CN115731222A - 钢坯表面检测方法、装置、设备及计算机可读存储介质 - Google Patents
钢坯表面检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115731222A CN115731222A CN202211527205.6A CN202211527205A CN115731222A CN 115731222 A CN115731222 A CN 115731222A CN 202211527205 A CN202211527205 A CN 202211527205A CN 115731222 A CN115731222 A CN 115731222A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- billet
- marking
- edge line
- 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
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及一种钢坯表面检测方法、装置、设备及计算机可读存储介质,其方法包括:获取2D光学设备采集的钢坯表面的特征图像,所述2D光学设备包括相机;对所述特征图像进行识别,判断所述特征图像中是否包含缺陷特征;若所述特征图像中包含缺陷特征,则获取所述缺陷特征对应的缺陷类型、缺陷区域以及所述缺陷类型对应的参数阈值;获取3D光学设备采集的关于所述缺陷区域对应的3D信息,所述3D信息包括钢坯的轮廓图,所述轮廓图包括3D点云数据,所述3D点云数据包括钢坯表面的测量参数,所述3D光学设备包括轮廓检测仪;判断所述测量参数是否大于所述参数阈值;若所述测量参数大于所述参数阈值,则判定钢坯存在缺陷。本申请具有降低误检率的效果。
Description
技术领域
本申请涉及表面检测的技术领域,尤其是涉及一种钢坯表面检测方法、装置、设备及计算机可读存储介质。
背景技术
裂纹、翻皮、结疤、夹杂、气孔、凸块、凹坑、划痕和擦伤是钢坯表面的主要缺陷,如果不进行处理流转到后道工序,可能影响产品的使用性能。
目前,对钢坯表面缺陷检测一般采用磁粉探伤法,即对钢坯表面充磁后喷淋含有荧光剂的磁粉液,有缺陷的位置会发生磁粉聚集,通过紫外线照射,采用相机对磁化荧光图像进行采集和显示,在特定暗室里人工目视观察图像中聚集磁粉的荧光来检测钢坯表面缺陷并用记号笔标记。
但是,由于钢坯表面粗糙,并存在挫伤、轮廓线,且钢坯下部存在磁粉液集流,影响成像,使得工作人员对图像识别困难,出现缺陷的漏检的情况,从而使得误检率较高。
发明内容
为了降低误检率,本申请提供一种钢坯表面检测方法、装置、设备及计算机可读存储介质。
第一方面,本申请提供一种钢坯表面检测方法,采用如下的技术方案:
一种钢坯表面检测方法,包括:
获取2D光学设备采集的钢坯表面的特征图像,所述2D光学设备包括相机;
对所述特征图像进行识别,判断所述特征图像中是否包含缺陷特征;
若所述特征图像中包含缺陷特征,则获取所述缺陷特征对应的缺陷类型、缺陷区域以及所述缺陷类型对应的参数阈值;
获取3D光学设备采集的关于所述缺陷区域对应的3D信息,所述3D信息包括钢坯的轮廓图,所述轮廓图包括3D点云数据,所述3D点云数据包括钢坯表面的测量参数,所述3D光学设备包括轮廓检测仪;
判断所述测量参数是否大于所述参数阈值;
若所述测量参数大于所述参数阈值,则判定钢坯存在缺陷。
通过采用上述技术方案,通过钢坯的特征图像自动识别钢坯中是否存在缺陷特征,并且可以通过测量参数与参数阈值之间关系,过滤掉能够正常使用的钢坯,减小钢坯浪费的可能性,相比于人工观察图像对缺陷进行识别的方式来说,提高了对缺陷识别的准确性,并且对钢坯缺陷的识别更加便捷,节省了大量人力。
可选的,所述获取3D光学设备采集的关于所述缺陷区域对应的3D信息,包括:
对所述特征图像中包含缺陷特征的区域进行标记,得到第一标记区域;
计算所述第一标记区域到达所述3D光学设备的位置的运行时间;
基于所述运行时间计算所述第一标记区域到达所述3D光学设备的位置的提取时刻段;
提取所述3D光学设备在所述提取时刻段对应的3D点云数据。
通过采用上述技术方案,通过运行时间可快速确定第一标记区域到达3D光学设备的时间,从而通过取时刻段快速选取第一标记区域对应3D点云数据,进而提高判断钢坯存是否存在缺陷的工作效率。
可选的,所述基于所述运行时间计算所述第一标记区域到达所述3D光学设备的位置的提取时刻段,包括:
对所述特征图像靠近3D光学设备一侧的边缘位置进行标记,得到第一标记边缘线;
获取所述第一标记区域与钢坯传送方向相垂直的两个边缘线,将靠近第一标记边缘线一侧的边缘线标记为第二标记边缘线,将另一条边缘线为第三标记边缘线;
计算所述第一标记边缘线与所述第二标记边缘线在所述特征图像中的第一距离信息;
计算所述第一标记边缘线与所述第三标记边缘线在所述特征图像中的第二距离信息;
基于所述第一距离信息确定所述第一标记边缘线和所述第二标记边缘线之间的第一实际长度;
获取所述第一标记边缘线与3D光学设备之间的预设间距以及钢坯的运行速度;
基于所述预设间距、所述运行速度与所述第一实际长度计算第一提取时刻;
基于所述第二距离信息确定所述第一标记边缘线和所述第三标记边缘线之间的第二实际长度;
基于所述预设间距、所述运行速度与所述第二实际长度计算第二提取时刻;
将所述第一提取时刻和第二提取时刻及所述第一提取时刻和第二提取时刻之间的所有时刻作为所述提取时刻段。
可选的,在所述提取所述3D光学设备在所述提取段对应的3D点云数据之后,还包括:
对所述提取时刻段对应的所有3D点云数据进行标记,得到标记数据;
获取与所述提取时刻段对应的时间范围内的所有3D点云数据,得到对比数据;
将所述对比数据与所述标记作差,得到数据差值;
判断所述数据差值中是否存在不符合标准区间的数据差值;
若是,则提取所述数据差值对应的3D点云数据;
将所述标记数据更新为所述数据差值对应的3D点云数据。
通过采用上述技术方案,通过对比数据判断标记数据是否准确,当标记数据不准确时,及时对标记数据进行更正,从而提高判断钢坯是否存在缺陷的准确性。
可选的,获取3D光学设备采集的关于所述缺陷区域对应的3D信息,包括:
获取2D光学设备采集的钢坯的整体图像和3D光学设备采集的钢坯的整体轮廓图;
对所述整体图像、钢坯整体轮廓图进行处理,使得所述整体图像中的钢坯与所述整体轮廓图中的钢坯大小相同;
在所述整体图中对所述缺陷区域进行标记,得到第二标记区域;
在所述整体轮廓图选取与所述第二标记区域对应的第三标记区域;
提取所述第三标记区域内的所有3D点云数据。
可选的,在所述获取2D光学设备采集的钢坯的整体图像和3D光学设备采集的钢坯的整体轮廓图之后,还包括:
对所述整体图像按照等间距进行划分,得到多个图像段;
对多个所述图像段进行编号,得到多个第一编号;
对所述整体轮廓按照所述等间距进行划分,得到多个轮廓图像段;
对多个所述轮廓图像段进行编号,得到多个第二编号;
其中,所述第一编号和所述第二编号一一对应。
可选的,所述在所述整体轮廓图选取与所述第二标记区域对应的第三标记区域,包括:
获取所述第二标记区域对应的图像段的第一编号;
在多个所述第二编号中选取与所述第一编号相对应的第二编号;
获取选取的第二编号对应的轮廓图像段,将获取的轮廓图像段作为提取轮廓图像段;
在所述第二标记区域对应的图像段中建立第一直角坐标系;
在所述提取轮廓图像段中建立第二直角坐标系;
获取所述第一直角坐标系中所述第二标记区域对应的所有坐标点;
在所述第二直角坐标系提取所有所述坐标点对应的3D云点数据
通过采用上述技术方案,通过第一编号和第二编号能够快速确定第二标记区域所述的轮廓图图段,通过建立第一直角坐标系和第二直角坐标系,能够准确的获取第一标记区域对应的3D点云数据。
第二方面,本申请提供一种钢坯表面检测装置,采用如下的技术方案:
一种钢坯表面检测装置,其特征在于,包括:
第一获取模块,用于获取2D光学设备采集的钢坯表面的特征图像,所述2D光学设备包括相机;
第一判断模块,用于对所述特征图像进行识别,判断所述特征图像中是否包含缺陷特征;若所述特征图像中包含缺陷特征,则获取所述缺陷特征对应的缺陷类型、缺陷区域以及所述缺陷类型对应的参数阈值;
第二获取模块,用于获取3D光学设备采集的关于所述缺陷区域对应的3D信息,所述3D信息包括钢坯的轮廓图,所述轮廓图包括3D点云数据,所述3D点云数据包括钢坯表面的测量参数,所述3D光学设备包括轮廓检测仪;
第二判断模块,用于判断所述测量参数是否大于所述参数阈值;若所述测量参数大于所述参数阈值,则判定钢坯存在缺陷。
通过采用上述技术方案,通过钢坯的特征图像自动识别钢坯中是否存在缺陷特征,并且可以通过测量参数与参数阈值之间关系,过滤掉能够正常使用的钢坯,减小钢坯浪费的可能性,相比于人工观察图像对缺陷进行识别的方式来说,提高了对缺陷识别的准确性,并且对钢坯缺陷的识别更加便捷,节省了大量人力。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,包括处理器和存储器,所述处理器与所述存储器耦合;
所述处理器用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如第一方面任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
附图说明
图1是本申请实施例中体现2D光学设备、3D光学设备与钢坯的位置关系的结构示意图。
图2是本申请实施例中体现2D光学设备的分布示意图。
图3是本申请实施例中体现一种钢坯表面检测方法的流程示意图。
图4是本申请实施例中体现将特征图像进行拼接的结构示意图。
图5是本申请实施例中体现第一标记边缘线、第二标记边缘线和第三标记边缘线的结构示意图。
图6是本申请实施例中体现整体图像和整体轮廓图的结构示意图。
图7是本申请实施例中体现一种钢坯表面检测装置200的结构框图。
图8是本申请实施例中体现一种电子设备300的结构框图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供一种钢坯表面检测方法,该钢坯表面检测方法可由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、台式计算机等,但并不局限于此。
下面首先针对2D光学设备和3D光学设备进行说明:
2D光学设备主要用于采集钢坯表面的图像信息,通过合适的相机、镜头以及光源搭配选择,完成对钢坯表面的图像信息采集,在本实施例中涉及到的相机可以采用面诊相机,其中2D光学设备还包括测速仪,测速仪主要用于测量钢坯的运行速度。
3D光学设备主要用于采集钢坯四个侧面及端面的轮廓数据,以便于测量钢坯的宽度、倒角、侧凹、振痕以及修磨质量,其3D光学设备主要包括轮廓仪。
如图1所示,图1为钢坯与2D光学设备以及3D光学设备的位置关系,箭头方向为钢坯的输送方向,2D光学设备位于远离输送方向的一侧,3D光学设备位于靠近输送方向的一侧,当钢坯进行输送时,先经过2D光学设备,再经过3D光学设备。
其中,2D光学设备设置有四个,3D光学设备设置有四个,在本实施例中,以2D光学设备与钢坯的位置关系进行说明。
如图2所示,图2为钢坯的端面,四个2D光学设备分别能够拍摄钢坯的四个侧面。
特别说明的是,四个3D光学设备与钢坯的位置关系和四个2D光学设备与钢坯的位置关系。
在本实施例中,钢坯通过输送辊进行输送,所以位于钢坯底面的摄像头设置在两个输送辊的缝隙处。
如图3所示,一种钢坯表面检测方法,其方法的主要流程描述如下(步骤S101~S106):
步骤S101,获取2D光学设备采集的钢坯表面的特征图像,2D光学设备包括相机;
在本实施例中,电子设备获取2D光学设备采集的特征图像,特征图像包括对钢坯表面拍摄的照片,其中,可以根据钢坯的运行速度可以设置2D光学设备的拍摄频率,使得相邻两张特征图像不包含同一钢坯的同一位置。
特别说明的是,特征图像包括四个侧面的特征图像,在本实施例以其中一侧面的特征图像进行说明。
如图4所示,图4为其中一个2D光学设备拍摄同一个钢坯在运行过程中的4张钢坯的特征图像,这四张特征图像组成了钢坯其中一个侧面的整体图。
步骤S102,对特征图像进行识别,判断特征图像中是否包含缺陷特征;若是,则进入步骤S103;
步骤S103,获取缺陷特征对应的缺陷类型、缺陷区域以及缺陷类型对应的参数阈值;
在本实施例中,电子获取特征图像时,将特征图像输入至图像识别模型中进行识别,从而得出特征图像中是否包括缺陷特征,以及缺陷特征对应的缺陷类型。其中,图像识别模型是用于进行图像识别的深度神经网络,该深度神经网络可以是卷积神经网络,但不局限于此。
需要说明的是,当识别特征图像中包含缺陷特征时,某些钢坯在使用中不会影响产品的使用性能,即每种缺陷都会对应一个参数阈值,到缺陷特征对应的测量参数未超过参数阈值时,能够正常使用,在本实施例中,在电子设备中预存有每种缺陷类型对应的参数阈值。
步骤S104,获取3D光学设备采集的关于缺陷区域对应的3D信息,3D信息包括钢坯的轮廓图,轮廓图包括3D点云数据,3D点云数据包括钢坯表面的测量参数,3D光学设备包括轮廓检测仪;
其中,2D光学设备和3D光学设备实时将采集的特征图像和3D信息上传至电子设备。
其中,2D光学设备和3D光学设备配合使用,从而完成对钢坯中缺陷的识别以及判定。
具体的,2D光学设备和3D光学设备配合使用包括两种情况:
第一种情况:电子设备实时对获取的特征图像进行识别,当识别2D光学设备拍摄的特征图像中包含缺陷特征时,再控制3D光学设备采集钢坯的3D信息;或者2D光学设备和3D光学设备同时启动,实时对钢坯表面缺陷进行识别和判断。
需要说明的是,2D光学设备和3D光学设备之间的距离足够电子设备对特征图像进行识别的时间的要求。
第二种情况:2D光学设备和3D光学设备同时启动,当钢坯完全通过2D光学设备和3D光学设备之后,再识别钢坯中是否包含特征缺陷。
下面分别上述两种情况进行具体说明。
(一)第一种情况
电子设备实时对获取的特征图像进行识别,当识别2D光学设备拍摄的特征图像中包含缺陷特征时,再控制3D光学设备采集钢坯的3D信息;或者2D光学设备和3D光学设备同时启动,实时对钢坯表面缺陷进行识别和判断。
具体的包括以下步骤(步骤S1041a~步骤S1044a):
步骤S1041a,对特征图像中缺陷特征的区域进行标记,得到第一标记区域;
在本实施例中,当电子设备将特征图像输入至图像识别模型中,得到的对特征图像的识别结果;当识别结果为包含缺陷特征时,将缺陷特征对应的轮廓线进行标记,标记的轮廓线中的区域为第一标记区域。
步骤S1042a,计算第一标记区域到达3D光学设备的位置的运行时间;
步骤S1043a,基于运行时间计算第一标记区域到达3D光学设备的位置的提取时刻段;
步骤S1044a,提取3D光学设备在提取时刻段段对应的3D点云数据。
具体的,包括以下步骤:
步骤S10431a,对特征图像靠近3D光学设备一侧的边缘位置进行标记,得到第一标记边缘线;
步骤S10432a,获取第一标记区域与钢坯传送方向相垂直的两个边缘线,将靠近第一标记边缘线一侧的边缘线标记为第二标记边缘线,将另一条边缘线为第三标记边缘线;
步骤S10433a,计算第一标记边缘线与第二标记边缘线在特征图像中的第一距离信息;
步骤S10434a,计算第一标记边缘线与第三标记边缘线在特征图像中的第二距离信息;
步骤S10435a,基于第一距离信息确定第一标记边缘线和第二标记边缘线之间的第一实际长度;
步骤S10436a,获取第一标记边缘线与和3D光学设备之间的预设间距以及钢坯的运行速度;
步骤S10437a,基于预设间距、运行速度与第一实际长度计算第一提取时刻;
步骤S10438a,基于第二距离信息确定第一标记边缘线和第三标记边缘线之间的第二实际长度;
步骤S10439a,基于预设间距、运行速度与第二实际长度计算第二提取时刻;
步骤S10440a,将第一提取时刻和第二提取时刻及第一提取时刻和第二提取时刻之间的所有时刻作为提取时刻段。
如图5所示,图5为一张特征图像,箭头的方向为钢坯的传送方向。
在本实施例中,每个特征图像中的钢坯均对应于一个在实际场景中的长度数据,通过第二标记边缘线与第一标记边缘线之间的第一距离信息即可计算出第二标记边缘线与第一标记边缘线之间在实际场景中的长度数据,即第一实际长度。
例如,每张特征图像能够包含的钢坯的长度为5米,特征图像的长度为5cm,当二标记边缘线与第一标记边缘线之间的第一距离信息为2cm米时,第二标记边缘线与第二标记边缘线的第一实际长度为2m。
其中,第二实际长度与第一实际长度的计算方法一致,对此不再赘述。
在本实施例中,电子设备预设有第一标记边缘线到达3D光学设备的距离,例如第一标记边缘线到达3D光学设备的距离为5m,第二标记边缘线与第一标记边缘的第一实际长度为1m,钢坯的运行速度为1m/S,那么第一标记边缘线到达3D光学设备的运行时间为6s,2D光学设备采集的特征图像的时间为7:00:00,那么第二标记边缘线到达3D光学设备的第一提取时刻为7:00:06。
其中,第三标记边缘线到达3D光学设备的第二提取时刻与第一提取时刻的计算方法一致,对此不再赘述。
例如,第二提取时刻为7:00:10,那么提取时刻段为7:00:06~7:00:10。那么提取3D光学设备采集的的7:00:06~7:00:10的3D云点数据。
其中,通过图像识别模型还可以获取第一标记区域沿钢坯长度方向的缺陷特征的边缘线距钢坯的长度对应的边缘线的距离。
在获取7:00:06~7:00:10的3D云点数据之后还包括内容。
具体的,对提取时刻段对应的所有3D点云数据进行标记,得到标记数据;
获取与提取时刻段对应的时间范围内的所有3D点云数据,得到对比数据;将对比数据与标记作差,得到数据差值;判断数据差值中是否存在不符合标准区间的数据差值;若是,则提取数据差值对应的3D点云数据;将标记数据更新为数据差值对应的3D点云数据。
在本实施例中,以步骤S10440a中的提取时刻段为例进行说明,时间范围为5秒,那么获取7:00:01~7:00:06以及7:00:10~7:00:15时间段内的所有3D云点数据,7:00:01~7:00:06以及7:00:10~7:00:15即为提取时刻段对应的时间范围。
以划痕缺陷为例进行说明,例如7:00:01~7:00:06的3D云点数据均为10,7:00:10~7:00:15的3D云点数据均为10,7:00:06~7:00:10的3D云点数据均为15,判定标记数据正常。当7:00:01~7:00:06的3D云点数据包括10、15,7:00:10~7:00:15的3D云点数据均为10,7:00:06~7:00:10的3D云点数据包括15和10,判定标记数据不正常,那么将7:00:06~7:00:10区间中的所有的10更新为15。
(二)第二种情况
具体的,包括以下步骤(步骤S1041b~步骤S1044b):
步骤S1041b,获取2D光学设备采集的钢坯的整体图像和3D光学设备采集的钢坯的整体轮廓图;
在本实施例中,当钢坯完全通过2D光学设备和3D光学设备时,获取钢坯的整体图像和整体轮廓图,其中,整体图像可以采用多张特征图像拼接而成。
步骤S1042b,对整体图像、钢坯整体轮廓图进行处理,使得整体图像中的钢坯与整体轮廓图中的钢坯大小相同;
在本实施例中,当电子设备获取整体图像时对整体图像进行裁剪,只保留包含钢坯的图像,在此对处理后的整体图像称之为处理图像,并对处理图像或整体轮廓图进行放大或缩小处理,使得处理图像中的钢坯与整体轮廓图的钢坯大小相同。
其中,在得到处理好的处理图像和整体轮廓图之后还包括以下内容:
具体的,对整体图像按照等间距进行划分,得到多个图像段;对多个图像段进行编号,得到多个第一编号;对整体轮廓图按照等间距进行划分,得到多个轮廓图像段;对多个轮廓图像段进行编号,得到多个第二编号;其中,第一编号和第二编号一一对应。
如图6所示,其中A图为处理图像,B图为整体轮廓图,图像段的第一编号分别为a、b、c和d,轮廓图像段的第二编号分别为1、2/3和4,其中a对应于1,b对应2,c对应于3,d对应于4。
步骤S1043b,在整体图中对缺陷区域进行标记,得到第二标记区域;
步骤S1044b,在整体轮廓图选取与第二标记区域对应的第三标记区域;
具体的,包括以下步骤(步骤S10411b~步骤S1044b):
步骤S10411b,获取第二标记区域对应的图像段的第一编号;
步骤S10412b,在多个第二编号中选取与第一编号相对应的第二编号;
步骤S10413b,获取选取的第二编号对应的轮廓图像段,将获取的轮廓图像段作为提取轮廓图像段;
在本实施例中,以图6为例进行说明,当图像段c中包含第二标记区域时,获取B图中轮廓图像段3,图像段3即为提取轮廓图像段;
步骤S10414b,在第二标记区域对应的图像段中建立第一直角坐标系;
步骤S10415b,在提取轮廓图像段中建立第二直角坐标系;
步骤S10416b,获取第一直角坐标系中第二标记区域对应的所有坐标点;
步骤S10417,b在第二直角坐标系提取所有坐标点对应的3D云点数据。
步骤S1045b,提取第三标记区域内的所有3D点云数据。
在本实施例中,分别以钢坯的同一点为原点建立平面直角坐标系,图像段对应的直角坐标系称之为第一直角坐标系,轮廓图像段对应的直角坐标系称之为第二直角坐标系。
在本实施例中,获取第一直角坐标系中第二标记区域对应的轮廓线的所有坐标点。
在第二直角坐标系选取所有与第二标记区域对应的轮廓线的坐标点,获取轮廓线内所有的坐标点,提取获取的坐标点对应的全部3D点云数据。
步骤S105;判断测量参数是否大于参数阈值;若是,则进入步骤S106;
步骤S106,判定钢坯存在缺陷。
在本实施例中,通过比较3D点云数据中的测量参数与参数阈值之间的关系,即可判断出钢坯是否能够正常使用,当钢坯不能正常使用时,即为存在缺陷的钢坯。
图7为本申请提供的一种钢坯表面检测装置200的结构框图。如图7所示,该钢坯表面检测装置200主要包括:
第一获取模块201,用于获取2D光学设备采集的钢坯表面的特征图像,2D光学设备包括相机;
第一判断模块202,用于对特征图像进行识别,判断特征图像中是否包含缺陷特征;若特征图像中包含缺陷特征,则获取缺陷特征对应的缺陷类型、缺陷区域以及缺陷类型对应的参数阈值;
第二获取模块203,用于获取3D光学设备采集的关于缺陷区域对应的3D信息,3D信息包括钢坯的轮廓图,轮廓图包括3D点云数据,3D点云数据包括钢坯表面的测量参数,3D光学设备包括轮廓检测仪;
第二判断模块204,用于判断测量参数是否大于参数阈值;若测量参数大于参数阈值,则判定钢坯存在缺陷。
作为本实施例的一种可选实施方式,第二获取模块203,包括:
标记子模块,用于对特征图像中缺陷特征的区域进行标记,得到第一标记区域;
第一计算子模块,用于计算第一标记区域到达3D光学设备的位置的运行时间;
第二计算子模块,用于基于运行时间计算第一标记区域到达3D光学设备的位置的提取时刻段;
提取子模块,用于提取3D光学设备在提取时刻段对应的3D点云数据。
在本可选实施方式,第二计算子模块包括:
第一标记单元,用于对特征图像靠近3D光学设备一侧的边缘位置进行标记,得到第一标记边缘线;
第一获取单元,用于获取第一标记区域与钢坯传送方向相垂直的两个边缘线,将靠近第一标记边缘线一侧的边缘线标记为第二标记边缘线,将另一条边缘线为第三标记边缘线;
第一计算单元,用于计算第一标记边缘线与第二标记边缘线在特征图像中的第一距离信息;
第二计算单元,用于计算第一标记边缘线与第三标记边缘线在特征图像中的第二距离信息;
第一确定单元,用于基于第一距离信息确定第一标记边缘线和第二标记边缘线之间的第一实际长度;
第二获取单元,用于获取第一标记边缘线与3D光学设备之间的预设间距以及钢坯的运行速度;
第三计算单元,用于基于预设间距、运行速度与第一实际长度计算第一提取时刻;吧
第二确定单元,用于基于第二距离信息确定第一标记边缘线和第三标记边缘线之间的第二实际长度;
第四计算单元,用于基于预设间距、运行速度与第二实际长度计算第二提取时刻;
作为单元,用于将第一提取时刻和第二提取时刻及第一提取时刻和第二提取时刻之间的所有时刻作为提取时刻段
作为本实施例的一种可选实施方式,该钢坯表面检测装置200还包括:
数据标记模块,用于在提取3D光学设备在提取段对应的3D点云数据之后,对提取时刻段对应的所有3D点云数据进行标记,得到标记数据;
数据获取模块,用于获取与提取时刻段对应的时间范围内的所有3D点云数据,得到对比数据;
作差模块,用于将对比数据与标记作差,得到数据差值;
差值判断模块,用于判断数据差值中是否存在不符合标准区间的数据差值;若是,则提取数据差值对应的3D点云数据;
更新模块,用于将标记数据更新为数据差值对应的3D点云数据。
作为本实施例的一种可选实施方式,第二获取模块203,还包括:
图像获取子模块,用于获取2D光学设备采集的钢坯的整体图像和3D光学设备采集的钢坯的整体轮廓图;
处理子模块,用于对整体图像、钢坯整体轮廓图进行处理,使得整体图像中的钢坯与整体轮廓图中的钢坯大小相同;
第一区域标记子模块,用于在整体图中对缺陷区域进行标记,得到第二标记区域;
第二区域标记子模块,用于在整体轮廓图选取与第二标记区域对应的第三标记区域;
数据提取子模块,用于提取第三标记区域内的所有3D点云数据。
作为本实施例的一种可选实施方式,该钢坯表面检测装置200还包括:
第一划分模块,用于在获取2D光学设备采集的钢坯的整体图像和3D光学设备采集的钢坯的整体轮廓图之后,对整体图像按照等间距进行划分,得到多个图像段;
第一编号模块,用于对多个图像段进行编号,得到多个第一编号;
第二划分模块,用于对整体轮廓按照等间距进行划分,得到多个轮廓图像段;
第二编号模块,用于对多个轮廓图像段进行编号,得到多个第二编号;其中,第一编号和第二编号一一对应。
作为本实施例的一种可选实施方式,第二区域标记子模块具体用于获取第二标记区域对应的图像段的第一编号;在多个第二编号中选取与第一编号相对应的第二编号;获取选取的第二编号对应的轮廓图像段,将获取的轮廓图像段作为提取轮廓图像段;在第二标记区域对应的图像段中建立第一直角坐标系;在提取轮廓图像段中建立第二直角坐标系;获取第一直角坐标系中第二标记区域对应的所有坐标点;在第二直角坐标系提取所有坐标点对应的3D云点数据
本申请实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例的钢坯表面检测方法的全部或部分步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图8为本申请实施例提供的一种电子设备300的结构框图。如图8所示,电子设备300包括存储器301、处理器302和通信总线303;存储器301、处理器302通过通信总线303相连。存储器301上存储有能够被处理器302加载并执行如上述实施例提供的钢坯表面检测方法。
存储器301可用于存储指令、程序、代码、代码集或指令集。存储器301可以包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令以及用于实现上述实施例提供的钢坯表面检测方法的指令等;存储数据区可存储上述实施例提供的钢坯表面检测方法中涉及到的数据等。
处理器302可以包括一个或者多个处理核心。处理器302通过运行或执行存储在存储器301内的指令、程序、代码集或指令集,调用存储在存储器301内的数据,执行本申请的各种功能和处理数据。处理器302可以为特定用途集成电路(Application SpecificIntegrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(ProgrammableLogic Device,PLD)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器和微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器302功能的电子器件还可以为其它,本申请实施例不作具体限定。
通信总线303可包括一通路,在上述组件之间传送信息。通信总线303可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA (ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。通信总线303可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双箭头表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例提供一种计算机可读存储介质,存储有能够被处理器加载并执行如上述实施例提供的钢坯表面检测方法的计算机程序。
本实施例中,计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。具体的,计算机可读存储介质可以是便携式计算机盘、硬盘、U盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、讲台随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、光盘、磁碟、机械编码设备以及上述任意组合。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的申请范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种钢坯表面检测方法,其特征在于,包括:
获取2D光学设备采集的钢坯表面的特征图像,所述2D光学设备包括相机;
对所述特征图像进行识别,判断所述特征图像中是否包含缺陷特征;
若所述特征图像中包含缺陷特征,则获取所述缺陷特征对应的缺陷类型、缺陷区域以及所述缺陷类型对应的参数阈值;
获取3D光学设备采集的关于所述缺陷区域对应的3D信息,所述3D信息包括钢坯的轮廓图,所述轮廓图包括3D点云数据,所述3D点云数据包括钢坯表面的测量参数,所述3D光学设备包括轮廓检测仪;
判断所述测量参数是否大于所述参数阈值;
若所述测量参数大于所述参数阈值,则判定钢坯存在缺陷。
2.根据权利要求1所述的方法,其特征在于,所述获取3D光学设备采集的关于所述缺陷区域对应的3D信息,包括:
对所述特征图像中包含缺陷特征的区域进行标记,得到第一标记区域;
计算所述第一标记区域到达所述3D光学设备的位置的运行时间;
基于所述运行时间计算所述第一标记区域到达所述3D光学设备的位置的提取时刻段;
提取所述3D光学设备在所述提取时刻段对应的3D点云数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述运行时间计算所述第一标记区域到达所述3D光学设备的位置的提取时刻段,包括:
对所述特征图像靠近3D光学设备一侧的边缘位置进行标记,得到第一标记边缘线;
获取所述第一标记区域与钢坯传送方向相垂直的两个边缘线,将靠近第一标记边缘线一侧的边缘线标记为第二标记边缘线,将另一条边缘线为第三标记边缘线;
计算所述第一标记边缘线与所述第二标记边缘线在所述特征图像中的第一距离信息;
计算所述第一标记边缘线与所述第三标记边缘线在所述特征图像中的第二距离信息;
基于所述第一距离信息确定所述第一标记边缘线和所述第二标记边缘线之间的第一实际长度;
获取所述第一标记边缘线与3D光学设备之间的预设间距以及钢坯的运行速度;
基于所述预设间距、所述运行速度与所述第一实际长度计算第一提取时刻;
基于所述第二距离信息确定所述第一标记边缘线和所述第三标记边缘线之间的第二实际长度;
基于所述预设间距、所述运行速度与所述第二实际长度计算第二提取时刻;
将所述第一提取时刻和第二提取时刻及所述第一提取时刻和第二提取时刻之间的所有时刻作为所述提取时刻段。
4.根据权利要求1所述的方法,其特征在于,在所述提取所述3D光学设备在所述提取段对应的3D点云数据之后,还包括:
对所述提取时刻段对应的所有3D点云数据进行标记,得到标记数据;
获取与所述提取时刻段对应的时间范围内的所有3D点云数据,得到对比数据;
将所述对比数据与所述标记作差,得到数据差值;
判断所述数据差值中是否存在不符合标准区间的数据差值;
若是,则提取所述数据差值对应的3D点云数据;
将所述标记数据更新为所述数据差值对应的3D点云数据。
5.根据权利要求1所述的方法,其特征在于,获取3D光学设备采集的关于所述缺陷区域对应的3D信息,包括:
获取2D光学设备采集的钢坯的整体图像和3D光学设备采集的钢坯的整体轮廓图;
对所述整体图像、钢坯整体轮廓图进行处理,使得所述整体图像中的钢坯与所述整体轮廓图中的钢坯大小相同;
在所述整体图中对所述缺陷区域进行标记,得到第二标记区域;
在所述整体轮廓图选取与所述第二标记区域对应的第三标记区域;
提取所述第三标记区域内的所有3D点云数据。
6.根据权利要求5所述的方法,其特征在于,在所述获取2D光学设备采集的钢坯的整体图像和3D光学设备采集的钢坯的整体轮廓图之后,还包括:
对所述整体图像按照等间距进行划分,得到多个图像段;
对多个所述图像段进行编号,得到多个第一编号;
对所述整体轮廓按照所述等间距进行划分,得到多个轮廓图像段;
对多个所述轮廓图像段进行编号,得到多个第二编号;
其中,所述第一编号和所述第二编号一一对应。
7.根据权利要求6所述的方法,其特征在于,所述在所述整体轮廓图选取与所述第二标记区域对应的第三标记区域,包括:
获取所述第二标记区域对应的图像段的第一编号;
在多个所述第二编号中选取与所述第一编号相对应的第二编号;
获取选取的第二编号对应的轮廓图像段,将获取的轮廓图像段作为提取轮廓图像段;
在所述第二标记区域对应的图像段中建立第一直角坐标系;
在所述提取轮廓图像段中建立第二直角坐标系;
获取所述第一直角坐标系中所述第二标记区域对应的所有坐标点;
在所述第二直角坐标系提取所有所述坐标点对应的3D云点数据。
8.一种钢坯表面检测装置,其特征在于,包括:
第一获取模块,用于获取2D光学设备采集的钢坯表面的特征图像,所述2D光学设备包括相机;
第一判断模块,用于对所述特征图像进行识别,判断所述特征图像中是否包含缺陷特征;若所述特征图像中包含缺陷特征,则获取所述缺陷特征对应的缺陷类型、缺陷区域以及所述缺陷类型对应的参数阈值;
第二获取模块,用于获取3D光学设备采集的关于所述缺陷区域对应的3D信息,所述3D信息包括钢坯的轮廓图,所述轮廓图包括3D点云数据,所述3D点云数据包括钢坯表面的测量参数,所述3D光学设备包括轮廓检测仪;
第二判断模块,用于判断所述测量参数是否大于所述参数阈值;若所述测量参数大于所述参数阈值,则判定钢坯存在缺陷。
9.一种电子设备,其特征在于,包括处理器和存储器,所述处理器与所述存储器耦合;
所述处理器用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,包括计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527205.6A CN115731222A (zh) | 2022-12-01 | 2022-12-01 | 钢坯表面检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527205.6A CN115731222A (zh) | 2022-12-01 | 2022-12-01 | 钢坯表面检测方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731222A true CN115731222A (zh) | 2023-03-03 |
Family
ID=85299662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211527205.6A Pending CN115731222A (zh) | 2022-12-01 | 2022-12-01 | 钢坯表面检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731222A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342539A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
CN116772742A (zh) * | 2023-08-23 | 2023-09-19 | 江苏永钢集团有限公司 | 一种连铸方坯振痕深度测量方法 |
CN116863175A (zh) * | 2023-08-31 | 2023-10-10 | 中江立江电子有限公司 | 一种直角连接器缺陷识别方法、装置、设备及介质 |
-
2022
- 2022-12-01 CN CN202211527205.6A patent/CN115731222A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342539A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
CN116342539B (zh) * | 2023-03-22 | 2023-12-12 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
CN116772742A (zh) * | 2023-08-23 | 2023-09-19 | 江苏永钢集团有限公司 | 一种连铸方坯振痕深度测量方法 |
CN116772742B (zh) * | 2023-08-23 | 2023-10-27 | 江苏永钢集团有限公司 | 一种连铸方坯振痕深度测量方法 |
CN116863175A (zh) * | 2023-08-31 | 2023-10-10 | 中江立江电子有限公司 | 一种直角连接器缺陷识别方法、装置、设备及介质 |
CN116863175B (zh) * | 2023-08-31 | 2023-12-26 | 中江立江电子有限公司 | 一种直角连接器缺陷识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115731222A (zh) | 钢坯表面检测方法、装置、设备及计算机可读存储介质 | |
CN110980197B (zh) | 物料检测方法、装置及电子设备 | |
EP3023913A1 (en) | Crack data collection method and crack data collection program | |
WO2017113805A1 (zh) | 列车车号和车型识别方法和系统及安全检查方法和系统 | |
EP3023912A1 (en) | Crack data collection apparatus and server apparatus to collect crack data | |
CN108257171A (zh) | 基于光视觉的汽车雷达装配孔径检测方法 | |
CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
CN112070751A (zh) | 木地板缺陷检测方法和装置 | |
CN111598827A (zh) | 外观瑕疵检测方法、电子装置及存储介质 | |
CN112365461A (zh) | 紧固件松动识别方法、系统、终端及存储介质 | |
CN112254635A (zh) | 体积测量方法、装置及系统 | |
CN113160161A (zh) | 目标边缘处缺陷的检测方法和装置 | |
WO2021000948A1 (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
CN115937203A (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
KR20210052461A (ko) | 화학적 딥 테스트의 디지털 평가 | |
CN114581415A (zh) | Pcb缺陷的检测方法、装置、计算机设备及存储介质 | |
CN113793322A (zh) | 一种对磁性材料自动检测的方法、电子设备和存储介质 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN117495791A (zh) | 一种表面缺陷定位方法 | |
JP6770811B2 (ja) | 結束鋼管検査装置及び結束鋼管検査方法 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN114187269B (zh) | 小零器件表面缺陷边缘快速检测方法 | |
CN116071692A (zh) | 一种基于形态学图像处理的水尺水位识别方法及系统 | |
CN115761257A (zh) | 基于计算机视觉技术的零部件角度检测方法及装置 | |
CN110634124A (zh) | 一种区域检测的方法及设备 |
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 |