一种基于人工智能的冷轧过程钢材弯曲检测分析方法技术

本发明专利技术公开了一种基于人工智能的冷轧过程钢材弯曲检测分析方法，改善了现有技术中冷床弯钢现象需要智能化检测的问题。该发明专利技术含有以下步骤：在冷床末端部署RGB相机，将采集到的图像转换为灰度图，通过双边滤波滤除图像的干扰噪声；对钢材图像进行canny边缘检测，转换成只包含边缘的信息的钢材轮廓图；再对轮廓图进行霍夫直线检测，对直线进行筛选滤除；对剩余的弯曲轮廓图像信息进行分析，构建钢材弯曲缺陷程度指标分析模型，计算钢材的弯曲缺陷程度指标；设置相应的钢材弯曲状态分析模型，获取钢材的弯曲方向、形态位置信息，进行优化调整。该技术保证后续操作过程中钢产品的质量，降低后续钢材冷轧过程中的钢材弯曲缺陷。

【技术实现步骤摘要】
一种基于人工智能的冷轧过程钢材弯曲检测分析方法
本专利技术涉及人工智能计算机视觉处理领域，特别是涉及一种基于人工智能的冷轧过程钢材弯曲检测分析方法。
技术介绍
冷床是中小型钢材车间不可缺少的辅助设备之一。它的功能是将轧机轧制后经飞剪剪切成倍尺长度的钢材，输送并卸到冷床齿条上冷却，使其温度由900℃降至100～300℃，然后由冷床下料装置将其收集成组送至输出辊道上，再由输出辊道将其送到冷剪机剪切成定尺成品。导致冷床弯钢的原因有多种，冷床输入辊道不转，不能使轧件在辊道上正常运行，造成轻微堆钢拱弯现象；倍尺剪在剪切时致使钢材弯曲，引起钢材扎头或者挂尾，摩擦力的变化导致钢材速度改变，前后轧件会碰撞，进而导致钢板弯曲等。
技术实现思路
本专利技术克服了现有技术中冷床弯钢现象需要智能化检测的问题，提供一种高效准确的基于人工智能的冷轧过程钢材弯曲检测分析方法。本专利技术的技术解决方案是，提供一种具有以下步骤的基于人工智能的冷轧过程钢材弯曲检测分析方法：含有以下步骤：步骤1：在冷床末端部署RGB相机，用于采集冷床上钢材的图像；步骤2：将采集到的图像转换为灰度图，然后通过双边滤波滤除图像的干扰噪声，同时保存图像的边缘信息；步骤3：利用神经网络得到钢材的分割图像，然后对钢材图像进行canny边缘检测，将钢材图像转换成只包含边缘的信息的钢材轮廓图；再对轮廓图进行霍夫直线检测，对直线进行筛选滤除；步骤4：对剩余的弯曲轮廓图像信息进行分析，获取钢材弯曲信息并基于此构建钢材弯曲缺陷程度指标分析模型，计算钢材的弯曲缺陷程度指标；步骤5：设置相应的钢材弯曲状态分析模型，获取钢材的弯曲方向、形态位置等信息，根据钢材弯曲状态分析钢材的弯曲原因，进行优化调整。优选地，所述步骤2中首先对采集的进行灰度处理，然后采用双边滤波法对灰度图像进行噪声滤除，具体过程为：通过空间域核与像素范围域核分别计算空间距离权重和像素值的权重；将空间距离权重和像素值权重的乘积得到双边权重函数，该权值函数再和图像进行卷积计算，达到保留边缘信息的效果。优选地，所述步骤3中通过深度神经网络经语义感知网络获取钢材图像的具体过程为：步骤3.1，将灰度图像进行归一化处理，消除奇异数据；步骤3.2，进行标签数据的制作，指定不同类别在标签图片中的像素值，将钢材的像素值置为1，其他都置为0；步骤3.3，采用钢材感知encoder-钢材感知decoder结构，钢材感知编码器部分对输入图像进行特征提取，由卷积和下采样操作组成，特征映射不断收缩，尺寸减小，网络采用交叉熵损失函数，不断迭代更新模型的参数；步骤3.4，通过语义感知网络获取像素值为1的区域，为每一个钢材进行编号，统计出钢材的数量C，采用Canny边缘检测算法，将钢材图像转换成钢材轮廓图，计算每一个钢板轮廓的周长，用像素点的个数代表钢板的周长，记为Li，代表第i个钢材的长度，用于分析后续钢板弯曲缺陷的占比。优选地，所述步骤4中通过钢材弯曲缺陷的轮廓图计算每一个钢材的弯曲缺陷长度，将钢材上曲线像素点个数作为钢材弯曲缺陷长度，记为li，代表第i个钢材的弯曲缺陷长度，两个部分来衡量钢材的弯曲缺陷程度指标：弯曲部分占整个钢材的比例以及钢材弯曲程度，设定钢板的周长为Li，则钢板的弯曲缺陷部分在该钢板中的占比为：对钢材弯曲程度进行计算检测包含以下步骤：步骤4.1，每个钢材的弯曲轮廓图像切分成n份，每份弧长均为的子弧线，构建子弧线弯曲度分析模型，计算每个子弧线的弯曲度，模型表达式为：其中，kj为第j个子弧线的弯曲度，Δθj为第j个子弧长两端点切线的转角；步骤4.2，计算钢材弯曲度的变化指标，弯曲度变化指标计算模型为：步骤4.3，对钢材上每个子弧线的弯曲度及弯曲度变化指标进行分析处理，并基于子弧线的弯曲度及变化指标构建钢材弯曲程度分析模型，获取每个钢材的最终弯曲程度，所述钢材弯曲程度分析模型表达式为：式中，ρ代表钢材的弯曲程度，为各子弧线的弯曲度均值；计算钢材弯曲缺陷程度的量化指标：其中，P为钢材弯曲缺陷程度指标，α＝0.5，β＝0.5为经验值，设置相应的缺陷程度指标等级，根据所设定的弯曲缺陷指标等级对钢材进行分类设置，当P≤0.15时，为轻度或者无缺陷；当0.15<P≤0.5时，本专利技术认为该钢材出现中度缺陷；当P>0.5时，缺陷为重度缺陷，根据所述方法对钢材进行分类设置，并统计出每一类缺陷的数量：{N1、N2、N3}，计算出轻度缺陷、中度缺陷、重度缺陷的缺陷率{ε1、ε2、ε3}，具体为：当冷床钢材状态为ε1<0.2∩ε2<0.15∩ε3<0.1时，则认为冷压过程中导卫装置、精整操作等良好，对钢产品的影响较小，不需要对冷压设备进行调整。优选地，所述步骤S5中钢材弯曲状态判定方法具体为：以图像左上角为坐标原点，水平方向为横坐标、垂直方向为纵坐标，建立二维直角坐标系，钢材弯曲包括纵向弯曲、横向弯曲、边缘浪形、中间浪形，首先遍历弯曲轮廓图像中曲线上的点，将连续曲线l的两端点用直线相连，生成一条线段z,，判断z直线相对于曲线l的位置，过直线段z的中点做垂线，如果垂线和曲线的交点在中点的上方，则该曲线是纵向外弯曲；如果垂线和曲线的交点在中点的下方，则钢材是纵向内弯曲；如果垂线和曲线的交点在中点的左侧，则该曲线是横向内弯曲；若垂线和曲线的交点在中点的右侧，则该曲线是横向外弯曲；获取钢材的弯曲方向后，然后对于钢材弯曲形状及位置进行判断，具体判定方法为：先计算弯曲缺陷轮廓图中每个点的斜率，寻找斜率k＝0的点，若该点的相邻点斜率值符号相反，则该点为极值点，对该点进行标记，并统计极值点的个数O，根据轮廓线上的极值点信息进行钢材弯曲情况检测，用于分析钢材弯曲形状及位置信息，对轮廓线上的极值点个数进行分析，如果连续轮廓线上的极值点的数量为O＝1，说明该钢材弯曲轮廓存在一个极值点，弯曲缺陷形态位置判定模型具体为：根据长度将弯曲轮廓线等分为三段，计算极值点所在的位置，极值点在第一段的横向内弯曲的缺陷为“翘头”形缺陷，记为A1；极值点在第二段的横向内弯曲的缺陷为“u”形缺陷，记为A2；极值点在第三段的横向内弯曲的缺陷为“翘尾”形缺陷，记为A3；极值点在第一段的横向外弯曲的缺陷为“扣头”形缺陷，记为A4；极值点在第二段的横向外弯曲的缺陷为“n”形缺陷，记为A5；极值点在第三段的横向外弯曲的缺陷为“扣尾”形缺陷，记为A6，若极值点的数量O>1，则轮廓线对应的钢材的弯曲形态为波浪形，波浪形弯曲包括边缘波浪和中心形波浪，对图像中的极值点进行分析，当处于边缘位置的极值点个数超过时，认为该钢材出现边缘波浪形弯曲缺陷，记为状态A7；否则认为钢材出现中心波浪形弯曲缺陷，记为状态A8，可获取钢材的弯曲缺陷状况：{A1,A2,A3,A4,A5,A6,A7,A8}。与现有技术相比，本专利技术基于人工智能的冷轧过程钢材弯曲检测分析方法具有以下优点：分析本文档来自技高网...

【技术保护点】
1.一种基于人工智能的冷轧过程钢材弯曲检测分析方法，其特征在于：含有以下步骤：/n步骤1：在冷床末端部署RGB相机，用于采集冷床上钢材的图像；/n步骤2：将采集到的图像转换为灰度图，然后通过双边滤波滤除图像的干扰噪声，同时保存图像的边缘信息；/n步骤3：利用神经网络得到钢材的分割图像，然后对钢材图像进行canny边缘检测，将钢材图像转换成只包含边缘的信息的钢材轮廓图；再对轮廓图进行霍夫直线检测，对直线进行筛选滤除；/n步骤4：对剩余的弯曲轮廓图像信息进行分析，获取钢材弯曲信息并基于此构建钢材弯曲缺陷程度指标分析模型，计算钢材的弯曲缺陷程度指标；/n步骤5：设置相应的钢材弯曲状态分析模型，获取钢材的弯曲方向、形态位置等信息，根据钢材弯曲状态分析钢材的弯曲原因，进行优化调整。/n

【技术特征摘要】
1.一种基于人工智能的冷轧过程钢材弯曲检测分析方法，其特征在于：含有以下步骤：
步骤1：在冷床末端部署RGB相机，用于采集冷床上钢材的图像；
步骤2：将采集到的图像转换为灰度图，然后通过双边滤波滤除图像的干扰噪声，同时保存图像的边缘信息；
步骤3：利用神经网络得到钢材的分割图像，然后对钢材图像进行canny边缘检测，将钢材图像转换成只包含边缘的信息的钢材轮廓图；再对轮廓图进行霍夫直线检测，对直线进行筛选滤除；
步骤4：对剩余的弯曲轮廓图像信息进行分析，获取钢材弯曲信息并基于此构建钢材弯曲缺陷程度指标分析模型，计算钢材的弯曲缺陷程度指标；
步骤5：设置相应的钢材弯曲状态分析模型，获取钢材的弯曲方向、形态位置等信息，根据钢材弯曲状态分析钢材的弯曲原因，进行优化调整。


2.根据权利要求1所述的基于人工智能的冷轧过程钢材弯曲检测分析方法，其特征在于：所述步骤2中首先对采集的进行灰度处理，然后采用双边滤波法对灰度图像进行噪声滤除，具体过程为：通过空间域核与像素范围域核分别计算空间距离权重和像素值的权重；将空间距离权重和像素值权重的乘积得到双边权重函数，该权值函数再和图像进行卷积计算，达到保留边缘信息的效果。


3.根据权利要求1所述的基于人工智能的冷轧过程钢材弯曲检测分析方法，其特征在于：所述步骤3中通过深度神经网络经语义感知网络获取钢材图像的具体过程为：
步骤3.1，将灰度图像进行归一化处理，消除奇异数据；
步骤3.2，进行标签数据的制作，指定不同类别在标签图片中的像素值，将钢材的像素值置为1，其他都置为0；
步骤3.3，采用钢材感知encoder-钢材感知decoder结构，钢材感知编码器部分对输入图像进行特征提取，由卷积和下采样操作组成，特征映射不断收缩，尺寸减小，网络采用交叉熵损失函数，不断迭代更新模型的参数；
步骤3.4，通过语义感知网络获取像素值为1的区域，为每一个钢材进行编号，统计出钢材的数量C，采用Canny边缘检测算法，将钢材图像转换成钢材轮廓图，计算每一个钢板轮廓的周长，用像素点的个数代表钢板的周长，记为Li，代表第i个钢材的长度，用于分析后续钢板弯曲缺陷的占比。


4.根据权利要求1所述的基于人工智能的冷轧过程钢材弯曲检测分析方法，其特征在于：所述步骤4中通过钢材弯曲缺陷的轮廓图计算每一个钢材的弯曲缺陷长度，将钢材上曲线像素点个数作为钢材弯曲缺陷长度，记为li，代表第i个钢材的弯曲缺陷长度，两个部分来衡量钢材的弯曲缺陷程度指标：弯曲部分占整个钢材的比例以及钢材弯曲程度，设定钢板的周长为Li，则钢板的弯曲缺陷部分在该钢板中的占比为：



对钢材弯曲程度进行计算检测包含以下步骤：
步骤4.1，每个钢材的弯曲轮廓图像切分成n份，每份弧长均为的子弧线，构建子弧线弯曲度分析模型，计算每个子弧线的弯曲度，模型表达式为：



其中，kj为第j个子弧线的弯曲度，Δθj为第j个子弧长两端点切线的转角；
步骤4.2，计算钢材弯曲度的变化指标，弯曲度变化指标计算模型为：



步骤4.3，对钢材上每个子弧线的弯曲度及弯曲度变化指标...

【专利技术属性】
技术研发人员：崔亚飞，崔思梦，
申请(专利权)人：西安道法数器信息科技有限公司，
类型：发明
国别省市：陕西;61