一种带钢表面缺陷在线智能识别检测系统及其检测方法
【技术领域】
[0001]本发明涉及冷轧钢板表面质量信息在线检测技术，尤其涉及一种带钢表面缺陷在线智能识别检测系统及其检测方法。
【背景技术】
[0002]我国是钢铁生产大国，带钢由于其广泛的应用范围已成为汽车生产、机械制造、化工、航空航天、造船等工业不可缺少的原材料，其中带钢表面的质量对其总体质量乃至市场竞争力起着决定性作用。带钢制备工艺分为冷轧带钢工艺、热轧带钢工艺两种。其中，冷轧带钢工艺包括:酸洗、乳制、退火、乳制尺寸同步润滑、上防锈油、平整定尺、抛光与包装；热轧带钢工艺包括:加热炉、除磷机、粗轧机、除磷机、精轧机、表面质检仪、层冷、卷取机、打捆、喷号机与卷库板坯。
[0003]带钢制备工艺步骤比较复杂，同时会由于受轧制设备、加工工艺等方面因素的影响，使得带钢表面容易形成辊印、擦伤、孔洞等几十种不同类型的缺陷，这些缺陷严重影响了最终产品的性能和质量。目前，带钢表面质量缺陷检测多采用人工目测的方法，或者单纯的机电技术或者光学技术检测方法。
[0004]人工检测方式具有如下缺点:具有无法长时间在现场蹲守，尤其是恶劣的生产环境，无法做到24小时在线检测；无法对一些微小的如空洞，划伤等严重缺陷进行检测；对缺陷的认定和判别有很大的主观性，尤其是现场干扰较大情况下，对质量波动影响很大；无法完整准确的记录并追踪带钢缺陷，无法对缺陷进行细致的分类和分级量化处理。基于单纯机电技术或光学及时的检验方式如涡流检测要求的技巧性高，抛光表面或者粗糙表面会影响检测结果。漏磁检测方法不能检测粗糙的表面，对缺陷不能精准识别。激光检测方法成本高难于维护。
[0005]申请号为200610117168.6的专利申请文件中公开了一种基于机器视觉的带钢表面缺陷测试平台及其检测方法，可以模拟带钢直线运动、通过像机和光源配合试验，从而获取带钢缺陷最佳图像的测试平台的构建方法；申请号为200510010049.6的专利申请文件中公开了一种线阵图像式带钢表面在线缺陷检测装置及其检测方法，通过一种在线监测装置的结构实现在一台电脑上完成对带钢表面实时监测的方法；上述两种检测方法均没有提出新的检测和分类方法，不能实时、全面、精准的对带钢表面缺陷进行检测和分类。申请号为200910092408.5的专利申请文件中公开了一种连铸板坯表面裂纹在线检测方法，该方法实现了对高温板坯的在线裂纹检测，但是该方法只能针对一种缺陷实现在线检测，而不能同时实现多种缺陷的在线检测与分类。
[0006]因此，如何发明一种具有实时检测、精准分类和高准确率的带钢表面缺陷在线智能识别检测系统及其检测方法是本领域技术人员有待解决的技术难题。
【发明内容】
[0007]针对现有技术存在的问题，本发明为要解决的技术问题提供了一种具有实时检测、精准分类和高准确率的带钢表面缺陷在线智能识别检测方法，该方法解决了带钢表面缺陷检测技术中检测手段单一的问题。本发明另一方面还提供了一种带钢表面缺陷在线智能识别检测系统，该系统结构简单，功能全面，且检测手段丰富，可适用于不同类型的带钢表面缺陷的检测。
[0008]为解决上述技术问题，本发明包括以下的技术方案:
[0009]一种带钢表面缺陷在线智能识别检测方法，包括以下步骤，
[0010]步骤101光源照射带钢的上、下表面，通过高速线阵C⑶对带钢表面原始图像进行采集，采集到的原始图像转换为数字信息后传入图像处理器；
[0011]步骤201图像处理器对传入的原始图像的数字信息进行校正，然后对校正后的疑似缺陷图像进行实施分割与图像特征的提取，并传入检测计算机；
[0012]步骤301检测计算机去除伪缺陷目标，同时基于基本条件过滤方式合并同类型缺陷，然后进行特征规则检测识别；
[0013]步骤401检测计算机加载若干缺陷分类规则集，通过缺陷分类规则集对特征规则检测识别无法识别的缺陷目标进行检测识别；
[0014]步骤501检测计算机对缺陷分类规则集无法识别的缺陷类型进行特征加权归一化处理将其量化，基于样本模型库通过SVM方法对量化处理后的缺陷目标进行检测识别；
[0015]步骤601检测计算机基于设定属性条件对识别出来的缺陷目标进行的分级处理；
[0016]步骤701带钢的原始缺陷图像和检测计算机的检测识别结果进行存储与显示。
[0017]本发明的步骤201具体为:图像处理器采用GPU并行计算的自适应影像增强技术对缺陷图像进行非线性校正与影像增强；通过分割算法对校正后的疑似缺陷图像进行实时分割，并提取其几何、颜色、纹理和拓扑等图像特征。
[0018]步骤401中的缺陷分类规则集为通过人为编辑分类规则由检测计算机合成的指定目标规则。
[0019]步骤501中特征加权归一化处理具体为:缺陷图像的几何、颜色、纹理和拓扑等图像特征被赋予特征值后进行混合加权，量化成特定的特征向量。
[0020]步骤501中的样本模型库为检测计算机经过目标样本模拟训练后生成的数据库。
[0021]本发明的识别检测方法优化了缺陷图像的采集与成像技术，采用高速线阵相机与线性单色光源的图像成像方式，能够采集到清晰的疑似缺陷图像；同时基于统计的光学补正功能，有效消除了外部环境对成像的干扰；另外采用GPU并行计算的自适应图像增强技术，使得成像更为清晰和完整。
[0022]本发明的识别检测方法对缺陷图像的处理也作出了改进，通过基于全局统计和局部分析的自适应图像分割/提取技术，无论是对于精度要求高的单一缺陷还是分布范围大的面状缺陷，均可以完整有效的提取出影像中的异常区域。
[0023]本发明的识别检测方法克服了现有技术中检测手段单一的问题，首先对缺陷图像进行特征规则检测，确定初次缺陷检测识别结果；对初次缺陷检测识别未识别的缺陷类型基于缺陷分类规则集进行次级缺陷检测识别；由于带钢缺陷种类多，缺陷的形态表现差别很大，从而造成带钢缺陷特征相对分散，不容易抽取共性，对于次级缺陷检测识别未识别的缺陷类型进行特征加权归一化处理将其量化，并基于样本模型库通过SVM方法对量化处理后的缺陷目标进行检测识别；本发明设计了上述的多级缺陷检测识别方法，具有实时检测、精准分类和高准确率的优点。
[0024]一种带钢表面缺陷在线智能识别检测系统，该系统包括传送带钢的机械构件，安装在待检测带钢上方的编码器，位于待检测带钢上下相对两侧的线性LED光源和高速线阵CXD相机，通过千兆内部局域网与编码器、CXD相机相连接的图像处理器，用于缺陷检测、识别与分类的检测计算机，用于控制整个系统的运行、数据的存储、结果显示的服务器计算机，以及用于数据分析的质检端计算机。
[0025]本发明中为了方便报表与缺陷分析结果的实时导出，质检端计算机还连接有打印机。
[0026]本发明的有益效果如下:
[0027]本发明的检测系统和检测方法优化了缺陷图像的采集与成像技术，有效消除了外部环境对成像的干扰，能够采集到清晰完的缺陷图像；本发明对缺陷图像的处理技术也作出了改进，通过基于全局统计和局部分析的自适应图像分割/提取技术，可以完整有效的提取出图像中的图像特征；本发明还设计了包括初次缺陷检测识别、次级缺陷检测识别与SVM识别的多级缺陷检测识别方法，克服了现有技术中检测手段单一的问题，检测多种类型的带钢缺陷均具有实时检测、精准分类和高准确率的优点。
【附图说明】
[0028]图1为实施例1的目标样本模拟训练和缺陷检测识别流程图。
[0029]图2为实施例1带钢表面缺陷在线智能识别检测系统的工作流程图。
[0030]图3为实施例1带钢表面缺陷在线智能识别检测系统的结构示意图。
[0031]图4为实施例2带钢表面缺陷在线智能识别检测系统的工作原理图。
【具体实施方式】
[0032]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的【具体实施方式】做详细的说明。
[0033]实施例1
[0034]图1为本实施例的目标样本模拟训练和缺陷检测识别流程图。带钢表面缺陷在线智能识别检测方法，包括以下步骤，
[0035]步骤101光源照射带钢的上、下表面，通过高速线阵CCD对带钢表面原始图像进行采集，采集到的原始缺陷图像转换为数字信息后传入图像处理器；
[0036]本实施例的识别检测方法优化了缺陷图像的采集与成像技术，采用高速线阵相机与线性单色光源的影像成像方式，能够采集到清晰的缺陷影像；同时基于统计的光学补正功能，有效消除了外部环境对成像的干扰；另外采用GPU并行计算的自适应影像增强技术，使得缺陷成像更为清晰和完整。
[0