CN118134969A - 一种基于机器视觉的方坯在线跟踪方法 - Google Patents
一种基于机器视觉的方坯在线跟踪方法 Download PDFInfo
- Publication number
- CN118134969A CN118134969A CN202410394900.2A CN202410394900A CN118134969A CN 118134969 A CN118134969 A CN 118134969A CN 202410394900 A CN202410394900 A CN 202410394900A CN 118134969 A CN118134969 A CN 118134969A
- Authority
- CN
- China
- Prior art keywords
- square billet
- image
- billet
- square
- connected domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的方坯在线跟踪方法,涉及技术领域,包括以下步骤:采集方坯的实时图像数据;对图片进行预处理;对图像a进行特征提取,判断图像a中代表方坯的区域;对图像a进行透视变换,将方坯主要经过的区域转换为固定尺寸的图像b;对图像b进行连通域分析,根据连通域大小信息计算方坯的中心点和边界;根据图像b中方坯的中心点和边界数据结合所述图像a中的方坯区域位置,判断方坯的后续状态;保存方坯的实时状态变化及最终去向,将结果可视化输出。本发明通过图像识别和连通域分析,对方坯位置变化进行实时跟踪,能够及时对位置变化异常的方坯进行处理,防止方坯在传送辊道上发生碰撞等危险情况。
Description
技术领域
本发明属于钢坯跟踪技术领域,具体是一种基于机器视觉的方坯在线跟踪方法。
背景技术
在钢铁产品的生产中,方坯是一种常见的钢材中间形态,方坯跟踪是钢铁冶金行业中的一个重要环节,对于生产过程控制、产品质量检测以及生产效率提升具有重要意义。传统方式方坯生产线采用热检仪对方坯的流向进行检测,每个流次设置一个热检仪,但是由于安装位置是推钢机的横梁,振动非常大,使热检仪的信号经常丢失或误检,被损坏频率也很高,所以检测到进入传送辊道的钢坯的准确率不高,时常出现漏检等问题。
发明内容
本发明的目的在于提供一种基于机器视觉的方坯在线跟踪方法,以解决上述背景技术中提出的问题和缺陷的至少一个方面。
为实现上述目的,本发明提供了一种基于机器视觉的方坯在线跟踪方法,包括以下步骤:
步骤一:采集方坯的实时图像数据;
步骤二:对所述图像数据中的图片依次进行预处理,并通过阈值分割将图片转化为二值化图像a;
步骤三:根据所述图像a中方坯的颜色特征进行特征提取,判断图像a中代表方坯的区域;
步骤四:对所述图像a进行透视变换,将方坯主要经过的区域转换为固定尺寸的图像b;
步骤五:对所述图像b进行连通域分析,统计连通域大小信息,根据连通域大小信息计算方坯的中心点和边界;
步骤六:如当前图片为第一张图片,则保存图片数据;否则,根据所述图像b中方坯的中心点和边界数据结合所述图像a中的方坯区域位置,与上一张图片的对应数据进行对比,判断方坯的后续状态;
步骤七:重复步骤三至步骤六,直到本次图像数据处理完毕,保存方坯的实时状态变化及最终去向,将结果可视化输出。
进一步地,所述预处理包括通过高斯模糊对数据进行平滑处理和降噪。
高斯模糊为对图片应用一个高斯滤波器,达到模糊图片和消除噪声的效果;模糊图片即平滑处理,具有减少图片噪声和降低细节层次的作用。
进一步地,所述高斯模糊的高斯内核的大小为5*5。
较大的高斯内核大小通常会导致更大程度的过滤,并在输出图像中产生更多的模糊,并增加计算复杂性;较小的内核则会导致对图片的处理不足,经过测试,5*5的内核大小与本发明的处理需求较为适配。
进一步地,所述阈值分割的阈值设定为:对图像颜色进行分析,取方坯的颜色区域和环境颜色区域的边界作为阈值。
进一步地,所述方坯主要经过的区域为方坯的传送辊道。
进一步地,所述传送辊道预先设置有若干位置区域,用于对比方坯位置变化。
进一步地,所述根据连通域大小信息计算方坯的中心点和边界,具体包括:
使用OpenCV(Open Source Computer Vi s i on L i brary,开源计算机视觉库)进行连通域分析,使用two-pass算法(两遍扫描法)统计连通域的大小信息,连通域的大小大于阈值则判断为方坯,计算其中心点和边界。
进一步地,所述判断方坯的后续状态,具体包括:
根据当前图片中方坯的连通域所在位置与上一张图片中方坯的连通域所在位置进行对比,通过在所述方坯主要经过的区域中的相对位置变化,判断方坯在这段时间内的状态变化。
进一步地,所述状态变化包括方坯的前进、后退、停留。
进一步地,通过方坯在传送辊道的最后部分的位置,准确获取方坯进入传送辊道的流次,再结合传送辊道的运行信号,来准确获取进入传送辊道的方坯流号,实现对方坯的准确识别和对进入某流次的方坯流号进行准确区分。
与现有技术相比,本发明的有益效果是:
1、本发明通过图像识别和连通域分析,对方坯位置变化进行实时跟踪,能够及时对位置变化异常的方坯进行处理,防止方坯在传送辊道上发生碰撞等危险情况。
2、本发明通过机器视觉准确获取方坯进入传送辊道的流次,再结合传送辊道的运行信号,来准确获取进入传送辊道的方坯流号,实现对方坯的准确识别和对进入某流次的方坯流号进行准确区分。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为一种基于机器视觉的方坯在线跟踪方法的流程示意图;
图2为方坯的传送辊道上的流次和位置区域的划分示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。在说明书中,相同或相似的附图标号指示相同或相似的部件。下述参照附图对本发明实施方式的说明旨在对本发明的总体发明构思进行解释,而不应当理解为对本发明的一种基于机器视觉的方坯在线跟踪方法限制。
另外,在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下,公知的结构和装置以图示的方式体现以简化附图。
如图1所示,一种基于机器视觉的方坯在线跟踪方法,包括以下步骤:
步骤一:采集方坯的实时图像数据;
具体包括:本实施例中,在传送辊道上架设有海康摄像头,开始工作后,通过海康摄像头获取视频数据;在一些优选的实施例中,通过摄像头每隔一秒进行一次拍摄,获取图片数据。
步骤二:对图像数据中的图片依次进行预处理,并通过阈值分割将图片转化为二值化图像a;
具体包括:本实施例中,对于图片数据直接进行处理;对于视频数据,使用OpenCV对视频进行逐帧提取,每隔5帧提取一张图片作为图像数据。
阈值分割包括:通过灰度阈值分割,通过对图片颜色进行分析,设定阈值,将图片中大于阈值的点置为白色,小于阈值的点置为黑色,转化为二值化图像a。
步骤三:根据图像a中方坯的颜色特征进行特征提取,判断图像a中代表方坯的区域;
本实施例中,由于方坯的温度远高于环境,故在图片中为亮色部分,所以图像a中大于阈值的点组成的部分,即白色区域围成的部分为方坯所在区域。
步骤四:对图像a进行透视变换,将方坯主要经过的区域转换为固定尺寸的图像b;
透视变换就是对图像中的物体进行空间坐标变换时,使变换结果满足一定的透视关系;将方坯主要经过的区域转换为2000像素×1000像素尺寸的图像b,作用为排除环境影响,避免后续的连通域分析中在环境中看到连通域。
步骤五:对图像b进行连通域分析,统计连通域大小信息,根据连通域大小信息计算方坯的中心点和边界;
步骤六:如当前图片为第一张图片,则保存图片数据;否则,根据所述图像b中方坯的中心点和边界数据结合所述图像a中的方坯区域位置,与上一张图片的对应数据进行对比,判断方坯的后续状态;
具体包括:
步骤七:重复步骤三至步骤六,直到本次图像数据处理完毕,保存方坯的实时状态变化及最终去向,将结果可视化输出。
进一步地,预处理包括通过高斯模糊对数据进行平滑处理和降噪。
高斯模糊为对图片应用一个高斯滤波器,达到模糊图片和消除噪声的效果;模糊图片即平滑处理,具有减少图片噪声和降低细节层次的作用。
进一步地,高斯模糊的高斯内核的大小为5*5。
较大的高斯内核大小通常会导致更大程度的过滤,并在输出图像中产生更多的模糊,并增加计算复杂性;较小的内核则会导致对图片的处理不足,经过测试,5*5的内核大小与本发明的处理需求较为适配。
进一步地,阈值分割的阈值设定为:对图像颜色进行分析,取方坯的颜色区域和环境颜色区域的边界作为阈值。
进一步地,方坯主要经过的区域为方坯的传送辊道。
进一步地,传送辊道预先设置有6个位置区域,用于对比方坯位置变化。
进一步地,根据连通域大小信息计算方坯的中心点和边界,具体包括:
使用OpenCV进行连通域分析,使用two-pass算法统计连通域的大小信息,连通域的大小大于阈值则判断为方坯,计算其中心点和边界;
two-pass算法的过程为:先对图片的每一个像素点进行遍历,如果像素点p的值不为0,则考察它左上方4个邻居的值,如果邻居的值均为0,则给像素点p打上标签;如果邻居中存在不为0的值,取其中的最小值赋给p,随后利用并查集,将邻居的各种取值都距离联系,即认定为同一个连通域;最后对每一个非0的像素点进行遍历,利用并查集的f i nd方法,把每一个非0像素点的取值设为对应的根节点的值,使同一连通域被标记为同一颜色。
对于二值化处理后的图像,像素点p的值共有0,1两种,取值代表类别代号,以本实施例来说,二值化图像a中,白色部分取值为1,黑色部分取值为0。
通过连通域的大小是否大于阈值判断出方坯的连通域,连通域的边界即时方坯的边界,方坯在图片中的形状为矩形,矩形的中心点即为两条对角线的交点,即可得到方坯的边界和中心点。
进一步地,判断方坯的后续状态,具体包括:
根据当前图片中方坯的连通域所在位置与上一张图片中方坯的连通域所在位置进行对比,通过在所述方坯主要经过的区域中的相对位置变化,判断方坯在这段时间内的状态变化。
进一步地,状态变化包括方坯的前进、后退、停留。
如图2所示,方坯的传送辊道范围被竖向划分为6个流次,横向划分为6个位置区域,区域划分为0%、20%、40%、60%、80%和100%;
传送辊道开始工作后,方坯依次从0%区域传送至100%区域,对比前后两张图片上方坯的位置区域的变化,即可得到方坯在这段时间内的前进、后退和停留的状态变化;
对于每块方坯,实时记录其在传送辊道上的状态变化,以及到达100%区域时的最终流次去向,再结合传送辊道的运行信号,来准确获取进入传送辊道的铸坯流号,实现对方坯的准确识别和区分流次,完善整体的全方位物料跟踪体系。
将每块方坯的状态变化和最终流向进行可视化图表转化,保存到数据库中。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于机器视觉的方坯在线跟踪方法,其特征在于,包括以下步骤:
步骤一:采集方坯的实时图像数据;
步骤二:对所述图像数据中的图片依次进行预处理,并通过阈值分割将图片转化为二值化图像a;
步骤三:根据所述图像a中方坯的颜色特征进行特征提取,判断图像a中代表方坯的区域;
步骤四:对所述图像a进行透视变换,将方坯主要经过的区域转换为固定尺寸的图像b;
步骤五:对所述图像b进行连通域分析,统计连通域大小信息,根据连通域大小信息计算方坯的中心点和边界;
步骤六:如当前图片为第一张图片,则保存图片数据;否则,根据所述图像b中方坯的中心点和边界数据结合所述图像a中的方坯区域位置,与上一张图片的对应数据进行对比,判断方坯的后续状态;
步骤七:重复步骤三至步骤六,直到本次图像数据处理完毕,保存方坯的实时状态变化及最终去向,将结果可视化输出。
2.根据权利要求1所述的一种基于机器视觉的方坯在线跟踪方法,其特征在于,所述预处理包括通过高斯模糊对数据进行平滑处理和降噪。
3.根据权利要求3所述的一种基于机器视觉的方坯在线跟踪方法,其特征在于,所述高斯模糊的高斯内核的大小为5*5。
4.根据权利要求1所述的一种基于机器视觉的方坯在线跟踪方法,其特征在于,所述阈值分割的阈值设定为:对图像颜色进行分析,取方坯的颜色区域和环境颜色区域的边界作为阈值。
5.根据权利要求1所述的一种基于机器视觉的方坯在线跟踪方法,其特征在于,所述方坯主要经过的区域为方坯的传送辊道。
6.根据权利要求5所述的一种基于机器视觉的方坯在线跟踪方法,其特征在于,所述传送辊道预先设置有若干位置区域,用于对比方坯位置变化。
7.根据权利要求1所述的一种基于机器视觉的方坯在线跟踪方法,其特征在于,所述根据连通域大小信息计算方坯的中心点和边界,具体包括:
使用OpenCV进行连通域分析,使用two-pass算法统计连通域的大小信息,连通域的大小大于阈值则判断为方坯,计算其中心点和边界。
8.根据权利要求1所述的一种基于机器视觉的方坯在线跟踪方法,其特征在于,所述判断方坯的后续状态,具体包括:
根据当前图片中方坯的连通域所在位置与上一张图片中方坯的连通域所在位置进行对比,通过在所述方坯主要经过的区域中的相对位置变化,判断方坯在这段时间内的状态变化。
9.根据权利要求8所述的一种基于机器视觉的方坯在线跟踪方法,其特征在于,所述状态变化包括方坯的前进、后退、停留。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410394900.2A CN118134969A (zh) | 2024-04-02 | 2024-04-02 | 一种基于机器视觉的方坯在线跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410394900.2A CN118134969A (zh) | 2024-04-02 | 2024-04-02 | 一种基于机器视觉的方坯在线跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118134969A true CN118134969A (zh) | 2024-06-04 |
Family
ID=91235736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410394900.2A Pending CN118134969A (zh) | 2024-04-02 | 2024-04-02 | 一种基于机器视觉的方坯在线跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118134969A (zh) |
-
2024
- 2024-04-02 CN CN202410394900.2A patent/CN118134969A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | An automated vision system for container-code recognition | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN114240939B (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN115201206B (zh) | 基于机器视觉的电动车车把缺陷检测方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
Chavan et al. | Quality control of PCB using image processing | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
Luo et al. | Waterdrop removal from hot-rolled steel strip surfaces based on progressive recurrent generative adversarial networks | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN112712058A (zh) | 一种字符识别提取方法 | |
Wu et al. | Steel bars counting and splitting method based on machine vision | |
CN110348363B (zh) | 基于多帧角度信息融合消除相似车辆干扰的车辆跟踪方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 | |
CN118134969A (zh) | 一种基于机器视觉的方坯在线跟踪方法 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN117058417A (zh) | 一种图像识别方法及系统 | |
CN114266748B (zh) | 一种轨交检修领域工艺板表面完整性判定的方法及装置 | |
CN114529555A (zh) | 一种基于图像识别的烟箱高效进出库检测方法 |
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 |