一种冷轧带钢表面夹杂缺陷的识别方法技术

本发明专利技术公开了一种冷轧带钢表面夹杂缺陷的识别方法，涉及冷轧带钢表面质量检测技术领域。本发明专利技术的一种冷轧带钢表面夹杂缺陷的识别方法，用表检测仪采集冷轧带钢表面夹杂缺陷数据；对采集到的缺陷图片进行预处理，剔除部分误分入夹杂类缺陷的其它缺陷，并根据已知信息划出缺陷感兴趣区域；根据收集到的样本，对缺陷图像进行处理，设置多级筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷；提取需要识别的夹杂缺陷图片，重复上述步骤，验证该识别方法准确率，从而提升夹杂缺陷分类准确率，大大降低人工质检工作量，并为实现带钢表面质量自动判定提供支撑。自动判定提供支撑。自动判定提供支撑。

【技术实现步骤摘要】
一种冷轧带钢表面夹杂缺陷的识别方法


[0001]本专利技术涉及冷轧带钢表面质量检测
，更具体地说是一种冷轧带钢表面夹杂缺陷的识别方法。

技术介绍

[0002]带钢表面缺陷是影响带钢质量的重要因素之一，其表面缺陷的实时检测是保证产品供给质量的重要前提。冷轧带钢由于从钢卷下线到入库中间时间短，表面检查环节是带钢表面质量的最后一道关卡，由此显得极为重要。常见的带钢表面检测系统中，通常是通过维护样本库来提高表检仪的分类准确率，但往往实际生产中，工况复杂，带钢表面缺陷形貌多样，经常会出现错分类和误分类的情况，导致表面缺陷分类准确率难以达到理想的效果。表检仪系统均为闭源系统，在后期企业使用的过程中自由度低。
[0003]目前国内外对带钢表面质量的研究主要是通过机器视觉和机器学习算法对缺陷进行识别和分类。如文献《基于深度学习模型识别钢卷边部缺陷的探索》利用SSD算法建立了热轧带钢边部缺陷的检测模型，取得了不错的效果，但测试的缺陷只有两类；文献《Convolutionalnetworks for voting
‑
based anomaly classification in metal surface inspection》利用卷积神经网络提取金属表面缺陷特征，结合SVM建立了缺陷分类模型，从模型整体结构上看还是采用传统机器视觉和识别结构，只是在特征提取阶段采用深度卷积神经网络代替了人工特征提取；文献《Automatic metallic surface defect detection and recognition with convolutional neuralnetworks》提出了一种堆叠自编码器(cascaded autoencoder)网络，用于金属表面缺陷的分割与定位，然后利用卷积神经网络CNN实现缺陷的分类，这种方法可以在像素级别分割定位缺陷，适用于缺陷边界明晰的情况。以上研究内容都取得了一定的效果，但是在实际生产中，企业的痛点主要集中在解决由于表检系统分类错误带来的漏检错判，以及如何有效的降低现场质检人员的工作强度。
[0004]经检索，关于解决上述的不足，目前已有相关专利公开。如，中国专利申请号为： 2021102315970、申请日为：2021年3月2日、申请公布日为：2021年6月25日，公开了一种基于表检仪检测的冷轧带钢质量判定的方法，包括：采集表检仪检测的冷轧带钢的表面缺陷数据；对缺陷数据进行分析，确认缺陷大小、类型以及位置；结合缺陷识别模型将确认后的缺陷对比每一条表检规则，计算出缺陷与表检规则的符合度；将符合度从高到低进行排序，从最高符合度开始，选择N个符合度对应的缺陷作为主缺陷，然后再得出冷轧带钢质量分选度、表判码以及置信度；最后根据主缺陷、分选度、表判码以及置信度对钢卷质量进行最终判定。但是该专利中，针对表面缺陷制定的表检规则是针对密集点状或块状缺陷，还需对重点缺陷进行二次识别，因此较为复杂。

技术实现思路

[0005]1.专利技术要解决的技术问题
[0006]针对现有技术中冷轧带钢表面夹杂缺陷易出现漏判错判现象，本专利技术提出一种冷轧带钢表面夹杂缺陷的识别方法，包括获取表面质量检测仪采集的冷轧带钢表面夹杂缺陷数据；对采集到的缺陷图片进行预处理；结合现场表面质量检查，建立多级筛选规则对冷轧带钢表面环节的夹杂缺陷进行判定，从而解决从夹杂缺陷中剔除非夹杂缺陷的问题，减轻冷轧带钢现场质检人员工作量，减少缺陷漏判错判现象的发生。
[0007]2.技术方案
[0008]为达到上述目的，本专利技术提供的技术方案为：
[0009]一种冷轧带钢表面夹杂缺陷的识别方法，包括如下步骤：
[0010]步骤一、获取冷轧带钢表面夹杂缺陷数据：使用表面质量检测仪采集冷轧带钢表面夹杂缺陷数据，包括缺陷的分类结果、长度、宽度、相对位置信息和原始图片；
[0011]步骤二、缺陷图片预处理：对采集到的缺陷图片进行预处理，剔除部分误分入夹杂类缺陷的其它缺陷，并根据已知信息划出缺陷感兴趣区域；
[0012]步骤三、设置筛选规则：根据收集到的样本，对缺陷图像进行处理，设置筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷；
[0013]步骤四、验证识别方法准确率：提取需要识别的夹杂缺陷图片，重复上述步骤，验证该识别方法准确率，根据提取到的待识别图片，按上述步骤提取特征值后进入步骤三的筛选规则进行筛选，最终输出判定结果。
[0014]进一步的技术方案，步骤二中，对采集到的缺陷图片进行预处理具体步骤如下：
[0015]A1、提取分类表信息中缺陷长度信息D
L
，通过大量样本分析确定合适的长度阈值L
th
；
[0016]A2、对表面质量检测仪采集到的缺陷压缩图片进行处理，根据对应缺陷长度D
L
和缺陷宽度D
W
，按比例尺S
c
换算至原始图片规格，由此可得到原始图片感兴趣区域长度D
LO
和宽度D
WO
，最终可以获得压缩后图片感兴趣区域的长度和宽度。
[0017]进一步的技术方案，A1中，依据大量缺陷样本统计选定长度阈值为60mm，
[0018]L
th
＝60，
[0019]S1＝D
L
，
[0020]其中，S1为第一个特征值，当缺陷长度D
L
大于60mm时，进入下一步处理，否则直接判定为非夹杂缺陷。
[0021]进一步的技术方案，A2中，由于获取表检仪缺陷图片为压缩之后图片，需要对满足上一步筛选规则的缺陷图片进行处理，根据对应缺陷长度D
L
和缺陷宽度D
W
，按比例尺S
c
换算至原始图片规格，由此可得到原始图片感兴趣区域长度D
LO
和宽度D
WO
，获得压缩后图片感兴趣区域的长度和宽度，具体计算公式如下：
[0022]D
LO
＝D
L
×
S
c
，
[0023]D
WO
＝D
W
×
S
c
，
[0024]L
o
＝677+10
×
((Z
L
‑
256)/4)，
[0025]W
o
＝273+19
×
((Z
W
‑
240)/16)，
[0026]Z
RL
＝(D
LO
/10)
×
Z
L
，
[0027]Z
RW
＝(D
WO
/10)
×
Z
W
，
[0028]Z
RX
＝(((W
o
‑
D...

【技术保护点】

【技术特征摘要】
1.一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于，包括如下步骤：步骤一、获取冷轧带钢表面夹杂缺陷数据：使用表面质量检测仪采集冷轧带钢表面夹杂缺陷数据，包括缺陷的分类结果、长度、宽度、相对位置信息和原始图片；步骤二、缺陷图片预处理：对采集到的缺陷图片进行预处理，剔除部分误分入夹杂类缺陷的其它缺陷，并根据已知信息划出缺陷感兴趣区域；步骤三、设置筛选规则：根据收集到的样本，对缺陷图像进行处理，设置筛选规则，进一步剔除误分入夹杂类缺陷中的其他缺陷；步骤四、验证识别方法准确率：提取需要识别的夹杂缺陷图片，重复上述步骤，验证该识别方法准确率，根据提取到的待识别图片，按上述步骤提取特征值后进入步骤三的筛选规则进行筛选，最终输出判定结果。2.根据权利要求1所述的一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于：步骤二中，对采集到的缺陷图片进行预处理具体步骤如下：A1、提取分类表信息中缺陷长度信息D
L
，通过大量样本分析确定合适的长度阈值L
th
；A2、对表面质量检测仪采集到的缺陷压缩图片进行处理，根据对应缺陷长度D
L
和缺陷宽度D
w
，按比例尺S
c
换算至原始图片规格，由此可得到原始图片感兴趣区域长度D
LO
和宽度D
Wo
，最终可以获得压缩后图片感兴趣区域的长度和宽度。3.根据权利要求2所述的一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于：A1中，长度阈值L
th
＝60，S1＝D
L
，其中，S1为第一个特征值，当缺陷长度D
L
大于60mm时，进入下一步处理，否则直接判定为非夹杂缺陷。4.根据权利要求2所述的一种冷轧带钢表面夹杂缺陷的识别方法，其特征在于：A2中，获得压缩后图片感兴趣区域的长度和宽度，具体计算公式如下：D
LO
＝D
L
×
S
c
，D
Wo
＝D
W
×
S
c
，L
o
＝677+10
×
((Z
L
‑
256)/4)，W
o
＝273+19
×
((Z
W
‑
240)/16)，Z
RL
＝(D
LO
/10)
×
Z
L
，Z
RW
＝(D
Wo
/10)
×
Z
W
，Z
RX
＝(((W
o
‑
D
WO
)/2)/W
o
)<...

【专利技术属性】
技术研发人员：侯维国，刘伟，徐荣，
申请(专利权)人：马鞍山钢铁股份有限公司，
类型：发明
国别省市：