鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法及其系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及鋼材的的各類表面異質(zhì)型缺陷及其缺陷程度定量分析領(lǐng)域，具體涉及 鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法及其系統(tǒng)。
【背景技術(shù)】
[0002] 鋼鐵產(chǎn)品生產(chǎn)過(guò)程中，由于冶金生產(chǎn)過(guò)程長(zhǎng)，歷經(jīng)煉鋼、連鑄以及軋制過(guò)程中多種 工藝環(huán)節(jié)的諸多因素，使得鋼材出現(xiàn)各種各樣的表面異質(zhì)型缺陷，諸如夾雜、氧化鐵皮壓 入、疤/坑等表面質(zhì)量問(wèn)題，嚴(yán)重影響了板材外觀及其使用性能。顯然，這些缺陷的大小、分 布及其缺陷程度對(duì)鋼材的材質(zhì)及其性能起著至關(guān)重要的影響。為了提高鋼材的性能，充分 發(fā)揮材質(zhì)本身的作用，控制有害缺陷的影響，就必須對(duì)這些缺陷的大小、分布及其缺陷程度 進(jìn)行準(zhǔn)確測(cè)量、表征和分類，以期達(dá)到煉鋼、連鑄以及軋制各工藝優(yōu)化控制所需的對(duì)各類鋼 材表面異質(zhì)型缺陷的定量表征要求。因此，如何精確、高效地測(cè)量與表征分析鋼材缺陷的大 小、分布及其缺陷程度，成為鋼材材質(zhì)分析領(lǐng)域中迫切需要解決的重要問(wèn)題，其相關(guān)技術(shù)， 目前國(guó)內(nèi)外還未見(jiàn)報(bào)道。
[0003] 由于鋼材鋼種不同，生產(chǎn)工藝各異，受到捕捉缺陷源的困擾，現(xiàn)在對(duì)于鋼材表面異 質(zhì)型缺陷的分析尚停留在人工現(xiàn)場(chǎng)粗略測(cè)量的粗糙評(píng)價(jià)模式階段，對(duì)于此類缺陷的分析方 法為人工使用鋼卷尺大致測(cè)量缺陷所在區(qū)域的整體長(zhǎng)度和寬度，輔以計(jì)算該區(qū)域內(nèi)異質(zhì)缺 陷的點(diǎn)數(shù)。顯然，這種人工測(cè)量、表征、分類模式，其結(jié)果僅為定性評(píng)價(jià)，評(píng)價(jià)標(biāo)準(zhǔn)過(guò)于主觀、 粗糙，有的甚至難以評(píng)價(jià)，且必然帶來(lái)諸如效率低、精度低及人力資源耗費(fèi)過(guò)大等問(wèn)題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是針對(duì)目前鋼材表面異質(zhì)型缺陷靠人工測(cè)量、表征與分類模式的低 效率、低精度，甚至有的無(wú)法進(jìn)行測(cè)量、表征的問(wèn)題，提出了一種鋼材表面異質(zhì)型缺陷的自 動(dòng)測(cè)量、表征分類方法及其系統(tǒng)，實(shí)現(xiàn)對(duì)鋼材各類表面異質(zhì)型缺陷的大小、分布及其缺陷程 度進(jìn)行精確、高效地測(cè)量、表征、分類。
[0005] 本發(fā)明的技術(shù)方案是：鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法，首先是利 用攝像設(shè)備獲取鋼材待測(cè)缺陷的原始圖像，并導(dǎo)入計(jì)算機(jī)；將鋼材待測(cè)缺陷原始圖像進(jìn)行 線性平均低通濾波去噪；運(yùn)用局部自適應(yīng)閾值分割算法得到待測(cè)缺陷的二值圖像；對(duì)分割 后的圖像進(jìn)行最小子段區(qū)域標(biāo)定以及提取其形態(tài)特征參數(shù)；采用基于圖像灰度差異的無(wú)規(guī) 區(qū)域面積算法測(cè)量缺陷的總面積，即當(dāng)量缺陷SDE，繼而得到待測(cè)圖像的缺陷率P，完成對(duì) 各類鋼材表面異質(zhì)型缺陷的定量表征；所得缺陷率P按最佳閾值進(jìn)行自動(dòng)分類；測(cè)量完 畢，將上述表面異質(zhì)型缺陷的測(cè)量及其定量表征、分類結(jié)果以圖表文件顯示輸出。
[0006] 本發(fā)明方法的具體步驟為：
[0007] 1.原始圖像的獲?。豪脭z像設(shè)備獲取鋼材待測(cè)缺陷的原始圖像，并導(dǎo)入計(jì)算 機(jī)；
[0008] 2.圖像預(yù)處理：將鋼材待測(cè)缺陷原始圖像進(jìn)行線性平均低通濾波去噪；
[0009] 3.二值圖像的獲?。哼\(yùn)用局部自適應(yīng)閾值分割算法得到待測(cè)缺陷的二值圖像；
[0010] 4.自動(dòng)測(cè)量：對(duì)分割后的圖像設(shè)定標(biāo)尺并進(jìn)行最小子段區(qū)域標(biāo)定，對(duì)每一最小子 段均采用最小外接盒形加以覆蓋，同時(shí)提取其形態(tài)特征參數(shù)：長(zhǎng)度L、寬度B，及其最大弦長(zhǎng) Lmax、最大寬度Bmax實(shí)現(xiàn)自動(dòng)測(cè)量的過(guò)程；
[0011] 5.定量表征：對(duì)二值圖像模板數(shù)組進(jìn)行遍歷掃描，采用基于圖像灰度差異的無(wú)規(guī) 區(qū)域面積算法測(cè)量缺陷的總面積，即當(dāng)量缺陷SDE，繼而得到待測(cè)圖像的缺陷率P，實(shí)現(xiàn)對(duì) 鋼材表面異質(zhì)型缺陷的定量表征；
[0012] 6.自動(dòng)分類：對(duì)步驟5所得缺陷率P按最佳閾值進(jìn)行自動(dòng)分類；
[0013] 上述方案中，還包括輸出的步驟，具體為：將上述表面異質(zhì)型缺陷的自動(dòng)測(cè)量、定 量表征和分類結(jié)果以圖表文件顯示輸出。
[0014] 上述方案中，所述步驟1鋼材待測(cè)缺陷圖像的采集過(guò)程：是利用攝像設(shè)備采集鋼 材待測(cè)缺陷原始圖片模塊，獲取的原始圖像存入圖像采集卡中；
[0015] 上述方案中，所述步驟2圖像預(yù)處理過(guò)程：對(duì)原始圖像進(jìn)行線性平均低通濾波去 噪處理，過(guò)濾掉包含在原始圖像中的噪聲；
[0016] 上述方案中，所述步驟3二值圖像獲?。横槍?duì)目標(biāo)和背景占據(jù)不同灰度級(jí)范圍的 圖像，采用基于區(qū)域劃分的局部自適應(yīng)閾值分割算法，對(duì)圖像按坐標(biāo)分塊，對(duì)每一子塊分別 自動(dòng)獲得最佳閾值，得到目標(biāo)與背景完全分離的二值圖像；
[0017] 上述方案中，所述步驟4對(duì)分割后的圖像設(shè)定標(biāo)尺并進(jìn)行最小子段區(qū)域標(biāo)定具體 為：對(duì)目標(biāo)缺陷按其特征點(diǎn)角點(diǎn)進(jìn)行分段，得到包括首點(diǎn)和尾點(diǎn)的所有角點(diǎn)共n個(gè)，以及由 這些角點(diǎn)構(gòu)成的最小子段n-1段，對(duì)每一最小子段均采用最小外接盒形加以覆蓋；同時(shí)提 取其形態(tài)特征參數(shù)：長(zhǎng)度L、寬度B，及其最大弦長(zhǎng)Lmax、最大寬度Bmax。
[0018] 上述方案中，所述最小外接盒形為最小外接矩形。
[0019] 上述方案中，所述步驟5基于圖像灰度差異的無(wú)規(guī)區(qū)域面積算法為：對(duì)二值圖像 模板數(shù)組進(jìn)行遍歷掃描，具體為對(duì)二值分割后的缺陷圖像模板數(shù)組進(jìn)行遍歷掃描，計(jì)算出 目標(biāo)圖像中灰度值為0的像素點(diǎn)總數(shù)NA，并根據(jù)缺陷圖像的分辨率從像素單位換算為實(shí)際 單位，即以像素實(shí)際面積累加計(jì)算得出整個(gè)待測(cè)缺陷的總面積SDE，
[0020] SDE=X_SCALEX Y_SCALEX NA (ym2)
[0021]
【主權(quán)項(xiàng)】
1. 鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法，其特征在于，包括以下步驟： 1) 原始圖像的獲取：利用攝像設(shè)備獲取鋼材待測(cè)缺陷的原始圖像，并導(dǎo)入計(jì)算機(jī)； 2) 圖像預(yù)處理：將鋼材待測(cè)缺陷原始圖像進(jìn)行線性平均低通濾波去噪； 3) 二值圖像的獲?。哼\(yùn)用局部自適應(yīng)閾值分割算法得到待測(cè)缺陷的二值圖像； 4) 自動(dòng)測(cè)量：對(duì)分割后的圖像設(shè)定標(biāo)尺并進(jìn)行最小子段區(qū)域標(biāo)定，對(duì)每一最小子段均 采用最小外接盒形加以覆蓋，同時(shí)提取其形態(tài)特征參數(shù)：長(zhǎng)度L、寬度B，及其最大弦長(zhǎng)L_、 最大寬度8_，實(shí)現(xiàn)自動(dòng)測(cè)量的過(guò)程； 5) 定量表征：對(duì)二值圖像模板數(shù)組進(jìn)行遍歷掃描，采用基于圖像灰度差異的無(wú)規(guī)區(qū)域 面積算法測(cè)量缺陷的總面積，即當(dāng)量缺陷SDE，繼而得到待測(cè)圖像的缺陷率P，實(shí)現(xiàn)對(duì)鋼材 表面異質(zhì)型缺陷的定量表征； 6) 自動(dòng)分類：對(duì)步驟5)所得缺陷率P按最佳閾值進(jìn)行自動(dòng)分類。
2. 根據(jù)權(quán)利要求1所述的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法，其特征在 于，還包括輸出的步驟，具體為：將上述表面異質(zhì)型缺陷的自動(dòng)測(cè)量、定量表征和分類結(jié)果 以圖表文件顯不輸出。
3. 根據(jù)權(quán)利要求1所述的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法，其特征在 于，所述步驟4)對(duì)分割后的圖像設(shè)定標(biāo)尺并進(jìn)行最小子段區(qū)域標(biāo)定具體為：對(duì)目標(biāo)缺陷按 其特征點(diǎn)角點(diǎn)進(jìn)行分段，得到包括首點(diǎn)和尾點(diǎn)的所有角點(diǎn)共n個(gè)，以及由這些角點(diǎn)構(gòu)成的 最小子段n-1段，對(duì)每一最小子段均采用最小外接盒形加以覆蓋；同時(shí)提取其形態(tài)特征參 數(shù)：長(zhǎng)度L、寬度B，及其最大弦長(zhǎng)Lmax、最大寬度Bmax。
4. 根據(jù)權(quán)利要求1或2所述的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法，其特征 在于，所述最小外接盒形為最小外接矩形。
5. 根據(jù)權(quán)利要求1所述的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法，其特征在 于，所述步驟5)基于圖像灰度差異的無(wú)規(guī)區(qū)域面積算法為：對(duì)二值圖像模板數(shù)組進(jìn)行遍歷 掃描，具體為對(duì)二值分割后的缺陷圖像模板數(shù)組進(jìn)行遍歷掃描，計(jì)算出目標(biāo)圖像中灰度值 為〇的像素點(diǎn)總數(shù)NA，并根據(jù)缺陷圖像的分辨率從像素單位換算為實(shí)際單位，即以像素實(shí)際 面積累加計(jì)算得出整個(gè)待測(cè)缺陷的總面積SDE， SDE = X_SCALE X Y_SCALE X NA ( y m2)
式中，X_SCALE為水平方向尺寸因子，即為每個(gè)像素在水平方向上的實(shí)際尺寸； Y_SCALE為豎直方向尺寸因子，即為每個(gè)像素在豎直方向上的實(shí)際尺寸； f(X，y)為（x，y)處的灰度值； M為圖像的長(zhǎng)，單位為像素； N為圖像的寬，單位為像素； 二值圖像的大小為MXN; 缺陷率p為當(dāng)量缺陷SDE與覆蓋整個(gè)待測(cè)缺陷的最小外接矩形面積的比值，
&為覆蓋整個(gè)待測(cè)缺陷的最小外接矩形面積。
6. 根據(jù)權(quán)利要求1所述的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法，其特征在 于，所述步驟6)具體為用缺陷率P的三級(jí)最佳閾進(jìn)行自動(dòng)分類：當(dāng)P<6%時(shí)，視為缺陷 率極低；當(dāng)6%<P< 12%時(shí)，視為缺陷率較低；當(dāng)12%<P< 18%時(shí)，視為缺陷率較高； 當(dāng)P> 18 %時(shí)，視為缺陷率極高。
7. 實(shí)現(xiàn)權(quán)利要求1所述鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法的系統(tǒng)，其特 征在于，包括圖像采集裝置和處理器；所述圖像采集裝置：用于獲取鋼材待測(cè)缺陷原始圖 像，并將鋼材待測(cè)缺陷原始圖像傳送到所述處理器的圖片預(yù)處理模塊； 所述處理器包括圖片預(yù)處理模塊、圖片二值分割模塊、自動(dòng)測(cè)量模塊、定量表征模塊、 分類模塊和輸出模塊； 所述圖片預(yù)處理模塊：用于將鋼材待測(cè)缺陷原始圖像進(jìn)行線性平均低通濾波去噪； 所述圖片二值分割模塊：用于對(duì)經(jīng)過(guò)預(yù)處理的圖像采用局部自適應(yīng)閾值分割算法進(jìn)行 二值分割； 所述自動(dòng)測(cè)量模塊：用于對(duì)分割后的圖像進(jìn)行最小子段區(qū)域標(biāo)定以及提取其形態(tài)特征 參數(shù)； 所述定量表征模塊：用于計(jì)算當(dāng)量缺陷SDE和鋼材待測(cè)圖像的缺陷率P，采用基于圖 像灰度差異的無(wú)規(guī)區(qū)域面積算法實(shí)現(xiàn)對(duì)表面異質(zhì)型缺陷的定量表征； 所述分類模塊：用于對(duì)鋼材待測(cè)缺陷進(jìn)行自動(dòng)分類； 所述輸出模塊：用于將表面異質(zhì)型缺陷的測(cè)量、表征、分類結(jié)果以圖表文件顯示輸出。
8. 根據(jù)權(quán)利要求7所述的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法的系統(tǒng)，其 特征在于，所述圖像采集裝置包括攝像設(shè)備（2)和圖像采集卡，所述圖像采集卡安裝在計(jì) 算機(jī)（3)內(nèi)，所述攝像設(shè)備（2)與所述圖像采集卡相連，采集到的原始圖像通過(guò)所述圖像采 集卡輸入到所述圖片預(yù)處理模塊中進(jìn)行處理。
9. 根據(jù)權(quán)利要求8所述的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法的系統(tǒng)，其 特征在于，所述攝像設(shè)備（2)為攝像頭或?qū)I(yè)相機(jī)。
10. 根據(jù)權(quán)利要求7所述的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法的系統(tǒng)，其 特征在于，還包括打印機(jī)（4)，所述輸出模塊與所述打印機(jī)（4)連接。
【專利摘要】本發(fā)明屬于鋼材的表面缺陷分析領(lǐng)域的鋼材表面異質(zhì)型缺陷的自動(dòng)測(cè)量、表征分類方法及其系統(tǒng)，該系統(tǒng)包括圖像采集裝置及處理器。首先獲取鋼材待測(cè)缺陷的原始圖像，進(jìn)行線性平均低通濾波去噪；運(yùn)用局部自適應(yīng)閾值分割算法得到二值圖像；對(duì)分割后的圖像進(jìn)行最小子段區(qū)域標(biāo)定以及提取其形態(tài)特征參數(shù)；采用基于圖像灰度差異的無(wú)規(guī)區(qū)域面積算法測(cè)量缺陷的總面積，即當(dāng)量缺陷SDE，繼而得到待測(cè)圖像的缺陷率ρ，實(shí)現(xiàn)對(duì)各類鋼材表面異質(zhì)型缺陷的定量表征；所得缺陷率ρ按最佳閾值進(jìn)行自動(dòng)分類；測(cè)量完畢，將結(jié)果以圖表文件顯示輸出。本發(fā)明解決了人工模式精度偏低，尤其能夠填補(bǔ)對(duì)于鋼中呈彎曲、枝杈形態(tài)分布的表面異質(zhì)型缺陷人工測(cè)量模式無(wú)法處理的空白。
【IPC分類】G06T7-00
【公開號(hào)】CN104778684
【申請(qǐng)?zhí)枴緾N201510098897
【發(fā)明人】李新城, 唐永春, 朱偉興, 劉杰, 南永強(qiáng), 周志豪, 李濤, 于慧慧
【申請(qǐng)人】江蘇大學(xué)
【公開日】2015年7月15日
【申請(qǐng)日】2015年3月6日