JP2023511869A - マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステム - Google Patents
マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステム Download PDFInfo
- Publication number
- JP2023511869A JP2023511869A JP2022543641A JP2022543641A JP2023511869A JP 2023511869 A JP2023511869 A JP 2023511869A JP 2022543641 A JP2022543641 A JP 2022543641A JP 2022543641 A JP2022543641 A JP 2022543641A JP 2023511869 A JP2023511869 A JP 2023511869A
- Authority
- JP
- Japan
- Prior art keywords
- image
- low
- acid
- defects
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 277
- 239000002253 acid Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005530 etching Methods 0.000 title claims abstract description 35
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 35
- 239000010959 steel Substances 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000005204 segregation Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 7
- 229910052751 metal Inorganic materials 0.000 claims description 7
- 239000002184 metal Substances 0.000 claims description 7
- 241000519995 Stachys sylvatica Species 0.000 claims description 6
- 210000003625 skull Anatomy 0.000 claims description 5
- 238000007920 subcutaneous administration Methods 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 229910000746 Structural steel Inorganic materials 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000009749 continuous casting Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910001315 Tool steel Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004512 die casting Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910052755 nonmetal Inorganic materials 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910001208 Crucible steel Inorganic materials 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- Sampling And Sample Adjustment (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
【課題】本願は、マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステムを提供する。【解決手段】該方法は、酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うために用いられており、第１プリセット条件に応じて、鋼材低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることと、第１画像に対して自動画像処理を行い、第２画像を得ることと、第２プリセット条件に応じて、第２画像に対して画像分類を行い、第３画像を得ることと、予め既知の欠陥タイプに基づいて、第３画像に対して欠陥パターン識別を行い、低倍酸エッチング試料における欠陥パターンの分布データを得ることと、第３画像及び低倍酸エッチング試料における欠陥パターンの分布データに基づいて、低倍酸エッチング試料における各種類の欠陥パターンの量子化データを得ることと、低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、低倍酸エッチング試料における欠陥を格付けすることと、を含む。【選択図】図１
Description
本願は、冶金物理的検出技術分野に関し、特にマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステムに関する。
低倍検査は、マクロ物理的検査項目の一種に属し、一般的に、肉眼又は十倍以下のルーペを用いて酸エッチングされた金属表面、破面又はマクロ組織並びにその欠陥を検査する方法が用いられている。マクロ検査には、低倍欠陥検査（酸エッチング、サルフアプリント（Ｓｕｌｆｕｒ Ｐｒｉｎｔ）、塔形（ｔｅｌｅｓｃｏｐｉｎｇ））及び破面分析などが含まれている。いわゆるマクロ検査とは、通常、鋼材又はビレット又は連続鋳造スラブの横方向端面の酸エッチング検査である。これは、国際的に汎用されている鋼材内部品質検査方法の一つであり、規模化生産プロセスの品質制御における有効な方法でもあり、広く応用されており、現在ほとんどの連続鋳造スラブ、丸鋼品種の必須検査項目の一つである。通常の操作フローは、試料－－機械加工－－酸エッチング－－格付け－－レポートなどであり、ただし、酸エッチング及び格付けプロセスは、完全に人工に依存してスペクトルを参照して格付けするものであり、格付け結果の正確性は、人工のスペクトルへの理解に依存し、デジタル化格付け基準が欠け、また、格付け済み試料が長期に保存できず、トレーサビリティに欠けた。
したがって、上記従来技術の不足に対する改良技術案を提供する必要がある。
本願の目的は、マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステムを提供し、上記従来技術に存在している課題を解決又は緩和する。
上記目的を実現するために、本願は以下のような技術案を提供する。
本願は、酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うためのマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法であって、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることと、前記第１画像に対して自動画像処理を行い、第２画像を得ることと、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得ることと、予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることと、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることと、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けすることと、を含むマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法を提供する。
本願は、酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うためのマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法であって、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることと、前記第１画像に対して自動画像処理を行い、第２画像を得ることと、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得ることと、予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることと、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることと、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けすることと、を含むマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法を提供する。
あるいは、本願のいずれかの実施例において、前記第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることは、具体的に、設定された画像背景及び縮尺に応じて、前記低倍酸エッチング試料に対して画像収集を行い、前記第１画像を得ることである。
あるいは、本願のいずれかの実施例において、前記第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得ることは、具体的に、前記第２画像の中心を円心とし、前記第２画像に対して同心円分類を行うとともに、プリセット象限の象限分類線に応じて前記第２画像に対して象限分類を行い、前記第３画像を得ることである。
あるいは、本願のいずれかの実施例において、前記予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることは、具体的に、前記第３画像における欠陥に対して特徴抽出を行い、前記第３画像における欠陥特徴を得て、且つ予め分類された前記欠陥タイプに基づいて、前記欠陥特徴に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることである。
あるいは、本願のいずれかの実施例において、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることは、具体的に、前記第３画像に対応する前記低倍酸エッチング試料における欠陥パターンの分布データに対してデジタル化解析を行い、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることである。
あるいは、本願のいずれかの実施例において、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けすることは、具体的に、前記低倍酸エッチング試料における欠陥パターンの量子化データとプリセット量子化基準とを照合し、且つ照合結果に基づいて前記低倍酸エッチング試料における欠陥を格付けすることである。
あるいは、本願のいずれかの実施例において、前記欠陥タイプは、点状欠陥と、線状欠陥と、面状欠陥と、を含み、ただし、前記点状欠陥は、ルーズと、非金属介在と、異金属介在と、点状偏析と、を含み、前記線状欠陥は、皮下割れ目と、中心割れ目と、中間割れ目と、コーナー割れ目と、スカルパッチ（ｓｋｕｌｌ ｐａｔｃｈ）と、白点と、を含み、前記面状欠陥は、炭素偏析と、四角の枠偏析と、を含む。
本願の実施例は、酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うためのマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムであって、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得るように構成される画像収集手段と、前記第１画像に対して自動画像処理を行い、第２画像を得るように構成される画像処理手段と、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得るように構成される画像分類手段と、予め分類された欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得るように構成される欠陥識別手段と、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得るように構成される欠陥量子化手段と、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けするように構成される欠陥格付け手段と、を含むマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムをさらに提供する。
本願の実施例は、コンピュータのプログラムが記憶されたコンピュータ読取可能な媒体であって、前記プログラムは、上記のいずれかの実施例に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法であるコンピュータ読取可能な媒体をさらに提供する。
本願の実施例は、メモリと、プロセッサと、前記メモリに記憶されて前記プロセッサによって実行可能なプログラムと、を含み、前記プロセッサは、前記プログラムを実行する時に、上記のいずれかの実施例に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法を実現する電子装置をさらに提供する。
本願の実施例に提供された技術案は、最も近い先行技術と比べ、以下の優れた効果を有している。
本願の実施例に提供された技術案において、コンピュータマシンビジョン及びパターン識別によって鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に存在している欠陥を識別して格付けし、各低倍欠陥格付け図における指示定性説明を効果的に回避し、量子化格付けの問題がなく、低倍酸エッチング試料に存在している欠陥への識別や格付けを、検査者のビジョン印象や欠陥に対するビジョン程度等に依存せず、欠陥特徴に対する画像識別によって、マシン学習によって低倍酸エッチング試料に存在している欠陥を自動的に格付けし、低倍酸エッチング試料における欠陥の自動識別及び格付けの正確率を効果的に向上させ、異なる種類の品種（例えば軸受鋼、歯車鋼、構造鋼、ステンレス鋼、工具鋼、金型鋼など）及び異なる状態（例えば連続鋳造、ダイカスト、エレクトロスラグ、圧延材など）の欠陥の自動識別及び格付けを実現する。
本願の一部を構成する明細書図面は、本願への更なる理解を提供するために用いられ、本願の模式的な実施例及びその説明は、本願への解釈のために用いられ、本願に対する不適当な限定にならない。ただし、
本願のいくつかの実施例により提供されたマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法のフローチャートである。
本願のいくつかの実施例により提供された低倍酸エッチング試料における第２画像ＵＳＭ鮮鋭化の模式図である。
本願のいくつかの実施例により提供された低倍酸エッチング試料におけるルーズ欠陥の模式図である。
本願のいくつかの実施例により提供された低倍酸エッチング試料における中心割れ目欠陥の模式図である。
本願のいくつかの実施例により提供された低倍酸エッチング試料における金属介在欠陥の模式図である。
本願のいくつかの実施例により提供されたマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムの構造模式図である。
本願のいくつかの実施例により提供されたマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムのシーン模式図である。
本願のいくつかの実施例により提供された鋼材低倍酸エッチング欠陥自動識別及び格付けシステムの論理模式図である。
本願のいくつかの実施例により提供されたＯｐｅｎＣＶプログラミングツールによってマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法を実現するソフトウェアインターフェース模式図である。
図９に示すソフトウェアによって低倍酸エッチング欠陥を識別及び格付けする応用模式図である。
図９に示すソフトウェアによる部分コード模式図である。
本願のいくつかの実施例により提供された電子装置の構造模式図である。
本願のいくつかの実施例により提供された電子装置のハードウェア構造である。
以下には、図面を参照しながら実施例を組み合わせて本願を詳細に説明する。各例示は、本願の解釈のためになされたものであり、本願を限定するものではない。実際には、当業者は、本願の範囲又は主旨から逸脱しない限り、本願に修正及び変形を行うことができることがよく知っている。例えば、一つの実施例の一部の特徴を別の実施例に用いることで、別の実施例を生成することができる。したがって、本願は添付の特許請求の範囲及びその同等物の範囲内に属するこのような修正及び変形を含むことが所望されている。
本願の説明において、用語「縦方向」、「横方向」、「上」、「下」、「前」、「後」、「左」、「右」、「垂直」、「水平」、「頂」、「底」等が指示する方位又は位置関係は、図面に示す方位又は位置関係に基づくものであり、本願が特定の方位で構成し操作しなければならないことを要求せず、本願を説明しやすいためであるので、本願を限定するものと理解すべきではない。本願で使用される用語「接する」、「接続」、「設置」は、広義に理解すべきであり、例えば、固定接続であってもよく、取り外し可能に接続されてもよく、直接的に接続されてもよく、中間部材を介して間接的に接続されてもよく、有線接続、無線接続であってもよく、無線通信信号接続であってもよく、当業者にとって、具体的な状況に基づいて上記用語の具体的な意味を理解することができる。
＜例示的な方法＞
図１は、本願のいくつかの実施例により提供された鋼材のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法のフローチャートである。図１に示すように、前記鋼材のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法は、酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うために用いられ、ステップＳ１０１～ステップＳ１０６を含む。
図１は、本願のいくつかの実施例により提供された鋼材のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法のフローチャートである。図１に示すように、前記鋼材のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法は、酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うために用いられ、ステップＳ１０１～ステップＳ１０６を含む。
ステップＳ１０１は、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることである。
本願の実施例において、未加工の試料に対して機械加工を行い、機械加工は、一般的に鋼材軸方向に垂直する旋削プロセスであり、機械加工後の試料を所定に調製された酸性媒体に入れ、酸性媒体とエッチング試験を行い、試料表面を適度にエッチングさせ、試料横断面における固有の欠陥を適度にエッチングさせた後に露出させ、酸エッチング後の試料を除湿して乾燥させ、低倍酸エッチング試料を得る。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、デジタルカメラを用いて低倍酸エッチング試料の横断面を撮影し、低倍酸エッチング試料の画像収集を完成することができる。画像収集を行うプロセスにおいて、収集された低倍酸エッチング試料の画像効果をよりよくさせ、低倍酸エッチング試料の欠陥に対する識別及び格付けをより有利にさせるために、通常、プリセット条件に応じて低倍酸エッチング試料の画像収集プロセスを完成する。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることは、具体的に、設定された画像背景及び縮尺に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることである。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、システムは、統一の画像背景及び縮尺を設定することにより、低倍酸エッチング試料に対してロックや色照合を行い、収集された低倍酸エッチング試料の画像の画素を向上させ、低倍酸エッチング試料における欠陥の測定、識別及び格付けに有利にして、低倍酸エッチング試料の仕様情報を取得しやすく、対応的な鋼材又はビレット又は連続鋳造スラブと対応し、欠陥に対して識別及びデジタル格付けを行うことを容易にする。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、デジタルカメラ又はビデオカメラを用いて低倍酸エッチング試料を検出し、低倍酸エッチング試料のデジタル画像を取得し、低倍酸エッチング試料に対する画像収集を実現する。デジタルカメラで低倍酸エッチング試料に対して画像収集を行うプロセスにおいて、デジタルカメラの撮影時の光線条件を満たすために、低倍酸エッチング試料に対して補光を行う光源システム（例えばＬＥＤ光源）を設定し、天気又は異なる時間による光線が鋼材低倍酸エッチング試料の結像効果への影響を効果的に相殺させることができる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、デジタルカメラは、低倍酸エッチング試料に対して画像収集を行って第１画像を得た後、低倍画像データベースに記憶することにより、長期に保存し、いつでも低倍画像データベースに記憶された第１画像を呼び出すことでソーストレースを行うことができる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
ステップＳ１０２は、前記第１画像に対して自動画像処理を行い、第２画像を得ることである。
本願の実施例において、デジタルカメラが低倍酸エッチング試料に対して画像収集を行うプロセスでは、光源条件が不可避的に外部要因（例えば、気候、時節等）の影響を受け、画像収集プロセスにおいて、デジタルカメラの感光素子が低倍酸エッチング試料の元の色に影響を与え、このようなパイプライン及びレンズの色への影響を補正し、収集された第１画像をより真実にし、低倍酸エッチング試料への欠陥識別及び格付けをより正確にするために、アルゴリズムの自己適応調整により、画像に対する自動処理プロセスを実現し、外光、環境、天気等の影響を効果的に回避する。例えば、第１画像に対して階調及びホワイトバランス調整などを行い、ＲＧＢ色による鋼材低倍酸エッチング試料への欠陥識別の効果を向上させる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、先端収集器（例えば、画像収集カード）によってデジタルカメラに撮影された第１画像を読み取り、且つ第１画像に対して階調及びホワイトバランス、赤（Ｒ）緑（Ｇ）青（Ｂ）三原色の解析色信号等の自動画像処理技術を行い、第２画像を得る。このプロセスにおいて、先端ディスプレイでデジタルカメラが低倍酸エッチング試料に対して画像収集を行うことと、先端収集器がデジタルカメラにおける第１画像を読み取ることと、先端収集器が第１画像に対して階調及びホワイトバランス処理を行うプロセスに対してリアルタイム監視及び人工介入を行うこととによって、異常を発見してタイムリーに対応措置をとる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、さらに、大量のコンピュータアルゴリズムを用いて第１画像に対して鮮鋭化等の処理手段（例えば、ＵＳＭ鮮鋭化、図２に示すように）を行い、第１画像の鮮明度を向上させ、第１画像の色をより鮮明にさせ、エッジをより鮮明にさせることにより、低倍酸エッチング試料欠陥識別の正確率を向上させる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、さらに、第１画像における低倍酸エッチング試料表面に存在している不純物、ノイズ等を自動的に除去することができる。これにより、低倍酸エッチング試料における欠陥識別の正確率をさらに向上させる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
ステップＳ１０３は、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得ることである。
本願の実施例において、第２画像に対して画像分類を行うことにより、欠陥の低倍酸エッチング試料における分布領域を定義し、低倍酸エッチング試料における欠陥を識別する時に、低倍酸エッチング試料における欠陥のクラスタリング領域を正確に位置決めできることに有利にする。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、低倍酸エッチング試料における欠陥を識別する際の効果を高めるために、第２画像を分類するプロセスにおいて、第２プリセット条件に応じて、第２画像分類を制限し、第２画像分類後の低倍酸エッチング試料における欠陥のクラスタリング効果を高める。なお、以上の説明は例示的なものであり、本願実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得ることは、具体的に、前記第２画像の中心を円心とし、前記第２画像に対して同心円分類を行うとともに、プリセット象限の象限分類線に応じて前記第２画像に対して象限分類を行い、前記第３画像を得ることである。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、第２画像の中心を円心とし、異なる半径長さに応じて第２画像を複数の異なる同心円画像に分類し、且つ第２画像の中心をプリセット象限の原点として象限分類を行い、象限分類線に応じて第２画像に対して象限分類を行う。これにより、同心円分類及び象限分類によって第２画像に対するメッシュ化処理を実現し、低倍酸エッチング試料における欠陥を識別する時に低倍酸エッチング試料における欠陥のクラスタリング領域を正確に位置決めすることに有利にする。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、第２画像に対して画像分類を行う時に、分類された同心円が多いほど、プリセット象限の数が多くなり、画像分類後に得られた第３画像は欠陥識別が行われる時に識別精度が高くなる。例えば、第２画像を４象限に分解した場合よりも、第２画像を１２象限に分解した場合の方が、得られた第３画像は欠陥識別が行われる時により正確である。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
ステップＳ１０４は、予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることである。
本願の実施例において、低倍酸エッチング試料の低倍欠陥は、通常、一般的なルーズ、中心ルーズ、インゴット型偏析、点状偏析、白輝度帯、中心偏析、フィーダーヘッド偏析、皮下気泡、残留収縮巣、スカルパッチ、白点、軸心粒界クラック、内部気泡、異金属介在、非金属介在などを含む。低倍酸エッチング試料における欠陥をよりよく識別するために、低倍欠陥を点、線、面の方式で欠陥分類を行い、それにより、異なる欠陥パターンを確立することによって、第３画像に対して欠陥パターン識別を行う時の効率及び正確率を向上させる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、鉄鋼材料規格規定及び鋼材（又はビレット又は連続鋳造スラブ）に実際に存在している異なる欠陥タイプに応じて、それぞれ異なる欠陥パターンを確立し、その後、コンピュータソフトウェアシステムで自動処理、分類後の画像に対して欠陥パターン識別を行い、低倍酸エッチング試料における欠陥の定性タイプ、分布データを得る。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記欠陥タイプは、点状欠陥と、線状欠陥と、面状欠陥と、を含み、ただし、前記点状欠陥は、ルーズ（図３に示すように）と、非金属介在（図４に示すように）と、異金属介在と、点状偏析と、を含み、前記線状欠陥は、皮下割れ目と、中心割れ目（図５に示すように）と、中間割れ目と、コーナー割れ目と、スカルパッチと、白点と、を含み、前記面状欠陥は、炭素偏析や四角の枠偏析などを含む。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、点、線、面の方式に応じて低倍欠陥を異なる欠陥タイプに分類され、低倍酸エッチング試料が欠陥パターン識別を行う時の効率及び正確率を大幅に向上させる。点、線、面の方式により低倍欠陥に対してクラスタリングを分類し、低倍欠陥を２６種類の異なるクラスタリングに分類することができる。これにより、低倍酸エッチング試料における欠陥の正確な位置決めおよび識別を実現する。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、鋼材又はビレット又は連続鋳造スラブにおけるルーズ、非金属介在、異金属不純物、点状偏析、皮下割れ目、中心割れ目、中間割れ目、コーナー割れ目、スカルパッチ及び白点、炭素偏析、四角の枠偏析等の欠陥の存在及び分布は、冶金規格に応じて、上記欠陥が存在すれば、使用する前に忠実に反映しなければならず、“あり”又は“なし”によって判断してもよく、欠陥の存在領域、頻度又は欠陥の長さ、面積等の方式によって量子化統計及びデジタル化分析を行い、規格に規定されたレベルに応じて格付け結果を与えてもよい。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることは、具体的に、前記第３画像における欠陥に対して特徴抽出を行い、前記第３画像における欠陥特徴を得て、且つ予め既知の前記欠陥タイプに基づいて、前記欠陥特徴に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることである。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、第３画像における色、テクスチャ、エッジ等の特徴を抽出することにより、第３画像における欠陥特徴を得て、且つ得られた色、テクスチャ、エッジ等の特徴を予め分類された欠陥タイプと照合して識別することにより、低倍酸エッチング試料における欠陥パターンの分布データを得ることができる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、低倍酸エッチング試料に存在可能な他の欠陥、例えば、白点欠陥、クラック特徴に対するジグザグ線等については、特徴識別を行うプロセスにおいて、包み式特徴選択により、他のタイプの特徴と区別し、これにより、その欠陥特徴識別時の正確率を向上させる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
ステップＳ１０５は、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることである。
本願の実施例において、第２画像に対して象限分類及び同心円分類を行って、メッシュ化処理された第３画像を得て、メッシュ化された第３画像と得られた鋼材低倍酸エッチング試料における欠陥パターンの分布データとを対応させることにより、低倍酸エッチング試料における欠陥の分布を得て、低倍酸エッチング試料における欠陥の画像中の量子化データを得ることができる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることは、具体的に、前記第３画像に対応する前記低倍酸エッチング試料における欠陥パターンの分布データに対してデジタル化解析を行い、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることである。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、第３画像をメッシュ化した後、低倍酸エッチング試料における欠陥の分布データに対する圧縮符号化により、データの伝送を完了し、その後、ワークステーション等の処理装置によって圧縮符号化された分布データに対して解凍及び逆コンパイルを行い、分布データのデジタル化解析を実現することで、低倍酸エッチング試料における欠陥に対して定量分析を行う。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、低倍試料画像及び自動画像処理された後のピクチャ及び低倍酸エッチング試料における欠陥の分布データ、デジタル化解析後の量子化データ等は、いずれも、サーバ等の装置で記憶されることで、いつでも呼び出し、遡及等の操作を行われることができる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
ステップＳ１０６は、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けすることである。
本願の実施例において、低倍酸エッチング試料における欠陥パターンの量子化データに基づいて欠陥を格付けし、検査者が欠陥を格付けするプロセスに存在している主観的要因からの影響を効果的に回避し、低倍酸エッチング試料における欠陥格付けの正確率を向上させることができる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けすることは、具体的に、前記低倍酸エッチング試料における欠陥パターンの量子化データとプリセット量子化基準とを照合し、且つ照合結果に基づいて前記低倍酸エッチング試料における欠陥を格付けすることである。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、プリセットの量子化基準は、鋼材（又はビレット又は連続鋳造スラブ）の低倍組織欠陥格付け図（例えば、構造鋼低倍組織欠陥格付け図、連続鋳造鋼角スラブ低倍組織欠陥格付け図等）によって、専門業者により総合的に設定されるものであってもよい。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、低倍酸エッチング試料における欠陥パターンの量子化データとプリセット量子化基準を絶えず照合することにより、低倍酸エッチング試料における欠陥の格付け結果を得て、その後、専門家が格付け結果と低倍組織欠陥格付け図とを照らし合わせ、マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法を絶えず改良し、最適化し、該方法の運転速度及び識別、格付け結果の正確率を向上させる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、ディスプレイ等の表示装置によって低倍酸エッチング試料における欠陥の格付け結果を自動的に表示し、且つサーバ等の装置によって記憶することで、いつでも呼び出すことができ、設定された出力フォーマット要求に応じて、識別、格付け結果のモード報告を出力することもできる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、低倍酸エッチング試料に複数の欠陥が併存する時に、鋼種の違いによって一定の優先度に応じて出現可能な欠陥をそれぞれ識別し、様々な格付け結果を得ることができる。複数の欠陥特徴のそれぞれに対して特徴抽出を行うことにより、鋼材低倍酸エッチング試料における複数の欠陥を識別する。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、コンピュータマシンビジョン及びパターン識別によって鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に存在している欠陥を識別して格付けし、各低倍欠陥格付け図における指示定性説明を効果的に回避し、量子化格付けの問題がなく、低倍酸エッチング試料に存在している欠陥への識別や格付けを、検査者のビジョン印象や欠陥に対するビジョン程度等に依存せず、欠陥特徴に対する画像識別によって、マシン学習によって低倍酸エッチング試料に存在している欠陥を自動的に格付けし、低倍酸エッチング試料における欠陥の自動識別及び格付けの正確率を効果的に向上させ、異なる種類の品種（例えば軸受鋼、歯車鋼、構造鋼、ステンレス鋼、工具鋼、金型鋼など）及び異なる状態（例えば連続鋳造、ダイカスト、エレクトロスラグ、圧延材など）の欠陥の自動識別及び格付けを実現する。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
＜例示的なシステム＞
図６は、本願のいくつかの実施例により提供されたマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムの構造模式図であり。図６に示すように、酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムであって、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得るように構成される画像収集手段６０１と、前記第１画像に対して自動画像処理を行い、第２画像を得るように構成される画像処理手段６０２と、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得るように構成される画像分類手段６０３と、予め分類された欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得るように構成される欠陥識別手段６０４と、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得るように構成される欠陥量子化手段６０５と、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けするように構成される欠陥格付け手段６０６と、を含む、マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステム。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
図６は、本願のいくつかの実施例により提供されたマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムの構造模式図であり。図６に示すように、酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムであって、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得るように構成される画像収集手段６０１と、前記第１画像に対して自動画像処理を行い、第２画像を得るように構成される画像処理手段６０２と、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得るように構成される画像分類手段６０３と、予め分類された欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得るように構成される欠陥識別手段６０４と、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得るように構成される欠陥量子化手段６０５と、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けするように構成される欠陥格付け手段６０６と、を含む、マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステム。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記画像収集手段６０１は、さらに、設定された画像背景及び縮尺に応じて、前記鋼材低倍酸エッチング試料に対して画像収集を行い、前記第１画像を得るように構成される。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記画像分類手段６０３は、さらに、前記第２画像の中心を円心とし、前記第２画像に対して同心円分類を行うとともに、プリセット象限の象限分類線に応じて前記第２画像に対して象限分類を行い、前記第３画像を得るように構成される。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記欠陥識別手段６０４は、さらに、前記第３画像に対して特徴抽出を行い、前記第３画像における欠陥特徴を得て、且つ予め既知の前記欠陥タイプに基づいて、前記欠陥特徴に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得るように構成される。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記欠陥量子化手段６０５は、さらに、前記第３画像に対応する前記低倍酸エッチング試料における欠陥パターンの分布データに対してデジタル化解析を行い、前記低倍酸エッチング試料における欠陥パターンの量子化データを得るように構成される。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
いくつかの選択可能な実施例において、前記欠陥格付け手段６０６は、さらに、前記低倍酸エッチング試料における欠陥パターンの量子化データとプリセット量子化基準とを照合し、且つ照合結果に基づいて前記低倍酸エッチング試料における欠陥を格付けするように構成される。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例におけるマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムは、上記マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法のフロー及び優れた効果を実現することができ、ここでは１つずつ説明しない。
図７は、本願のいくつかの実施例により提供されたマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムのシーン模式図であり、図８は、本願のいくつかの実施例により提供された鋼材低倍酸エッチング欠陥自動識別及び格付けシステムの論理模式図である。図７、図８に示すように、画像収集手段（デジタルカメラ７０３）デジタルカメラ７０３によって低倍酸エッチング試料７０１に対して画像収集を行い、第１画像を得て、テストされてデジタルカメラ７０３の撮影要求を満たす光源システム７０２によってデジタルカメラ７０３に補正を行うことで、天気又は平日時間によるデジタルカメラ７０３が画像を収集する時の結像効果への影響を安定させる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、デジタルカメラ７０３は、低倍酸エッチング試料７０１に対して画像収集を行うことができる一方、収集された画像を記憶することができ、例えば、画像収集された低倍デジタル写真ファイル（即ち第１画像）を低倍画像データベースに記憶してもよく、デジタルカメラ７０３に記憶された第１画像を先端収集装置７０６により読み出して、第１画像を自動画像処理（例えば、階調、ホワイトバランス等）を行ってもよい。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、先端ディスプレイ７０５を設けることにより、デジタルカメラ７０３が鋼材低倍酸エッチング試料７０１に対して画像収集を行うことと、先端収集装置７０６がデジタルカメラ７０３における第１画像を読み取ることと、先端収集装置７０６が第１画像に対して階調及びホワイトバランス処理を行うこととをリアルタイム監視及び人工介入することによって、異常を発見してタイムリーに対応措置をとる。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、デジタルカメラ７０３は、リモコン７０４によって遠隔制御を行い、低倍酸エッチング試料７０１に対して画像収集を行うことができ、デジタルカメラ７０３と先端収集装置７０６や先端ディスプレイ７０５との間には、データ線を介して接続され、第１画像の伝送を行い、先端収集装置７０６とワークステーション又はシステムホスト７０７との間には、ＲＪ４５ツイストペアを介してデータ伝送を行う。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、プログラミングツールによってマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法のソフトウェア工程を実現することができ（図９、図１０、図１１に示すように）、鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング欠陥識別及び格付けのルールベースを形成し、且つワークステーション又はシステムホスト７０７に書き込み、先端収集装置７０６から送信された第２画像に基づいて低倍酸エッチング試料７０１を識別及び格付けし、且つ格付け済みの画像データベースに第２画像、分布データ、圧縮符号化データ、識別格付け結果等を計算して、結果を記憶する。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
本願の実施例において、ワークステーション又はシステムホスト７０７における圧縮符号化データ等は、ネットワークスイッチ７０８等を介してサーバ７０９とデータ伝送を行うことで、サーバ７０９においてデジタル化解析後の結果を記憶する。なお、以上の説明は例示的なものであり、本願の実施例はこれに限定されるものではない。
＜例示的な装置＞
図１２は、本願のいくつかの実施例により提供された電子装置の構造模式図である。図１２に示すように、該電子装置は、
１つ又は複数のプロセッサ１２０１と、
１つ又は複数のプログラムを記憶するように構成できるコンピュータ読取可能な媒体１２０２と、を含み、
前記１つ又は複数のプロセッサ１２０１は、１つ又は複数のプログラムを実行する時に、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得るステップと、前記第１画像に対して自動画像処理を行い、第２画像を得るステップと、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得るステップと、予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得るステップと、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得るステップと、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けするステップと、を含む。
図１２は、本願のいくつかの実施例により提供された電子装置の構造模式図である。図１２に示すように、該電子装置は、
１つ又は複数のプロセッサ１２０１と、
１つ又は複数のプログラムを記憶するように構成できるコンピュータ読取可能な媒体１２０２と、を含み、
前記１つ又は複数のプロセッサ１２０１は、１つ又は複数のプログラムを実行する時に、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得るステップと、前記第１画像に対して自動画像処理を行い、第２画像を得るステップと、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得るステップと、予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得るステップと、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得るステップと、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けするステップと、を含む。
図１３は、本願のいくつかの実施例により提供された電子機器のハードウェア構造である。図１３に示すように、該電子装置のハードウェア構造は、プロセッサ１３０１と、通信インターフェース１３０２と、コンピュータ読取可能な媒体１３０３と、通信バス１３０４と、を含むことができる。
ただし、プロセッサ１３０１、通信インターフェース１３０２、コンピュータ読取可能な媒体１３０３は、通信バス１３０４を介して互いに通信する。
あるいは、通信インターフェース１３０２は、通信モジュールのインターフェース、例えばＧＳＭモジュールのインターフェースであってもよい。
ただし、プロセッサ１３０１は、具体的に、第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得て、前記第１画像に対して自動画像処理を行い、第２画像を得て、第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得て、予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得て、前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得て、前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けする、ように構成されることができる。
プロセッサ１３０１は、中央プロセッサ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ、ＣＰＵと略称する）、ネットワークプロセッサ（Ｎｅｔｗｏｒｋ ｐｒｏｃｅｓｓｏｒ、ＮＰと略称する）などを含む汎用プロセッサであってもよく、デジタル信号プロセッサ（ＤＳＰ）、専用集積回路（ＡＳＩＣ）、プログラマブルゲートアレイ（ＦＰＧＡ）又は他のプログラマブルロジックデバイス、ディスクリートゲート又はトランジスタロジックデバイス、ディスクリートハードウェア部品であってもよい。本願の実施例に開示された各方法、ステップ及び論理ブロック図を実現又は実行することができる。汎用プロセッサは、マイクロプロセッサであってもよいし、任意の従来慣用のプロセッサであってもよい。
本願の実施例の電子装置は、様々な形式で存在し、以下を含むがそれらに限定されない。
（１）移動体通信機能を備え、且つ音声やデータ通信を主目的としていることを特徴として、その端末は、スマートフォン（例えば：Ｉｐｈｏｎｅ）、マルチメディア携帯電話、機能性携帯電話、及びローエンド携帯電話などを含む移動体通信装置。
（２）パーソナルコンピュータの範疇に属し、計算及び処理機能を有し、一般的に移動インターネット特性も備え、その端末は、ＰＤＡ、ＭＩＤ、ＵＭＰＣ装置など、例えば、Ｉｐａｄを含むウルトラモバイルパーソナルコンピュータ装置。
（３）マルチメディアコンテンツを表示および再生することができ、オーディオ、ビデオプレーヤ（例：ｉｐｏｄ）と、パームトップゲーム機と、電子書籍と、スマート玩具と、携帯型車載ナビゲーション装置と、を含む携帯型エンタテインメント装置。
（４）計算サービスを提供し、プロセッサ、ハードディスク、メモリ、システムバスなどを含んで構成され、汎用のコンピュータアーキテクチャに類似するが、信頼性の高いサービスを提供する必要があるため、処理能力、安定性、信頼性、安全性、拡張性、管理性など点で要求が高いサーバ。
（５）他のデータ交換機能を有する電子装置。
なお、実施の必要に応じて、本願の実施例に記載の各部品/ステップをより多くの部品/ステップに分類してもよく、２つ又は複数の部品/ステップ又は部品/ステップの一部の操作を新たな部品/ステップに組み合わせることで、本願の実施例の目的を達成してもよい。
上述した本願の実施形態に係る方法は、ハードウェア、ファームウェアで実現してもよいし、記録媒体（ＣＤ ＲＯＭ、ＲＡＭ、フレキシブルディスク、ハードディスク又は光磁気ディスク）に記憶可能なソフトウェアやコンピュータコードで実現してもよいし、または、ネットワークを介してダウンロードされた、リモート記録媒体または非一時的機器記録媒体に初期記憶されてローカル記録媒体に記憶されたコンピュータコードで実現してもよい。ここで説明した方法は、汎用のコンピュータ、専用のプロセッサ、またはプログラマブルや専用ハードウェア（例えば、ＡＳＩＣ又はＦＰＧＡ）を用いた記録媒体に記憶されたソフトウェアによって処理できる。なお、コンピュータ、プロセッサ、マイクロプロセッサコントローラ又はプログラマブルハードウェアは、ソフトウェア又はコンピュータコードを記憶又は受信できる記憶アセンブリ（例えば、ＲＯＭ、ＲＡＭ、フラッシュメモリなど）を含み、前記ソフトウェア又はコンピュータコードがコンピュータ、プロセッサ又はハードウェアにアクセスされて実行される時に、ここで説明されたマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法を実現する。また、汎用コンピュータアクセスが、ここで示した方法を実現するためのコードにアクセスする時に、コードの実行は、汎用コンピュータを、ここで示した方法を実行するための専用コンピュータに変換する。
当業者は、本文に開示された実施例に記載の各例示の手段及び方法ステップに基づいて、電子ハードウェア、又はコンピュータソフトウェア及び電子ハードウェアの組合せで実現することができるのが考えられる。これらの機能は、ハードウェアで実行するかソフトウェアで実行するかが、技術案の特定応用及び係る制約条件に依存する。当業者は、特定応用ごとに異なる方法を用いて説明された機能を実現することができるが、このような実現は、本願の実施例の範囲を超えると考えられるべきではない。
尚、本明細書における各実施例はいずれも漸進の方式を採用して説明するものであり、各実施例の間に同じ又は類似する部分については、互いに参照すればよく、各実施例の重点的に説明したのは、いずれも他の実施例との相違点である。特に、装置及びシステムの実施例については、基本的に方法の実施例と類似するため、比較的簡単に説明し、関連する箇所は方法の実施例の部分説明を参照すればよい。以上に説明された装置及びシステムの実施例は単に例示的なものであり、分離して見えないとして説明した手段は、物理的に分離してもよくてしなくてもよく、ユニットとして提示した見えないのは、は物理的に分離してもよく又はしなくてもよく、ユニットとして提示するものは物理的手段であってもよく又は物理的手段でなくてもよい。すなわち、１箇所にあってもよく、あるいは複数のネットワークユニットに分散していてもよい。実際の必要に応じてそのうちの一部又は全部のモジュールを選択して本実施例の方案の目的を実現することができる。当業者は創造的な労働をしない場合、理解して実施することができる。
以上の実施形態は本願の実施例を説明するためのものであり、本願の実施例を限定するものではない。当業者は本願の実施例の精神及び範囲から逸脱しない場合、さらに様々な変更及び変形を行うことができるため、全ての同等の技術案も本願の実施例の範疇に属し、本願の実施例の専門的な保護範囲は、請求項によって限定されるべきである。
Claims (10)
- 酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うためのマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法であって、
第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることと、
前記第１画像に対して自動画像処理を行い、第２画像を得ることと、
第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得ることと、
予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることと、
前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることと、
前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けすることと、を含む、ことを特徴とするマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法。 - 前記第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得ることは、具体的に、設定された画像背景及び縮尺に応じて、前記低倍酸エッチング試料に対して画像収集を行い、前記第１画像を得ることである、ことを特徴とする請求項１に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法。
- 前記第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得ることは、具体的に、前記第２画像の中心を円心とし、前記第２画像に対して同心円分類を行うとともに、プリセット象限の象限分類線に応じて前記第２画像に対して象限分類を行い、前記第３画像を得ることである、ことを特徴とする請求項１に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法。
- 前記予め既知の欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることは、具体的に、前記第３画像における欠陥に対して特徴抽出を行い、前記第３画像における欠陥特徴を得て、且つ予め既知の前記欠陥タイプに基づいて、前記欠陥特徴に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得ることである、ことを特徴とする請求項１に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法。
- 前記第３画像及び前記低倍酸エッチング試料における欠陥の分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることは、具体的に、前記第３画像に対応する前記低倍酸エッチング試料における欠陥パターンの分布データに対してデジタル化解析を行い、前記低倍酸エッチング試料における欠陥パターンの量子化データを得ることである、ことを特徴とする請求項１に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法。
- 前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けすることは、具体的に、前記低倍酸エッチング試料における欠陥パターンの量子化データとプリセット量子化基準とを照合し、且つ照合結果に基づいて前記低倍酸エッチング試料における欠陥を格付けすることである、ことを特徴とする請求項１に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法。
- 前記欠陥タイプは、点状欠陥と、線状欠陥と、面状欠陥と、を含み、ただし、前記点状欠陥は、ルーズと、非金属介在と、異金属介在と、点状偏析と、を含み、前記線状欠陥は、皮下割れ目と、中心割れ目と、中間割れ目と、コーナー割れ目と、スカルパッチと、白点と、を含み、前記面状欠陥は、炭素偏析と、四角の枠偏析と、を含む、ことを特徴とする請求項１～６のいずれか１項に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法。
- 酸エッチングされた後の鋼材又はビレット又は連続鋳造スラブの低倍酸エッチング試料に対して欠陥の自動識別及び格付けを行うためのマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステムであって、
第１プリセット条件に応じて、前記低倍酸エッチング試料に対して画像収集を行い、第１画像を得るように構成される画像収集手段と、
前記第１画像に対して自動画像処理を行い、第２画像を得るように構成される画像処理手段と、
第２プリセット条件に応じて、前記第２画像に対して画像分類を行い、第３画像を得るように構成される画像分類手段と、
予め分類された欠陥タイプに基づいて、前記第３画像に対して欠陥パターン識別を行い、前記低倍酸エッチング試料における欠陥パターンの分布データを得るように構成される欠陥識別手段と、
前記第３画像及び前記低倍酸エッチング試料における欠陥パターンの分布データに基づいて、前記低倍酸エッチング試料における欠陥パターンの量子化データを得るように構成される欠陥量子化手段と、
前記低倍酸エッチング試料における欠陥パターンの量子化データに基づいて、前記低倍酸エッチング試料における欠陥を格付けするように構成される欠陥格付け手段と、を含む、ことを特徴とするマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けのシステム。 - コンピュータのプログラムが記憶されたコンピュータ読取可能な媒体であって、前記プログラムは、請求項１～７のいずれか１項に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法である、ことを特徴とするコンピュータ読取可能な媒体。
- メモリと、プロセッサと、前記メモリに記憶されて前記プロセッサによって実行可能なプログラムと、を含み、前記プロセッサは、前記プログラムを実行する時に、請求項１～７のいずれか１項に記載のマシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法を実現する、ことを特徴とする電子装置。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110013619.6A CN112669307A (zh) | 2021-01-06 | 2021-01-06 | 基于机器视觉的低倍酸蚀缺陷自动识别与评级的方法及系统 |
| CN202110013619.6 | 2021-01-06 | ||
| PCT/CN2021/142662 WO2022117118A1 (zh) | 2021-01-06 | 2021-12-29 | 基于机器视觉的低倍酸蚀缺陷自动识别与评级的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023511869A true JP2023511869A (ja) | 2023-03-23 |
| JP7355943B2 JP7355943B2 (ja) | 2023-10-03 |
Family
ID=75413184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022543641A Active JP7355943B2 (ja) | 2021-01-06 | 2021-12-29 | マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステム |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7355943B2 (ja) |
| CN (1) | CN112669307A (ja) |
| WO (1) | WO2022117118A1 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669307A (zh) * | 2021-01-06 | 2021-04-16 | 大冶特殊钢有限公司 | 基于机器视觉的低倍酸蚀缺陷自动识别与评级的方法及系统 |
| CN114113106A (zh) * | 2021-11-12 | 2022-03-01 | 中冶赛迪技术研究中心有限公司 | 一种对连铸坯低倍结构质量进行自动评级的方法及系统 |
| DE102021130884A1 (de) * | 2021-11-25 | 2023-05-25 | MTU Aero Engines AG | Verfahren zum Klassifizieren einer Ätzanzeige eines Bauteils |
| CN115541601A (zh) * | 2022-11-30 | 2022-12-30 | 江苏永钢集团有限公司 | 一种基于机器视觉的钢材低倍数字化检测方法 |
| 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 (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4310090B2 (ja) | 2002-09-27 | 2009-08-05 | 株式会社日立製作所 | 欠陥データ解析方法及びその装置並びにレビューシステム |
| CN102376087B (zh) | 2010-08-17 | 2014-12-03 | 富士通株式会社 | 检测图像中的对象的装置和方法、分类器生成装置和方法 |
| CN102980893A (zh) * | 2012-11-13 | 2013-03-20 | 上海交通大学 | 钢锭表面缺陷分类检测系统及方法 |
| US10031087B2 (en) * | 2016-09-22 | 2018-07-24 | SSAB Enterprises, LLC | Methods and systems for the quantitative measurement of internal defects in as-cast steel products |
| CN107563440B (zh) | 2017-09-01 | 2020-07-28 | 京东方科技集团股份有限公司 | 一种图像处理方法及装置 |
| 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 |
| US10753882B1 (en) * | 2019-04-10 | 2020-08-25 | Griffyn Robotech Private Ltd. | Inspection and cosmetic grading through image processing system and method |
| CN111299318B (zh) * | 2020-03-02 | 2022-04-12 | 马鞍山钢铁股份有限公司 | 一种热轧板带产品表面质量的自动判定方法 |
| CN111899230B (zh) * | 2020-07-15 | 2023-11-17 | 重庆大学 | 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 |
| CN112669307A (zh) * | 2021-01-06 | 2021-04-16 | 大冶特殊钢有限公司 | 基于机器视觉的低倍酸蚀缺陷自动识别与评级的方法及系统 |
-
2021
- 2021-01-06 CN CN202110013619.6A patent/CN112669307A/zh active Pending
- 2021-12-29 JP JP2022543641A patent/JP7355943B2/ja active Active
- 2021-12-29 WO PCT/CN2021/142662 patent/WO2022117118A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669307A (zh) | 2021-04-16 |
| WO2022117118A1 (zh) | 2022-06-09 |
| JP7355943B2 (ja) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2023511869A (ja) | マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステム | |
| CN109859160B (zh) | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 | |
| WO2021109627A1 (zh) | 一种小样本缺陷分类方法、装置及计算设备 | |
| CN110490862B (zh) | 一种提高连铸探伤合格率的方法及装置 | |
| CN112837290A (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN111598869B (zh) | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 | |
| TW201335892A (zh) | 特殊邊界量測系統及方法 | |
| CN115661040A (zh) | 一种锂电池电芯涂胶的检测方法及装置、电子设备 | |
| CN111860176A (zh) | 一种非金属夹杂全视场定量统计分布表征方法 | |
| CN114581415A (zh) | Pcb缺陷的检测方法、装置、计算机设备及存储介质 | |
| CN107677677B (zh) | 一种连铸坯偏析程度定量化表征方法 | |
| CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
| CN117475205A (zh) | 缺陷类型识别方法、识别装置、控制设备及存储介质 | |
| CN116402822B (zh) | 混凝土结构图像检测方法、装置、电子设备及存储介质 | |
| CN115937218B (zh) | 一种冷冲件的表面缺陷检测方法及系统 | |
| CN109584224B (zh) | 一种用于对铸件的x射线图像进行分析和显示的方法 | |
| CN115205163A (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
| CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN107610101B (zh) | 一种测量数字图像视觉平衡质量的方法 | |
| CN115456996A (zh) | 一种核燃料芯块的离散性缺陷检测方法及相关组件 | |
| CN103544715A (zh) | 一种印刷电路板金相切片彩色图像的分割方法 | |
| CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
| CN112907498A (zh) | 一种孔隙识别方法、装置、设备及存储介质 | |
| CN116665138B (zh) | 一种汽车配件冲压加工视觉检测方法及系统 | |
| CN115078049B (zh) | 一种金相样品自动制样研磨方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220719 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230306 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230713 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230725 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230821 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230919 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230921 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7355943 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |