CN116612176A - 一种轧制棒线材剪切废料尺寸的测量方法和装置 - Google Patents
一种轧制棒线材剪切废料尺寸的测量方法和装置 Download PDFInfo
- Publication number
- CN116612176A CN116612176A CN202310649323.2A CN202310649323A CN116612176A CN 116612176 A CN116612176 A CN 116612176A CN 202310649323 A CN202310649323 A CN 202310649323A CN 116612176 A CN116612176 A CN 116612176A
- Authority
- CN
- China
- Prior art keywords
- image
- size
- sample
- detected
- original image
- 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
- 239000002699 waste material Substances 0.000 title claims abstract description 57
- 238000010008 shearing Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000001788 irregular Effects 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于自动检测领域,具体公开了一种轧制棒线材剪切废料尺寸的测量方法和装置,方法包括:获取棒线材剪切废料的原始图像并预处理;对预处理图像进行轮廓标注以生成对应的二值化标签,并划分为尺寸相同的多个图像‑标签子图;将图像‑标签子图划分为训练数据集和验证数据集,并训练神经网络模型后验证;将待测样品的图像预处理后输入训练好的神经网络模型中进行分割输出多个分割子图;基于分割子图的位置信息,将分割子图合并后得到待测样品的完整分割图像;获取完整分割图像的最小外接矩形,借助最小外接矩形确定待测样品上的外形不规则段和外形规则段的分界点,基于分界点获取待测样品的不规则段尺寸。本发明检测精确度更高。
Description
技术领域
本发明属于自动检测技术领域,更具体地,涉及一种轧制棒线材剪切废料尺寸的测量方法和装置。
背景技术
我国当前生产线所应用的短应力轧机自动化程度低,一般通过人工对辊缝进行微量的精调,只能实现定长剪切。在此条件下出于生产安全考虑,生产参数的设置往往导致剪切废料的长度存在较大盈余,使得原材料利用率相对低下。因此,剪切废料外形尺寸是实现轧机自动化控制的关键指标,有必要对其进行在线测量。
目前常见的棒线材尺寸测量主要集中在产品直径测量方面,例如测径仪等设备的应用,对于剪切废料及其包括长度在内的外形尺寸和特征关注相对缺乏。
在线测量过程中,生产设备输出的剪切废料温度可达800℃以上,亦可以产生特定波长范围内的辐射光。借助滤光片的视觉测量手段无需与被测物体接触的特点较好地符合该场景下的应用需求。测量剪切废料尺寸的前提是将其与背景图像分割开来,虽然传统算法例如阈值分割算法和边缘检测算法可以实现这一目标,但其中的参数需要进行人为设置,因而难以适应拍摄环境的变化,鲁棒性较差、部署难度大。同时,剪切废料自身的固有特点使得采用视觉手段对其进行尺寸测量存在一些困难。一方面,剪切废料在长度方向的尺度远远大于直径方向,尽管增大物距和焦距可以扩大拍摄视野,但也会造成分辨率的下降,因此很难在保证分辨率的前提下想要通过一次图像采集获取到完整的外形图像。另一方面,由于剪切废料两端存在剪切变形和轧制变形,整个剪切废料沿长度方向可以划分成剪切变形区段、规则区段和轧制变形区段,获取并降低规则段长度是提高材料利用率的重要切入点;但同时变形区段的存在使得不同剪切废料轮廓不规则程度较高、形状差异较大,对区分并获取变形区段和规则区段的长度带来了挑战。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种轧制棒线材剪切废料尺寸的测量方法和装置,以解决现有方法无法准确获取轧制棒线材剪切废料的变形区段和规则区段长短尺寸的问题。
为实现上述目的,本发明提供了一种轧制棒线材剪切废料尺寸的测量方法,所述测量方法包括以下步骤:
S1获取所述棒线材剪切废料的原始图像并预处理,得到预处理图像;
S2对所述预处理图像进行轮廓标注以生成对应的二值化标签,将轮廓标注后的所述预处理图像划分为尺寸相同的多个图像-标签子图;
S3将所述图像-标签子图划分为训练数据集和验证数据集,并利用所述训练数据集训练UNet神经网络模型,利用验证数据集验证训练后的所述UNet神经网络模型;
S4将待测样品的图像预处理并划分为子图后输入步骤S3中训练好的所述UNet神经网络模型中进行分割,以获得多个分割子图;
S5基于步骤S4中所述分割子图的位置信息,将步骤S4中获得的所述分割子图合并,从而得到所述待测样品的完整分割图像;
S6获取所述完整分割图像的最小外接矩形,以距离所述最小外接矩形两端第一偏移量处的所述完整分割图像的像素点为起点,沿横坐标方向遍历预设数量的像素点,以确定所述待测样品上的外形不规则段和外形规则段的分界点,基于所述分界点获取所述待测样品的不规则段尺寸。
进一步的,步骤S1中,对所述原始图像进行预处理的步骤包括:
对所述原始图像分别进行尺寸归一化、直方图归一化和降采样处理。
更进一步的,对所述原始图像进行尺寸归一化处理的步骤包括:当所述原始图像尺寸大于预设尺寸时,剪裁所述原始图像边缘直至符合所述预设尺寸;当所述原始图像尺寸小于所述预设尺寸时,制作所述预设尺寸的黑色掩膜,并将所述原始图像填充于其中。
进一步的,步骤S3中,以二元交叉熵损失函数作为优化目标,并以平均交并比作为辅助观测指标训练所述UNet神经网络模型。
进一步的,步骤S6中,沿横坐标方向遍历的预设数量的像素点大于等于300个;
更进一步的,所述第一偏移量为大于等于10个像素点。
进一步的,步骤S6中,确定所述待测样品上的外形不规则段和外形规则段的分界点的具体步骤包括:
S61获取所述完整分割图像的最小外接矩形,沿所述最小外接矩形的横坐标方向遍历预设数量的像素点,遍历时,确定每个像素点处所述最小外接矩形的横向中轴线的垂线,并在所述完整分割图像的轮廓上获取距离所述垂线最近的左右两对像素点的位置信息,其中,每对像素点位于所述横向中轴线的上下两侧;
S62基于所述位置信息,计算任意一对像素点之间的纵向距离;
S63判断所述纵向距离是否小于预设的参考直径:若小于,则确定所述垂线处的像素点即为所述分界点;若大于等于,则所述垂线处的像素点不是所述分界点。
更进一步的,步骤S63之后,还执行以下步骤:
S64计算任意一对像素点连线的中点相对于所述横向中轴线的第二偏移量;
S65判断所述第二偏移量是否大于预设的参考偏移量:若大于,则判断所述垂线处的像素点为所述分界点;若小于等于,则所述垂线处的像素点不是所述分界点。
更进一步的,判断被确定为所述分界点的像素点的数量是否超过预设耐心值:若超过,则将第一个被判断为所述分界点的像素点作为所述外形正常段和所述外形不正常段的最终分界点;若不超过,则选取所有所述分界点中使所述外形不规则段长度更长的像素点作为所述分界点。
进一步的,步骤S6之后,还计算所述待测样品外形规则段的直径,计算步骤包括:选取所述待测样品中点,以及分别位于该中点左右两侧且与该中点距离为第三偏移量的两个像素点;计算所述中点和其两侧的两个像素点处对应的所述待测样品的直径并求平均值,进而得到所述待测样品外形规则段的直径。
根据本发明的另一个方面,还公开一种能实现如前任意所述的一种轧制棒线材剪切废料尺寸的测量方法的测量装置,包括:
三维运动组件以及设置在其上的图像获取模块,所述图像获取模块能沿所述三维运动组件上下、前后和左右运动;
定位挡板,其设置在所述三维运动组件上并位于所述图像获取模块下方,所述定位挡板用于放置所述待测样品;
气动翻转模块,其设置在所述定位挡板下方,并能使所述定位挡板带动所述待测样品旋转和翻转一定角度;
外部数据分析处理模块,与所述图像获取模块相连接;所述图像获取模块用于获取所述待测样品的原始图像,并将所述原始图像传输给所述外部数据分析处理模块;所述外部数据分析处理模块用于基于所述原始图像判断所述待测样品外形规则段和外形不规则段的分界点,进而确定所述外形不规则段的尺寸。
通过本发明所构思的以上技术方案,与现有技术相比,主要具备以下优点:
1.本发明采集大量棒线材剪切废料的完整原始图像并进行预处理,由于预处理后的图像尺寸不能直接用于训练UNet神经网络模型,因此将预处理后的原始图像制作成图像-标签子图作为样本数据集,可以在减小训练图像尺寸的同时,增加训练样本数量;然后将样本数据集划分为训练数据集和验证数据集,利用训练数据集输入UNet神经网络模型进行训练,将验证数据集输入训练好的UNet神经网络模型进行验证,再将待检测的棒线材剪切废料样品的图像预处理后输入训练好的UNet神经网络模型中进行图像分割,从而获得分割了的待测样品及其背景的完整图像;之后通过获取该完整图像的最小外接矩形,并根据最小外接矩形图像以及提前设定的第一偏移量来确定待测样品两端轧制变形或剪切变形所对应的外形不规则段的长度并在线输出结果,从而实现待测棒线材剪切废料样品尺寸的精确自动检测和在线输出。
2.本发明通过对多种情况综合预处理来得到符合要求的训练图像,并用训练图像训练出高精度的UNet神经网络模型,能够用于反复精确检测各种棒线材尺寸,具体的,由于合并后图片大小并不统一,需要进行尺寸归一化;原始图像中待测棒线材剪切废料与周围环境灰度差异较小而不利于图像分割,且灰度较亮的部位特征细节不必要保留,因此采用全局直方图归一化提高待测棒线材与背景间的对比度;考虑到合并后的图像沿像素尺寸相当大,采用降采样将图像进行缩小,从而确保待测棒线材剪切废料图像完整清晰。
3.本发明以二元交叉熵损失函数作为优化目标,并以平均交并比作为辅助观测指标训练UNet神经网络模型,随着训练的进行,训练集和验证集的损失函数均保持下降趋势且逐渐平稳收敛于0,且验证集平均交并比保持上升并逐渐平稳收敛于1,表明网络对训练集实现了较好的拟合;训练好的UNet神经网络模型具有较高的鲁棒性,能够精确获取分割了的待测棒线材剪切废料和其所在背景的完整图像,整个检测方法操作简单、处理效率高。
附图说明
图1是本发明提供的一种轧制棒线材剪切废料尺寸的测量方法流程示意图;
图2是本发明实施例1中采集的原始图像示意图;
图3是本发明实施例1中原始图像校正和合并后的图像示意图;
图4是本发明实施例1对合并后的图像进行尺寸归一化、直方图归一化和降采样处理之后的图像示意图;
图5是本发明实施例1中UNet神经网络模型训练过程中的训练损失函数、验证损失函数和平均交并比结果变化示意图;
图6是本发明实施例1中的待预测子图;
图7是本发明实施例1中的子图预测结果;
图8是本发明实施例1中分块前的完整待预测图像;
图9是本发明实施例1中合并后的完整分割图像;
图10是本发明实施例1中的待测棒线材剪切废料样品的最小外接矩形和轮廓示意图;
图11是本发明实施例2中提供的一种轧制棒线材剪切废料尺寸的测量装置结构示意图;
图12是本发明实施例2中提供的一种轧制棒线材剪切废料尺寸的测量装置侧视结构示意图。
图中:1-底座,2-Z轴丝杆,3-配电柜,4-X轴丝杆,5-Y轴丝杆,6-工业相机,7-定挡板,8-气缸,9-光源,10-触摸屏。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供了一种轧制棒线材剪切废料尺寸的测量方法,测量方法包括以下步骤:
S1获取棒线材剪切废料的原始图像并预处理,得到预处理图像;
具体的,沿棒线材剪切废料的长度方向拍摄多张现场照片,照片数量取决于待测棒线材长度,所有照片需完整覆盖待测棒线材外形,且待测相邻两张照片间存在一定的重合区域,利用相机参数矩阵对原始图像进行校正并合并,由于由于合并后图片大小、像素以及与周围环境的区别不满足要求,因此还需要对合并后的图像进行预处理以得到尺寸合适的预处理图像;
S2对训练图像进行轮廓标注以生成对应的二值化标签,将训练图像和其对应的二值化标签划分为尺寸相同的多个训练子图作为训练数据集;
具体的,对预处理后得到的训练图像进行轮廓标注,生成对应的二值化标签,其中背景为黑色,检测目标为白色;然后将图像-标签对分为大小相同的子块作为后续网络模型的样本数据;更具体的,可采用Labelme软件进行轮廓标注,生成的格式为.json的文件中包含了轮廓点的坐标,利用.json文件可以生成实例的标签图像,其中目标物体由彩色表示,采用全局阈值将其转化为黑白二值图像;然后将黑白二值图像从左至右无重叠地分割为多张等大训练子图,对应的二值化标签图也做同样处理得到样本数据集,这样可以在减小训练图像尺寸的同时,进一步增加样本数据集中的样本数量。
S3将样本数据集划分为训练数据集和验证数据集,利用训练数据集训练UNet神经网络模型,利用验证集验证训练后的UNet神经网络模型;
具体的,将步骤二中得到的图像-标签子图按照9:1的比例划分为训练集和验证集(即训练数据集和验证数据集),利用训练集对UNet神经网络模型进行训练,每个训练时期结束之后,计算验证集损失函数,监测网络训练进程,同时保存验证集损失最低时的模型参数作为训练好的神经网络模型。
S4将待测样品的采用同前相同的预处理方式预处理后,再输入步骤S3中训练好的UNet神经网络模型中进行分割,以获得多个分割子图;
具体地,当UNet神经网络模型训练好后,若再对其他棒线材剪切废料进行测量,则只需对测试图像进行步骤S1和步骤S2中除轮廓标注外的预处理等,然后将预处理后的待测样品的图像输入预先训练好的UNet神经网络模型中进行分割,以得到多个分割子图。
S5基于步骤S4中所述分割子图的位置信息,将步骤S4中获得的分割子图合并,从而得到棒线材剪切废料的完整分割图像;
具体的,依对应的步骤S4中的子块位置拼接分割结果(即分割子图的位置信息),获得分割了待测棒线材剪切废料和背景的完整分割图像。
S6获取完整分割图像的最小外接矩形,以距离最小外接矩形两端第一偏移量处的完整分割图像的像素点为起点,沿横坐标方向遍历预设数量的像素点,以确定棒线材剪切废料上的外形不规则段和外形规则段的分界点,基于分界点获取棒线材剪切废料的不规则段尺寸;此外,还可在此基础上计算待测棒线材剪切废料的整体长度、平均直径以及其外形不规则段的长度。
在优选实施例中,步骤S1中,对原始图像进行预处理的步骤包括:对原始图像分别进行尺寸归一化、直方图归一化和降采样处理;具体的,原始图像中待测棒线材剪切废料与周围环境灰度差异较小,不利于图像分割,且灰度较亮的部位特征细节不必要保留,因此采用全局直方图归一化提高待测棒线材剪切废料与背景间的对比度;考虑到合并后的图像的像素尺寸相当大难以用于UNet神经网络模型中,因此采用降采样处理将图像进行缩小。
更优选实施例中,对原始图像进行尺寸归一化处理的步骤包括:当原始图像尺寸大于预设尺寸时,剪裁原始图像边缘直至符合预设尺寸;当原始图像尺寸小于预设尺寸时,制作预设尺寸的黑色掩膜,并将原始图像填充于其中。
优选实施例中,步骤S3中,训练UNet神经网络模型时,以二元交叉熵损失函数作为优化目标,并以平均交并比作为辅助观测指标训练UNet神经网络模型;
具体的,以二元交叉熵损失BCEWithLogitsLoss函数作为优化目标,RMSprop作为训练优化器,每个训练epoch结束之后,计算验证集损失函数,监测网络训练进程,同时对验证集子图计算预测标签和真实标签之间的平均交并比MIOU以辅助展示网络训练效果,保存验证集损失最低时的模型参数。
优选实施例中,步骤S6中,沿横坐标方向遍历的预设数量的像素点大于等于300个;
更优选实施例中,第一偏移量为大于等于10个像素点,第一偏移量最优选为10个像素点。
优选实施例中,步骤S6中,确定待测样品上的外形不规则段和外形规则段的分界点的具体步骤包括:
S61获取完整分割图像的最小外接矩形,沿最小外接矩形的横坐标方向遍历预设数量的像素点,遍历时,确定每个像素点处最小外接矩形的横向中轴线的垂线,并在完整分割图像的外形轮廓上获取距离该垂线最近的左右两对像素点的位置信息,其中,每对像素点位于横向中轴线的上下两侧;
S62基于位置信息,计算任意一对像素点之间的纵向距离;
S63判断纵向距离是否小于预设的参考直径:若小于,则确定垂线处的像素点即为分界点;若大于等于,则垂线处的像素点不是分界点。
更优选实施例中,步骤S63之后,还执行以下步骤:
S64计算任意一对像素点连线的中点相对于横向中轴线的第二偏移量;
S65判断第二偏移量是否大于预设的参考偏移量:若大于,则判断垂线处的像素点为分界点;若小于等于,则垂线处的像素点不是分界点。
更优选实施例中,判断被确定为分界点的像素点的数量是否超过预设耐心值:若超过,则将第一个被判断为分界点的像素点作为外形正常段和外形不正常段的最终分界点;若不超过,则选取所有分界点中使外形不规则段长度更长的像素点作为分界点。
优选实施例中,步骤S6之后,还计算待测样品外形规则段的直径,计算步骤包括:选取待测样品中点,以及分别位于该中点左右两侧且与该中点距离为第三偏移量的两个像素点;计算中点和其两侧的两个像素点处对应的待测样品的直径并求平均值,进而得到待测样品外形规则段的直径;在其他更优选的实施例中,还可获取中点两侧更多的像素点所在处的直径,并对该些直径取平均值,以得到更为准确的待测样品的直径。
根据本发明的另一个方面,还公开一种能实现如前任意的一种轧制棒线材剪切废料尺寸的测量方法的测量装置,该装置包括:
三维运动组件以及设置在其上的图像获取模块,图像获取模块能沿三维运动组件上下、前后和左右运动,以获取位于其下方的待测物品的完整图像;三维运动组件由固定在底座上的Z轴丝杆、设置在Z轴丝杆上的X轴丝杆、设置在X轴丝杆模组上的Y轴丝杆组成,图像获取模块安装在Y轴丝杆上,并能沿Y轴丝杆前后运动,Y轴丝杆能在X轴丝杆上左右运动,X轴丝杆能在Z轴丝杆上做上下运动;
定位挡板,其设置在三维运动组件上并位于图像获取模块下方,定位挡板用于放置棒线材剪切废料,具体的,定位挡板设置在Z轴丝杆的正前方,图像获取模块能够在其上方运动,以获取定位挡板上放置的待测棒线材剪切废料等待测物品的原始图像;
气动翻转模块,其设置在定位挡板下方,并能使定位挡板带动棒线材剪切废料旋转和翻转一定角度,以配合图像获取模块获取待测棒线材剪切废料的各个角度的图像;
外部数据分析处理模块,其与图像获取模块相连接;图像获取模块用于获取棒线材剪切废料的原始图像,并将原始图像传输给外部数据分析处理模块;外部数据分析处理模块用于基于原始图像判断棒线材剪切废料外形规则段和外形不规则段的分界点,进而确定外形不规则段的尺寸。
为了更好地说明本发明的实施细节,提供以下实施例来对本发明进行进一步说明,应当清楚,以下实施例只是作为最优实施方式,并不作为对本发明保护范围的任何限制。
实施例1
结合图1所示,本实施例提供一种轧制棒线材剪切废料尺寸在测量方法,包括以下步骤:
S1拍摄待测棒线材剪切废料的原始图像并预处理
沿长度方向拍摄多张现场照片,照片数量取决于待测棒线材剪切废料的长度,拍摄的所有照片均需完整覆盖待测棒线材外形,且相邻两张照片间存在一定的重合区域。
本实施例中,拍摄待测棒线材剪切废料的4张灰度图像,调节三维运动组件的运动参数和相机采集参数,得到4张原始图像,如图2所示。利用相机参数矩阵对原始图像进行校正并合并,结果如图3所示。由于合并后图片大小并不统一,需要进行尺寸归一化。对于尺寸大于设定尺寸的图像,裁剪图像边缘至目标大小;对于尺寸小于设定尺寸的图像,制作一个与设定尺寸等大的黑色掩膜,将现有图像填充于其中。
此外,原始图像中待测棒线材与周围环境灰度差异较小而不利于图像分割,且灰度较亮的部位特征细节不必要保留,因此采用全局直方图归一化提高待测棒线材与背景间的对比度。
再次,考虑到合并后的图像沿像素尺寸相当大,采用降采样将图像进行缩小,最终,经过尺寸归一化、直方图归一化和降采样之后的预处理图像结果如图4所示。
S2制作样本数据集
对预处理图像进行轮廓标注,生成对应的二值化标签,获得图像-标签对,其中背景为黑色,检测目标为白色;将获得的图像-标签对分为大小相同的子块作为样本数据集。
具体的,采用Labelme软件进行轮廓标注,生成的格式为.json的文件中包含了轮廓点的坐标,利用.json文件可以生成实例的标签图像,其中目标物体由彩色表示,采用全局阈值将其转化为黑白二值图像,具体如公式1所示:
其中,thresh设置为0,maxVal设置为255,意在将对应于检测目标的彩色像素点转换为白色,其余代表背景的像素点转换为黑色。
本实施例中,降采样之后的图像尺寸为1600像素×400像素,相对于UNet网络而言尺寸较大因此训练困难,因此将其从左至右无重叠地分割为4张尺寸为400像素×400像素的等大子图,图像对应的二值化标签图也做同样处理,这样能在减小训练图像尺寸的同时,增加训练样本数量,同时考虑到UNet在小样本数据集处理上的优异性能,因此可以通过采集少量图像便可实现网络训练,工作效率更高。
S3搭建并训练神经网络
利用步骤S2中的样本数据划分出训练集和验证集,具体划分比例为9:1,利用训练集数据训练UNet神经网络模型,以二元交叉熵损失函数作为优化目标,并以平均交并比作为辅助观测指标。训练过程中的训练集损失函数、验证集损失函数和验证集平均交并比如图5中的(a)-(c)分别所示,结果表明,随着训练的进行,训练集和验证集的损失函数均保持下降趋势且逐渐平稳收敛于0,且验证集平均交并比保持上升并逐渐平稳收敛于1,表明网络对训练集实现了较好的拟合。
S4利用预训练好的UNet神经网络模型对待测样品图像进行分割
具体地,对待测样品(即待测的棒线材剪切废料)的图像进行S1和S2中除轮廓标注外的预处理,即进行尺寸归一化、直方图归一化和降采样处理后输入S3中训练好的UNet神经网络模型,得到4个子图的目标分割结果;然后依步骤S4中的子块位置拼接分割结果,合并后得到如图9所示的分割了待测棒线材剪切废料和背景的完整分割图像;如图6-9所示,分别为待测子图、子图预测结果、分割前完整图像和合并后完整分割图像。
S5计算外形规则段和外形不规则段的分界点以确定待测样品尺寸
基于步骤S4中的完整分割图像提取待测样品的轮廓和最小外接矩形,并在此基础上计算待测样品的整体长度、还根据所设定阈值输出待测样品两端轧制变形或剪切变形的外形不规则段的长度以及待测样品直径。
首先,计算待样品的整体长度。基于图9所示的二值结果获取待测样品的外形轮廓,计算此外形轮廓对应的最小外接矩形,最小外接矩形的长边长度即为该棒线材剪切废料的整体长度,如图10所示,取最小外接矩形的长轴(即横轴)作为该棒线材剪切废料的中轴线,改长轴长度即为待测样品的整体长度。
然后,计算待测棒线材剪切废料的外形不规则段长度。通过对待测棒线材两端一定范围内像素点所处的横坐标x进行遍历分析,以计算待测样品上外形不规则段和正常段分界点。由于仅需对轮廓两端进行检测,且最两端很小范围内的像素点可能呈特殊的竖直排列形式从而对实际测量产生干扰,因此需要指定待遍历的x个数和第一偏移量。
在本实施例中,将待遍历的横坐标上的像素点个数设置为300;将第一偏移量设置为10个像素点,即为从距离端点10个像素点的位置开始向轴线中点方向选取300个像素点对应的x值作为后续需遍历的点。
对于每个x值,经过中轴线上该像素点作出中轴线的垂线,确定出外形轮廓上距离该垂线最近的四个像素点,并确定该四个像素点的相对位置,选取位于垂线左上方和左下方的两点,计算两点间的纵向距离(上下两点),该纵向距离为横坐标x处棒线材的直径,还计算上下两点连线的中点相对于中轴线的偏移量。
对上述计算得到的纵向距离和偏移量通过预设的两个参考阈值(即参考直径和参考偏移量)进行验证,以判断对应的垂线处的像素点是否为所需的外形规则段和外形不规则段的分界点,具体的判断方法为:
其一,以中轴线中点处的直径作为参考,同时考虑到中间位置处的外形相对两端的外形不规则段而言往往非常理想,在中点处直径基础上减小n个像素作为第一个阈值threshold 1(参考直径),本实施例中n取3,通过判断对应的x位置处(即疑似分界点)计算得到的纵向距离是否小于threshold 1来判断此x处是否属于外形不规则段
其二,待测样品外形不规则同时表现为弯曲,因此给定第二个阈值threshold 2(即参考偏移量),通过判断前述上下两点连线的中点相对于中轴线的偏移量是否大于threshold 2来判断此x处是否属于外形不规则段。
具体的,在本实施例中,threshold 1设置为像素n为3,和threshold2偏移量均为3。特别地,考虑到待测棒线材直径往往从两端向中间逐渐增大、而弯曲往往从中间向两端逐渐增大的特点,以待测棒线材剪切废料样品的左端不规则段为例:根据threshold 1判断时,按照从左至右的顺序遍历300个像素点对应的横坐标x;根据threshold 2判断时,按照从右至左的顺序遍历300个像素点对应的横坐标x;相应的,当对右侧不规则段进行判断时,则按照于左端不规则段相反的顺序遍历:根据threshold 1判断时,按照从右至左的顺序遍历300个像素点对应的横坐标x;根据threshold 2判断时,按照从左至右的顺序遍历300个像素点对应的横坐标x。通过遍历上述像素点对应的x坐标,可以确定出至少一个分界点。
之后还需通过以下方式判断前述确定的分界点是否满足要求:
设置一个耐心值patience,当连续判定为正常段位置的x坐标数量超过patience时,认为第一个正常位置点对应的x坐标处即为外形正常段和外形不规则段的分界点;在本实施例中,patience设置为3,最终,在根据threshold 1和threshold 2计算出的两个分界点中,选取使得外形不规则段更长的x作为最终分界点;对同一个待检测棒线材废料,可以通过控制检测装置使之旋转不同角度进行多次测量,并在对应的多个测量结果中选取使得外形不规则段更长的x坐标作为最终分界点(一端为规则段,一端为不规则段)。
计算待测样品直径的方法为:选取待测棒线材剪切废料样品中轴线上的中点及其位于中点左右两侧且距离该中点一定偏移量处的两点一共3个横坐标x,计算这三个位置处对应的棒线材直径的平均值,并将该平均值作为待测棒线材外形规则段的平均直径,本实施例中,左右两计算点相对中轴线中点的偏移量(即第三偏移量)为100个像素。
实施例2
本实施例公开一种轧制棒线材剪切废料尺寸的测量方法的测量装置,结合图11和图12所示,该装置包括:
底座1,底座1上竖直设置有Z轴丝杆2,Z轴丝杆2的顶端一侧固定有用于为整个测量装置供电的配电柜3,Z轴丝杆2的顶端另一侧上设置有X轴丝杆4,该X轴丝杆4能在Z轴丝杆2上上下滑动;X轴丝杆4的上还设置有Y轴丝杆5,Y轴丝杆5能在X轴丝杆4上左右滑动;X轴丝杆、Y轴丝杆和Z轴丝杆组成三维运动组件。
Y轴丝杆5下侧面设置有工业相机6(即图像获取模块),该工业相机能沿三维运动组件上下、前后和左右运动;工业相机6正下方的底座1上设置有定挡板7,定挡板7一侧设置有一个气缸8作为气动翻转模块,气缸8能驱动定挡板7进行一定角度内的翻转,以使得位于定挡板7上的待测样品能相对翻转,从而使得工业相机6能多角度拍摄待测样品的照片;本实施例中的工业相机6的镜头正下方还设置有光源9,以辅助拍摄出更清晰的样品图像来;此外,底座1上还设置有触摸屏10,触摸屏10与工业相机、三维运动组件及外部计算器相连接,用于输入人工指令和显示各运动机构的工作参数等;工业相机6还与外部计算器连接(即外部数据分析处理模块),工业相机6获取棒线材剪切废料的原始图像后,将原始图像传输给外部计算器,外部计算器上搭载有与实施例1中的检测方法相应的程序和算法,能基于原始图像判断棒线材剪切废料外形规则段和外形不规则段的分界点,进而确定外形不规则段的尺寸。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,所述测量方法包括以下步骤:
S1获取所述棒线材剪切废料的原始图像并预处理,得到预处理图像;
S2对所述预处理图像进行轮廓标注以生成对应的二值化标签,将轮廓标注后的所述预处理图像划分为尺寸相同的多个图像-标签子图;
S3将所述图像-标签子图划分为训练数据集和验证数据集,并利用所述训练数据集训练UNet神经网络模型,利用验证数据集验证训练后的所述UNet神经网络模型;
S4将待测样品的图像预处理并划分为子图后输入步骤S3中训练好的所述UNet神经网络模型中进行分割,以获得多个分割子图;
S5基于步骤S4中所述分割子图的位置信息,将步骤S4中获得的所述分割子图合并,从而得到所述待测样品的完整分割图像;
S6获取所述完整分割图像的最小外接矩形,以距离所述最小外接矩形两端第一偏移量处的所述完整分割图像的像素点为起点,沿横坐标方向遍历预设数量的像素点,以确定所述待测样品上的外形不规则段和外形规则段的分界点,基于所述分界点获取所述待测样品的不规则段尺寸。
2.如权利要求1所述的一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,步骤S1中,对所述原始图像进行预处理的步骤包括:
对所述原始图像分别进行尺寸归一化、直方图归一化和降采样处理。
3.如权利要求2所述的一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,对所述原始图像进行尺寸归一化处理的步骤包括:当所述原始图像尺寸大于预设尺寸时,剪裁所述原始图像边缘直至符合所述预设尺寸;当所述原始图像尺寸小于所述预设尺寸时,制作所述预设尺寸的黑色掩膜,并将所述原始图像填充于其中。
4.如权利要求1所述的一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,步骤S3中,以二元交叉熵损失函数作为优化目标,并以平均交并比作为辅助观测指标训练所述UNet神经网络模型。
5.如权利要求1所述的一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,步骤S6中,沿横坐标方向遍历的预设数量的像素点大于等于300个;优选的,所述第一偏移量为大于等于10个像素点。
6.如权利要求1所述的一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,步骤S6中,确定所述待测样品上的外形不规则段和外形规则段的分界点的具体步骤包括:
S61获取所述完整分割图像的最小外接矩形,沿所述最小外接矩形的横坐标方向遍历预设数量的像素点,遍历时,确定每个像素点处所述最小外接矩形的横向中轴线的垂线,并在所述完整分割图像的轮廓上获取距离所述垂线最近的左右两对像素点的位置信息,其中,每对像素点位于所述横向中轴线的上下两侧;
S62基于所述位置信息,计算任意一对像素点之间的纵向距离;
S63判断所述纵向距离是否小于预设的参考直径:若小于,则确定所述垂线处的像素点即为所述分界点;若大于等于,则所述垂线处的像素点不是所述分界点。
7.如权利要求6所述的一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,步骤S63之后,还执行以下步骤:
S64计算任意一对像素点连线的中点相对于所述横向中轴线的第二偏移量;
S65判断所述第二偏移量是否大于预设的参考偏移量:若大于,则判断所述垂线处的像素点为所述分界点;若小于等于,则所述垂线处的像素点不是所述分界点。
8.如权利要求7所述的一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,判断被确定为所述分界点的像素点的数量是否超过预设耐心值:若超过,则将第一个被判断为所述分界点的像素点作为所述外形正常段和所述外形不正常段的最终分界点;若不超过,则选取所有所述分界点中使所述外形不规则段长度更长的像素点作为所述分界点。
9.如权利要求1所述的一种轧制棒线材剪切废料尺寸的测量方法,其特征在于,步骤S6之后,还计算所述待测样品外形规则段的直径,计算步骤包括:选取所述待测样品中点,以及分别位于该中点左右两侧且与该中点距离为第三偏移量的两个像素点;计算所述中点和其两侧的两个像素点处对应的所述待测样品的直径并求平均值,进而得到所述待测样品外形规则段的直径。
10.一种能实现如权利要求1-9任意所述的一种轧制棒线材剪切废料尺寸的测量方法的测量装置,其特征在于,包括:
三维运动组件以及设置在其上的图像获取模块,所述图像获取模块能沿所述三维运动组件上下、前后和左右运动;
定位挡板,其设置在所述三维运动组件上并位于所述图像获取模块下方,所述定位挡板用于放置所述待测样品;
气动翻转模块,其设置在所述定位挡板下方,并能使所述定位挡板带动所述待测样品旋转和翻转一定角度;
外部数据分析处理模块,与所述图像获取模块相连接;所述图像获取模块用于获取所述待测样品的原始图像,并将所述原始图像传输给所述外部数据分析处理模块;所述外部数据分析处理模块用于基于所述原始图像判断所述待测样品外形规则段和外形不规则段的分界点,进而确定所述外形不规则段的尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310649323.2A CN116612176A (zh) | 2023-05-31 | 2023-05-31 | 一种轧制棒线材剪切废料尺寸的测量方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310649323.2A CN116612176A (zh) | 2023-05-31 | 2023-05-31 | 一种轧制棒线材剪切废料尺寸的测量方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116612176A true CN116612176A (zh) | 2023-08-18 |
Family
ID=87679868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310649323.2A Pending CN116612176A (zh) | 2023-05-31 | 2023-05-31 | 一种轧制棒线材剪切废料尺寸的测量方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612176A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117531845A (zh) * | 2024-01-09 | 2024-02-09 | 东北大学 | 中厚板平面形状控制方法及装置、存储介质、计算机设备 |
-
2023
- 2023-05-31 CN CN202310649323.2A patent/CN116612176A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117531845A (zh) * | 2024-01-09 | 2024-02-09 | 东北大学 | 中厚板平面形状控制方法及装置、存储介质、计算机设备 |
CN117531845B (zh) * | 2024-01-09 | 2024-03-15 | 东北大学 | 中厚板平面形状控制方法及装置、存储介质、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
Liu et al. | A detection and recognition system of pointer meters in substations based on computer vision | |
CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
CN112629441B (zh) | 3d曲面玻璃轮廓扫描检测方法及系统 | |
CN107895362B (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
CN108332689A (zh) | 一种检测表面粗糙度和表面损伤的光学测量系统及方法 | |
CN107578047B (zh) | 电力电缆的偏心度检测方法 | |
CN111896549B (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN116612176A (zh) | 一种轧制棒线材剪切废料尺寸的测量方法和装置 | |
CN114894642B (zh) | 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置 | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测系统与方法 | |
CN112712513A (zh) | 产品缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN114792323A (zh) | 一种基于图像处理的钢管变形检测方法及系统 | |
CN116071363A (zh) | 一种自动化型钢智能生产监测系统 | |
Tayo et al. | Portable crack width calculation of concrete road pavement using machine vision | |
CN113569679B (zh) | 测量断裂伸长率的方法、装置和系统 | |
CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
CN117197412B (zh) | 一种基于ar的公路病害智能巡检系统及方法 | |
CN113378663A (zh) | 一种巡检指针式圆形仪表识别方法及装置 | |
CN112200778A (zh) | 一种非接触式多线缆类型参数测量的方法及系统 | |
CN117308881A (zh) | 一种隧道检修道盖板倾斜角度的检测装置和检测方法 | |
CN111475016A (zh) | 一种基于计算机视觉的装配过程几何参数自适应测量系统及方法 | |
CN116091488A (zh) | 一种发动机摇摆试验的位移测试方法及位移测试系统 | |
CN115035071A (zh) | 一种pad导光板黑点缺陷的视觉检测方法 | |
CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 |
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 |