CN116309598B - 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 - Google Patents

一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 Download PDF

Info

Publication number
CN116309598B
CN116309598B CN202310585920.3A CN202310585920A CN116309598B CN 116309598 B CN116309598 B CN 116309598B CN 202310585920 A CN202310585920 A CN 202310585920A CN 116309598 B CN116309598 B CN 116309598B
Authority
CN
China
Prior art keywords
crack
image
continuous casting
round billet
representing
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.)
Active
Application number
CN202310585920.3A
Other languages
English (en)
Other versions
CN116309598A (zh
Inventor
刘洋
陈远清
屈小波
侯兴辉
余超
单文瑞
唐佳勇
石晨敏
谷杰
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.)
Jiangsu Yonggang Group Co Ltd
Original Assignee
Jiangsu Yonggang Group 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 Jiangsu Yonggang Group Co Ltd filed Critical Jiangsu Yonggang Group Co Ltd
Priority to CN202310585920.3A priority Critical patent/CN116309598B/zh
Publication of CN116309598A publication Critical patent/CN116309598A/zh
Application granted granted Critical
Publication of CN116309598B publication Critical patent/CN116309598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Continuous Casting (AREA)

Abstract

本发明提出一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，涉及图像处理技术领域，包括如下步骤：步骤1：采集结构钢连铸圆坯样本的低倍组织图像；步骤2：对结构钢连铸圆坯样本的低倍组织图像进行预处理；步骤3：自动识别并量化结构钢连铸圆坯样本的低倍组织裂纹缺陷；步骤4：实现对连铸圆坯样本裂纹缺陷的自动评级。本发明利用图像识别和图像处理技术，提取并量化裂纹低倍组织缺陷信息，结合图像实现裂纹钢材自动评级，能够提供更丰富的低倍组织信息实现钢材低倍裂纹缺陷检测的标准化、智能化。

Description

一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法
技术领域
本发明涉及图像处理技术领域，具体是一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法。
背景技术
裂纹是钢材中常见的主要质量缺陷。对与含裂纹的铸坯等钢材，行业内均通过标准图谱比对评级，检测结果受人为因素影响较大，而且评级结果粗略，不能真实准确反映裂纹状况，无法体现钢材内部质量水平，对于生产过程的指导和工艺优化意义不大。
发明内容
本发明的目的是针对现有技术存在的上述问题，克服现有技术的不足之处，设计一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，利用图像识别和图像处理技术，提取并量化裂纹低倍组织缺陷信息，结合图像实现裂纹钢材自动评级，能够提供更丰富的低倍组织信息实现钢材低倍裂纹缺陷检测的标准化、智能化。
一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，包括如下步骤：
步骤1：采集结构钢连铸圆坯样本的低倍组织图像；
步骤2：对结构钢连铸圆坯样本的低倍组织图像进行预处理；
步骤3：自动识别并量化结构钢连铸圆坯样本的低倍组织裂纹缺陷；
步骤4：实现对连铸圆坯样本裂纹缺陷的自动评级。
优选的，在步骤1中结构钢连铸圆坯样本采用热酸腐蚀的方式进行侵蚀，然后经热水洗、烘干后采集图像，确保钢连铸圆坯样本的检测面粗糙度Ra≤0.8um，以便清晰显示裂纹轮廓和视觉系统准确识别；在结构钢连铸圆坯样本正上方位置俯拍采集图像，使得圆心位于图像的中心位置，并且确保结构钢连铸圆坯样本的边缘落在图像内部；图像分辨率应≥0.05mm/pixel，确保清晰显示钢材裂纹形貌。
优选的，步骤2中预处理操作包括对受光照及图像采集与传输过程中的干扰信号进行去噪处理，其次采用局域图像增强模型变换对图像进行增强处理，避免图像整体灰度偏低问题。
进一步的，步骤3包括如下步骤：
步骤3.1：在低倍组织图像中勾画圆坯的边界；
步骤3.2：在低倍组织图像中圆坯的边界内标注图像缺陷部；
步骤3.3：分别测算各个图像缺陷部的长和宽；
步骤3.4：计算长宽比，当长宽比≥10，则判定为裂纹缺陷。
进一步的，步骤3.3中任意一个图像缺陷部i的长和宽的计算步骤为：
步骤3.3.1：找出图像缺陷部i中距离的最远的两点ai和bi;
步骤3.3.2：绘制ai和bi之间的连线，并记录ai和bi之间在图像上的线段距离lpi0和该线段上像素点个数Pi0;
步骤3.3.3：获取该图像缺陷部i范围内所有像素点的个数Pis；
步骤3.3.4：获取图像中圆坯的边界线上最远的两点c和d，c和d的中点记为圆坯的圆心O，过圆心O并且与圆坯边界线相交的两点中距离最近的两点记为e和f，并记录c和d之间线段距离lp1，e和f之间线段距离lp2；
步骤3.3.5：分别计算该图像缺陷部i的长和宽：
其中，Xi和Di分别表示该图像缺陷部i实际的长和宽，R表示结构钢连铸圆坯样本的实际直径。
进一步的，步骤4首先判定裂纹缺陷属于皮下裂纹、中间裂纹还是中心裂纹。
具体的，判定裂纹缺陷属于皮下裂纹、中间裂纹还是中心裂纹包括如下步骤：
步骤4.1.1：获取圆坯的边界线上最远的两点c和d，c和d的中点记为圆坯的圆心O，过圆心O并且与圆坯边界线相交的两点中距离最近的两点记为e和f，分别绘制线段cd和线段e f；
步骤4.1.2：以O作为圆心，分别以为直径R1和R2绘制圆1和圆2，0＜R1＜R2＜(lp1+lp2)/2，lp1是c和d之间线段距离，lp2是e和f之间线段距离；
步骤4.1.3：当任意一个图像缺陷部存在像素点落在圆1范围内，则判定为中心裂纹；任意一个图像缺陷部存在像素点落在圆2范围内且并没有像素点落在圆1范围内，则判定为中间裂纹；当不存在像素点落在圆1或圆2范围内，则判定为皮下裂纹。
进一步的，R1和R2分别参照下述公式计算： 。
（1）皮下裂纹综合评级Z1满足下述公式：其中，T1表示皮下裂纹的综合得分，参照下述公式计算：/>其中，ω11表示皮下裂纹起始端距表面距离的权重，ω12表示皮下裂纹中单条裂纹最大长度的权重，ω13表示皮下裂纹总长的权重，ω11+ω12+ω13=1，T1A表示裂纹起始端距表面距离的得分，T1X表示单条裂纹最大长度的得分，T1L表示裂纹总长的得分，
T1A参照下述公式：其中A表示皮下所有裂纹起始端距表面距离的平均值，裂纹起始端距表面距离是皮下裂纹上的点距离圆坯边界上任一点的最远距离，
T1X参照下述公式：其中，X表示单条裂纹最大长度，T1L参照下述公式：/>其中，L表示裂纹总长，（2）中间裂纹综合评级Z2满足下述公式：/>其中，T2表示中间裂纹的综合得分，参照下述公式计算：/>其中，ω21表示中间裂纹中单条裂纹最大长度的权重，ω22表示中间裂纹总长的权重，ω21+ω22=1，T2X表示中间裂纹中单条裂纹最大长度的得分，T2L表示中间裂纹总长的得分，T2X参照下述公式：T2L参照下述公式：/>（3）中心裂纹综合评级Z3满足下述公式：/>其中，T3表示中心裂纹的综合得分，参照下述公式计算：/>其中，ω31表示中心裂纹中单条裂纹最大长度的权重，ω32表示中心裂纹总长的权重，ω31+ω32=1，T3X表示中心裂纹中单条裂纹最大长度的得分，T3L表示中心裂纹总长的得分，T3X参照下述公式：T3L参照下述公式：/>。
优选的，当任一单条裂纹实际宽度＞1.5mm时，会造成铸坯质量的恶化，综合评级增加0.5，综合评级的上限值为5。
与现有技术相比，本发明的有益效果：
本发明提供了一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，利用图像识别和图像处理技术，提取并量化裂纹低倍组织缺陷信息，结合图像实现裂纹钢材自动评级，能够提供更丰富的低倍组织信息实现钢材低倍裂纹缺陷检测的标准化、智能化。
1.本发明创造性的设计了综合评级公式，基于机器视觉实现评级结果的自动输出，大大减轻了工程师的工作量，也有效解决了人工评级过程主观性强，大量评级工作过程中由于疲劳而造成的评级偏差，以及人工评级精度差等问题。
2.本发明结合实际工作中的关注要点，分别基于皮下裂纹、中间裂纹和中心裂纹进行设计，准确性高，实用性强。
3.本发明预处理采用热酸腐蚀的方式进行侵蚀，然后经热水洗、烘干后采集图像，确保钢连铸圆坯样本的检测面粗糙度Ra≤0.8um，以便清晰显示裂纹轮廓和视觉系统准确识别；在结构钢连铸圆坯样本正上方位置俯拍采集图像，使得圆心位于图像的中心位置，并且确保结构钢连铸圆坯样本的边缘落在图像内部；图像分辨率应≥0.05mm/pixel，确保清晰显示钢材裂纹形貌。
4.本发明通过自设的公式，量化实现了缺陷部长度和宽度的计算，将图形量化成数值，为后期裂纹的综合评级提供了可靠依据。这里，宽度的计算非常巧妙，通过整个缺陷部图像像素点和长度涉及像素点的比值计算，求解缺陷部的宽度的理论像素点，这里巧妙的应用了像素点个数和图像面积之间的正比例关系，再基于缺陷部长度和宽度的像素点个数关系，进而等效于长度和宽度的比值，再基于长度图像与实际的关系，反推出缺陷部的实际宽度。
5.本发明在判定裂纹缺陷属于皮下裂纹、中间裂纹还是中心裂纹也是非常巧妙了利用了图像的特性，通过两个辅助圆的绘制作为判别边界，识别简单高效。
附图说明
图1是本发明圆坯图和裂纹缺陷局部放大图。
具体实施方式
下面结合附图以及具体实施方法对本发明一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法作进一步详细说明。
一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，包括如下步骤：
步骤1：采集结构钢连铸圆坯样本的低倍组织图像；
步骤2：对结构钢连铸圆坯样本的低倍组织图像进行预处理；
步骤3：自动识别并量化结构钢连铸圆坯样本的低倍组织裂纹缺陷；
步骤4：实现对连铸圆坯样本裂纹缺陷的自动评级。
优选的，在步骤1中结构钢连铸圆坯样本采用热酸腐蚀的方式进行侵蚀，然后经热水洗、烘干后采集图像，确保钢连铸圆坯样本的检测面粗糙度Ra≤0.8um，以便清晰显示裂纹轮廓和视觉系统准确识别；在结构钢连铸圆坯样本正上方位置俯拍采集图像，使得圆心位于图像的中心位置，并且确保结构钢连铸圆坯样本的边缘落在图像内部，如图1所示为采集到的圆坯图和裂纹缺陷局部放大图；图像分辨率应≥0.05mm/pixel，确保清晰显示钢材裂纹形貌。
优选的，步骤2中预处理操作包括对受光照及图像采集与传输过程中的干扰信号进行去噪处理，其次采用局域图像增强模型变换对图像进行增强处理，避免图像整体灰度偏低问题。
下面给出了低倍组织裂纹缺陷量化的一种方式，具体的，步骤3包括如下步骤：
步骤3.1：在低倍组织图像中勾画圆坯的边界；
步骤3.2：在低倍组织图像中圆坯的边界内标注图像缺陷部，通过图像缺陷阈值将圆坯分成若干个连续区域，低于阈值的连续区域为缺陷部，不低于阈值的连续区域为非缺陷部；
步骤3.3：分别测算各个图像缺陷部的长和宽；
步骤3.4：计算长宽比，当长宽比≥10，则判定为裂纹缺陷。
其中，步骤3.3中任意一个图像缺陷部i的长和宽的计算步骤为：
步骤3.3.1：通过枚举法找出图像缺陷部i中距离的最远的两点ai和bi;
步骤3.3.2：绘制ai和bi之间的连线，线段aibi的长度即为缺陷部在图像中的长度，并记录ai和bi之间在图像上的线段距离lpi0和该线段上像素点个数Pi0;
步骤3.3.3：获取该图像缺陷部i范围内所有像素点的个数Pis；
步骤3.3.4：同样通过枚举法图像中圆坯的边界线上最远的两点c和d，c和d的中点记为圆坯的圆心O，过圆心O并且与圆坯边界线相交的两点中距离最近的两点记为e和f，并记录c和d之间线段距离lp1，e和f之间线段距离lp2，这里需要说明下的是：如果距离最近的线段存在多条，任取区别于c和d的两点即可；
步骤3.3.5：分别计算该图像缺陷部i的长和宽： 其中，Xi和Di分别表示该图像缺陷部i实际的长和宽，R表示结构钢连铸圆坯样本的实际直径。
这里需要特别说明的是，宽度的计算非常巧妙，通过整个缺陷部图像像素点和长度涉及像素点的比值计算，求解缺陷部的宽度的理论像素点Pis/ Pi0，这里巧妙的应用了像素点个数和图像面积之间的正比例关系，
再基于缺陷部长度和宽度的像素关系，进而等效于长度和宽度的比值，即长和宽的比是(Pi0×Pi0) /Pis，再基于实际长度Xi，反推出缺陷部的实际宽度。
进一步的，步骤4首先判定裂纹缺陷属于皮下裂纹、中间裂纹还是中心裂纹。
具体的，判定裂纹缺陷属于皮下裂纹、中间裂纹还是中心裂纹包括如下步骤：
步骤4.1.1：获取圆坯的边界线上最远的两点c和d，c和d的中点记为圆坯的圆心O，过圆心O并且与圆坯边界线相交的两点中距离最近的两点记为e和f，分别绘制线段cd和线段e f；
步骤4.1.2：以O作为圆心，分别以为直径R1和R2绘制圆1和圆2，0＜R1＜R2＜(lp1+lp2)/2，lp1是c和d之间线段距离，lp2是e和f之间线段距离；
步骤4.1.3：当任意一个图像缺陷部存在像素点落在圆1范围内，则判定为中心裂纹；任意一个图像缺陷部存在像素点落在圆2范围内且并没有像素点落在圆1范围内，则判定为中间裂纹；当不存在像素点落在圆1或圆2范围内，则判定为皮下裂纹。
进一步的，R1和R2分别参照下述公式计算： 。
这里，在判定裂纹缺陷属于皮下裂纹、中间裂纹还是中心裂纹也是非常巧妙了利用了图像的特性，通过两个辅助圆的绘制作为判别边界，识别简单高效。
（1）皮下裂纹综合评级Z1满足下述公式：其中，T1表示皮下裂纹的综合得分，参照下述公式计算：/>其中，ω11表示皮下裂纹起始端距表面距离的权重，ω12表示皮下裂纹中单条裂纹最大长度的权重，ω13表示皮下裂纹总长的权重，ω11+ω12+ω13=1，T1A表示裂纹起始端距表面距离的得分，T1X表示单条裂纹最大长度的得分，T1L表示裂纹总长的得分，ω11等于40%，ω12等于30%，ω13等于30%，
T1A参照下述公式：其中A表示皮下所有裂纹起始端距表面距离的平均值，裂纹起始端距表面距离是皮下裂纹上的点距离圆坯边界上任一点的最远距离，对于第i个裂纹起始端距表面距离Ai参照下述公式计算：其中，lpiA表示图像上裂纹起始端距表面距离。
T1X参照下述公式：其中，X表示单条裂纹最大长度，T1L参照下述公式：/>其中，L表示裂纹总长。
当识别为皮下裂纹时，以A=3mm，X=80mm,L=150mm，如表1和表2所示进行测算：
表1 皮下裂纹综合得分测算表
则总得分T1=13.332+2.4+6.75=22.482。
然后再自动测算出裂纹评级：
表2 皮下裂纹综合评级测算表
则基于模拟数据A=3mm，X=80mm,L=150mm的皮下裂纹的综合评级为1.17级别。
（2）中间裂纹综合评级Z2满足下述公式：其中，T2表示中间裂纹的综合得分，参照下述公式计算：/>其中，ω21表示中间裂纹中单条裂纹最大长度的权重，ω22表示中间裂纹总长的权重，ω21+ω22=1，T2X表示中间裂纹中单条裂纹最大长度的得分，T2L表示中间裂纹总长的得分，ω21等于60%，ω22等于40%，
T2X参照下述公式：T2L参照下述公式：。
当识别为中间裂纹时，同样以A=3mm，X=80mm,L=150mm为例，如表3和表4所示进行测算：
表3 中间裂纹综合得分测算表
则总得分T2=28.8+4.8=33.6。
然后再自动测算出裂纹评级：
表4 中间裂纹综合评级测算表
则基于模拟数据A=3mm，X=80mm,L=150mm的中间裂纹的综合评级为1.57级别。
（3）中心裂纹综合评级Z3满足下述公式：
其中，T3表示中心裂纹的综合得分，参照下述公式计算：/>其中，ω31表示中心裂纹中单条裂纹最大长度的权重，ω32表示中心裂纹总长的权重，ω31+ω32=1，T3X表示中心裂纹中单条裂纹最大长度的得分，T3L表示中心裂纹总长的得分，ω31等于60%，ω32等于40%，T3X参照下述公式：T3L参照下述公式：/>。
需要说明下，X、L、A单位均为mm。
当识别为中心裂纹时，以A=3mm，X=80mm,L=150mm，如表5和表6所示进行测算：
表5 中心裂纹综合得分测算表
则总得分T3=19.2+6=25.2。
然后再自动测算出裂纹评级：
表6 中心裂纹综合评级测算表
则基于模拟数据A=3mm，X=80mm,L=150mm的中心裂纹的综合评级为2.17级别，明显虽然参数一样，但是裂纹分布越靠近中间位置，危害越大，裂纹评级越高。
优选的，当任一单条裂纹实际宽度＞1.5mm时，会造成铸坯质量的恶化，综合评级增加0.5，综合评级的上限值为5。
当有两条裂纹实际宽度＞1.5mm时，基于参数A=3mm，X=80mm,L=150mm的皮下裂纹的综合得分更新为：T1=1.17+0.5+0.5=2.17，基于参数A=3mm，X=80mm,L=150mm的中间裂纹的综合得分更新为：T2=1.57+0.5+0.5=2.57，基于参数A=3mm，X=80mm,L=150mm的中心裂纹的综合得分更新为：T3=2.17+0.5+0.5=3.17。
当有四条裂纹实际宽度＞1.5mm时，基于参数A=3mm，X=80mm,L=150mm的皮下裂纹的综合得分更新为：T1=1.17+0.5×4=3.17，基于参数A=3mm，X=80mm,L=150mm的中间裂纹的综合得分更新为：T2=1.57+0.5×4=3.57，基于参数A=3mm，X=80mm,L=150mm的中心裂纹的综合得分更新为：T3=2.17+0.5×4=4.17。
本发明提出一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，其特征在于，包括如下步骤：
步骤1：采集结构钢连铸圆坯样本的低倍组织图像；
步骤2：对结构钢连铸圆坯样本的低倍组织图像进行预处理；
步骤3：自动识别并量化结构钢连铸圆坯样本的低倍组织裂纹缺陷；
步骤4：实现对连铸圆坯样本裂纹缺陷的自动评级；
步骤3包括如下步骤：
步骤3.1：在低倍组织图像中勾画圆坯的边界；
步骤3.2：在低倍组织图像中圆坯的边界内标注图像缺陷部；
步骤3.3：分别测算各个图像缺陷部的长和宽；
步骤3.4：计算长宽比，当长宽比≥10，则判定为裂纹缺陷；
步骤3.3中任意一个图像缺陷部i的长和宽的计算步骤为：
步骤3.3.1：找出图像缺陷部i中距离最远的两点ai和bi；
步骤3.3.2：绘制ai和bi之间的连线，并记录ai和bi之间在图像上的线段距离lpi0和该线段上像素点个数Pi0；
步骤3.3.3：获取该图像缺陷部i范围内所有像素点的个数Pis；
步骤3.3.4：获取图像中圆坯的边界线上最远的两点c和d，c和d的中点记为圆坯的圆心O，过圆心O并且与圆坯边界线相交的两点中距离最近的两点记为e和f，并记录c和d之间线段距离lp1，e和f之间线段距离lp2；
步骤3.3.5：分别计算该图像缺陷部i的长和宽：
其中，Xi和Di分别表示该图像缺陷部i实际的长和宽，R表示结构钢连铸圆坯样本的实际直径；
步骤4首先判定裂纹缺陷属于皮下裂纹、中间裂纹还是中心裂纹，
(1)皮下裂纹综合评级Z1满足下述公式：
其中，T1表示皮下裂纹的综合得分，参照下述公式计算：
T1＝ω11T1A+ω12T1X+ω13T1L
其中，ω11表示皮下裂纹起始端距表面距离的权重，ω12表示皮下裂纹中单条裂纹最大长度的权重，ω13表示皮下裂纹总长的权重，ω11+ω12+ω13＝1，T1A表示裂纹起始端距表面距离的得分，T1X表示单条裂纹最大长度的得分，T1L表示裂纹总长的得分，
T1A参照下述公式：
其中A表示皮下所有裂纹起始端距表面距离的平均值，裂纹起始端距表面距离是皮下裂纹上的点距离圆坯边界上任一点的最远距离，
T1X参照下述公式：
其中，X表示单条裂纹最大长度，
T1L参照下述公式：
其中，L表示裂纹总长，
(2)中间裂纹综合评级Z2满足下述公式：
其中，T2表示中间裂纹的综合得分，参照下述公式计算：
T2＝ω21T2X+ω22T2L
其中，ω21表示中间裂纹中单条裂纹最大长度的权重，ω22表示中间裂纹总长的权重，ω21+ω22＝1，T2X表示中间裂纹中单条裂纹最大长度的得分，T2L表示中间裂纹总长的得分，
T2X参照下述公式：
T2L参照下述公式：
(3)中心裂纹综合评级Z3满足下述公式：
其中，T3表示中心裂纹的综合得分，参照下述公式计算：
T3＝ω31T3X+ω32T3L
其中，ω31表示中心裂纹中单条裂纹最大长度的权重，ω32表示中心裂纹总长的权重，ω31+ω32＝1，T3X表示中心裂纹中单条裂纹最大长度的得分，T3L表示中心裂纹总长的得分，
T3X参照下述公式：
T3L参照下述公式：
2.根据权利要求1所述的一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，其特征在于：
在步骤1中结构钢连铸圆坯样本采用热酸腐蚀的方式进行侵蚀，然后经热水洗、烘干后采集图像，确保钢连铸圆坯样本的检测面粗糙度Ra≤0.8um，以便清晰显示裂纹轮廓和视觉系统准确识别；在结构钢连铸圆坯样本正上方位置俯拍采集图像，使得圆心位于图像的中心位置，并且确保结构钢连铸圆坯样本的边缘落在图像内部；图像分辨率应≥0.05mm/pixel，确保清晰显示钢材裂纹形貌。
3.根据权利要求1所述的一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，其特征在于：
步骤2中预处理操作包括对受光照及图像采集与传输过程中的干扰信号进行去噪处理，其次采用局域图像增强模型变换对图像进行增强处理，避免图像整体灰度偏低问题。
4.根据权利要求1所述的一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，其特征在于，判定裂纹缺陷属于皮下裂纹、中间裂纹还是中心裂纹包括如下步骤：
步骤4.1.1：获取圆坯的边界线上最远的两点c和d，c和d的中点记为圆坯的圆心O，过圆心O并且与圆坯边界线相交的两点中距离最近的两点记为e和f，分别绘制线段cd和线段ef；
步骤4.1.2：以O作为圆心，分别以为直径R1和R2绘制圆1和圆2，0＜R1＜R2＜(lp1+lp2)/2，lp1是c和d之间线段距离，lp2是e和f之间线段距离；
步骤4.1.3：当任意一个图像缺陷部存在像素点落在圆1范围内，则判定为中心裂纹；任意一个图像缺陷部存在像素点落在圆2范围内且并没有像素点落在圆1范围内，则判定为中间裂纹；当不存在像素点落在圆1或圆2范围内，则判定为皮下裂纹。
5.根据权利要求4所述的一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，其特征在于，R1和R2分别参照下述公式计算：
R1＝5％×(lp1+lp2)/2
R2＝10％×(lp1+lp2)/2。
6.根据权利要求1所述的一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法，其特征在于：当任一单条裂纹实际宽度＞1.5mm时，会造成铸坯质量的恶化，综合评级增加0.5，综合评级的上限值为5。
CN202310585920.3A 2023-05-23 2023-05-23 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 Active CN116309598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310585920.3A CN116309598B (zh) 2023-05-23 2023-05-23 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310585920.3A CN116309598B (zh) 2023-05-23 2023-05-23 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法

Publications (2)

Publication Number Publication Date
CN116309598A CN116309598A (zh) 2023-06-23
CN116309598B true CN116309598B (zh) 2023-08-01

Family

ID=86830932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310585920.3A Active CN116309598B (zh) 2023-05-23 2023-05-23 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法

Country Status (1)

Country Link
CN (1) CN116309598B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117538332B (zh) * 2023-11-09 2024-05-03 江苏永钢集团有限公司 一种基于机器视觉的钢材低倍缩孔缺陷识别及评价方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104101600B (zh) * 2013-04-15 2017-10-31 宝山钢铁股份有限公司 连铸坯断面微小裂纹检测方法
CN109191459B (zh) * 2018-09-30 2022-02-11 东北大学 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN109712141A (zh) * 2019-01-07 2019-05-03 重庆赛宝工业技术研究院 连铸钢方坯中心偏析缺陷检验量化评级方法
CN109632811A (zh) * 2019-01-07 2019-04-16 重庆赛宝工业技术研究院 基于机器视觉的结构钢锭型偏析缺陷检验量化评级方法
CN114998253A (zh) * 2022-05-31 2022-09-02 东北大学 一种对于连铸坯内部裂纹评级的方法及系统

Also Published As

Publication number Publication date
CN116309598A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US11506650B2 (en) Method for automatic quantitative statistical distribution characterization of dendrite structures in a full view field of metal materials
CN106251361B (zh) 一种钢轨表面缺陷图像自适应分割方法
CN109754368B (zh) 一种桥梁质量检测中的裂缝拼接方法
CN116309598B (zh) 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法
CN107341802B (zh) 一种基于曲率与灰度复合的角点亚像素定位方法
CN109059775B (zh) 具有图像边缘提取步骤的钢轨磨耗检测方法
CN105606619B (zh) 一种铸坯修磨机的检测及优化修磨方法
CN108177660B (zh) 具有激光图像处理步骤的钢轨磨耗检测方法
CN108154498A (zh) 一种裂缝缺陷检测系统及其实现方法
CN104778684B (zh) 钢材表面异质型缺陷的自动测量、表征分类方法及其系统
CN109115162B (zh) 一种铁路钢轨廓形质量指数计算方法
CN111899230B (zh) 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法
CN113012098B (zh) 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法
CN115880299A (zh) 一种轻质混凝土复合自保温外墙板的质量检测系统
CN116758084A (zh) 基于图像数据的钣金件焊接缺陷智能检测方法
CN108931206A (zh) 用于钢轨轮廓离群点检测及有效廓形识别的方法
CN112598723A (zh) 一种不锈钢覆层钢筋厚度识别方法、装置及存储介质
CN115082658A (zh) 一种指针表读数的识别方法及装置
CN109212033A (zh) 一种高速轨道内部伤损的超声图像检测方法
CN102914479A (zh) 布氏硬度自动测定方法
Kang et al. Development of a Model for Recognizing Cracks on Concrete Surfaces Using Digital Image Processing Techniques
Hu et al. Heavy rail surface defects detection based on the morphology of multi-scale and dual-structure elements
CN104655041A (zh) 一种附加约束条件的工业零件轮廓线多特征提取方法
CN110991233A (zh) 指针式压力表的自动读数方法
CN115180476A (zh) 一种基于三维重构的电梯曳引轮轮槽形态检测方法

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
GR01 Patent grant
GR01 Patent grant