钢卷内部紊乱判断方法、系统、设备及介质技术方案

本发明专利技术提供一种钢卷内部紊乱判断方法、系统、设备及介质，包括：采集目标钢卷的初始图像信息，将初始图像信息输入目标检测网络进行训练，建立用于识别目标钢卷位置的检测模型；利用检测模型实时采集目标区域的钢卷图像信息，根据钢卷图像信息判断钢卷是否处于感兴趣区域内；当感兴趣区域内未检测到钢卷时，不对图像进行处理；当感兴趣区域内检测到钢卷时，对目标图像进行色彩处理得到钢卷区域图像，提取钢卷区域图像内的轮廓特征；根据轮廓特征判断钢卷是否内部紊乱，持续检测直至钢卷离开。本发明专利技术可有效、精确地判断出钢卷内部紊乱情况；能够自动实现对紊乱情况的检测，减少人工劳动与紊乱损失，具有易于实现、计算量小、稳定性强的优点。

【技术实现步骤摘要】
钢卷内部紊乱判断方法、系统、设备及介质
本专利技术涉及钢铁冶炼领域和图像处理领域，特别是涉及一种针对钢线材的钢卷内部紊乱判断方法、系统、设备及介质。
技术介绍
在钢卷处理过程中，钢线材首先需要卷成钢卷，随后进入下一环节进行包装处理。这是连续自动化生产线的关键一步，如果钢线材未能卷成规整形状，钢卷发生内部紊乱，则可能使后续生产线发生停机故障。然而，对于钢卷是否合格，以及是否发生紊乱，此前通常为人工确认，缺乏规范、高效的检测方式。对于钢铁厂而言，容易引起钢铁厂的人力成本和生产成本上升，因此，亟需一种无人参与的钢卷内部紊乱判断方法，以确保钢卷内部紊乱判断的准确性和及时性。
技术实现思路
鉴于以上所述现有情况的缺点，本专利技术的目的在于提供一种钢卷内部紊乱判断方法、系统、设备及介质，用于解决现有技术中针对钢线材的钢卷内部紊乱检测不便的问题。为实现上述目的及其他相关目的，本专利技术提供一种钢卷内部紊乱判断方法，包括：采集目标钢卷的初始图像信息，将所述初始图像信息输入目标检测网络进行训练，建立用于识别所述目标钢卷位置的检测模型；利用所述检测模型实时采集目标区域的钢卷图像信息，根据所述钢卷图像信息判断所述钢卷是否处于感兴趣区域内；当所述感兴趣区域内未检测到钢卷时，不对图像进行处理；当所述感兴趣区域内检测到钢卷时，对目标图像进行色彩处理得到钢卷区域图像，提取所述钢卷区域图像内的轮廓特征；根据所述轮廓特征判断钢卷是否内部紊乱，持续检测直至所述钢卷离开。本专利技术的另一目的在于提供一种钢卷内部紊乱判断系统，包括：模型构建模块，用于采集目标钢卷的初始图像信息，将所述初始图像信息输入目标检测网络进行训练，建立用于识别所述目标钢卷位置的检测模型；第一判断模块，利用所述检测模型实时采集目标区域的钢卷图像信息，根据所述钢卷图像信息判断所述钢卷是否处于感兴趣区域内；图像处理模块，用于当所述感兴趣区域内未检测到钢卷时，不对图像进行处理；当所述感兴趣区域内检测到钢卷时，对目标图像进行色彩处理得到钢卷区域图像，提取所述钢卷区域图像内的轮廓特征；第二判断模块，用于根据所述轮廓特征判断钢卷是否内部紊乱，持续检测直至所述钢卷离开。本专利技术的另一目的在于提供一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行中一个或多个所述的方法。本专利技术的还一目的在于提供一种一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。如上所述，本专利技术提供的一种钢卷内部紊乱判断方法、系统、电子设备及介质，具有以下有益效果：本专利技术可以对钢线材的钢卷内部进行实时检测，判断钢卷内部紊乱结果并自动传递给其他系统，相比现有技术，通过替换人工检测，提高钢卷内部紊乱判断的效率与精确度；同时，减少了人工工作量与紊乱损失，具有易于实现、计算量小、稳定性强的优点，也能满足实时性处理的要求。附图说明图1显示为本专利技术实施例提供一种钢卷内部紊乱判断方法流程示意图；图2显示为本专利技术实施例提供一种钢卷内部紊乱判断方法完整流程示意图；图3显示为本专利技术实施例提供的工厂实地背景板设置示意图；图4显示为本专利技术实施例中针对钢线材的钢卷内部紊乱现场示意图；图5显示为本专利技术实施例中针对钢线材的钢卷内部紊乱处理结果示意图；图6显示为本专利技术实施例中针对钢线材的目标钢卷区域与感兴趣区域位置比较判别检测示意图；图7显示为本专利技术实施例中针对钢线材的HSV色彩分割处理示意图；图8显示为本专利技术实施例中针对钢线材的曝光区域除杂处理示意图；图9显示为本专利技术实施例中针对钢线材的非目标物体区域最小外接矩形识别示意图；图10显示为本专利技术实施例中针对钢线材的轮廓识别处理示意图；图11显示为本专利技术实施例中针对钢线材的圆形感兴趣区域除杂处理示意图；图12显示为本专利技术实施例提供的一种钢卷内部紊乱判断结构示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，本实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本专利技术可实施的范围，其相对关系的改变或调整，在无实质变更
技术实现思路
下，当亦视为本专利技术可实施的范畴。请参阅图1，为本专利技术实施例提供一种钢卷内部紊乱判断方法流程示意图，详述如下：步骤S1，采集目标钢卷的初始图像信息，将所述初始图像信息输入目标检测网络进行训练，建立用于识别所述目标钢卷位置的检测模型；具体地，采集目标钢卷的初始图像信息构建钢卷数据集，所述初始图像信息通过标注所述钢卷保存钢卷位置信息，其中，所述位置信息的格式及内容为：[SteelHolexmin，SteelHoleymin，SteelHolexmax，SteelHoleymax]其中，SteelHolexmin、SteelHoleymin分别为钢卷矩形目标框在图像中的左上角x、y坐标，SteelHolexmax、SteelHoleymax分别为钢卷矩形目标框在图像中的右下角x、y坐标；基于深度学习的目标检测网络对所述钢卷数据集进行训练，建立识别目标钢卷位置的检测模型，所述目标检测网络包括SSD系列、yolo系列或faster-rcnn中任一种，例如，SSD(SingleShotMultiBoxDetector，一阶段多框预测检测器)、YOLO(YouOnlyLookOnce：Unified，Real-TimeObjectDetection，只需要一次卷积网络运算的统一框架的实时目标检测)、FasterR-CNN、R-CNN、FastR-CNN，也可以用其他目标检测网络替代，该类算法可对实时监控视频中出现的钢卷等典型目标进行实时监测并在视频中用方框等形式进行标识。通过基于深度学习的目标检测网络本文档来自技高网...

【技术保护点】
1.一种钢卷内部紊乱判断方法，其特征在于，包括：/n采集目标钢卷的初始图像信息，将所述初始图像信息输入目标检测网络进行训练，建立用于识别所述目标钢卷位置的检测模型；/n利用所述检测模型实时采集目标区域的钢卷图像信息，根据所述钢卷图像信息判断所述钢卷是否处于感兴趣区域内；/n当所述感兴趣区域内未检测到钢卷时，不对图像进行处理；/n当所述感兴趣区域内检测到钢卷时，对目标图像进行色彩处理得到钢卷区域图像，提取所述钢卷区域图像内的轮廓特征；/n根据所述轮廓特征判断钢卷是否内部紊乱，持续检测直至所述钢卷离开。/n

【技术特征摘要】
1.一种钢卷内部紊乱判断方法，其特征在于，包括：
采集目标钢卷的初始图像信息，将所述初始图像信息输入目标检测网络进行训练，建立用于识别所述目标钢卷位置的检测模型；
利用所述检测模型实时采集目标区域的钢卷图像信息，根据所述钢卷图像信息判断所述钢卷是否处于感兴趣区域内；
当所述感兴趣区域内未检测到钢卷时，不对图像进行处理；
当所述感兴趣区域内检测到钢卷时，对目标图像进行色彩处理得到钢卷区域图像，提取所述钢卷区域图像内的轮廓特征；
根据所述轮廓特征判断钢卷是否内部紊乱，持续检测直至所述钢卷离开。


2.根据权利要求1所述的钢卷内部紊乱判断方法，其特征在于，还包括：在钢线材生产线中设置纯色背景板，根据所述背景板的位置和相机的位置设置识别感兴趣区域。


3.根据权利要求1所述的钢卷内部紊乱判断方法，其特征在于，所述采集目标钢卷的初始图像信息，将所述初始图像信息输入目标检测网络进行训练，建立用于识别所述目标钢卷位置的检测模型的步骤，包括：
采集目标钢卷的初始图像信息构建钢卷数据集，所述初始图像信息通过标注所述钢卷保存钢卷位置信息，其中，所述位置信息的格式及内容为：
[SteelHolexmin，SteelHoleymin，SteelHolexmax，SteelHoleymax]
其中，SteelHolexmin、SteelHoleymin分别为钢卷矩形目标框在图像中的左上角x、y坐标，SteelHolexmax、SteelHoleymax分别为钢卷矩形目标框在图像中的右下角x、y坐标；
基于深度学习的目标检测网络对所述钢卷数据集进行训练，建立识别目标钢卷位置的检测模型，所述目标检测网络包括SSD系列、yolo系列或faster-rcnn中任一种。


4.根据权利要求1所述的钢卷内部紊乱判断方法，其特征在于，通过对比钢卷位置信息与所设置的感兴趣区域位置信息，判断所述感兴趣区域中是否存在钢卷；其中，所述感兴趣区域在图像中位置信息的内容与格式为：
[ROIxmin，ROIymin，ROIxmax，ROIymax]
其中，ROIxmin、ROIymin分别为感兴趣区域在图像中的左上角x、y坐标，ROIxmax、ROIymax分别为感兴趣区域在图像中的右下角x、y坐标；
若满足SteelHolexmin>ROIxmin，SteelHoleymin>ROIymin，SteelHolexmax<ROIxmax，SteelHoleymax<ROIymax，则判定所述目标钢卷位于识别感兴趣区域内；若不满足，则判定所述目标钢卷位于识别感兴趣区域外。


5.根据权利要求1所述的钢卷内部紊乱判断方法，其特征在于，当所述感兴趣区域内检测到钢卷时，对识别到的钢卷画面进行色彩处理，所述色彩处理包括图像对比度调节、图像饱和度调节、图像明度调节、以及区域图像色彩分割。


6.根据权利要求5所述的钢卷内部紊乱判断方法，其特征在于，所述图像饱和度和图像明度以HSV图像色彩格式为基础进行调节，其中，色相(Hue)、饱和度(Saturation)、明度(Value)为三通道的颜色格式，依据预设的HSV三通道颜色阈值，将超出阈值的色彩区域进行归中处理，以得到颜色更均衡、更理想的钢卷区域图像。


7.根据权利要求6所述的钢卷内部紊乱判断方法，其特征在于，对调节处理的钢卷区域图像扩大原来图像中的钢线材深色像素区域、减小背景板浅色像素部分区域，使深色钢卷区域具有更大、更明显的识别图像，表达式如下：
dst(x，y)＝min(src(x+x′，y+y′))(x′，y′)：(x′，y′)≠0
其中，(x，y)为待处理像素点坐标，src(x，y)为待处理像素点的颜色值，dst(x，y)为处理后像素点的颜色值，(x+x′，y+y′)表示以(x，y)为中心的其周围联通的像素点。


8.根据权利要求7所述的钢卷内部紊乱判断方法，其特征在于，所述区域图像色彩分割是以HSV色彩格式为基础，根据工厂实地色彩情景设置区分钢卷和背景板颜色的颜色阈值，对图像对比度、饱和度、明度处理后的钢卷区域图像进行色彩分割处理，将超出阈值范围的部分转为黑色、符合阈值范围的部分转为...

【专利技术属性】
技术研发人员：庞殊杨，刘睿，贾鸿盛，毛尚伟，田君仪，
申请(专利权)人：中冶赛迪重庆信息技术有限公司，
类型：发明
国别省市：重庆;50