CN115266728A - 一种冷轧带钢表面夹杂缺陷的识别方法 - Google Patents

一种冷轧带钢表面夹杂缺陷的识别方法 Download PDF

Info

Publication number
CN115266728A
CN115266728A CN202210875736.8A CN202210875736A CN115266728A CN 115266728 A CN115266728 A CN 115266728A CN 202210875736 A CN202210875736 A CN 202210875736A CN 115266728 A CN115266728 A CN 115266728A
Authority
CN
China
Prior art keywords
defect
picture
defects
inclusion
cold
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.)
Pending
Application number
CN202210875736.8A
Other languages
English (en)
Inventor
侯维国
刘伟
徐荣
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.)
Maanshan Iron and Steel Co Ltd
Original Assignee
Maanshan Iron and Steel 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 Maanshan Iron and Steel Co Ltd filed Critical Maanshan Iron and Steel Co Ltd
Priority to CN202210875736.8A priority Critical patent/CN115266728A/zh
Publication of CN115266728A publication Critical patent/CN115266728A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种冷轧带钢表面夹杂缺陷的识别方法，涉及冷轧带钢表面质量检测技术领域。本发明的一种冷轧带钢表面夹杂缺陷的识别方法，用表检测仪采集冷轧带钢表面夹杂缺陷数据；对采集到的缺陷图片进行预处理，剔除部分误分入夹杂类缺陷的其它缺陷，并根据已知信息划出缺陷感兴趣区域；根据收集到的样本，对缺陷图像进行处理，设置多级筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷；提取需要识别的夹杂缺陷图片，重复上述步骤，验证该识别方法准确率，从而提升夹杂缺陷分类准确率，大大降低人工质检工作量，并为实现带钢表面质量自动判定提供支撑。

Description

一种冷轧带钢表面夹杂缺陷的识别方法
技术领域
本发明涉及冷轧带钢表面质量检测技术领域，更具体地说是一种冷轧带钢表面夹杂缺陷的识别方法。
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。冷轧带钢由于从钢卷下线到入库中间时间短，表面检查环节是带钢表面质量的最后一道关卡，由此显得极为重要。常见的带钢表面检测系统中，通常是通过维护样本库来提高表检仪的分类准确率，但往往实际生产中，工况复杂，带钢表面缺陷形貌多样，经常会出现错分类和误分类的情况，导致表面缺陷分类准确率难以达到理想的效果。表检仪系统均为闭源系统，在后期企业使用的过程中自由度低。
目前国内外对带钢表面质量的研究主要是通过机器视觉和机器学习算法对缺陷进行识别和分类。如文献《基于深度学习模型识别钢卷边部缺陷的探索》利用SSD算法建立了热轧带钢边部缺陷的检测模型，取得了不错的效果，但测试的缺陷只有两类；文献《Convolutional networks for voting-based anomaly classification in metalsurface inspection》利用卷积神经网络提取金属表面缺陷特征，结合SVM建立了缺陷分类模型，从模型整体结构上看还是采用传统机器视觉和识别结构，只是在特征提取阶段采用深度卷积神经网络代替了人工特征提取；文献《Automatic metallic surface defectdetection and recognition with convolutional neural networks》提出了一种堆叠自编码器(cascaded autoencoder)网络，用于金属表面缺陷的分割与定位，然后利用卷积神经网络CNN实现缺陷的分类，这种方法可以在像素级别分割定位缺陷，适用于缺陷边界明晰的情况。以上研究内容都取得了一定的效果，但是在实际生产中，企业的痛点主要集中在解决由于表检系统分类错误带来的漏检错判，以及如何有效的降低现场质检人员的工作强度。
经检索，关于解决上述的不足，目前已有相关专利公开。如，中国专利申请号为：2021102315970、申请日为：2021年3月2日、申请公布日为：2021年6月25日，公开了一种基于表检仪检测的冷轧带钢质量判定的方法，包括：采集表检仪检测的冷轧带钢的表面缺陷数据；对缺陷数据进行分析，确认缺陷大小、类型以及位置；结合缺陷识别模型将确认后的缺陷对比每一条表检规则，计算出缺陷与表检规则的符合度；将符合度从高到低进行排序，从最高符合度开始，选择N个符合度对应的缺陷作为主缺陷，然后再得出冷轧带钢质量分选度、表判码以及置信度；最后根据主缺陷、分选度、表判码以及置信度对钢卷质量进行最终判定。但是该专利中，针对表面缺陷制定的表检规则是针对密集点状或块状缺陷，还需对重点缺陷进行二次识别，因此较为复杂。
发明内容
1.发明要解决的技术问题
针对现有技术中冷轧带钢表面夹杂缺陷易出现漏判错判现象，本发明提出一种冷轧带钢表面夹杂缺陷的识别方法，包括获取表面质量检测仪采集的冷轧带钢表面夹杂缺陷数据；对采集到的缺陷图片进行预处理；结合现场表面质量检查，建立多级筛选规则对冷轧带钢表面环节的夹杂缺陷进行判定，从而解决从夹杂缺陷中剔除非夹杂缺陷的问题，减轻冷轧带钢现场质检人员工作量，减少缺陷漏判错判现象的发生。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
一种冷轧带钢表面夹杂缺陷的识别方法，包括如下步骤：
步骤一、获取冷轧带钢表面夹杂缺陷数据：使用表面质量检测仪采集冷轧带钢表面夹杂缺陷数据，包括缺陷的分类结果、长度、宽度、相对位置信息和原始图片；
步骤二、缺陷图片预处理：对采集到的缺陷图片进行预处理，剔除部分误分入夹杂类缺陷的其它缺陷，并根据已知信息划出缺陷感兴趣区域；
步骤三、设置筛选规则：根据收集到的样本，对缺陷图像进行处理，设置筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷；
步骤四、验证识别方法准确率：提取需要识别的夹杂缺陷图片，重复上述步骤，验证该识别方法准确率，根据提取到的待识别图片，按上述步骤提取特征值后进入步骤三的筛选规则进行筛选，最终输出判定结果。
进一步的技术方案，步骤二中，对采集到的缺陷图片进行预处理具体步骤如下：
A1、提取分类表信息中缺陷长度信息DL，通过大量样本分析确定合适的长度阈值Lth；
A2、对表面质量检测仪采集到的缺陷压缩图片进行处理，根据对应缺陷长度DL和缺陷宽度DW，按比例尺Sc换算至原始图片规格，由此可得到原始图片感兴趣区域长度DLO和宽度DWO，最终可以获得压缩后图片感兴趣区域的长度和宽度。
进一步的技术方案，A1中，依据大量缺陷样本统计选定长度阈值为60mm，
Lth＝60，
S1＝DL，
其中，S1为第一个特征值，当缺陷长度DL大于60mm时，进入下一步处理，否则直接判定为非夹杂缺陷。
进一步的技术方案，A2中，由于获取表检仪缺陷图片为压缩之后图片，需要对满足上一步筛选规则的缺陷图片进行处理，根据对应缺陷长度DL和缺陷宽度DW，按比例尺Sc换算至原始图片规格，由此可得到原始图片感兴趣区域长度DLO和宽度DWO，获得压缩后图片感兴趣区域的长度和宽度，具体计算公式如下：
DLO＝DL×Sc，
DWO＝DW×Sc，
Lo＝677+10×((ZL-256)/4)，
Wo＝273+19×((ZW-240)/16)，
ZRL＝(DLO/10)×ZL，
ZRW＝(DWO/10)×ZW，
ZRX＝(((Wo-DWO)/2)/Wo)×ZRW，
ZRY＝(((Lo-DLO)/2)/Lo)×ZRL，
式中，Sc为比例换算比例尺，比例尺取值为6；ZL为压缩图片实际长度；ZW为压缩图片实际宽度；ZRL为压缩图片感兴趣区域长度；ZRW为压缩图片感兴趣区域宽度；ZRX为压缩图片感兴趣区域左上角X坐标；ZRY为压缩图片感兴趣区域左上角Y坐标；根据计算得出的感兴趣区域长宽和左上角坐标，即可划定缺陷感兴趣区域位置。
进一步的技术方案，步骤三中，根据收集到的样本，发现夹杂缺陷中易混入脏污和划伤缺陷(这两种缺陷对带钢表面质量的影响很小，但是形貌和夹杂类似，表检仪分类时容易将这两类缺陷分类为夹杂)，因此对剪裁后的缺陷图像进行处理，设置多级筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷，具体步骤如下：
B1、计算剪裁后缺陷图片的灰度均值，计算公式如下：
Figure BDA0003762404230000031
式中，
Figure BDA0003762404230000032
为剪裁后图片灰度均值，Gi为图片中某一点灰度值，n为图片中像素点总数；
B2、由于误分入夹杂中的脏污缺陷形貌也呈现为细长条状，但其与真正的夹杂缺陷区别在于，脏污缺陷往往在长度上更长，其长度甚至贯穿缺陷图片，由此区别设置灰度阈值Gts1，规定图像任一点灰度值为Gi，任一点坐标为(xi，yi)，具体如下：
Figure BDA0003762404230000041
(xi，yi)＝pos(Gi＜Gts1)，
y1＝max(yi)，
S2＝y1/DL＜0.9，
式中，pos(Gi＜Gts1)为符合阈值条件的像素点坐标；(xi，yi)为小于灰度阈值Gts1的灰色像素点坐标；y1为灰色像素点纵坐标的最大值；当S2小于0.9时，被规则判定为夹杂，进入下一步筛选规则，否则将判定为脏污伪缺陷；
B3、由于误分入夹杂中的划伤缺陷形貌也呈现为细长条状，但其相较于真正的夹杂缺陷区别在于，划伤缺陷往往更细，其宽度往往只占一两个像素点，由此设置灰度阈值Gts2，具体如下：
(xp，yp)＝pos(Gi＜Gts2)，
S3＝N(yp＞20)，
式中，pos(Gi＜Gts2)为符合阈值条件的像素点坐标；(xp，yp)为小于灰度阈值Gts2的灰色像素点坐标；N(yp＞20)为yp大于20事件发生的事件数；则此时S3大于2时，被判定为夹杂，最终输出判定结果。
3.有益效果
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
本发明的一种冷轧带钢表面夹杂缺陷的识别方法，包括获取表面质量检测仪采集的冷轧带钢表面夹杂缺陷数据；对采集到的缺陷图片进行预处理，剔除部分误分入夹杂类缺陷的伪缺陷，并根据已知信息划出缺陷感兴趣区域，以解决伪缺陷问题，也就是可以忽略的虚假缺陷，主要包括带钢表面的一些纹理、噪声干扰等；结合现场表面质量检查，建立多级筛选规则对冷轧带钢表面环节的夹杂缺陷进行判定，进一步剔除误分入夹杂类缺陷中的其他缺陷，从而解决从夹杂缺陷中剔除非夹杂缺陷的问题，减轻冷轧带钢现场质检人员工作量，减少缺陷漏判错判现象的发生。通过本发明，可以提升夹杂缺陷分类准确率，大大降低人工质检工作量，并为实现带钢表面质量自动判定提供支撑。
附图说明
图1为本发明的冷轧带钢表面夹杂缺陷的识别方法的工艺流程图；
图2为实施例1中的压缩图片原图、带标记压缩图片及裁切后压缩图片；
图3为实施例1步骤3中筛选出的真正夹杂缺陷的图片。
具体实施方式
为进一步了解本发明的内容，结合附图对发明作详细描述。
本实施例的一种冷轧带钢表面夹杂缺陷的识别方法，如图1所示，包括如下步骤：
步骤一、获取冷轧带钢表面夹杂缺陷数据：使用表面质量检测仪采集冷轧带钢表面夹杂缺陷数据，包括缺陷的分类结果、长度、宽度、相对位置信息和原始图片；
步骤二、缺陷图片预处理：对采集到的缺陷图片进行预处理，剔除部分误分入夹杂类缺陷的其它缺陷，并根据已知信息划出缺陷感兴趣区域；
步骤三、设置筛选规则：根据收集到的样本，对缺陷图像进行处理，设置筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷；
步骤四、验证识别方法准确率：提取需要识别的夹杂缺陷图片，重复上述步骤，验证该识别方法准确率，根据提取到的待识别图片，按上述步骤提取特征值后进入步骤三的筛选规则进行筛选，最终输出判定结果。
本实施例中，步骤二中，对采集到的缺陷图片进行预处理具体步骤如下：
A1、提取分类表信息中缺陷长度信息DL，通过大量样本分析确定合适的长度阈值Lth；
A2、对表面质量检测仪采集到的缺陷压缩图片进行处理，根据对应缺陷长度DL和缺陷宽度DW，按比例尺Sc换算至原始图片规格，由此可得到原始图片感兴趣区域长度DLO和宽度DWO，最终可以获得压缩后图片感兴趣区域的长度和宽度。
进一步的，A1中，
Lth＝60，
S1＝DL，
其中，S1为第一个特征值，当缺陷长度DL大于60mm时，进入下一步处理，否则直接判定为非夹杂缺陷。
A2中，获得压缩后图片感兴趣区域的长度和宽度，具体计算公式如下：
DLO＝DL×Sc，
DWO＝DW×Sc，
Lo＝677+10×((ZL-256)/4)，
Wo＝273+19×((ZW-240)/16)，
ZRL＝(DLO/10)×ZL，
ZRW＝(DWO/10)×ZW，
ZRX＝(((Wo-DWO)/2)/Wo)×ZRW，
ZRY＝(((Lo-DLO)/2)/Lo)×ZRL，
式中，Sc为比例换算比例尺，比例尺取值为6；ZL为压缩图片实际长度；ZW为压缩图片实际宽度；ZRL为压缩图片感兴趣区域长度；ZRW为压缩图片感兴趣区域宽度；ZRX为压缩图片感兴趣区域左上角X坐标；ZRY为压缩图片感兴趣区域左上角Y坐标；根据计算得出的感兴趣区域长宽和左上角坐标，即可划定缺陷感兴趣区域位置。
步骤三中，对剪裁后的缺陷图像进行处理，设置多级筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷，具体步骤如下：
B1、计算剪裁后缺陷图片的灰度均值，计算公式如下：
Figure BDA0003762404230000061
式中，
Figure BDA0003762404230000062
为剪裁后图片灰度均值，Gi为图片中某一点灰度值，n为图片中像素点总数；
B2、设置灰度阈值Gts1，规定图像任一点灰度值为Gi，任一点坐标为(xi，yi)，具体如下：
Figure BDA0003762404230000063
(xi，yi)＝pos(Gi＜Gts1)，
y1＝max(yi)，
S2＝y1/DL＜0.9，
式中，pos(Gi＜Gts1)为符合阈值条件的像素点坐标；(xi，yi)为小于灰度阈值Gts1的灰色像素点坐标；y1为灰色像素点纵坐标的最大值；当S2小于0.9时，被规则判定为夹杂，进入下一步筛选规则，否则将判定为脏污伪缺陷；
B3、设置灰度阈值Gts2，具体如下：
(xp，yp)＝pos(Gi＜Gts2)，
S3＝N(yp＞20)，
式中，pos(Gi＜Gts2)为符合阈值条件的像素点坐标；(xp，yp)为小于灰度阈值Gts2的灰色像素点坐标；N(yp＞20)为yp大于20事件发生的事件数；则此时S3大于2时，被判定为夹杂，最终输出判定结果。
实施例1
本实施例的一种冷轧带钢表面夹杂缺陷的识别方法，以某钢铁企业连退产线表检系统检出的夹杂缺陷为例，对所述方法进行说明，具体包括以下步骤：
1、从表检以采集的缺陷数据中，随机挑选连续的100卷带钢，其中包含1265张夹杂图片，其中真正的夹杂图片为136张，从表检仪数据库提取这100卷带钢中所有夹杂缺陷的缺陷数据和图片，具体包括缺陷长度，缺陷宽度，缺陷相对位置等，具体原始数据如下：
Figure BDA0003762404230000071
2、对图片进行预处理，具体步骤如下：
步骤一：提取分类表信息中缺陷长度信息DL，通过大量样本分析(通过分析因夹杂封锁的样本，对应的夹杂缺陷样本长度都大于60mm)确定合适的长度阈值Lth，本识别方法中选定长度阈值为60mm，由此设定筛选规则1：
Lth＝60，
S1＝DL，
其中，当缺陷长度大于60mm时，进入下一步处理，否则直接判定为非夹杂缺陷(即伪缺陷或前文提到的脏污和划伤缺陷)，经过初步筛选(经过筛选规则1)之后剩余夹杂缺陷共计462处，具体缺陷数据如下所示：
Figure BDA0003762404230000072
Figure BDA0003762404230000081
步骤二：由于获取表检仪缺陷图片为压缩之后图片，需要对满足上一步筛选规则的缺陷图片进行处理(此处指对图片进行放缩处理，还原到原始图片尺寸)，根据对应缺陷长度DL和缺陷宽度DW，按比例尺Sc换算至原始图片规格，由此可得到原始图片感兴趣区域长度DLO和宽度DWO，最终可以获得压缩后图片感兴趣区域的长度和宽度，具体计算公式如下：
DLO＝DL×Sc，
DWO＝DW×Sc，
Lo＝677+10×((ZL-256)/4)，
Wo＝273+19×((ZW-240)/16)，
ZRL＝(DLO/10)×ZL，
ZRW＝(DWO/10)×ZW，
ZRX＝(((Wo-DWO)/2)/Wo)×ZRW，
ZRY＝(((Lo-DLo)/2)/Lo)×ZRL，
式中，Sc为比例换算比例尺，比例尺取值为6；ZL为压缩图片实际长度；ZW为压缩图片实际宽度；ZRL为压缩图片感兴趣区域长度；ZRW为压缩图片感兴趣区域宽度；ZRX为压缩图片感兴趣区域左上角X坐标；ZRY为压缩图片感兴趣区域左上角Y坐标；根据计算得出的感兴趣区域长宽和左上角坐标，即可划定缺陷感兴趣区域位置(如图2所示)。
3、根据收集到的图片，设立多级筛选规则，对夹杂图片进行筛选，具体步骤如下：
步骤1：计算剪裁后缺陷图片的灰度均值(即计算整张图片的灰度平均值)，计算公式如下：
Figure BDA0003762404230000082
式中，
Figure BDA0003762404230000083
为剪裁后图片灰度均值，Gi为图片中某一点灰度值，n为图片中像素点总数；
步骤2：设定筛选规则2，寻找所有符合规则二灰度阈值的像素点(首先设置灰度阈值)，该灰度阈值为Gts1，具体如下：
Figure BDA0003762404230000084
规定图像任一点灰度值为Gi，任一点坐标为(xi，yi)，由于误分入夹杂中的脏污缺陷形貌也呈现为细长条状，但其与真正的夹杂缺陷区别在于，脏污缺陷往往在长度上更长，其长度甚至贯穿缺陷图片。其中20是由大量实验结果得出(收集大量脏污缺陷样本读取其缺陷部位的像素点灰度值确定缺陷部位的像素值都在小于灰度平均值-20的范围内)，由此区别可以设定筛选规则2，具体如下：
(xi，yi)＝pos(Gi＜Gts1)，
y1＝max(yi)，
S2＝y1/DL＜0.9，
式中，pos(Gi＜Gts1)为符合阈值条件的像素点坐标；(xi，yi)为小于灰度阈值Gts1的灰色像素点坐标；y1为灰色像素点纵坐标的最大值；当S2小于0.9时，被规则判定为夹杂，进入下一步筛选规则，否则将判定为脏污伪缺陷；
步骤3：设定筛选规则3，寻找所有符合规则三灰度阈值的像素点(首先设置灰度阈值)，该灰度阈值为Gts2，具体如下：
Figure BDA0003762404230000091
由于误分入夹杂中的划伤缺陷形貌也呈现为细长条状，但其相较于真正的夹杂缺陷区别在于，划伤缺陷往往更细，其宽度往往只占一两个像素点。其中15是由大量实验结果得出(收集大量脏污缺陷样本读取其缺陷部位的像素点灰度值确定缺陷部位的像素值都在小于灰度平均值-15的范围内)，由此可以设定筛选规则3，具体如下：
(xp，yp)＝pos(Gi＜Gts2)，
S3＝N(yp＞20)，
式中，pos(Gi＜Gts2)为符合阈值条件的像素点坐标；(xp，yp)为小于灰度阈值Gts2的灰色像素点坐标；N(yp＞20)为yp大于20事件发生的事件数；则此时S3大于2时，被判定为夹杂，最终输出判定结果。
最终经过筛选规则，判定为真正夹杂缺陷的缺陷共168处(如图3所示)，具体数据如下所示：
Figure BDA0003762404230000092
Figure BDA0003762404230000101
4、对需要判定的图片进行特征提取，并重复上述步骤，计算最终准确率，根据提取到的待识别图片，按上述步骤提取特征值，进入筛选规则筛选，最终输出判定结果。
上述实施例中，统计连续100卷带钢，共计1265张夹杂图片，其中通过筛选规则的夹杂图片共计168处，极大的降低了现场质检人员工作量，避免了错判漏判，具有重大意义，减少现场质检人员工作量，为实现带钢表面质量自动判定提供支撑。
在实际应用过程中，统计连续200卷带钢，共计2318张夹杂图片，其中通过筛选规则的夹杂图片共计189处，极大的降低了现场质检人员工作量，避免了错判漏判，具有重大意义，减少现场质检人员工作量，为实现带钢表面质量自动判定提供支撑。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (5)

1.一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于，包括如下步骤：
步骤一、获取冷轧带钢表面夹杂缺陷数据：使用表面质量检测仪采集冷轧带钢表面夹杂缺陷数据，包括缺陷的分类结果、长度、宽度、相对位置信息和原始图片；
步骤二、缺陷图片预处理：对采集到的缺陷图片进行预处理，剔除部分误分入夹杂类缺陷的其它缺陷，并根据已知信息划出缺陷感兴趣区域；
步骤三、设置筛选规则：根据收集到的样本，对缺陷图像进行处理，设置筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷；
步骤四、验证识别方法准确率：提取需要识别的夹杂缺陷图片，重复上述步骤，验证该识别方法准确率，根据提取到的待识别图片，按上述步骤提取特征值后进入步骤三的筛选规则进行筛选，最终输出判定结果。
2.根据权利要求1所述的一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于：步骤二中，对采集到的缺陷图片进行预处理具体步骤如下：
A1、提取分类表信息中缺陷长度信息DL，通过大量样本分析确定合适的长度阈值Lth；
A2、对表面质量检测仪采集到的缺陷压缩图片进行处理，根据对应缺陷长度DL和缺陷宽度Dw，按比例尺Sc换算至原始图片规格，由此可得到原始图片感兴趣区域长度DLO和宽度DWo，最终可以获得压缩后图片感兴趣区域的长度和宽度。
3.根据权利要求2所述的一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于：A1中，
长度阈值Lth＝60，
S1＝DL，
其中，S1为第一个特征值，当缺陷长度DL大于60mm时，进入下一步处理，否则直接判定为非夹杂缺陷。
4.根据权利要求2所述的一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于：A2中，获得压缩后图片感兴趣区域的长度和宽度，具体计算公式如下：
DLO＝DL×Sc，
DWo＝DW×Sc，
Lo＝677+10×((ZL-256)/4)，
Wo＝273+19×((ZW-240)/16)，
ZRL＝(DLO/10)×ZL，
ZRW＝(DWo/10)×ZW，
ZRX＝(((Wo-DWO)/2)/Wo)×ZRW，
ZRY＝(((Lo-DLO)/2)/Lo)×ZRL，
式中，Sc为比例换算比例尺，比例尺取值为6；ZL为压缩图片实际长度；ZW为压缩图片实际宽度；ZRL为压缩图片感兴趣区域长度；ZRW为压缩图片感兴趣区域宽度；ZRX为压缩图片感兴趣区域左上角X坐标；ZRY为压缩图片感兴趣区域左上角Y坐标；根据计算得出的感兴趣区域长宽和左上角坐标，即可划定缺陷感兴趣区域位置。
5.根据权利要求1所述的一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于：步骤三中，对剪裁后的缺陷图像进行处理，设置多级筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷，具体步骤如下：
B1、计算剪裁后缺陷图片的灰度均值，计算公式如下：
Figure FDA0003762404220000021
式中，
Figure FDA0003762404220000022
为剪裁后图片灰度均值，Gi为图片中某一点灰度值，n为图片中像素点总数；
B2、设置灰度阈值Gts1，规定图像任一点灰度值为Gi，任一点坐标为(xi，yi)，具体如下：
Figure FDA0003762404220000023
(xi，yi)＝pos(Gi＜Gts1)，
y1＝max(yi)，
S2＝y1/DL＜0.9，
式中，pos(Gi＜Gts1)为符合阈值条件的像素点坐标；(xi，yi)为小于灰度阈值Gts1的灰色像素点坐标；y1为灰色像素点纵坐标的最大值；当S2小于0.9时，被规则判定为夹杂，进入下一步筛选规则，否则将判定为脏污伪缺陷；
B3、设置灰度阈值Gts2，具体如下：
(xp，yp)＝pos(Gi＜Gts2)，
S3＝N(yp＞20)，
式中，pos(Gi＜Gts2)为符合阈值条件的像素点坐标；(xp，yp)为小于灰度阈值Gts2的灰色像素点坐标；N(yp＞20)为yp大于20事件发生的事件数；S3大于2时，被判定为夹杂，最终输出判定结果。
CN202210875736.8A 2022-07-25 2022-07-25 一种冷轧带钢表面夹杂缺陷的识别方法 Pending CN115266728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210875736.8A CN115266728A (zh) 2022-07-25 2022-07-25 一种冷轧带钢表面夹杂缺陷的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210875736.8A CN115266728A (zh) 2022-07-25 2022-07-25 一种冷轧带钢表面夹杂缺陷的识别方法

Publications (1)

Publication Number Publication Date
CN115266728A true CN115266728A (zh) 2022-11-01

Family

ID=83769528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210875736.8A Pending CN115266728A (zh) 2022-07-25 2022-07-25 一种冷轧带钢表面夹杂缺陷的识别方法

Country Status (1)

Country Link
CN (1) CN115266728A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983687B (zh) * 2022-12-22 2023-09-29 北京弥天科技有限公司 一种冷轧带钢质量智能检测管理系统及方法
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983687B (zh) * 2022-12-22 2023-09-29 北京弥天科技有限公司 一种冷轧带钢质量智能检测管理系统及方法
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

Similar Documents

Publication Publication Date Title
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN115266728A (zh) 一种冷轧带钢表面夹杂缺陷的识别方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN104794491B (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
CN110210477B (zh) 一种数字式仪表读数识别方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN115170576A (zh) 基于机器视觉的铝管表面缺陷检测方法
WO2017101224A1 (zh) 一种商标检索方法、装置、系统以及计算机存储介质
CN115187548A (zh) 一种基于人工智能的机械零件缺陷检测方法
CN107085846A (zh) 工件表面缺陷图像识别方法
CN101877074A (zh) 基于多元特征的结核杆菌目标识别计数算法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN106290392A (zh) 一种小微轴承表面凹痕缺陷在线检测方法及其系统
US20090167850A1 (en) Method for identifying guignardia citricarpa
WO2017101225A1 (zh) 一种商标图形要素识别方法、装置、系统以及计算机存储介质
CN111667475B (zh) 一种基于机器视觉的大枣分级检测方法
CN115311629B (zh) 一种折弯机的异常折弯精度监测系统
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN113870202A (zh) 一种基于深度学习技术的远端芯片缺陷检测系统
CN115861290A (zh) 一种肤感木门表面缺陷检测方法
CN116703911A (zh) 一种led灯生产质量检测系统
CN1106572C (zh) 铸坯断面质量的自动评价方法
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
CN117689655B (zh) 基于计算机视觉的金属钮扣表面缺陷检测方法

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