基于视觉分析的钢板质量监管识别方法与流程
本发明属于钢板质量监管,具体是基于视觉分析的钢板质量监管识别方法。
背景技术:
1、长期以来,钢板表面质量检测大多依赖人工目视完成,在高温、高粉尘的轧制车间环境中,检测人员需要长时间保持高度注意力,不仅容易出现生理疲劳,受个人经验、情绪状态的影响极大,还不得不刻意降低钢板的轧制速度来配合人工检测节奏,直接拉低了整条生产线的生产效率。同时,传统的现场表检仪对表面缺陷的检出率和分类准确率始终存在明显瓶颈,大量分散的质量管控知识难以完成系统化的梳理与传承,事前预防环节长期依赖人工经验,事前预警和事中管控的能力始终存在明显短板,大量缺陷检测数据无法得到有效沉淀与深度分析。
2、随着智能制造技术在工业领域的持续渗透,机器视觉与深度学习技术逐步走进钢铁质量管控的视野,传统的人工肉眼检测模式开始被自动化的视觉识别方案逐步替代,通过高像素工业相机配合定制化光学系统完成钢板表面图像的实时采集,再依托卷积神经网络完成缺陷特征的自主学习与分类识别,既能够有效规避人工检测的各类不稳定因素,实现对0.1mm级细微缺陷的稳定捕捉,也能将单条钢板的检测时长从过去的数小时压缩至数分钟。
技术实现思路
1、为了解决上述方案存在的问题,本发明提供了基于视觉分析的钢板质量监管识别方法。
2、本发明的目的可以通过以下技术方案实现:
3、基于视觉分析的钢板质量监管识别方法,方法包括:
4、步骤s1:配置针对钢板质量监测的标准质量评估模块,所述标准质量评估模块用于对接收到的钢板图像进行质量评估,获得钢板质量评估信息和置信度。
5、步骤s2:基于标准质量评估模块配置协同优化模块,所述协同优化模块用于在置信度不达标时对钢板图像进行优化,且优化后的钢板图像满足标准质量评估模块的分析需求。
6、进一步地,协同优化模块的工作方法,包括:
7、实时识别钢板质量评估模块输出的置信度;
8、当置信度大于阈值x1时,不进行钢板图像优化处理,且禁止将同一钢板图像发送给钢板质量评估模块;
9、当置信度不大于阈值x1时,获取所述置信度对应的钢板图像,基于预设缺陷库对钢板图像进行处理,剔除缺陷识别干扰因素,并补充缺陷协同识别信息,获得优化后的钢板图像。
10、进一步地,基于预设缺陷库对钢板图像进行处理,包括:
11、预设检测钢板的标准特征图像,基于标准特征图像对钢板图像进行缺陷差异分析,生成缺陷差异图像;
12、基于缺陷库对缺陷差异图像进行特征识别剔除,剔除基于缺陷库能够识别的缺陷问题对应的缺陷识别特征,获得优化差异图;
13、评估优化差异图中各差异区域的图像特征是否对应钢板缺陷问题,剔除缺陷差异图中不是钢板缺陷问题的图像特征,并在缺陷差异图中对属于钢板缺陷问题的图像特征进行缺陷标记,获得优化后的钢板图像。
14、进一步地,所述标准特征图像由检测钢板的标准钢板图像根据每次分析重复的图像处理步骤进行预处理获得。
15、进一步地,所述标准特征图像为检测钢板的标准钢板图像。
16、进一步地,基于标准特征图像对钢板图像进行缺陷差异分析,包括:
17、根据标准特征图像对钢板图像各个位置进行特征提取,获得各个位置的钢板特征,将钢板特征与标准特征图像中相应位置的标准特征比较分析,获得差异分析结果,差异分析结果包括特征差异超标和特征差异合格;
18、将差异分析结果为特征差异超标且位置相邻的各个位置进行合并,获得各个差异区域,根据各个差异区域生成缺陷差异图像。
19、进一步地,将钢板特征与标准特征图像中相应位置的标准特征比较分析,包括:
20、根据历史钢板图像数据进行数据标记,标记进行比较的钢板特征与标准特征之间是否超标;基于标记数据建立差异分析模型,差异分析模型的表达式为:
21、
22、式中:(s1,s2)为输入数据,s1和s2分别为钢板特征和标准特征;表示钢板特征和标准特征之间视为相同,即相应差异程度在允许范围内;输出数据为差异分析值cp(s1,s2),差异分析值为1或0;
23、通过差异分析模型对各个位置的钢板特征和标准特征进行分析,获得相应差异分析值;
24、当差异分析值为1时,差异分析结果为特征差异合格;
25、当差异分析值为0时,差异分析结果为特征差异超标。
26、进一步地,基于标准特征图像对钢板图像进行缺陷差异分析,包括:
27、对钢板图像进行灰度处理,并与标准特征图像进行关联处理;
28、设置标准特征图像的钢板有效区域的标准灰度矩阵为gs(i,j),(i,j)为坐标位置;设置钢板图像的待检测灰度矩阵gt(i,j);
29、计算相应坐标(i,j)处的单像素灰度差异值dp(i,j);
30、dp(i,j)=|gt(i,j)-gs(i,j)|
31、采用k×k滑动邻域对待检测灰度矩阵和标准灰度矩阵边缘进行对称填充,获得、,填充宽度p=⌊k/2⌋。
32、对有效区域内任意坐标(i,j),相应坐标(i,j)的邻域范围为[i:i+k,j:j+k],[i:i+k,j:j+k],分别计算局部均值与综合差异值:
33、
34、
35、设置单像素灰度差阈值tp、局部均值差阈值tμ和综合差异阈值tσ;
36、当且仅当满足以下任意一个条件时,将相应位置标记为差异点:
37、dp(i,j)>tp∪>tμ∪>tσ
38、根据各个差异点生成缺陷差异图像。
39、进一步地,k=3。
40、进一步地,所述协同优化模块布置在云端,利用云端资源评估优化差异图中各差异区域的图像特征是否对应钢板缺陷问题。
41、步骤s3:通过标准质量评估模块对实时采集的钢板图像进行分析,获得钢板质量评估信息和置信度。
42、步骤s4:通过协同优化模块实时获取钢板质量评估信息对应的置信度,基于置信度对钢板图像进行优化处理,将优化后的钢板图像发送给标准质量评估模块。
43、与现有技术相比,本发明的有益效果是:
44、通过设置协同优化模块能够实现无缝对接当前各种钢板检测系统,实现对传统检测系统的优化,提高缺陷识别精度,降低改造成本;同时针对协同优化模块特有的钢板图像优化方式,以缺陷差异图像为基准生成优化后的钢板图像,提高标准质量评估模块再次进行识别的识别效率;且对钢板图像的处理通过是否为缺陷问题进行补充标记,并不需要精准识别缺陷问题,增加适用性,否则不如直接更换更高精度的缺陷识别系统;使得分析更加简单,同时减低对本地的资源占用,同时可以提高优化效率,适用钢板加工现场。
1.基于视觉分析的钢板质量监管识别方法,其特征在于,方法包括:
2.根据权利要求1所述的基于视觉分析的钢板质量监管识别方法,其特征在于,协同优化模块的工作方法,包括:
3.根据权利要求2所述的基于视觉分析的钢板质量监管识别方法,其特征在于,基于预设缺陷库对钢板图像进行处理,包括:
4.根据权利要求3所述的基于视觉分析的钢板质量监管识别方法,其特征在于,所述标准特征图像由检测钢板的标准钢板图像根据每次分析重复的图像处理步骤进行预处理获得。
5.根据权利要求3所述的基于视觉分析的钢板质量监管识别方法,其特征在于,所述标准特征图像为检测钢板的标准钢板图像。
6.根据权利要求3所述的基于视觉分析的钢板质量监管识别方法,其特征在于,基于标准特征图像对钢板图像进行缺陷差异分析,包括:
7.根据权利要求6所述的基于视觉分析的钢板质量监管识别方法,其特征在于,将钢板特征与标准特征图像中相应位置的标准特征比较分析,包括:
8.根据权利要求3所述的基于视觉分析的钢板质量监管识别方法,其特征在于,基于标准特征图像对钢板图像进行缺陷差异分析,包括:
9.根据权利要求8所述的基于视觉分析的钢板质量监管识别方法,其特征在于,k=3。
10.根据权利要求3所述的基于视觉分析的钢板质量监管识别方法,其特征在于,所述协同优化模块布置在云端,利用云端资源评估优化差异图中各差异区域的图像特征是否对应钢板缺陷问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com