一种轧辊表面缺陷检测方法、系统、设备和存储介质与流程
本发明涉及机器视觉检测，特别是一种轧辊表面缺陷检测方法、系统、设备和存储介质。
背景技术：
1、随着钢铁轧制装备向高速化、连续化和智能化方向发展，轧辊表面状态已经成为影响带材表面质量、轧制稳定性及轧辊服役寿命的重要因素，轧辊在周期性接触载荷、弯曲载荷、摩擦牵引及局部冷热循环的共同作用下，容易产生微裂纹、点蚀和剥落等表面缺陷，传统轧辊检测主要依赖停机人工观察、磁粉检测、涡流检测及表面轮廓测量，此类方法能够对部分缺陷进行确认，但检测效率及在线适用性受到限制，随着工业相机、线阵成像、偏振视觉和深度学习技术的发展，基于机器视觉的轧辊表面检测逐渐应用于连续表面图像采集、纹理增强、缺陷定位和类别识别，尤其是卷积神经网络和语义分割网络能够从大量样本中学习缺陷的边缘、纹理及形状特征，线阵相机配合旋转编码器还能够将轧辊旋转运动转换为连续的圆柱表面展开图，从而为轧辊表面缺陷的在线、非接触检测提供技术基础，然而轧辊表面具有曲率大、反射强、磨削纹密集且可能附着油膜等特点，单一灰度或彩色图像中的微裂纹容易与正常磨削纹、镜面反光和局部污染混淆，圆柱展开图若缺少稳定的零相位和物理尺度标定，会导致不同检测周期中的缺陷位置难以对应且未能充分与轧辊疲劳损伤有关的信息，难以区分高风险区域中的早期弱缺陷和低风险区域中的反光干扰。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了一种轧辊表面缺陷检测方法、系统、设备和存储介质，解决现有技术不同检测周期中的缺陷位置难以对应且未能充分与轧辊疲劳损伤有关的信息的问题。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明提供了一种轧辊表面缺陷检测方法，其包括，
5、采集轧辊参数和机器视觉数据，建立轧辊圆柱表面坐标和统一圆柱网格，并将机器视觉数据映射到统一圆柱网格，进一步生成六通道轧辊标量特征和成像质量掩膜；
6、基于轧辊参数计算轧辊应力并生成机械疲劳损伤指标、轧辊表面温度梯度以及机器视觉表面微扰特征，进一步得到疲劳易损概率和轧辊表面裂纹优选扩展方向；
7、划分表面缺陷种类，根据疲劳易损概率确定缺陷萌生点位置并生成缺陷几何掩膜，对每种缺陷计算最大相对深度组成相对深度图；
8、基于六通道轧辊标量特征建立正常轧辊表面背景库并采集真实缺陷图块，根据真实缺陷图块形成训练数据，通过训练数据对生成器和判别器进行训练输出缺陷外观生成网络并根据缺陷外观生成网络形成虚拟缺陷训练集；
9、构建轻量化轧辊缺陷分割网络并定义检测标签，建立缺陷训练数据对轻量化轧辊缺陷分割网络进行训练，基于训练后的缺陷分割网络识别轧辊表面缺陷并输出。
10、作为本发明所述轧辊表面缺陷检测方法的一种优选方案，其中：所述采集轧辊参数和机器视觉数据，建立轧辊圆柱表面坐标和统一圆柱网格，并将机器视觉数据映射到统一圆柱网格，进一步生成六通道轧辊标量特征和成像质量掩膜具体为：获取目标轧辊的几何参数、材料参数、轧制工艺参数及机器视觉数据，并按照同一轧辊编号和同一采集时刻建立数据关联；
11、几何参数包括参考半径和辊身有效长度；
12、材料参数对应轧辊和被轧带材，轧辊材料参数包括轧辊材料弹性模量、泊松比、屈服强度、线膨胀系数、参考循环次数下的疲劳强度以及疲劳指数，被轧带材材料参数包括带材弹性模量和泊松比；
13、轧制工艺参数包括当前总轧制力、当前压下量、入口张力、出口张力、轧辊表面线速度、带材线速度以及轧辊转速；
14、机器视觉数据采用由旋转编码器同步触发的四通道偏振线阵相机，分别获取偏振方向为0°、45°、90°、135°的原始偏振图像，同时采用与旋转编码器同步触发的红外线阵相机采集轧辊表面温度原始图；
15、对采集的机器视觉数据进行校正；
16、定义轧辊表面的圆周方向坐标和轴向坐标建立轧辊圆柱表面坐标，在轧辊端部设置唯一的零相位标记，并将编码器零相位脉冲到达时的圆周位置定义为圆周方向坐标0位置，记录编码器每转实际产生的有效触发脉冲数量并计算每个有效触发脉冲对应的轧辊转角，通过轧辊转角计算对应的圆周方向坐标，通过设置标定板计算轴向像素物理分辨率，记录轧辊左端对应的像素编号，根据轴向像素与轧辊左端对应的像素编号的差值乘以轴向像素物理分辨率得到轴向坐标；
17、定义目标最小稳定检测裂纹宽度和最小裂纹宽度覆盖像素，根据目标最小稳定检测裂纹宽度和最小裂纹宽度覆盖像素的比值获取统一圆柱网格间距，通过轧辊周长与统一圆柱网格间距计算圆周方向网格数量并获取每个圆周方向网格坐标，同步通过轧辊有效长度与统一圆柱网格间距计算轴向网格数量并获取轴向网格坐标，将圆周方向网格坐标和轴向网格坐标组成圆柱网格点，获取每个圆柱网格点在机器视觉数据图像中对应的连续坐标；
18、根据圆柱网格点与连续坐标的对应关系采用双三次差值将校正后的机器视觉数据图像映射至统一圆柱网格；
19、根据四个偏振方向的偏振图像计算总强度分量和线偏振差分分量，并基于总强度分量和线偏振差分分量构建低照度置信度和线偏振度；
20、基于线偏振差分分量计算线偏振方向角，对线偏振方向进行连续编码；
21、对总强度取对数，再减去低频背景提取局部反射纹理特征；
22、定义两个轧辊缺陷尺寸检测尺度，根据轧辊缺陷尺寸检测尺度计算对应像素尺度，分别对两种像素尺度计算高斯核平滑后的圆周方向梯度和轴向梯度，并获取对应尺度下的边缘强度，选择两种像素尺度中边缘强度较大值作为多尺度边缘强度；
23、在每个像素尺度下构建结构张量并提取结构张量的两个特征值，通过两个特征值差值与和的比例得到对应像素尺度下的纹理各向异性，从两种像素尺度的纹理各项异性选择较大者作为多尺度各向异性；
24、将局部反射纹理特征、线偏振度、多尺度边缘强度以及多尺度各向异性组成待标准化的轧辊标量特征，分别提取轧辊标量特征中每一项的5%和95%分位数，根据分位数对待标准化的轧辊标量特征中每一项进行标准化，同时将线偏振方向编码映射至0-1，将映射后的线偏振方向编码和标准化后的轧辊标量特征连接组合为新的六通道轧辊标量特征；
25、结合低照度标记、通道饱和标记以及编码器触发完整性标记生成成像质量掩膜。
26、作为本发明所述轧辊表面缺陷检测方法的一种优选方案，其中：所述基于轧辊参数计算轧辊应力并生成机械疲劳损伤指标、轧辊表面温度梯度以及机器视觉表面微扰特征，进一步得到疲劳易损概率和轧辊表面裂纹优选扩展方向具体为：通过辊身有效长度将轴向坐标转换为无量纲位置，采用零均值二次基函数构建轴向线载荷分布；
27、根据材料参数计算轧辊和带材之间的等效弹性模量并将轧辊参考半径作为等效曲率半径，结合等效弹性模量和等效曲率半径计算轴向位置的赫兹接触半宽和最大接触压力；
28、计算轴向位置的弯矩和轧辊圆截面的截面惯性矩，通过弯矩乘以轧辊有效半径后与截面惯性矩的比值得到轴向位置的轧辊表面最大弯曲应力；
29、根据映射至统一圆柱网格的机器视觉数据图像对每个轴向位置提取圆周方向温度中位数，并计算当前点的温度与温度中位数的局部温差，根据局部温差计算由局部温差引起的约束热应力；
30、计算出口张力和入口张力的差值，并取差值与总轧制力的比值得到等效摩擦系数，并根据带材线速度和轧辊表面线速度计算滑移方向系数，将最大接触压力、等效摩擦系数以及滑移方向系数的乘积作为轧辊表面切应力；
31、根据最大接触压力、约束热应力以及轧辊表面最大弯曲应力分别计算圆周方向和轴向的表面正应力，在二维平面应力状态下，计算轧辊表面等效应力，接着读取目标轧辊自最近一次磨削后的累计转动周数，计算机械疲劳损伤指标；
32、分别计算轧辊表面圆周方向和轴向的温度梯度，并合成为轧辊表面温度梯度，通过高斯核对局部反射纹理特征进行滤波提取局部正常纹理背景，计算局部反射纹理标准化和局部正常纹理背景的差值绝对值后计算机器视觉表面微扰特征，利用成像质量掩膜对机器视觉表面微扰特征进行修正；
33、将机械疲劳损伤指标、轧辊表面温度梯度以及修正后的机器视觉表面微扰特征采用分位数稳定归一化后加权得到轧辊的综合疲劳驱动量，采用sigmoid函数将综合疲劳驱动量映射为0-1范围的疲劳易损概率；
34、根据二维应力状态下的主应力方向关系，计算最大主应力方向角，根据最大主应力方向角计算轧辊表面裂纹优选扩展方向。
35、作为本发明所述轧辊表面缺陷检测方法的一种优选方案，其中：所述划分表面缺陷种类，根据疲劳易损概率确定缺陷萌生点位置并生成缺陷几何掩膜，对每种缺陷计算最大相对深度组成相对深度图具体为：将轧辊表面待生成缺陷划分为微裂纹、点蚀和剥落三类，并分别赋予类别标记，并统计三类缺陷的实际出现数量确定三类缺陷在虚拟样本中的生成比例；
36、将疲劳易损概率按照统一圆柱网格划分为固定尺寸图块，对每个图块计算平均疲劳易损程度；
37、在图块内根据各像素的疲劳易损概率进行加权采样得到缺陷萌生点的概率，对不同萌生点设置最小物理间距，根据缺陷萌生点的概率选择缺陷萌生点；
38、根据三类缺陷分别生成几何掩膜；
39、对于每种缺陷，定义最大相对深度范围；
40、对于微裂纹缺陷，读取微裂纹几何掩膜并提取微裂纹路径和裂纹宽度，计算圆柱网格中的像素至裂纹中心路径的最短实际距离，并选择其中的最小值，同时记录与该像素距离最近的裂纹路径位置和对应裂纹宽度，结合最小值和对应裂纹宽度计算微裂纹缺陷的相对深度；
41、对于点蚀缺陷，读取点蚀几何掩膜并提取点蚀中心、长半轴、短半轴、形状指数、参考方向以及低频扰动，对于点蚀区域的像素，按照参考方向将其圆柱坐标转换为以点蚀中心为原点的局部旋转坐标，并根据该像素沿点蚀长轴和短轴的相对位置，计算其归一化径向位置，并基于归一化径向位置计算得到点蚀相对深度；
42、对于剥落缺陷，读取剥落几何掩膜，在剥落掩膜内部，对每个像素计算其到剥落外边界的最短欧氏距离，从当前剥落缺陷内部选择最大的边界距离，通过最大边界距离对各像素的边界距离进行归一化，并生成剥落相对深度；
43、将三种缺陷的相对深度组成相对深度图。
44、作为本发明所述轧辊表面缺陷检测方法的一种优选方案，其中：所述基于六通道轧辊标量特征建立正常轧辊表面背景库并采集真实缺陷图块，根据真实缺陷图块形成训练数据，通过训练数据对生成器和判别器进行训练输出缺陷外观生成网络并根据缺陷外观生成网络形成虚拟缺陷训练集具体为：根据六通道标准化轧辊表面特征，建立正常轧辊表面背景库；
45、同步收集真实缺陷图块，并标注真实缺陷区域和缺陷类别；
46、将真实缺陷图块作为生成网络需要学习的目标图像，根据真实缺陷掩膜，将图块中的缺陷区域删除，并采用现有的图像修复算法，根据缺陷周围的正常磨削纹、局部亮度和偏振特征对被删除区域进行填补，得到与原真实缺陷图块相对应的无缺陷背景图块；
47、对每个真实缺陷样本，按照其几何掩膜计算缺陷区域内部各像素至掩膜边界的距离，并将距离较大的位置标记为相对较深，距离边界较近的位置标记为相对较浅，得到与真实缺陷掩膜相匹配的相对深度引导图；
48、读取真实缺陷所在轧辊位置对应的疲劳易损概率，并形成训练数据；
49、生成网络采用u-net条件生成器，将训练数据按照通道方向进行组合，形成生成器输入，u-net生成器的编码部分逐级提取正常背景和缺陷条件的综合特征，解码部分逐级恢复图像分辨率，并通过编码层与解码层之间的跳跃连接保留原正常轧辊纹理，最终输出与正常背景尺寸相同的六通道候选缺陷图；
50、判别器采用patchgan局部判别器，判别器接收缺陷图像及其对应的缺陷掩膜和类别信息，将图像划分为多个局部区域，并分别判断各局部区域是真实缺陷外观还是生成缺陷外观，通过判别器对生成器进行训练并输出缺陷外观生成网络；
51、根据缺陷外观生成网络生成相应缺陷外观并输出候选六通道缺陷图形成虚拟缺陷训练集。
52、作为本发明所述轧辊表面缺陷检测方法的一种优选方案，其中：所述构建轻量化轧辊缺陷分割网络并定义检测标签，建立缺陷训练数据对轻量化轧辊缺陷分割网络进行训练具体为：将虚拟缺陷样本、真实缺陷样本以及真实正常样本共同组成缺陷训练数据并进行标注，对于每个样本，将六通道标准化轧辊表面特征与疲劳易损概率按照通道方向连接，形成七通道网络输入；
53、采用mobilenetv3-small编码器和u-net解码器构建轻量化轧辊缺陷分割网络，定义检测标签为四类，包括正常、微裂纹、点蚀以及剥落；
54、基于多分类交叉熵损失与dice损失共同训练缺陷分割网络，对不同缺陷类别设置相应的训练权重，采用adamw优化器更新网络参数，并采用现有的学习率衰减方法逐步降低学习率，若损失连续多个训练轮次不下降则停止训练输出缺陷分割网络参数并形成最终的轻量化轧辊缺陷分割网络。
55、作为本发明所述轧辊表面缺陷检测方法的一种优选方案，其中：所述基于训练后的缺陷分割网络识别轧辊表面缺陷并输出具体为：将采集的目标轧辊机器视觉数据图像提取六通道轧辊表面特征和疲劳易损概率后输出最终轻量化轧辊缺陷分割网络得到轧辊表面缺陷检测结果，根据轧辊表面缺陷检测结果形成轧辊表面缺陷检测图和检测报告输出。
56、第二方面，本发明提供了一种轧辊表面缺陷检测系统，包括，
57、数据采集与特征提取模块，用于采集轧辊参数和机器视觉数据，建立轧辊圆柱表面坐标和统一圆柱网格，并将机器视觉数据映射到统一圆柱网格，进一步生成六通道轧辊标量特征和成像质量掩膜；
58、轧辊参数分析模块，用于基于轧辊参数计算轧辊应力并生成机械疲劳损伤指标、轧辊表面温度梯度以及机器视觉表面微扰特征，进一步得到疲劳易损概率和轧辊表面裂纹优选扩展方向；
59、轧辊缺陷构建模块，用于划分表面缺陷种类，根据疲劳易损概率确定缺陷萌生点位置并生成缺陷几何掩膜，对每种缺陷计算最大相对深度组成相对深度图；
60、虚拟数据生成模块，用于基于六通道轧辊标量特征建立正常轧辊表面背景库并采集真实缺陷图块，根据真实缺陷图块形成训练数据，通过训练数据对生成器和判别器进行训练输出缺陷外观生成网络并根据缺陷外观生成网络形成虚拟缺陷训练集；
61、检测网络构建与输出模块，用于构建轻量化轧辊缺陷分割网络并定义检测标签，建立缺陷训练数据对轻量化轧辊缺陷分割网络进行训练，基于训练后的缺陷分割网络识别轧辊表面缺陷并输出。
62、第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的轧辊表面缺陷检测方法的任一步骤。
63、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的轧辊表面缺陷检测方法的任一步骤。
64、本发明有益效果为：本发明通过编码器同步偏振成像、红外测温及圆柱网格映射，实现轧辊表面多源数据的同位置表征，降低反光和展开接缝对缺陷特征的干扰，通过融合接触载荷、热梯度、循环损伤和视觉微扰生成疲劳易损概率，实现缺陷表观与服役工况关联，通过风险位置及裂纹方向约束几何掩膜和相对深度，形成标签准确、物理形态合理的缺陷样本，通过掩膜受限生成保持正常轧辊背景，并利用真实、虚拟及正常样本训练轻量化分割网络，从而提高微裂纹、点蚀和剥落的识别能力，兼顾检测精度、样本扩充效果与现场部署效率。