一种钢材低倍疏松图像智能评级方法技术

本发明专利技术提出一种钢材低倍疏松图像智能评级方法，涉及图像处理技术领域，包括如下步骤：步骤1：采集结构钢连铸圆坯样本的低倍组织图像；步骤2：识别低倍组织图像的疏松缺陷；步骤3：识别疏松缺陷的关键特征；步骤4：基于疏松缺陷的关键特征对连铸圆坯样本疏松缺陷进行自动评级

【技术实现步骤摘要】
一种钢材低倍疏松图像智能评级方法


[0001]本专利技术涉及图像处理
，具体是一种钢材低倍疏松图像智能评级方法
。

技术介绍

[0002]疏松是钢材中常见的一种质量缺陷
。
疏松是指分散于其他部位微小孔隙的钢锭疏松
。
钢锭疏松是指镇静钢钢锭内部的微小孔隙
。
集中分布于轴心区的微小孔隙称中心疏松，分散于其他部位的微小孔隙称一般疏松
。
疏松一般通过钢坯或钢材的横向酸蚀试样检验
。
[0003]目前，钢企钢铁成品出厂检验中，其它项目均可通过检测设备出具检测结果，只有低倍和高倍检验项目是完全依靠人工，而人工评级检测结果受人为因素影响较大，而且评级结果粗略，不能真实准确反映疏松状况，无法体现钢材内部质量水平，对于生产过程的指导和工艺优化意义不大
。

技术实现思路

[0004]本专利技术的目的是针对现有技术存在的上述问题，克服现有技术的不足之处，设计一种钢材低倍疏松图像智能评级方法，通过低倍数字化检测系统开发，能够实现钢材低倍疏松检测的标准化，为生产提供更准确的检测数据，也能够提供更丰富的低倍组织信息，更好为生产工艺的研究和改进服务，本专利技术结合图像分析识别方法，实现钢材低倍疏松的数字化评价
。
[0005]一种钢材低倍疏松图像智能评级方法，包括如下步骤：
[0006]步骤1：采集结构钢连铸圆坯样本的低倍组织图像；
[0007]步骤2：识别低倍组织图像的疏松缺陷；
[0008]步骤3：识别疏松缺陷的关键特征；
[0009]步骤4：基于疏松缺陷的关键特征对连铸圆坯样本疏松缺陷进行自动评级
。
[0010]进一步的，步骤2基于深度学习识别低倍组织图像的疏松缺陷
。
[0011]具体包括如下步骤：
[0012]步骤
2.1
：收集若干包含疏松缺陷的低倍组织图像样本，并对疏松缺陷部进行标注；
[0013]步骤
2.2
：对低倍组织图像样本进行预处理操作，将低倍组织图像样本缩放到固定尺寸，并进行归一化处理；
[0014]步骤
2.3
：构建卷积神经网络模型，并运用卷积神经网络对预处理后的低倍组织图像样本进行训练；
[0015]步骤
2.4
：使用另外一组低倍组织图像样本作为测试数据评价卷积神经网络模型精度，当精度不满足要求时，增加低倍组织图像样本，重复步骤
2.1
‑
步骤
2.4
；
[0016]步骤
2.5
：对采集的低倍组织图像进行预处理操作，基于
ResNeSt
网络模型推理并标注低倍组织图像的疏松缺陷
。
[0017]进一步的，步骤
2.5
包括如下步骤：
[0018]步骤
2.5.1
：将采集到的低倍组织图像样本缩放到固定尺寸，并进行归一化处理；
[0019]步骤
2.5.2
：基于
ResNeSt
网络模型推理低倍组织图像的疏松缺陷，将低倍组织图像分为正常和缺陷两种状态，正常像素值调整为0，缺陷像素值调整为1，从而将低倍组织图像调整为像素值为0或1的
mask
图；
[0020]步骤
2.5.3
：将像素值为0或1的
mask
图中每个像素值乘以
255
得到像素值为0或
255
的黑白
mask
图，像素值为0作为黑色背景，像素值为
255
作为白色缺陷；
[0021]步骤
2.5.4
：找到黑白
mask
图中像素值为
255
的像素点所在的位置，并在低倍组织图像中标注出来，即为低倍组织图像的疏松缺陷
。
[0022]优选的，步骤3中关键特征包括：疏松区域范围
、
疏松空隙数量和疏松空隙密集程度
。
[0023]其中，疏松区域范围通过指标疏松范围占比
P
q
评价，
P
q
是低倍组织图像上疏松区域直径
D
os
与低倍组织图像上连铸圆坯直径
D
oc
之比求解，即：
[0024]P
q
＝
D
os
/D
oc
[0025]其中，
D
oc
是低倍组织图像上连铸圆坯直径，
D
os
是低倍组织图像上疏松区域直径，是结构钢连铸圆坯样本圆心
O
与距离圆心
O
最远的疏松点之间距离的2倍，参照下述公式：
[0026][0027]其中，
N
os
是低倍组织图像上圆心
O
到疏松区中最远一个像素点之间的像素个数，
N
oc
是低倍组织图像上穿过圆心
O
并且在连铸圆坯上最远两个像素点之间的像素个数，
[0028]进而，
P
q
的简化公式为：
[0029][0030]优选的，低倍组织图像上圆心
O
是连铸圆坯上最远的两个像素点连线的中心点
。
[0031]进一步的，找出尺寸范围为
0.2mm
‑
1.5mm
的疏松缺陷作为疏松空隙，具体包括如下步骤：
[0032]步骤
A
：将低倍组织图像中疏松缺陷分成若干个连续的疏松缺陷；
[0033]步骤
B
：对于任一连续疏松缺陷
i
，找出其中最远的两个像素点
X
i1
、X
i2
；
[0034]步骤
C
：计算最远的两个像素点
X
i1
、X
i2
之间的实际距离，即为连续疏松缺陷
i
的尺寸：
[0035][0036]其中，表示连续疏松缺陷
i
的尺寸，表示两个像素点
X
i1
、X
i2
之间像素的个数，
d
oc
表示连铸圆坯的实际直径；
[0037]步骤
D
：当满足时，则该连续疏松缺陷
i
为疏松空隙
。
[0038]进一步的，疏松空隙密集程度是低倍组织图像中圆心
O
，直径为5％
D
oc
的区域内疏松空隙的总面积与该区域总面积的比值
P
S
，通过下述公式计算：
[0039][0040]其中，
N本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种钢材低倍疏松图像智能评级方法，其特征在于，包括如下步骤：步骤1：采集结构钢连铸圆坯样本的低倍组织图像；步骤2：识别低倍组织图像的疏松缺陷；步骤3：识别疏松缺陷的关键特征；步骤4：基于疏松缺陷的关键特征对连铸圆坯样本疏松缺陷进行自动评级
。2.
根据权利要求1所述的一种钢材低倍疏松图像智能评级方法，其特征在于：步骤2基于深度学习识别低倍组织图像的疏松缺陷
。3.
根据权利要求2所述的一种钢材低倍疏松图像智能评级方法，其特征在于：基于深度学习识别低倍组织图像的疏松缺陷，具体包括如下步骤：步骤
2.1
：收集若干包含疏松缺陷的低倍组织图像样本，并对疏松缺陷部进行标注；步骤
2.2
：对低倍组织图像样本进行预处理操作，将低倍组织图像样本缩放到固定尺寸，并进行归一化处理；步骤
2.3
：构建卷积神经网络模型，并运用卷积神经网络对预处理后的低倍组织图像样本进行训练；步骤
2.4
：使用另外一组低倍组织图像样本作为测试数据评价卷积神经网络模型精度，当精度不满足要求时，增加低倍组织图像样本，重复步骤
2.1
‑
步骤
2.4
；步骤
2.5
：对采集的低倍组织图像进行预处理操作，基于
ResNeSt
网络模型推理并标注低倍组织图像的疏松缺陷
。4.
根据权利要求3所述的一种钢材低倍疏松图像智能评级方法，其特征在于，步骤
2.5
包括如下步骤：步骤
2.5.1
：将采集到的低倍组织图像样本缩放到固定尺寸，并进行归一化处理；步骤
2.5.2
：基于
ResNeSt
网络模型推理低倍组织图像的疏松缺陷，将低倍组织图像分为正常和缺陷两种状态，正常像素值调整为0，缺陷像素值调整为1，从而将低倍组织图像调整为像素值为0或1的
mask
图；步骤
2.5.3
：将像素值为0或1的
mask
图中每个像素值乘以
255
得到像素值为0或
255
的黑白
mask
图，像素值为0作为黑色背景，像素值为
255
作为白色缺陷；步骤
2.5.4
：找到黑白
mask
图中像素值为
255
的像素点所在的位置，并在低倍组织图像中标注出来，即为低倍组织图像的疏松缺陷
。5.
根据权利要求1所述的一种钢材低倍疏松图像智能评级方法，其特征在于：步骤3中关键特征包括：疏松区域范围
、
疏松空隙数量和疏松空隙密集程度
。6.
根据权利要求5所述的一种钢材低倍疏松图像智能评级方法，其特征在于：疏松区域范围通过指标疏松范围占比
P
q
评价，
P
q
是低倍组织图像上疏松区域直径
D
os
与低倍组织图像上连铸圆坯直径
D
oc
之比求解，即：
P
q
＝
D
os
/D
oc
其中，
D
oc
是低倍组织图像上连铸圆坯直径，
D
os
是低倍组织图像上疏松区域直径，是低倍组织图像上结构钢连铸圆坯样本圆心
O
与距离圆心

【专利技术属性】
技术研发人员：侯兴辉，刘洋，余超，汪德伟，唐佳勇，陈远清，
申请(专利权)人：江苏永钢集团有限公司，
类型：发明
国别省市：