺参数控制方法 Download PDF

Info

Publication number
CN115082427A
CN115082427A CN202210850833.1A CN202210850833A CN115082427A CN 115082427 A CN115082427 A CN 115082427A CN 202210850833 A CN202210850833 A CN 202210850833A CN 115082427 A CN115082427 A CN 115082427A
Authority
CN
China
Prior art keywords
filtering
image
point
grain
value
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
CN202210850833.1A
Other languages
English (en)
Other versions
CN115082427B (zh
Inventor
吕启涛
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.)
Shandong Zhiling New Material Co ltd
Original Assignee
Shandong Zhiling New Material 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 Shandong Zhiling New Material Co ltd filed Critical Shandong Zhiling New Material Co ltd
Priority to CN202210850833.1A priority Critical patent/CN115082427B/zh
Publication of CN115082427A publication Critical patent/CN115082427A/zh
Application granted granted Critical
Publication of CN115082427B publication Critical patent/CN115082427B/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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于人工智能的铝材压延工艺参数控制方法。该方法包括：获取铝材压延过程中板材表面的晶粒图像；对晶粒图像采用自适应的滤波模板进行滤波得到滤波图像；对滤波图像进行超像素分割得到多个像素块，基于每个像素块的梯度均值选取不同尺度的Retinex算法对对应的像素块进行增强得到增强图像；获取增强图像的晶粒形态指标以及晶粒均匀度因子；根据晶粒形态指标以及晶粒均匀度因子对压延过程中温度参数进行调控；提高了加工控制的准确性和及时性。

Description

基于人工智能的铝材压延工艺参数控制方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于人工智能的铝材压延工艺参数控制方法。
背景技术
铝材压延加工工艺，主要用塑性加工方法将铝坯锭加工成材，主要方法有轧制、挤压、拉伸和锻造等。铝加工在20世纪初开始以工业方式进行生产，30年代以前，基本上沿用铜加工的生产设备，产品主要用于飞机制造。60年代后，铝材生产发展很快，每年大约增长4%～8%，产品广泛应用于航空、建筑、运输、电气、化工、包装和日用品工业等部门，产量仅次于钢铁，居金属材料第二位。中国于50年代中期建成较大型的铝加工厂，形成了生产体系，产品已系列化，可生产板材、带材、箔材、管材、棒材、型材、线材和锻件（自由锻件、模锻件）等产品。
铝材压延的轧制过程中，轧制温度调控至关重要，这些温度对于铝材轧制时的变形抗力、轧制力、成品的组织、晶粒度、力学性能以及板带材的表面状态等都有着直接影响，其他次要参数，有些许误差或许对铝材成品的质量影响不大，但如果温度把控不好，对铝单板成品质量的影响是巨大的。特别对于铝板热轧，只要有1%的温度预测差异，可能导致2%~5%的轧制力预报差异，可见，1%的温度误差对铝单板质量影响是倍数级的。
目前对于铝材压延工艺中的轧制过程通常根据技术人员调制轧制过程中的温度等参数，以保证轧制后的铝板材能够满足所需要求，但该方法不仅工作量大和误差大，还不具备实时性，很难精确的对加工效果进行定量分析。
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铝材压延工艺参数控制方法，该方法包括以下步骤：
获取铝材压延过程中板材表面的晶粒图像；
对所述晶粒图像进行边缘检测得到边缘图像；所述边缘图像中所有非边缘像素点为待滤波点；获取每个待滤波点与其八邻域像素点之间的灰度方差；若所述灰度方差不小于预设阈值，所述待滤波点为滤波点，获取所述滤波点与其八邻域像素点之间的相似度，基于相似度的大小对所述滤波点的滤波模板进行设定，获取所述晶粒图像中每个滤波点对应的滤波模板，利用所述滤波模板对对应所述滤波点进行滤波得到滤波图像；
对所述滤波图像进行超像素分割得到多个像素块，获取每个所述像素块中的梯度均值，根据不同大小的梯度均值选取不同尺度的Retinex算法对对应的像素块进行增强，得到所述滤波图像的增强图像；
获取所述增强图像中所有的晶粒连通域，计算所有的晶粒连通域的面积均值，基于所述面积均值与临界均值之间的差值得到所述增强图像的晶粒形态指标；统计每个所述晶粒连通域的边缘像素点数量得到数量序列，根据所述数量序列获取所述增强图像的晶粒形态熵，基于所述晶粒形态熵获取晶粒均匀度因子；
当所述晶粒形态指标大于预设形态阈值时，降低压延过程中的温度参数；当所述晶粒形态指标小于预设形态阈值且晶粒均匀度因子小于预设因子阈值时，升高压延过程中温度参数。
优选的，所述获取所述滤波点与其八邻域像素点之间的相似度的方法，包括：
获取所述滤波点与其八邻域像素点中每个邻域像素点之间的灰度差值，所述灰度差值越大，所述滤波点与对应的所述邻域像素点之间的相似度越小。
优选的，所述基于相似度的大小对所述滤波点的滤波模板进行设定的方法，包括：
将所述滤波点与其八邻域像素点之间的相似度进行降序排列，选取降序排列后的前
Figure 102590DEST_PATH_IMAGE001
个元素值对应的邻域像素点为赋值点，
Figure 435482DEST_PATH_IMAGE001
为正整数且
Figure 905647DEST_PATH_IMAGE001
小于8；
设置3*3大小的滤波模板，所述滤波点的位置为所述滤波模板的中心点；所述滤波模板中，所述滤波点的位置以及所述滤波点对应的未被选取出的邻域像素点的位置为零；
所述滤波模板中所述赋值点位置的模板值获取方法为：
获取所述滤波点与每个赋值点之间的欧式距离、滤波点在红色通道的像素值与每个赋值点在红色通道的像素值之间的红色差值、滤波点在绿色通道的像素值与每个赋值点在绿色通道的像素值之间的绿色差值以及滤波点在蓝色通道的像素值与每个赋值点在蓝色通道的像素值之间的蓝色差值；基于欧式距离、红色差值、绿色差值以及蓝色差值得到所述滤波模板中每个赋值点位置的模板值。
优选的，所述根据不同大小的梯度均值选取不同尺度的Retinex算法的方法，包括：
设定多个等级的梯度均值范围以及多个尺度的Retinex算法，所述尺度为所述Retinex算法中高斯环绕函数的高斯核尺寸；尺度的数量与梯度均值范围的等级数量一致；
梯度均值最大的梯度均值范围等级对应最大尺度的Retinex算法。
优选的，所述临界均值的获取方法为：
获取板材质量合格时能够允许的最大晶粒的板材晶粒图像，所述板材晶粒图像中所有晶粒连通域的面积均值为临界均值。
优选的，所述根据所述数量序列获取所述增强图像的晶粒形态熵的方法，包括：
设定预设大小的滑动窗口对所述数量序列进行滑窗得到多个滑动窗口数据，获取每个所述滑动窗口数据对应的数据种类，计算每个数据种类在所有所述滑动窗口数据中出现的概率，基于所述概率得到所述增强图像的晶粒形态熵。
优选的，所述获取每个所述滑动窗口数据对应的数据种类的方法，包括：
以每个滑动窗口数据为一个向量，获取任意两个滑动窗口数据对应向量之间的余弦相似度，所述余弦相似度大于预设阈值时，两个滑动窗口数据为同一个数据种类。
优选的，所述基于所述晶粒形态熵获取晶粒均匀度因子的方法，包括：
获取所述数量序列中元素值的方差，计算所述方差与所述晶粒形态熵之间的乘积，所述晶粒均匀度因子与所述乘积呈负相关关系。
本发明具有如下有益效果：通过对板材表面的晶粒图像中待滤波点的获取，然后对待滤波点进行自适应滤波模板的滤波处理得到滤波图像，在对晶粒图像去噪的同时保留了晶粒图像中的边缘纹理信息；进一步对滤波图像中的像素点进行不同尺度的Retinex算法增强，提高特征增强的速度且实现对滤波图像的有效增强，基于增强图像分析板材表面的晶粒形态指标和晶粒均匀度因子，进而根据晶粒形态指标和晶粒均匀度因子对轧制过程中的温度参数进行调控，保证了数据分析过程中的可靠性，并且提高了对温度参数调控的及时性和准确度。
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一种基于人工智能的铝材压延工艺参数控制方法流程图。
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一种基于人工智能的铝材压延工艺参数控制方法，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。
本申请适用于对铝材压延工艺中轧制过程中温度参数的控制，为了解决现有根据工作人员对轧制过程中温度参数调整实时性差以及误差大的问题，本发明实施例中基于轧制过程中板材表面的晶粒图像进行分析，通过自适应滤波模板对晶粒图像进行处理得到滤波图像，然后利用多尺度的Retinex算法对滤波图像进行增强得到增强图像，从而基于增强图像对板材轧制过程中的情况进行分析，结合板材表面晶粒的情况实时对温度进行调控，达到了对温度及时调控的目的，并且基于质量更好的图像进行分析，提高了检测的准确性。
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铝材压延工艺参数控制方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的铝材压延工艺参数控制方法流程图，该方法包括以下步骤：
步骤S100，获取铝材压延过程中板材表面的晶粒图像。
铝材压延工艺包括多个流程例如铸造、锻造、冲压、挤压以及轧制等，通过多个过程将铝材加工成各种铝合金零件和部件；其中，轧制工艺是铝材生产加工获取板材、条状材以及带状材的主要加工方式；考虑到轧制过程中温度对于铝材轧制的板材晶粒度影响较大，因此需要对温度进行准确控制，以便于得到符合生产要求的板材。
在轧制过程中，铝板终扎温度要保证产品所要求的性能以及晶粒度，终扎温度过高将导致晶粒粗大不能满足性能要求，并且在后续冷轧时板材表面会出现橘皮或者麻点等缺陷；终扎温度过低会引起金属加工硬化、能耗增加以及结晶不完全，导致晶粒大小不均匀等状况；因此本发明实施例中通过采集轧制过程中板材的图像数据，用于对轧制过程中板材轧制的效果进行分析。
具体的，通过图像采集设备对轧制过程中的板材表面的图像进行采集，获取板材的晶粒度图像数据得到板材表面的晶粒图像；图像采集设备包括相机、光源以及加工台等装置，采用SEM相机进行图像采集，相机设置于轧制加工台的上方，以俯视视角对轧制过程中的板材进行拍摄，实施者可根据实际情况自行设置板材轧制过程中图像采集的时间间隔、相机帧率以及采样频率，对得到的板材表面的晶粒图像进行后续分析。
步骤S200，对晶粒图像进行边缘检测得到边缘图像；边缘图像中所有非边缘像素点为待滤波点；获取每个待滤波点与其八邻域像素点之间的灰度方差；若灰度方差不小于预设阈值，待滤波点为滤波点，获取滤波点与其八邻域像素点之间的相似度，基于相似度的大小对滤波点的滤波模板进行设定，获取晶粒图像中每个滤波点对应的滤波模板，利用滤波模板对对应滤波点进行滤波得到滤波图像。
由步骤S100中获取到板材表面的晶粒图像，考虑到晶粒图像中存在较多的无关点和噪点，为确保晶粒特征的提取更加准确，本发明对采集到的板材的晶粒图像进行滤波处理，消除晶粒图像中的噪声数据；传统对图像进行去噪时，大多是对图像进行整体的去噪操作，但该种方法不能对图像中的边缘信息进行较好的保留，导致图像中的边缘以及细节信息出现模糊以及过度平滑的现象，从而会造成后续对晶粒形态以及分布等特征分析的准确性低。因此为了提高检测的准确度，本发明实施例对晶粒图像进行自适应的滤波，以实现对晶粒图像中噪声点抑制的同时保留晶粒图像中的边缘信息。
对晶粒图像进行自适应滤波的方法具体如下：
首先，对晶粒图像进行边缘检测，获取晶粒图像对应的边缘图像以及边缘图像中的多条边缘，边缘检测算法为现有公知技术，不再赘述。将边缘图像中每条边缘上的边缘像素点标记为非滤波点，除了边缘像素点之外的其他像素点记为待滤波点。
然后，设置
Figure 524847DEST_PATH_IMAGE002
的滤波模板，用于对晶粒图像中需要进行滤波处理的待滤波点进行滤波卷积处理，以待滤波点
Figure 463984DEST_PATH_IMAGE003
为例，该待滤波点
Figure 85721DEST_PATH_IMAGE003
对应的滤波模板为：
Figure 285758DEST_PATH_IMAGE004
其中，滤波模板中每个位置的模板值的计算方法为：
Figure 951225DEST_PATH_IMAGE005
其中，
Figure 626926DEST_PATH_IMAGE006
表示待滤波点
Figure 895097DEST_PATH_IMAGE003
的滤波模板中第
Figure 90586DEST_PATH_IMAGE007
个位置的模板值；
Figure 940337DEST_PATH_IMAGE008
表示待滤波点
Figure 713121DEST_PATH_IMAGE003
与其八邻域中第
Figure 660348DEST_PATH_IMAGE007
个位置的像素点之间的欧式距离；
Figure 959611DEST_PATH_IMAGE009
表示待滤波点
Figure 91515DEST_PATH_IMAGE003
在红色通道的像素值；
Figure 492541DEST_PATH_IMAGE010
表示待滤波点
Figure 728612DEST_PATH_IMAGE003
的八邻域中第
Figure 23327DEST_PATH_IMAGE007
个位置的像素点在红色通道的像素值；
Figure 467078DEST_PATH_IMAGE011
表示待滤波点
Figure 339088DEST_PATH_IMAGE003
在绿色通道的像素值；
Figure 159276DEST_PATH_IMAGE012
表示待滤波点
Figure 931667DEST_PATH_IMAGE003
的八邻域中第
Figure 670953DEST_PATH_IMAGE007
个位置的像素点在绿色通道的像素值；
Figure 780991DEST_PATH_IMAGE013
表示待滤波点
Figure 122980DEST_PATH_IMAGE003
在蓝色通道的像素值；
Figure 126708DEST_PATH_IMAGE014
待滤波点
Figure 912261DEST_PATH_IMAGE003
的八邻域中第
Figure 994749DEST_PATH_IMAGE007
个位置的像素点在蓝色通道的像素值；
Figure 15795DEST_PATH_IMAGE015
表示自然常数。
进一步的，为了实现对噪声点的有效抑制，对不同的待滤波点的滤波模板进行自适应调整；以每个待滤波点作为中心像素点，获取中心像素点与其八邻域像素点之间的灰度差值，基于灰度差值得到该待滤波点作为中心像素点时对应的灰度方差；根据灰度方差的大小判断该待滤波点是否需要进行滤波处理；本发明实施例中设置方差双阈值分别为小阈值
Figure 483816DEST_PATH_IMAGE016
和大阈值
Figure 689539DEST_PATH_IMAGE017
，阈值数值的设定由实施者根据实际情况自行设置。
当待滤波点
Figure 633224DEST_PATH_IMAGE003
对应的灰度方差小于小阈值
Figure 67747DEST_PATH_IMAGE016
时，则表示该待滤波点
Figure 46068DEST_PATH_IMAGE003
的八邻域内灰度分布较为均匀，将该待滤波点
Figure 390068DEST_PATH_IMAGE003
标记为非滤波点；当待滤波点
Figure 961995DEST_PATH_IMAGE003
的灰度方差大于大阈值
Figure 59264DEST_PATH_IMAGE017
，则该待滤波点
Figure 16724DEST_PATH_IMAGE003
为滤波点；获取滤波点
Figure 194544DEST_PATH_IMAGE003
与其八邻域像素点之间的相似度，相似度的计算方法为：
Figure 411024DEST_PATH_IMAGE018
其中，
Figure 311984DEST_PATH_IMAGE019
表示滤波点
Figure 609104DEST_PATH_IMAGE003
与其八邻域像素点中第
Figure 202896DEST_PATH_IMAGE007
个位置的邻域像素点之间的相似度；
Figure 998683DEST_PATH_IMAGE020
表示滤波点
Figure 578700DEST_PATH_IMAGE003
的灰度值；
Figure 9288DEST_PATH_IMAGE021
表示滤波点
Figure 773982DEST_PATH_IMAGE003
的八邻域像素点中第
Figure 542218DEST_PATH_IMAGE007
个位置的邻域像素点的灰度值。
计算出滤波点
Figure 909614DEST_PATH_IMAGE003
与其八邻域像素点之间的8个相似度，本发明实施例中选取其中相似度最大时对应的4个邻域像素点，将选取出的4个邻域像素点记为赋值点，并基于上述计算滤波模板中每个位置的模板值的方法计算这4个赋值点位置对应的模板值；其他相似度小的4个邻域像素点位置对应的模板值为0，由此得到滤波点
Figure 305960DEST_PATH_IMAGE003
对应的滤波模块，基于该滤波模板对滤波点
Figure 116921DEST_PATH_IMAGE003
进行滤波卷积。
以此类推，获取每个滤波点对应的滤波模板，并基于对应的滤波模板对滤波点进行滤波卷积得到晶粒图像滤波处理之后的滤波图像。
需要说明的是，当待滤波点的灰度方差处于小阈值
Figure 231508DEST_PATH_IMAGE016
与大阈值
Figure 638481DEST_PATH_IMAGE017
之间时，该待滤波点为正常滤波点，根据正常滤波点及其八邻域像素点位置进行模板值的计算，得到对应的滤波模板，并基于滤波模板对正常滤波点进行滤波卷积。
步骤S300，对滤波图像进行超像素分割得到多个像素块，获取每个像素块中的梯度均值，根据不同大小的梯度均值选取不同尺度的Retinex算法对对应的像素块进行增强，得到滤波图像的增强图像。
由步骤S200中对晶粒图像进行滤波处理得到对应的滤波图像，然后对滤波后的滤波图像进行增强，以便于对晶粒边缘信息进行增强，使得提取的特征更加准确。
具体的，本发明实施例中对滤波图像进行形态学运算，以消除滤波处理后晶粒图像中的无关像素点，得到形态学运算处理后的图像
Figure 295858DEST_PATH_IMAGE022
，对图像
Figure 261409DEST_PATH_IMAGE022
进行特征增强，增强的方法采用多尺度Retinex算法；由于图像
Figure 752040DEST_PATH_IMAGE022
可以表示为：
Figure 336605DEST_PATH_IMAGE023
；其中，
Figure 848489DEST_PATH_IMAGE024
表示亮度图像；
Figure 984941DEST_PATH_IMAGE025
表示实际图像；因此本发明实施例中对图像
Figure 74120DEST_PATH_IMAGE022
进行增强实际是对实际图像
Figure 337742DEST_PATH_IMAGE025
进行增强；基于多尺度Retinex算法的将滤波图像分为亮度图像和实际图像，多尺度Retinex算法的输出结果为：
Figure 454865DEST_PATH_IMAGE026
其中，
Figure 637584DEST_PATH_IMAGE027
表示实际图像；
Figure 355005DEST_PATH_IMAGE028
表示第
Figure 671585DEST_PATH_IMAGE029
个高斯环绕函数；
Figure 689220DEST_PATH_IMAGE022
表示对滤波图像进行形态学运算处理后的图像；
Figure 931589DEST_PATH_IMAGE030
表示第
Figure 136305DEST_PATH_IMAGE029
个高斯环绕函数的权重；
Figure 522156DEST_PATH_IMAGE031
表示对数运算。
对多尺度Retinex算法输出的实际图像进行对数反变换，即可得到特征增强处理后的增强图像
Figure 456614DEST_PATH_IMAGE032
。因此增强图像的增强效果好坏取决于多尺度Retinex算法的输出结果，本发明实施例中多尺度Retinex算法是指该算法中高斯环绕函数的多个高斯核尺寸，通过对高斯环绕函数的高斯核尺寸大小进行自适应调整，以提高对图像的特征增强效果。
作为优选，本发明实施例中首先设置4中不同尺寸的高斯核，分别为3*3、5*5、7*7以及9*9。
对图像
Figure 387661DEST_PATH_IMAGE022
进行超像素分割将特征相同或相似的像素点划分到同一个像素块中，超像素分割算法为常用技术不再赘述；获取每个像素块中像素点对应的梯度值，进而基于每个像素点的梯度值得到每个像素块对应的梯度均值；对所有像素块对应的梯度均值进行归一化，使得所有像素块对应的梯度均值范围处于0-1；基于每个像素块对应的梯度均值选取每个像素块对应的高斯核尺寸，基于选定的高斯核尺寸对像素块内每个像素点进行处理。
本发明实施例中基于每个像素块对应的梯度均值选取每个像素块对应的高斯核尺寸的方法为：划分多个等级的梯度均值范围分别为：0-0.25、0.25-0.5、0.5-0.75以及0.75-1；尺寸大小为9*9的高斯核对应最小尺度的Retinex算法，以此类推，尺寸大小为3*3的高斯核对应最大尺度的Retinex算法；则对于梯度均值大小处于0-0.25的像素块，采用尺寸大小为9*9的高斯核对该像素块中各个像素点进行卷积增强处理；对于梯度均值大小处于0.25-0.5的像素块，采用尺寸大小为7*7的高斯核对像素块中各个像素点进行卷积增强处理；对于梯度均值大小处于0.5-0.75的像素块，采用尺寸大小为5*5的高斯核对像素块中各个像素点进行卷积增强处理；对于梯度均值大小处于0.75-1的像素块，采用尺寸大小为3*3的高斯核对像素块中各个像素点进行卷积增强处理。
根据图像
Figure 564827DEST_PATH_IMAGE022
中不同像素块的梯度均值自适应调整多尺度Retinex算法中高斯环绕函数的高斯核尺寸大小，更大程度对晶粒边缘细节信息进行保留，提高图像特征增强的效果。则根据自适应调整高斯环绕函数高斯核尺寸的多尺度Retinex算法对图像
Figure 98576DEST_PATH_IMAGE022
进行特征增强得到对应的增强图像。
步骤S400，获取增强图像中所有的晶粒连通域，计算所有的晶粒连通域的面积均值，基于面积均值与临界均值之间的差值得到增强图像的晶粒形态指标；统计每个晶粒连通域的边缘像素点数量得到数量序列，根据数量序列获取增强图像的晶粒形态熵，基于晶粒形态熵获取晶粒均匀度因子。
具体的，对步骤S300中得到的增强图像进行边缘检测可得到相应的边缘以及边缘构成的晶粒连通域，获取每个晶粒连通域的面积大小从而计算出增强图像中所有晶粒连通域的面积均值，根据面积均值对晶粒形态进行分析；获取板材质量合格时能够允许的最大晶粒的板材晶粒图像，该板材晶粒图像通过相关技术人员进行选取，计算此时板材晶粒图像中所有晶粒连通域的面积均值记为临界均值，根据当前增强图像中的面积均值与临界均值之间的差值得到当前增强图像的晶粒形态指标。
进一步的，对增强图像中的晶粒均匀度进行分析，统计增强图像中每个晶粒连通域对应的边缘像素点的数量，将增强图像中所有晶粒连通域对应的边缘像素点的数量进行排列得到数量序列，该数量序列中每个元素值为一个晶粒连通域对应的边缘像素点的数量。对于增强图像对应的数量序列，本发明实施例中采用1*3大小的滑动窗口，以步长为1在该数量序列上进行滑动，从而得到C-2个滑动窗口数据，C表示增强图像中所有晶粒连通域的数量，每个滑动窗口数据中包括3个元素值；统计C-2个滑动窗口数据中的数据种类，本发明实施例中判断两个滑动窗口数据是否属于一个数据种类的方法为：将每个滑动窗口数据视为一个1*3的向量，当两个向量之间的余弦相似度大于0.85时，则这两个向量为同一类别，即这两个滑动窗口数据属于同一个数据种类；计算每个数据种类的滑动窗口数据在C-2个滑动窗口数据中出现的概率，根据每个数据种类的概率得到该增强图像对应的晶粒形态熵，晶粒形态熵的计算方法为：
Figure 294065DEST_PATH_IMAGE033
其中，
Figure 379702DEST_PATH_IMAGE034
表示增强图像的晶粒形态熵；
Figure 152486DEST_PATH_IMAGE035
表示第
Figure 99713DEST_PATH_IMAGE036
个数据种类的滑动窗口数据在所有滑动窗口数据中出现的概率；
Figure 274343DEST_PATH_IMAGE037
表示所有滑动窗口数据中数据种类的数量；
Figure 29416DEST_PATH_IMAGE038
表示自然对数运算。
增强图像的晶粒形态熵越小，说明该增强图像中晶粒形态分布越均匀，从而根据增强图像的晶粒形态熵获取对应的晶粒均匀度因子为：
Figure 430441DEST_PATH_IMAGE039
其中，
Figure 40414DEST_PATH_IMAGE040
表示增强图像的晶粒均匀度因子；
Figure 459763DEST_PATH_IMAGE034
表示增强图像的晶粒形态熵；
Figure 637935DEST_PATH_IMAGE041
表示数量序列对应的方差；
Figure 385311DEST_PATH_IMAGE015
表示自然常数。
其中，数量序列对应的方差表示数量序列中所有元素的离散程度，体现增强图像中晶粒连通域形状大小的均匀性，具体计算方法为数学常识，不再赘述。晶粒均匀度因子越大，表明增强图像的晶粒形态分布越均匀，即轧制过程中板材的晶粒形态分布越均匀。
步骤S500，当晶粒形态指标大于预设形态阈值时，降低压延过程中的温度参数；当晶粒形态指标小于预设形态阈值且晶粒均匀度因子小于预设因子阈值时，升高压延过程中温度参数。
由步骤S400中得到增强图像对应的晶粒形态指标以及晶粒均匀度因子，基于晶粒形态指标以及晶粒均匀度因子对铝材轧制过程中的温度参数进行控制。
具体的，当轧制过程中板材对应的增强图像的晶粒形态指标大于预设形态阈值时，表明此时板材表面的晶粒整体过大，此时铝材轧制过程中的温度过高，需要及时对工作人员进行预警并对轧制中温度参数进行降低，以避免由于轧制温度过高导致铝板硬度不足或者表面出现麻点等缺陷状况。当轧制过程中板材对应的增强图像的晶粒形态指标小于预设形态阈值时，判断板材对应的增强图像的晶粒均匀度因子是否小于预设因子阈值，当该增强图像的晶粒均匀度因子小于预设因子阈值时，表明铝材轧制过程中的温度过低，出现板材硬度过大，结晶不完全的情况，需及时对工作人员进行温度过低预警，以便于工作人员将轧制过程中的温度参数进行升高，确保铝材压延工艺中板材的质量合格。其中，预设形态阈值以及预设因子阈值由相关工作人员基于实际要求设定。
综上所述，本发明实施例中通过对轧制过程中板材表面的晶粒图像进行获取，通过自适应调整的滤波模板对晶粒图像进行去噪处理得到滤波图像，然后基于多尺度的Retinex算法对滤波图像进行特征增强得到对应的增强图像，基于增强图像对板材表面的晶粒形态指标和晶粒均匀度因子进行获取，根据晶粒形态指标和晶粒均匀度因子对轧制过程中温度参数进行调控，通过特征增强后的特征图像提取板材晶粒数据进行分析，数据更加可靠，对铝材压延轧制过程中板材实际情况的检测分析精度更高。
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。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铝材压延工艺参数控制方法，其特征在于，该方法包括以下步骤：
获取铝材压延过程中板材表面的晶粒图像；
对所述晶粒图像进行边缘检测得到边缘图像；所述边缘图像中所有非边缘像素点为待滤波点；获取每个待滤波点与其八邻域像素点之间的灰度方差；若所述灰度方差不小于预设阈值，所述待滤波点为滤波点，获取所述滤波点与其八邻域像素点之间的相似度，基于相似度的大小对所述滤波点的滤波模板进行设定，获取所述晶粒图像中每个滤波点对应的滤波模板，利用所述滤波模板对对应所述滤波点进行滤波得到滤波图像；
对所述滤波图像进行超像素分割得到多个像素块，获取每个所述像素块中的梯度均值，根据不同大小的梯度均值选取不同尺度的Retinex算法对对应的像素块进行增强，得到所述滤波图像的增强图像；
获取所述增强图像中所有的晶粒连通域，计算所有的晶粒连通域的面积均值，基于所述面积均值与临界均值之间的差值得到所述增强图像的晶粒形态指标；统计每个所述晶粒连通域的边缘像素点数量得到数量序列，根据所述数量序列获取所述增强图像的晶粒形态熵，基于所述晶粒形态熵获取晶粒均匀度因子；
当所述晶粒形态指标大于预设形态阈值时，降低压延过程中的温度参数；当所述晶粒形态指标小于预设形态阈值且晶粒均匀度因子小于预设因子阈值时，升高压延过程中温度参数。
2.根据权利要求1所述的一种基于人工智能的铝材压延工艺参数控制方法，其特征在于，所述获取所述滤波点与其八邻域像素点之间的相似度的方法，包括：
获取所述滤波点与其八邻域像素点中每个邻域像素点之间的灰度差值，灰度差值越大，所述滤波点与对应的所述邻域像素点之间的相似度越小。
3.根据权利要求1所述的一种基于人工智能的铝材压延工艺参数控制方法，其特征在于，所述基于相似度的大小对所述滤波点的滤波模板进行设定的方法，包括：
将所述滤波点与其八邻域像素点之间的相似度进行降序排列，选取降序排列后的前
Figure DEST_PATH_IMAGE002
个元素值对应的邻域像素点为赋值点，
Figure 408261DEST_PATH_IMAGE002
为正整数且
Figure 948570DEST_PATH_IMAGE002
小于8；
设置3*3大小的滤波模板，所述滤波点的位置为所述滤波模板的中心点；所述滤波模板中，所述滤波点的位置以及所述滤波点对应的未被选取出的邻域像素点的位置为零；
所述滤波模板中赋值点位置的模板值获取方法为：
获取所述滤波点与每个赋值点之间的欧式距离、滤波点在红色通道的像素值与每个赋值点在红色通道的像素值之间的红色差值、滤波点在绿色通道的像素值与每个赋值点在绿色通道的像素值之间的绿色差值以及滤波点在蓝色通道的像素值与每个赋值点在蓝色通道的像素值之间的蓝色差值；基于欧式距离、红色差值、绿色差值以及蓝色差值得到所述滤波模板中每个赋值点位置的模板值。
4.根据权利要求1所述的一种基于人工智能的铝材压延工艺参数控制方法，其特征在于，所述根据不同大小的梯度均值选取不同尺度的Retinex算法的方法，包括：
设定多个等级的梯度均值范围以及多个尺度的Retinex算法，所述尺度为所述Retinex算法中高斯环绕函数的高斯核尺寸；尺度的数量与梯度均值范围的等级数量一致；
梯度均值最大的梯度均值范围等级对应最大尺度的Retinex算法。
5.根据权利要求1所述的一种基于人工智能的铝材压延工艺参数控制方法，其特征在于，所述临界均值的获取方法为：
获取板材质量合格时能够允许的最大晶粒的板材晶粒图像，所述板材晶粒图像中所有晶粒连通域的面积均值为临界均值。
6.根据权利要求1所述的一种基于人工智能的铝材压延工艺参数控制方法，其特征在于，所述根据所述数量序列获取所述增强图像的晶粒形态熵的方法，包括：
设定预设大小的滑动窗口对所述数量序列进行滑窗得到多个滑动窗口数据，获取每个所述滑动窗口数据对应的数据种类，计算每个数据种类在所有所述滑动窗口数据中出现的概率，基于所述概率得到所述增强图像的晶粒形态熵。
7.根据权利要求6所述的一种基于人工智能的铝材压延工艺参数控制方法，其特征在于，所述获取每个所述滑动窗口数据对应的数据种类的方法，包括：
以每个滑动窗口数据为一个向量，获取任意两个滑动窗口数据对应向量之间的余弦相似度，所述余弦相似度大于预设阈值时，两个滑动窗口数据为同一个数据种类。
8.根据权利要求1所述的一种基于人工智能的铝材压延工艺参数控制方法，其特征在于，所述基于所述晶粒形态熵获取晶粒均匀度因子的方法，包括：
获取所述数量序列中元素值的方差，计算所述方差与所述晶粒形态熵之间的乘积，所述晶粒均匀度因子与所述乘积呈负相关关系。
CN202210850833.1A 2022-07-20 2022-07-20 基于人工智能的铝材压延工艺参数控制方法 Active CN115082427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210850833.1A CN115082427B (zh) 2022-07-20 2022-07-20 基于人工智能的铝材压延工艺参数控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210850833.1A CN115082427B (zh) 2022-07-20 2022-07-20 基于人工智能的铝材压延工艺参数控制方法

Publications (2)

Publication Number Publication Date
CN115082427A true CN115082427A (zh) 2022-09-20
CN115082427B CN115082427B (zh) 2022-11-11

Family

ID=83260535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210850833.1A Active CN115082427B (zh) 2022-07-20 2022-07-20 基于人工智能的铝材压延工艺参数控制方法

Country Status (1)

Country Link
CN (1) CN115082427B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797673A (zh) * 2023-08-22 2023-09-22 四川沃耐稀新材料科技有限公司 一种硝酸锆冷却结晶状态监测方法
CN116805316A (zh) * 2023-08-25 2023-09-26 深圳市鹏顺兴包装制品有限公司 基于图像增强的可降解塑料加工质量检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030138161A1 (en) * 2002-01-23 2003-07-24 Rising Hawley K. Method and apparatus for enhancing an image using a wavelet-based retinex algorithm
CN106485275A (zh) * 2016-10-10 2017-03-08 厦门理工学院 一种实现盖板玻璃与液晶屏定位贴合的方法
CN109919869A (zh) * 2019-02-28 2019-06-21 腾讯科技（深圳）有限公司 一种图像增强方法、装置及存储介质
CN110244605A (zh) * 2019-05-29 2019-09-17 安徽华润金蟾药业股份有限公司 一种中药炒制的在线质量控制设备及方法
CN111128313A (zh) * 2019-07-16 2020-05-08 中南大学 一种烧结矿FeO含量检测方法及系统
CN111754516A (zh) * 2020-05-25 2020-10-09 沈阳工程学院 基于计算机视觉反馈的金红石单晶体生长智能控制方法
CN113376161A (zh) * 2021-07-05 2021-09-10 山西省交通科技研发有限公司 一种泡沫沥青发泡效果评价及发泡参数优选的方法
CN114638822A (zh) * 2022-03-31 2022-06-17 扬州市恒邦机械制造有限公司 一种利用光学手段的汽车盖板表面质量检测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030138161A1 (en) * 2002-01-23 2003-07-24 Rising Hawley K. Method and apparatus for enhancing an image using a wavelet-based retinex algorithm
CN106485275A (zh) * 2016-10-10 2017-03-08 厦门理工学院 一种实现盖板玻璃与液晶屏定位贴合的方法
CN109919869A (zh) * 2019-02-28 2019-06-21 腾讯科技（深圳）有限公司 一种图像增强方法、装置及存储介质
CN110244605A (zh) * 2019-05-29 2019-09-17 安徽华润金蟾药业股份有限公司 一种中药炒制的在线质量控制设备及方法
CN111128313A (zh) * 2019-07-16 2020-05-08 中南大学 一种烧结矿FeO含量检测方法及系统
CN111754516A (zh) * 2020-05-25 2020-10-09 沈阳工程学院 基于计算机视觉反馈的金红石单晶体生长智能控制方法
CN113376161A (zh) * 2021-07-05 2021-09-10 山西省交通科技研发有限公司 一种泡沫沥青发泡效果评价及发泡参数优选的方法
CN114638822A (zh) * 2022-03-31 2022-06-17 扬州市恒邦机械制造有限公司 一种利用光学手段的汽车盖板表面质量检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何金良等: "《非线性均压材料的设计理论与参数调控》", 《电工技术学报》 *
吴海滨等: "《斯太尔摩散卷轧件温度在线监测系统关键技术的研究》", 《冶金动力》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797673A (zh) * 2023-08-22 2023-09-22 四川沃耐稀新材料科技有限公司 一种硝酸锆冷却结晶状态监测方法
CN116797673B (zh) * 2023-08-22 2023-10-31 四川沃耐稀新材料科技有限公司 一种硝酸锆冷却结晶状态监测方法
CN116805316A (zh) * 2023-08-25 2023-09-26 深圳市鹏顺兴包装制品有限公司 基于图像增强的可降解塑料加工质量检测方法
CN116805316B (zh) * 2023-08-25 2023-11-28 深圳市鹏顺兴包装制品有限公司 基于图像增强的可降解塑料加工质量检测方法

Also Published As

Publication number Publication date
CN115082427B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115082427B (zh) 基于人工智能的铝材压延工艺参数控制方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN115937216B (zh) 一种新能源汽车用磁转子外观质量检测方法
CN115953398B (zh) 一种用于带钢表面的缺陷识别方法
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析系统及方法
CN116977329B (zh) 一种基于机器视觉的光伏板栅线检测方法
CN116091499A (zh) 一种涂料生产异常识别系统
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN116934740A (zh) 基于图像处理的塑料模具表面缺陷分析检测方法
CN115082488B (zh) 汽车零件镀锌工艺中的表面羽痕控制方法及装置
CN114694144A (zh) 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法
CN116563799A (zh) 基于视频监控的粉尘在线监测方法
CN116664584B (zh) 一种薄壁类锌合金压铸模具生产智能反馈调节系统
CN114332081A (zh) 基于图像处理的纺织品表面异常判定方法
CN107679581B (zh) 基于红外图像像素矩阵的特征值处理煤气流分布的方法
CN111985406B (zh) 一种锌渣图像识别及分类方法
CN110766662B (zh) 一种基于多尺度和多层特征学习的锻件表面裂纹检测方法
CN112784922A (zh) 智能云端医疗影像的提取和分类方法
CN115029704B (zh) 一种用于不锈钢酸洗工艺的智能控制方法及装置
CN104063851A (zh) 一种基于Retinex的工业透明薄膜包装检测方法
CN114565563B (zh) 基于人工智能的彩钢板表面异常检测方法
CN113223098B (zh) 图像颜色分类的预处理优化方法
CN115862003A (zh) 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法
CN115049611A (zh) 一种基于改进yolov5的连铸坯裂纹缺陷识别方法
CN113496159B (zh) 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Parameter Control Method for Aluminum Rolling Process Based on Artificial Intelligence

Effective date of registration: 20230829

Granted publication date: 20221111

Pledgee: Laishang bank Limited by Share Ltd. Liaocheng science and Technology Branch

Pledgor: Shandong Zhiling New Material Co.,Ltd.

Registration number: Y2023980054401