CN116309517A - 一种漆包线的线材轧辊探伤方法及系统 - Google Patents
一种漆包线的线材轧辊探伤方法及系统 Download PDFInfo
- Publication number
- CN116309517A CN116309517A CN202310336853.1A CN202310336853A CN116309517A CN 116309517 A CN116309517 A CN 116309517A CN 202310336853 A CN202310336853 A CN 202310336853A CN 116309517 A CN116309517 A CN 116309517A
- Authority
- CN
- China
- Prior art keywords
- roller
- wire rod
- slv
- analysis result
- wire
- 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
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
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于智能制造、智能预警技术领域,提出了一种漆包线的线材轧辊探伤方法及系统,具体为:获取线材轧辊内部的截面图像后,对截面图像进行灰度化处理形成截面灰度图;再从截面灰度图计算获得裂纹级数,然后根据裂纹级数进行探伤分析获得分析结果,最后结合线材轧辊的分析结果发出警报。有效识别轧辊的内部材料均匀性无法完全保证一致导致的裂纹特征,有效降低线材轧辊出现形变甚至断裂带来的风险,保障生产车间的生产效率、成品率。另外对轧辊内部裂纹均衡性的量化对管理人员了解轧辊的工作状态或者工作强度都具有参考价值;同时通过所述量化结果能够提前预判轧辊工作的健康风险。
Description
技术领域
本发明属于智能制造、智能预警技术领域,具体涉及一种漆包线的线材轧辊探伤方法及系统。
背景技术
漆包线制造工艺流程中,线材的拉伸和张力控制对漆包线的生产有着关键性的意义,而本领域内惯用的线材牵引装置之一就是线材轧辊,然而线材轧辊在长期工作的过程中,由于轧辊的内部材料均匀性无法完全保证一致,导致产生的交变应力会造成金属内部的缺陷处形成许多微小的裂纹,在力的持续作用下,裂纹数量会增加,裂纹的尺寸也会变大,进而导致材料中能够传递应力部分越来越少,逐渐深化轧辊的金属疲劳或者疲劳破坏问题,该问题会导致线材轧辊出现形变甚至断裂的风险提高,使得生产车间的生产效率、成品率都受到严重的影响,甚至对生产线的生产安全形成不可预测的隐患。然而现有技术并无法直接识别或者预测这种线材轧辊出现这种金属疲劳或者疲劳破坏的问题。
发明内容
本发明的目的在于提出一种漆包线的线材轧辊探伤方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,根据本发明的一方面,提供一种漆包线的线材轧辊探伤方法,所述方法包括以下步骤:
S100,获取线材轧辊内部的截面图像;
S200,对截面图像进行灰度化处理形成截面灰度图;
S300,从截面灰度图计算获得裂纹级数;
S400,根据裂纹级数进行探伤分析获得分析结果;
S500,结合线材轧辊的分析结果发出警报。
进一步地,在步骤S100中,所述获取线材轧辊内部的截面图像的方法是:以通过蔡司工业CT测量机、X射线断层扫描系统、微焦点工业CT中任意一种设备获取的电子计算机断层扫描图像作为线材轧辊内部的截面图像。
进一步地,在步骤S300中,从截面灰度图计算获得裂纹级数的方法是:
对截面灰度图进行边缘检测并获得轧辊的外边界,以所述外边界的外接圆作为轧辊圆,轧辊圆的圆心作为轧辊中点;
通过边缘检测算法将截面灰度图分割成若干个子区域作为界线区域,对截面灰度图进行角点检测,以所得的角点作为纹角点;将各个界线区域内纹角点数量的平均值记作n_CDt,以一个像素的灰度值和与其距离最近的n_CDt个纹角点灰度值的平均值之比作为该像素的元裂纹级数un_SLv;
以经轧辊中点作任意角度的直线作为第一参考线,经轧辊中点作水平线将轧辊圆划分为上半圆和下半圆,上半圆和下半圆分别在水平线的上方和下方;分别以上半圆和下半圆的区域作为上区间和下区间,将第一参考线相交于上区间和下区间的线段分别记作上线段和下线段,把上线段和下线段所经过的各个像素的元裂纹级数的平均值分别记作Uun_SLv和Dun_SLv,计算该第一参考线的裂纹级数M_SLv为:M_SLv=(Uun_SLv-Dun_SLv)2。
由于在裂纹级数的计算过程中,对角点以外的各个像素的灰度值关注不足,会导致出现计算结果失真的问题,且现有技术并无法解决出现于此处的问题,为了使更多像素的灰度值参与计算以解决该问题,缓解裂纹级数失真现象,所以本发明提出了一个更优选的方案如下:
优选地,在步骤S300中,从截面灰度图计算获得裂纹级数的方法还可以是:
对截面灰度图进行边缘检测并获得轧辊的外边界,以所述外边界的外接圆作为轧辊圆,轧辊圆的圆心作为轧辊中点;
对截面灰度图进行二值化运算获得截面二值图,将截面二值图中灰度值为0的像素在截面灰度图中标记为深灰像素;
通过边缘检测算法将截面灰度图分割成若干个子区域,如果子区域中深灰像素的数量超过该子区域像素数量的一半,则定义该子区域为一个深灰域;
以深灰域中各个深灰像素的中心点作为深灰域的域中点,以同一深灰域中距离域中点最远的深灰像素与域中点的与距离记作dis_edge,以域中点为圆心,dis_edge为半径作一个圆,以所述圆中包含的各个像素构成的区域作为该深灰域的纹域,(所述深灰像素的中心点即横坐标为截面灰度图中各个深灰像素的横坐标的平均值,纵坐标为截面灰度图中各个深灰像素的纵坐标的平均值所对应的点;)
以截面灰度图的深灰域各个深灰像素的灰度值中的最大值和最小值分别记作GreyA和GreyB;计算纹域内各个像素对该深灰域的第一裂纹级数:以i1作为纹域中像素的序号,记第i1个像素与域中点的距离为dis_i1,记第i1个像素的第一裂纹级数为F_SLv,F_SLv=GreyB+(GreyA-GreyB)(dis_i1/dis_edge);
各个纹域包含的像素均获得第一裂纹级数后,为各个像素计算第二裂纹级数S_Slv,其中i2为累加变量,n_SLV为该像素被包含于不同纹域的数量(由于纹域的形成是有可能重复发生在同一个像素中的,所以一个像素可能会被包含在若干个纹域中),F_SLv(i2)代表该像素被包含于第i2个纹域时对应的第一裂纹级数;
以经轧辊中点作任意角度的直线作为第一参考线,经轧辊中点作水平线将轧辊圆划分为上半圆和下半圆,上半圆和下半圆分别在水平线的上方和下方;分别以上半圆和下半圆的区域作为上区间和下区间,将第一参考线相交于上区间和下区间的线段分别记作上线段和下线段,把上线段和下线段所经过的各个像素的第二裂纹级数的平均值分别记作U_SLv和D_SLv,则该第一参考线的裂纹级数为M_SLv=(U_SLv-D_SLv)2;
有益效果:由于裂纹级数是结合灰度图中灰度值较高的区域的各个像素的灰度值计算得到,所以能够准确的量化出线材轧辊在轴心两端比例均衡性,同时缓解到识别区域偏僻的位置不够灵敏的问题,因此能够提高对线材轧辊内部单相均衡性的量化精准度。
进一步地,在步骤S400中,根据裂纹级数进行探伤分析获得分析结果的方法是:
以轧辊中点为原点建立平面直角坐标系,以水平方向为x轴,垂直方向为y轴;以x轴绕绕原点逆时针旋转到第一参考线位置的最小正角为第一参考角,将第一参考角从0°开始到180°为止,每隔角度xag经轧辊中点作一条第一参考线,xag∈[0.1°,1°],获得的第一参考线数量为n_FRL,按形成第一参考线的顺序将各个第一参考线的裂纹级数构建成序列List_SLv;
如果List_SLv中的一个元素与其之前的某一个元素的差的绝对值小于该元素与其之后的某一个元素的差的绝对值,则定义该元素为亲前元素,否则为亲后元素;记亲前元素与亲后元素的数量的比例为P1;定义亲前像素与亲后像素互为逆追元素;
分别将一个元素向前和向后搜索到该元素的逆追元素的过程中搜索过的元素的数量记作d1和d2;则该元素的搜索广度比为:P2=min{d1,d2}/(d1+d2);以j2作为元素的序号,第j2个元素的贪婪广度为grdj2:grdj2=ln(P1+P2);其中min{}为最小值函数,ln()为自然常数e为底数的对数函数;
以各个元素的贪婪广度构成的序列作为探伤分析的分析结果。
由于在该探伤分析时数据源单一,容易引起对所获得的局部数据过于敏感的问题,进而使得对线材轧辊的均衡性评判引起偏颇的结论,但是现有技术也无法解决本发明中此处出现的特定问题,为了使更科学地解决该问题,消除敏感数值引起失真结论的现象。所以本发明还提出了一个更优选的方案如下:
优选地,在步骤S400中,根据裂纹级数进行探伤分析获得分析结果的方法还可以是:
以轧辊中点为原点建立平面直角坐标系,以水平方向为x轴,垂直方向为y轴;以x轴绕绕原点逆时针旋转到第一参考线位置的最小正角为第一参考角,将第一参考角从0°开始到180°为止,每隔xag经轧辊中点作一条第一参考线,xag∈[0.1°,1°],获得的第一参考线数量为n_FRL,按形成第一参考线的顺序将各个第一参考线的裂纹级数构建成序列List_SLv;
以计算裂纹水平base_SL:
其中i3为累加变量,M_SLvi3为第i3个第一参考线的裂纹级数;
如果List_SLv中连续若干个元素的数值均大于裂纹水平的元素或者均小于裂纹水平,则定义所述连续若干个元素构成的集合作为一个纹广度集合;
以i4作为List_SLv中元素的序号,从第i4个元素所属的纹广度集合向前搜索上一个纹广度集合并记作ST_L,记ST_L的各个元素中与第i4个元素差值最大的元素为Mst_L;向后搜索第i4个元素所属的纹广度集合的下一个纹广度集合记作ST_R,记ST_R的各个元素中与第i4个元素差值最大的元素为Mst_R;记Mst_R与Mst_L对应的元素的序号之差的绝对值为wd;
则第i4个元素的越级贪婪度AgrDi4为:
AgrD i4=ln(|List_SLv[i4]-max{Mst_L,Mst_R}|/(wd+1));
其中List_SLv[i4]代表List_SLv中第i4个元素,max{}为最大值函数;
以各个元素的越级贪婪度构成的序列作为探伤分析的分析结果。
有益效果:通过量化各个角度下线材轧辊的对称性,并且把对称性数据根据轧辊截面按顺序排列,有效地对轧辊界面中的裂痕进行对称性分析和集中性分析,量化的结果对轧辊的工作状态或者工作强度都具有参考价值;同时通过所述量化结果能够提前预判轧辊工作的健康风险,从而降低轧辊工作质量受损以及其带来的生产风险。
进一步地,在步骤S500中,结合线材轧辊的分析结果发出警报的方法是:每隔一个自然日获取一次分析结果;如果当次获得的分析结果中的最大值较上一次获得的分析结果中的最大值更大,并且当次获得的分析结果中的最小值较上一次获得的分析结果中的最小值更小,并且当次的分析结果中的最大值与最小值之差较前一次分析结果中的最大值与最小值之差更大,则认为线材轧辊存在变形风险,需要提醒管理员观察线材轧辊变形程度或者更换线材轧辊,将所述提醒的信息发送到管理员的客户端。
优选地,本发明中如果List_SLv中的第一个元素需要往前搜索,则自动跳到List_SLv的最后一个元素,以List_SLv的最后一个元素作为List_SLv中的第一个元素的前一个元素;同理本发明中如果List_SLv中的最后一个元素需要往后搜索,则自动跳到List_SLv的第一个元素,以List_SLv的第一个元素作为List_SLv中的最后一个元素的后一个元素。
优选地,其中,本发明中所有未定义的变量,若未有明确定义,均可为人工设置的阈值。
本发明还提供了一种漆包线的线材轧辊探伤系统,所述一种漆包线的线材轧辊探伤系统包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种漆包线的线材轧辊探伤方法中的步骤,所述一种漆包线的线材轧辊探伤系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中,可运行的系统可包括,但不仅限于,处理器、存储器、服务器集群,所述处理器执行所述计算机程序运行在以下系统的单元中:
图像采集单元,用于获取线材轧辊内部的截面图像;
灰度化单元,用于对截面图像进行灰度化处理形成截面灰度图;
裂纹级数计算单元,用于从截面灰度图计算获得裂纹级数;
探伤分析单元,用于根据裂纹级数进行探伤分析获得分析结果;
警报发生单元,用于结合线材轧辊的分析结果发出警报。
本发明的有益效果为:由于轧辊的内部材料均匀性无法完全保证一致,导致产生的交变应力会造成金属内部的缺陷处形成许多微小的裂纹,在力的持续作用下,裂纹数量会增加,裂纹的尺寸也会变大,进而导致材料中能够传递应力部分越来越少,逐渐深化轧辊的金属疲劳或者疲劳破坏问题,通过本发明能有效识别轧辊的内部材料均匀性无法完全保证一致导致的裂纹特征,有效降低线材轧辊出现形变甚至断裂带来的风险,保障生产车间的生产效率、成品率。另外对轧辊内部裂纹均衡性的量化对管理人员了解轧辊的工作状态或者工作强度都具有参考价值;同时通过所述量化结果能够提前预判轧辊工作的健康风险。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,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他的附图,在附图中:
图1所示为一种漆包线的线材轧辊探伤方法的流程图;
图2所示为一种漆包线的线材轧辊探伤系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种漆包线的线材轧辊探伤方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种漆包线的线材轧辊探伤方法,所述方法包括以下步骤:
S100,获取线材轧辊内部的截面图像;
S200,对截面图像进行灰度化处理形成截面灰度图;
S300,从截面灰度图计算获得裂纹级数;
S400,根据裂纹级数进行探伤分析获得分析结果;
S500,结合线材轧辊的分析结果发出警报。
进一步地,在步骤S100中,所述获取线材轧辊内部的截面图像的方法是:以通过蔡司工业CT测量机、X射线断层扫描系统、微焦点工业CT中任意一种设备获取的电子计算机断层扫描图像作为线材轧辊内部的截面图像。
进一步地,在步骤S300中,从截面灰度图计算获得裂纹级数的方法是:
对截面灰度图进行边缘检测并获得轧辊的外边界,以所述外边界的外接圆作为轧辊圆,轧辊圆的圆心作为轧辊中点;
通过边缘检测算法将截面灰度图分割成若干个子区域作为界线区域,对截面灰度图进行角点检测,以所得的角点作为纹角点;将各个界线区域内纹角点数量的平均值记作n_CDt,则一个像素以其灰度值和与其最近的n_CDt个纹角点灰度值的平均值的比值作为其元裂纹级数un_SLv;
以经轧辊中点作任意角度的直线作为第一参考线,经轧辊中点作水平线将轧辊圆划分为上半圆和下半圆,上半圆和下半圆分别在水平线的上方和下方;分别以上半圆和下半圆的区域作为上区间和下区间,将第一参考线相交于上区间和下区间的线段分别记作上线段和下线段,把上线段和下线段所经过的各个像素的元裂纹级数的平均值分别记作Uun_SLv和Dun_SLv,计算该第一参考线的裂纹级数M_SLv为:M_SLv=(Uun_SLv-Dun_SLv)2。
优选地,在步骤S300中,从截面灰度图计算获得裂纹级数的方法还可以是:
对截面灰度图进行边缘检测并获得轧辊的外边界,以所述外边界的外接圆作为轧辊圆,轧辊圆的圆心作为轧辊中点;
对截面灰度图进行二值化运算获得截面二值图,将截面二值图中灰度值为0的像素在截面灰度图中标记为深灰像素;
通过边缘检测算法将截面灰度图分割成若干个子区域,如果子区域中深灰像素的数量超过该子区域像素数量的一半,则定义该子区域为一个深灰域;
以深灰域中各个深灰像素的中心点作为深灰域的域中点,以同一深灰域中距离域中点最远的深灰像素与域中点的与距离记作dis_edge,以域中点为圆心,dis_edge为半径作一个圆,以所述圆中包含的各个像素构成的区域作为该深灰域的纹域,(所述深灰像素的中心点即横坐标为截面灰度图中各个深灰像素的横坐标的平均值,纵坐标为截面灰度图中各个深灰像素的纵坐标的平均值所对应的点)。
以截面灰度图的深灰域各个深灰像素的灰度值中的最大值和最小值分别记作GreyA和GreyB;计算纹域内各个像素对该深灰域的第一裂纹级数:以i1作为纹域中像素的序号,记第i1个像素与域中点的距离为dis_i1,记第i1个像素的第一裂纹级数为F_SLv,F_SLv=GreyB+(GreyA-GreyB)(dis_i1/dis_edge);
各个纹域包含的像素均获得第一裂纹级数后,为各个像素计算第二裂纹级数S_Slv,其中i2为累加变量,n_SLV为该像素被包含于不同纹域的数量,F_SLv(i2)代表该像素被包含于第i2个纹域时对应的第一裂纹级数;
以经轧辊中点作任意角度的直线作为第一参考线,经轧辊中点作水平线将轧辊圆划分为上半圆和下半圆,上半圆和下半圆分别在水平线的上方和下方;分别以上半圆和下半圆的区域作为上区间和下区间,将第一参考线相交于上区间和下区间的线段分别记作上线段和下线段,把上线段和下线段所经过的各个像素的第二裂纹级数的平均值分别记作U_SLv和D_SLv,则该第一参考线的裂纹级数为M_SLv=(U_SLv-D_SLv)2;
进一步地,在步骤S400中,根据裂纹级数进行探伤分析获得分析结果的方法是:
以轧辊中点为原点建立平面直角坐标系,以水平方向为x轴,垂直方向为y轴;以x轴绕绕原点逆时针旋转到第一参考线位置的最小正角为第一参考角,将第一参考角从0°开始到180°为止,每隔xag经轧辊中点作一条第一参考线,xag∈[0.1°,1°],获得的第一参考线数量为n_FRL,按形成第一参考线的顺序将各个第一参考线的裂纹级数构建成序列List_SLv;
如果List_SLv中的一个元素与其前一个元素的差的绝对值小于该元素与其后一个元素的差的绝对值,则定义该元素为亲前元素,否则为亲后元素;记亲前元素与亲后元素的数量的比例为P1;定义亲前像素与亲后像素互为逆追元素;
分别将一个元素向前和向后搜索到该元素的逆追元素的过程中搜索过的元素的数量记作d1和d2;则该元素的搜索广度比为:P2=min{d1,d2}/(d1+d2);第j2个元素的贪婪广度为grdj2:grdj2=ln(P1+P2);
以各个元素的贪婪广度构成的序列作为探伤分析的分析结果。
优选地,在步骤S400中,根据裂纹级数进行探伤分析获得分析结果的方法还可以是:
从水平方向开始,经轧辊中点每隔0.1°~1°作一条第一参考线,直到第一参考线再次与水平方向重合,获得的第一参考线数量为n_FRL,以各个第一参考线的裂纹级数按顺序构建成序列List_SLv;
以计算裂纹水平base_SL:
其中i3为累加变量,M_SLvi3为第i3个第一参考线的裂纹级数;
如果List_SLv中连续若干个元素的数值均大于裂纹水平的元素或者均小于裂纹水平,则定义所述连续若干个元素构成的集合作为一个纹广度集合;
以i4作为List_SLv中元素的序号,从第i4个元素所属的纹广度集合向前搜索上一个纹广度集合并记作ST_L,记ST_L的各个元素中与第i4个元素差值最大的元素为Mst_L;向后搜索第i4个元素所属的纹广度集合的下一个纹广度集合记作ST_R,记ST_R的各个元素中与第i4个元素差值最大的元素为Mst_R;记Mst_R与Mst_L对应的元素的序号之差的绝对值为wd;
则第i4个元素的越级贪婪度AgrDi4为:
AgrD i4=ln(|List_SLv[i4]-max{Mst_L,Mst_R}|/(wd+1));
其中List_SLv[i4]代表List_SLv中第i4个元素;以各个元素的越级贪婪度构成的序列作为探伤分析的分析结果。
进一步地,在步骤S500中,结合线材轧辊的分析结果发出警报的方法是:每隔一个自然日获取一次分析结果;如果当次获得的分析结果中的最大值较上一次获得的分析结果中的最大值更大,并且当次获得的分析结果中的最小值较上一次获得的分析结果中的最小值更小,并且当次的分析结果中的最大值与最小值之差较前一次分析结果中的最大值与最小值之差更大,则认为线材轧辊存在变形风险,需要提醒管理员观察线材轧辊变形程度或者更换线材轧辊,将所述提醒的信息发送到管理员的客户端。
本发明的实施例提供的一种漆包线的线材轧辊探伤系统,如图2所示为本发明的一种漆包线的线材轧辊探伤系统结构图,该实施例的一种漆包线的线材轧辊探伤系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种漆包线的线材轧辊探伤系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
图像采集单元,用于获取线材轧辊内部的截面图像;
灰度化单元,用于对截面图像进行灰度化处理形成截面灰度图;
裂纹级数计算单元,用于从截面灰度图计算获得裂纹级数;
探伤分析单元,用于根据裂纹级数进行探伤分析获得分析结果;
警报发生单元,用于结合线材轧辊的分析结果发出警报。
所述一种漆包线的线材轧辊探伤系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种漆包线的线材轧辊探伤系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种漆包线的线材轧辊探伤系统的示例,并不构成对一种漆包线的线材轧辊探伤系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种漆包线的线材轧辊探伤系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种漆包线的线材轧辊探伤系统运行系统的控制中心,利用各种接口和线路连接整个一种漆包线的线材轧辊探伤系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种漆包线的线材轧辊探伤系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (6)
1.一种漆包线的线材轧辊探伤方法,其特征在于,所述方法包括以下步骤:
S100,获取线材轧辊内部的截面图像;
S200,对截面图像进行灰度化处理形成截面灰度图;
S300,从截面灰度图计算获得裂纹级数;
S400,根据裂纹级数进行探伤分析获得分析结果;
S500,结合线材轧辊的分析结果发出警报。
2.根据权利要求1所述的一种漆包线的线材轧辊探伤方法,其特征在于,在步骤S100中,所述获取线材轧辊内部的截面图像的方法是:以通过蔡司工业CT测量机、X射线断层扫描系统、微焦点工业CT中任意一种设备获取的电子计算机断层扫描图像作为线材轧辊内部的截面图像。
3.据权利要求1所述的一种漆包线的线材轧辊探伤方法,其特征在于,在步骤S300中,从截面灰度图计算获得裂纹级数的方法是:
对截面灰度图进行边缘检测并获得轧辊的外边界,以所述外边界的外接圆作为轧辊圆,轧辊圆的圆心作为轧辊中点;通过边缘检测算法将截面灰度图分割成若干个子区域作为界线区域,对截面灰度图进行角点检测,以所得的角点作为纹角点;将各个界线区域内纹角点数量的平均值记作n_CDt,以一个像素的灰度值和与其距离最近的n_CDt个纹角点灰度值的平均值之比作为该像素的元裂纹级数un_SLv;
经轧辊中点作水平方向外任意角度的直线作为第一参考线,经轧辊中点作水平线将轧辊圆划分为上半圆和下半圆,上半圆和下半圆分别在水平线的上方和下方;分别以上半圆和下半圆的区域作为上区间和下区间,将第一参考线相交于上区间和下区间的线段分别记作上线段和下线段,把上线段和下线段所经过的各个像素的元裂纹级数的平均值分别记作Uun_SLv和Dun_SLv,计算该第一参考线的裂纹级数M_SLv为:M_SLv=(Uun_SLv-Dun_SLv)2。
4.据权利要求1所述的一种漆包线的线材轧辊探伤方法,其特征在于,在步骤S400中,根据裂纹级数进行探伤分析获得分析结果的方法是:
以轧辊中点为原点建立平面直角坐标系,以第一参考线与x轴的夹角为第一参考角,将第一参考角从0°开始到180°为止,每隔角度xag经轧辊中点作一条第一参考线,xag∈[0.1°,1°],获得的第一参考线数量为n_FRL,按形成第一参考线的顺序将各个第一参考线的裂纹级数构建成序列List_SLv;
如果List_SLv中的一个元素与其之前的某一个元素的差的绝对值小于该元素与其之后的某一个元素的差的绝对值,则定义该元素为亲前元素,否则为亲后元素;记亲前元素与亲后元素的数量的比例为P1;定义亲前像素与亲后像素互为逆追元素;
分别将一个元素向前和向后搜索到该元素的逆追元素的过程中检索过的元素的数量记作d1和d2,则该元素的搜索广度比P2为:P2=min{d1,d2}/(d1+d2);以j2作为List_SLv中元素的序号,第j2个元素的贪婪广度为grdj2:grdj2=ln(P1+P2);以各个元素的贪婪广度构成的序列作为探伤分析的分析结果。
5.据权利要求1所述的一种漆包线的线材轧辊探伤方法,其特征在于,在步骤S500中,结合线材轧辊的分析结果发出警报的方法是:每隔一个自然日获取一次分析结果;如果当次获得的分析结果中的最大值较上一次获得的分析结果中的最大值更大,并且当次获得的分析结果中的最小值较上一次获得的分析结果中的最小值更小,并且当次的分析结果中的最大值与最小值之差较前一次分析结果中的最大值与最小值之差更大,则认为线材轧辊存在变形风险,需要提醒管理员观察线材轧辊变形程度或者更换线材轧辊,将所述提醒的信息发送到管理员的客户端。
6.一种漆包线的线材轧辊探伤系统,其特征在于,所述一种漆包线的线材轧辊探伤系统包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-5中任一项所述的一种漆包线的线材轧辊探伤方法中的步骤,所述一种漆包线的线材轧辊探伤系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310336853.1A CN116309517B (zh) | 2023-03-31 | 2023-03-31 | 一种漆包线的线材轧辊探伤方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310336853.1A CN116309517B (zh) | 2023-03-31 | 2023-03-31 | 一种漆包线的线材轧辊探伤方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309517A true CN116309517A (zh) | 2023-06-23 |
CN116309517B CN116309517B (zh) | 2023-09-01 |
Family
ID=86777945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310336853.1A Active CN116309517B (zh) | 2023-03-31 | 2023-03-31 | 一种漆包线的线材轧辊探伤方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309517B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409004A (zh) * | 2023-12-14 | 2024-01-16 | 自贡市第一人民医院 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458898A (zh) * | 2014-11-28 | 2015-03-25 | 本钢板材股份有限公司 | 一种高速钢轧辊表面裂纹的处理方法 |
KR20180115368A (ko) * | 2017-04-12 | 2018-10-23 | 주식회사 포스코 | 선재의 표면 흠 자동 맵핑 장치 및 방법 |
JP2019122988A (ja) * | 2018-01-17 | 2019-07-25 | 日立金属株式会社 | エナメル線の製造方法 |
CN110865169A (zh) * | 2019-11-13 | 2020-03-06 | 永卓防务科技有限公司 | 一种轧辊加工裂纹检测方法 |
CN111141820A (zh) * | 2019-12-26 | 2020-05-12 | 中钢集团邢台机械轧辊有限公司 | 一种裂纹轧辊的判定方法 |
US20200309740A1 (en) * | 2017-12-21 | 2020-10-01 | Hitachi Metals, Ltd. | Online crack detection device for rolling roll, rolling roll, and online crack detection method for rolling roll |
CN113592826A (zh) * | 2021-08-02 | 2021-11-02 | 佛山名奥弹簧开发有限公司 | 一种线材表面缺陷的识别方法及系统 |
CN113910006A (zh) * | 2021-09-28 | 2022-01-11 | 内蒙古联晟新能源材料有限公司 | 一种工作轧辊表面质量的修复方法 |
CN114609239A (zh) * | 2022-01-27 | 2022-06-10 | 本钢板材股份有限公司 | 一种利用磨床涡流探伤快速识别轧辊表面裂纹种类的方法 |
CN115097018A (zh) * | 2022-07-27 | 2022-09-23 | 上海理工大学 | 基于表面波和神经网络的轧辊损伤分类识别方法及装置 |
-
2023
- 2023-03-31 CN CN202310336853.1A patent/CN116309517B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458898A (zh) * | 2014-11-28 | 2015-03-25 | 本钢板材股份有限公司 | 一种高速钢轧辊表面裂纹的处理方法 |
KR20180115368A (ko) * | 2017-04-12 | 2018-10-23 | 주식회사 포스코 | 선재의 표면 흠 자동 맵핑 장치 및 방법 |
US20200309740A1 (en) * | 2017-12-21 | 2020-10-01 | Hitachi Metals, Ltd. | Online crack detection device for rolling roll, rolling roll, and online crack detection method for rolling roll |
JP2019122988A (ja) * | 2018-01-17 | 2019-07-25 | 日立金属株式会社 | エナメル線の製造方法 |
CN110865169A (zh) * | 2019-11-13 | 2020-03-06 | 永卓防务科技有限公司 | 一种轧辊加工裂纹检测方法 |
CN111141820A (zh) * | 2019-12-26 | 2020-05-12 | 中钢集团邢台机械轧辊有限公司 | 一种裂纹轧辊的判定方法 |
CN113592826A (zh) * | 2021-08-02 | 2021-11-02 | 佛山名奥弹簧开发有限公司 | 一种线材表面缺陷的识别方法及系统 |
CN113910006A (zh) * | 2021-09-28 | 2022-01-11 | 内蒙古联晟新能源材料有限公司 | 一种工作轧辊表面质量的修复方法 |
CN114609239A (zh) * | 2022-01-27 | 2022-06-10 | 本钢板材股份有限公司 | 一种利用磨床涡流探伤快速识别轧辊表面裂纹种类的方法 |
CN115097018A (zh) * | 2022-07-27 | 2022-09-23 | 上海理工大学 | 基于表面波和神经网络的轧辊损伤分类识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
SMIRNOV, GV 等: "A technique for testing and repairing the insulation of enameled wires", 《RUSSIAN JOURNAL OF NONDESTRUCTIVE TESTING》, vol. 53, no. 03, pages 220 - 226, XP036249681, DOI: 10.1134/S106183091703010X * |
方治华;杜晓旭;岳鹏飞;: "基于单一方向振型变化率的轧辊裂纹判断方法研究", 《内蒙古科技大学学报》, no. 01, pages 91 - 93 * |
马文宇: "基于机器视觉的轧辊修复焊接实验台研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 02, pages 022 - 1589 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409004A (zh) * | 2023-12-14 | 2024-01-16 | 自贡市第一人民医院 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
CN117409004B (zh) * | 2023-12-14 | 2024-03-15 | 自贡市第一人民医院 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116309517B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beyenal et al. | Three-dimensional biofilm structure quantification | |
JP6738484B2 (ja) | Gpuに基づくtft−lcdムラ欠陥検出方法 | |
JP3417595B2 (ja) | ディジタル胸部レントゲン写真の肺小結節自動検出における正常例の誤診を分析する方法およびそのシステム | |
JP6794737B2 (ja) | 情報処理装置、情報処理方法、プログラムおよび検査システム | |
CN116309517B (zh) | 一种漆包线的线材轧辊探伤方法及系统 | |
He et al. | An image-based multivariate generalized likelihood ratio control chart for detecting and diagnosing multiple faults in manufactured products | |
US8781187B2 (en) | Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image | |
CN111899237B (zh) | 标尺精度测量方法、装置、计算机设备和存储介质 | |
CN110070531B (zh) | 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置 | |
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
JP2009122939A (ja) | タイヤ検査用特徴抽出プログラム作成装置及びタイヤ検査装置 | |
JP2020020744A (ja) | 錆検出プログラム、錆検出システム及び錆検出方法 | |
JP2010121992A (ja) | ひび割れ検出方法 | |
CN115846421B (zh) | 一种金属轧机的张力智能控制方法及系统 | |
CN113469971B (zh) | 一种图像匹配方法及检测装置、存储介质 | |
Doycheva et al. | Implementing textural features on GPUs for improved real-time pavement distress detection | |
CN117068692A (zh) | 输送带健康诊断方法、装置、服务器及存储介质 | |
Zhu et al. | Seam detection of inhomogeneously textured fabrics based on wavelet transform | |
CN116460136B (zh) | 基于工业ct的漆包线的线材轧辊控制方法及系统 | |
CN115482358B (zh) | 一种三角网格曲面的生成方法、装置、设备及存储介质 | |
JP2011095921A (ja) | 画像処理装置、画像処理方法及びプログラム | |
US11928808B2 (en) | Wafer detection method, device, apparatus, and storage medium | |
JP6961333B2 (ja) | 医用画像処理装置 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
TW201018331A (en) | Method, system and computer program product for reference information based evaluation |
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 |