基于机器视觉的钢卷表面质量缺陷检测系统的制作方法

本发明涉及机器视觉技术领域，尤其涉及一种基于机器视觉的钢卷表面质量缺陷检测系统。

背景技术：

工业生产中，钢带加工完成以后，为了掌握钢带加工的质量以及对出厂的成品钢带的质量进行把控，需要对钢带表面的缺陷进行检测。且根据检测结果确定缺陷等级，例如，将缺陷等级超过预设值的确定为次品钢带。

传统的钢卷表面缺陷一般为人工检测，工作量大，工作时间长，易疲劳，且受场地的环境因素影响，缺陷检出率较低，极易造成经济损失。

技术实现要素：

为解决上述现有技术中存在的技术问题，本发明提供了一种基于机器视觉的钢卷表面质量缺陷检测系统。具体技术方案如下：

一种基于机器视觉的钢卷表面质量缺陷检测系统，所述系统包括：

设备层，所述设备层包括覆盖实施企业的工业设备以及各类工况传感器，用于提供数据还原实际生产业务的执行过程与运行环境；

感知层，所述感知层与所述设备层连接，用于获取所需的数据或文件；

数据层，所述数据层建立有基于工业场景的人工智能算法，用于数据实时接入处理、模型计算、规则判定、实时预警；

应用服务层，用于提供钢板质量分析、指导设备预测性维护和工艺优化，所述应用服务层还包括人机交互界面，用于进行规则录入以及钢卷信息的查询和报告的呈现。

在一种可能的设计中，所述设备层通过图像采集，获取钢卷质量的检验数据；通过mes获得订单数据、前道工序质量数据。

在一种可能的设计中，所述感知层进行图像识别和文件解析，获取标准数据输出。

在一种可能的设计中，所述系统包括：

采集模块，所述采集模块包括：用于拍摄钢卷表面图像的摄像装置，用于提供光源的照明装置，与所述摄像装置连接用于图像信息的读取、缓存及传输的采集电路板，用于保护所述摄像装置、所述照明装置和所述采集电路板的保护装置，以及用于获取产线速度的编码器；

处理模块，用于钢卷表面图像的预处理、缺陷图像的分割、缺陷图像的特征提取和缺陷图像的分类；

服务模块，所述服务模块包括服务器、控制台、海量存储器和打印设备，所述服务器用于接收所述处理模块的处理结果，根据处理结果获取钢卷的缺陷分布情况，进行表面质量评价；所述海量存储器用于保存钢卷的缺陷分布情况及缺陷数据；所述控制台为可视化监控终端，用于调整所述摄像装置和所述照明装置，以及钢卷缺陷数据的查询；所述打印设备用于实现信息的可视化输出。

在一种可能的设计中，所述摄像装置为dalsa达尔视工业相机提供的ccd相机组。

在一种可能的设计中，所述照明装置采用高功率同轴光，且具备局部遮光环境。

在一种可能的设计中，所述处理模块包括roi检测单元，用于判断表面图像是否包含缺陷区域，滤除非缺陷的表面图像。

在一种可能的设计中，钢卷表面图像的预处理包括：均值去噪，锐化，利用拉普拉斯算子调亮待识别区域，利用灰度特征提取待识别缺陷。

在一种可能的设计中，所述服务器通过深度学习技术对判定规则进行优化，建立基于机器学习的缺陷判定规则库。

在一种可能的设计中，所述控制台包括适配单元，用于调整生产参数以响应产线或产品质量监控的需求。

本发明技术方案的主要优点如下：

本发明的基于机器视觉的钢卷表面质量缺陷检测系统，使用ccd相机代替传统的人眼，精度高，清晰，而且不会疲劳，可以一天24小时工作，减少人力成本。ccd相机拍的图片经过图像处理，更进一步的提高图片的精度和清晰度，便于后续缺陷识别。钢板表面缺陷检测采用世界先进的深度学习技术，用监督式与半监督式的特征学习和分层特征提取高效算法来替代传统的手工获取缺陷图像特征。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

附图1为本发明一个实施例提供的基于机器视觉的钢卷表面质量缺陷检测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合附图，详细说明本发明实施例提供的技术方案。

本发明实施例提供了一种基于机器视觉的钢卷表面质量缺陷检测系统，该系统包括：

设备层，设备层包括覆盖实施企业的工业设备以及各类工况传感器，用于提供数据还原实际生产业务的执行过程与运行环境。示例地，设备层通过图像采集，获取钢卷质量的检验数据；通过mes获得订单数据、前道工序质量数据。

感知层，感知层与设备层连接，用于获取所需的数据或文件。示例地，感知层进行图像识别和文件解析，获取标准数据输出。

数据层，数据层建立有基于工业场景的人工智能算法，用于数据实时接入处理、模型计算、规则判定、实时预警。数据层作为实时流处理的基础设施，可以基于实时监听技术，获取图像文件后，对文件进行解压、数据还原、格式化等操作，实现实时流处理技术，能够对gb以上的大文件进行实时、快速的顺序解析。

应用服务层，用于提供钢板质量分析、指导设备预测性维护和工艺优化，应用服务层还包括人机交互界面，用于进行规则录入以及钢卷信息的查询和报告的呈现。

基于上述钢卷表面质量缺陷系统的层次划分，本发明实施例提供的基于机器视觉的钢卷表面质量缺陷检测系统，可以包括：

采集模块，采集模块包括：用于拍摄钢卷表面图像的摄像装置，用于提供光源的照明装置，与摄像装置连接用于图像信息的读取、缓存及传输的采集电路板，用于保护摄像装置、照明装置和采集电路板的保护装置，用于获取产线速度的编码器。对应上述设备层功能。

处理模块，用于钢卷表面图像的预处理、缺陷图像的分割、缺陷图像的特征提取和缺陷图像的分类。对应上述感知层功能。

服务模块，服务模块包括服务器、控制台、海量存储器和打印设备，服务器用于接收处理模块的处理结果，根据处理结果获取钢卷的缺陷分布情况，进行表面质量评价；海量存储器用于保存钢卷的缺陷分布情况及缺陷数据；控制台为可视化监控终端，用于调整摄像装置和照明装置，以及钢卷缺陷数据的查询；打印设备用于实现信息的可视化输出。对应上述数据层和应用服务层功能。其中，可视化监控终端的界面上可以实时显示钢卷及其缺陷的模拟图，并根据缺陷显示的要求，进行数据展示。

其中，摄像装置为dalsa达尔视工业相机提供的ccd相机组，可以将分辨率提高到0.1mm，进而提高缺陷检测效果。

ccd相机垂直于钢板轧制生产线设置，其数量可以根据钢板的宽度和检测分辨率确定，钢板的宽度越大，检测分辨率要求越高，对应的ccd相机的数量越多。本领域技术人员可以根据使用需求选取适当数量的ccd相机。可选地，为了对钢卷的两个表面分别进行检测，ccd相机在钢卷的两个表面对称布置。

照明装置用于提供光源使摄像装置可以顺利采集图像信息。照明装置与摄像装置的数量相同且一一对应，每个照明装置提供高功率同轴光，且具备局部遮光环境，以对拍摄区域进行精确照明，提高摄像效果。

可选地，照明装置只采用明场的照明方式。

基于ccd相机的数量为多个，对应的，处理模块包括多台计算机，每台计算机与一个ccd相机连接，通过该种并行分布式结构，以保证采集的图像信息能够及时由单独的计算机进行处理，保证检测实时性。

本发明实施例中，采集电路板用于图像信息的读取、缓存及传输等，可选地，采电路板可以采用dsp(digitalsignalprocesso，数字信号处理技术)技术实现上述功能。

进一步地，采集电路板还可以具有实时roi检测功能，对应地，处理模块包括roi检测单元，用于判断表面图像是否包含缺陷区域，滤除非缺陷的表面图像，从而降低后续数据传输、存储和处理压力，降低算法计算量。

处理模块顺次进行钢卷表面图像的预处理、缺陷图像的分割、缺陷图像的特征提取和缺陷图像的分类。其中，钢卷表面图像的预处理包括：均值去噪，锐化，利用拉普拉斯算子调亮待识别区域，利用灰度特征提取待识别缺陷。通过进行图像预处理，便于后续的图像识别。

待识别区域中待识别缺陷之间可能存在黏连等情况，通过图像分割以便于后续识别。具体地，图像分割的步骤如下：对待识别缺陷进行图像腐蚀，分开各个连通域，然后将图像分割开。

图像识别时，服务器自主训练针对钢卷表面缺陷训练模型，采用缺陷识别的模型获取识别结果。进一步地，服务器通过深度学习技术对判定规则进行优化，建立基于机器学习的缺陷判定规则库。

可选地，本发明实施例中，控制台中还设置有适配单元，用于配置符合当前环境的算法参数，如产线速度、产品生产类型、各种缺陷的检出标准、需要检出的缺陷种类等，调整生产参数以响应产线或产品质量监控的需求。

以下对本发明实施例提供的基于机器视觉的钢卷表面质量缺陷检测系统的相关技术说明进行阐述：

设备技术说明：

设备使用容量：保存产品回溯期内的明细数据及分析可视化数据；通过大数据存储技术，保障产品回溯期内任意钢卷数据随时调取。对大型数据提供随机、实时的读写访问的数据服务。具有以下特性：

海量数据存储能力(tb级)；

支持数据的自动切分和分布，支持动态扩容，无需停机；

支持面向列的数据压缩，有效降低磁盘i/o，提高利用率；

提供高效的数据整合能力，支持灵活的表结构，可动态改变和增加维度(包括行、列和时间戳)；

高效，海量数据秒级查询，支持多维度查询，支持全文检索；

规则转化说明：

基于数据科学团队数据挖掘和深度学习技术，依托多年分析项目实践经验，提供关于钢板点伤类型判定，片伤聚类识别和整钢质量合格分析等一系列深度优化算法模型，同时结合专家业务规则，实现模型的自学习，发现未知缺陷类型；业务人员可通过灵活配置模型参数，实现分析模型在不同钢种、不同产线上的业务适配，从而提高模型分析效率和应用价值。

1)根据前期生产线已经完成的部分缺陷点、片伤判定规则，在实际项目过程中提供并参考。

2)设定满足个性化的规则转化方案：

a)钢种、订单匹配规则：根据mes订单预挂，选择相应的规则。

b)(非)保证面规则：根据产线、钢种，对材料的上、下表面预设基准保证面。有问题判定翻面处理，后期可根据用户需求进行匹配。

c)聚集规则：对检测出各种缺陷在整卷的聚集情况进行综合缺陷分析。如：大起皮，检测出多种缺陷，而根据多种缺陷反推是什么缺陷分类需要建立算法模型。

实际判定的技术说明：

根据质量判定规则及要求，给出判定相关的质量说明、报告、数据分析及信息查询，在完成钢板质量建模分析后，通过自然语言处理相关技术，结合不同的生产需求，差异性生成可读可理解的钢板质量报告。报告内容不仅包含传统统计分析结果，同时也对模型发现的潜在业务知识进行友好直观表达，提高业务人员工作效率，并方便与已有专家知识库整合、归纳和完善。

以下对本发明实施例提供的基于机器视觉的钢卷表面质量缺陷检测系统的有益效果进行说明：

本发明的钢板表面图像采集使用ccd相机代替传统的人眼，精度高，清晰，而且不会疲劳，可以一天24小时工作，减少人力成本。ccd相机拍的图片经过图像处理，更进一步的提高图片的精度和清晰度，便于后续缺陷识别。钢板表面缺陷检测采用世界先进的深度学习技术，用监督式和半监督式的特征学习和分层特征提取高效算法来替代传统的手工获取缺陷图像特征。

此外，第一方面，具备海量实时数据的采集与处理能力。针对产线海量数据进行实时采集与处理，并针对相关分析结果进行实时告警与分析。第二方面，建立有基于机器学习的缺陷判定规则库。本系统根据制定的缺陷判定规则标准，并针对现有规则通过机器学习技术进行优化与探索，不断提升判定的准确度，丰富缺陷判定的类型，最终形成一个基于机器学习的缺陷判定规则库，指导行业内同类型产品的质量检验工作。第三方面，具备灵活配置与快速扩展的算法模型库。用户可以通过适配单元快速调整关键参数以响应产线或产品质量监控的需求，该过程完全图形化，不需要后台数据科学家与算法工程师参与，大大提升了业务人员的业务参与度，同时也大大缩短了因业务扩展所带来的信息系统使用风险。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。

最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。