一种板坯质量检测方法与流程

本发明属于冶金数字化领域，尤其涉及一种板坯质量检测方法。

背景技术：

1、连铸生产过程中，铸坯质量为最终的目标。判断铸坯的质量一般会从铸坯的表面质量、平直度、镰刀弯、温度等多方面进行，但由于没有直接的检测手段，常规为现场取样，离线分析，倘若检测不及时，可能会导致有质量缺陷的产品会误入下一道工序。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种板坯质量检测方法解决了现有技术中存在的问题。

2、为了达到上述发明目的，本发明采用的技术方案如下。

3、一种板坯质量检测方法，包括：

4、获取板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像、板坯侧面监测图像以及板坯多点温度监测数据，并对板坯宽度监测图像、板坯表面监测图像、板坯厚度监测图像、板坯侧面监测图像以及板坯多点温度监测数据进行预处理，得到预处理后的板坯宽度监测图像、预处理后的板坯表面监测图像、预处理后的板坯厚度监测图像、预处理后的板坯侧面监测图像以及预处理后的板坯多点温度监测数据；

5、根据预处理后的板坯宽度监测图像，对所述板坯的宽度进行质量检测，获取板坯宽度质量检测结果；根据预处理后的板坯表面监测图像，对所述板坯的表面进行缺陷检测，获取板坯表面缺陷检测结果；根据预处理后的板坯厚度检测图像，对所述板坯的厚度进行质量检测，获取板坯厚度健质量检测结果；根据预处理后的板坯侧面监测图像，对所述板坯的镰刀弯进行监测，获取板坯侧面缺陷检测结果；根据预处理的板坯多点温度监测数据，对所处板坯的温度进行监测，得到板坯温度检测结果；

6、根据所述板坯宽度质量检测结果、板坯表面缺陷检测结果、板坯厚度健质量检测结果、板坯侧面缺陷检测结果以及板坯温度检测结果，获取板坯质量检测结果。

7、在一种可能的实施方式中，根据预处理后的板坯宽度监测图像，对所述板坯的宽度进行质量检测，获取板坯宽度质量检测结果，包括：

8、对预处理后的板坯宽度监测图像进行边缘平滑处理，得到第一边缘平滑处理图像；

9、采用log算子对第一边缘平滑处理图像进行板坯边缘提取，得到第一板坯边缘图像；

10、以第一板坯边缘图像中任意一个角点为原点，构建第一图像坐标系，并确定第一板坯边缘图像中两条第一边缘上所有点的坐标，两条第一边缘之间的距离为板坯宽度；

11、获取第一板坯边缘图像中两条第一边缘与第一图像坐标系中坐标轴相交的第一起点以及第二起点，所述第一起点用于表征一条第一边缘与第一图像坐标系中坐标轴的相交点，所述第二起点用于表征另一条第一边缘与第一图像坐标系中坐标轴的相交点；

12、根据第一起点以及第二起点，对所述板坯的宽度进行监测，获取宽度检测结果为：

13、

14、其中，d1表示宽度检测结果，x1i表示第一起点所对应的第一边缘上第i个点在第一图像坐标系中的x坐标，y1i表示第一起点所对应的第一边缘上第i个点在第一图像坐标系中的y坐标，x2i表示第二起点所对应的第一边缘上第i个点在第一图像坐标系中的x坐标，y2i表示第二起点所对应的第一边缘上第i个点在第一图像坐标系中的y坐标；当第一起点所对应第一边缘上点的数量多于第二起点所对应第一边缘上点的数量时，i表示第二起点所对应第一边缘上点的数量；当第一起点所对应第一边缘上点的数量少于第二起点所对应第一边缘上点的数量时，i表示第一起点所对应第一边缘上点的数量；

15、判断宽度检测结果d1是否大于预先设定的宽度阈值，若是，则判定板坯宽度质量检测结果为宽度异常，否则判定板坯宽度质量检测结果为宽度正常。

16、在一种可能的实施方式中，根据预处理后的板坯表面监测图像，对所述板坯的表面进行缺陷检测，获取板坯表面缺陷检测结果，包括：

17、构建板坯表面缺陷检测模型以及损失函数；

18、以损失函数最小为目标，并对所述板坯表面缺陷检测模型进行训练，得到训练完成的板坯表面缺陷检测模型；

19、采用训练完成的板坯表面缺陷检测模型对预处理后的板坯表面监测图像进行识别，得到缺陷检测结果图像，所述缺陷检测结果图像中存在缺陷或者不存在缺陷；

20、判断缺陷检测图像中是否存在缺陷，若是，则判定板坯表面缺陷检测结果为板坯表面存在异常，否则判定板坯表面缺陷检测结果为板坯表面正常。

21、在一种可能的实施方式中，所述板坯表面缺陷检测模型包括顺次连接的输入层、第一卷积层、第一图像处理模块、第二图像处理模块、第三图像处理模块、第一区块聚合层、第一视觉转换器模块、第二视觉转换器层、第一区块拓展层、第四图像处理模块、第五图像处理模块、第六图像处理模块、转置卷积层以及输出层；且第一图像处理模块的输出端与第六图像处理模块的输入端连接，第二图像处理模块的输出端与第五图像处理模块的输入端连接，第三图像处理模块的输出端与第四图像处理模块的输入端连接；

22、所述第一图像处理模块、第二图像处理模块以及第三图像处理模块的结构相同，且均包括顺次连接的第二卷积层、第三卷积层、第四卷积层、第五卷积层、第二区块聚合层、第三视觉转换器模块、第四视觉转换器模块以及第一整形层；

23、所述第四图像处理模块、第五图像处理模块以及第六图像处理模块的结构相同，且均包括顺次连接的第六卷积层、第七卷积层、第八卷积层、第九卷积层、第二区块拓展层、第五视觉转换器模块、第六视觉转换器模块以及第二整形层。

24、在一种可能的实施方式中，所述损失函数为：

25、ls＝λ1lbce+λ2liou+λ3lssim

26、

27、

28、

29、其中，ls表示损失值，λ1表示第一权重系数，λ2表示第二权重系数，λ3表示第三权重系数，lbce表示交叉熵损失子函数，liou表示边界交并比损失子函数，lssim表示结构相似性损失子函数，g(x,y)表示真实标签图像中的像素点(x,y)是否属于缺陷，g(x,y)＝1表示真实标签图像中的像素点(x,y)属于缺陷，g(x,y)＝0表示真实标签图像中的像素点(x,y)不属于缺陷；s(x,y)表示缺陷预测图像中的像素点(x,y)为缺陷的概率，x＝1,2,…,h，h表示x轴方向上的像素点个数，y＝1,2,…,w，w表示y轴方向上的像素点个数，μx表示x坐标点像素值的均值，μy表示y坐标点像素值的均值，σx表示x坐标点像素值的标准差，σy表示y坐标点像素值的标准差，σxy表示x坐标像素值和y坐标像素值的协方差，c1表示第一常数，c2表示第二常数。

30、在一种可能的实施方式中，以损失函数最小为目标，并对所述板坯表面缺陷检测模型进行训练，得到训练完成的板坯表面缺陷检测模型，包括：

31、根据损失函数，获取当前板坯表面缺陷检测模型对应的损失函数值，并判断该损失函数值是否小于设定阈值，若是，则将当前的板坯表面缺陷检测模型作为训练完成的板坯表面缺陷检测模型，否则，采用梯度下降法对板坯表面缺陷检测模型进行参数更新，并重复训练。

32、在一种可能的实施方式中，根据预处理后的板坯厚度检测图像，对所述板坯的厚度进行质量检测，获取板坯厚度健质量检测结果，包括：

33、对预处理后的板坯厚度检测图像进行边缘平滑处理，得到第二边缘平滑处理图像；

34、采用log算子对第二边缘平滑处理图像进行板坯边缘提取，得到第二板坯边缘图像；

35、以第二板坯边缘图像中任意一个角点为原点，构建第二图像坐标系，并确定第二板坯边缘图像中两条第二边缘上所有点的坐标，所述两条第二边缘之间的距离为板坯厚度；

36、获取第二板坯边缘图像中两条第二边缘与第二图像坐标系中坐标轴相交的第三起点以及第四起点，所述第三起点用于表征一条第二边缘与第二图像坐标系中坐标轴的相交点，所述第四起点用于表征另一条第二边缘与第二图像坐标系中坐标轴的相交点；

37、根据第三起点以及第四起点，对所述板坯的宽度进行监测，获取厚度检测结果为：

38、

39、其中，d2表示厚度检测结果，x1'j表示第三起点所对应的第二边缘上第j个点在第二图像坐标系中的x坐标，y1'j表示第三起点所对应的第二边缘上第j个点在第二图像坐标系中的y坐标，x2'j表示第四起点所对应的第二边缘上第j个点在第二图像坐标系中的x坐标，y2'j表示第四起点所对应的第二边缘上第j个点在第二图像坐标系中的y坐标；当第三起点所对应第二边缘上点的数量多于第四起点所对应第二边缘上点的数量时，j表示第四起点所对应第二边缘上点的数量；当第三起点所对应第二边缘上点的数量少于第四起点所对应第二边缘上点的数量时，j表示第三起点所对应第二边缘上点的数量；

40、判断厚度检测结果d2是否大于预先设定的厚度阈值，若是，则判定板坯厚度质量检测结果为厚度异常，否则判定板坯厚度质量检测结果为厚度正常。

41、在一种可能的实施方式中，根据预处理后的板坯侧面监测图像，对所述板坯的镰刀弯进行监测，获取板坯侧面缺陷检测结果，包括：

42、采用bp神经网络构建镰刀弯识别模型；

43、训练镰刀弯识别模型，得到训练后的镰刀弯识别模型；

44、采用训练后的镰刀弯识别模型对预处理后的板坯侧面监测图像进行识别，得到板坯侧面缺陷检测结果，所述板坯侧面缺陷检测结果包括板坯侧面监测图像存在镰刀弯或板坯侧面监测图像不存在镰刀弯。

45、在一种可能的实施方式中，训练镰刀弯识别模型，得到训练后的镰刀弯识别模型，包括：

46、a1、令当前训练轮数为n＝0，设置学习率上限c、训练轮数上限n以及训练结束阈值e，并随机初始化镰刀弯识别模型的权重；

47、a2、获取误差函数的梯度其中，g(0)表示第0轮训练时误差函数的梯度，表示梯度算子，表示在第n轮训练时的权重w(0)的基础上所得到的误差函数梯度；

48、a3、设置搜索方向d(0)，d(0)＝-g(0)；

49、a4、根据所述第n轮训练时误差函数的梯度g(n)，进行一维搜索其中，η表示范围搜索学习率，ηn表示搜索得到的学习率，e(w(n)+ηnd(n))表示权重更新为w(n)+ηnd(n)所对应的误差，e(w(n)+ηd(n))表示权重更新为w(n)+ηd(n)所对应的误差；

50、a5、根据一维搜索得到的第n轮训练时学习率ηn，调节镰刀弯识别模型的权重为：

51、w(n+1)＝w(n)+ηnd(n)

52、其中，w(n+1)表示更新后的w(n)，w(n)表示第n次训练时镰刀弯识别模型的权重；

53、a6、令当前训练轮数n的计数值加一，并判断e(w(n))是否小于训练结束阈值e，若是，则将当前的镰刀弯识别模型作为训练后的镰刀弯识别模型，否则进入步骤a7；

54、a7、判断当前训练轮数n是否大于或者等于训练轮数上限n，若是，则将当前的镰刀弯识别模型作为训练后的镰刀弯识别模型，否则进入步骤a8；

55、a8、获取误差函数的梯度以及方向因子其中，e(w(n))表示在第n轮训练时的权重w(n)的基础上所得到的误差函数梯度，g(n-1)表示第n-1轮训练时误差函数的梯度；

56、a9、获取搜索方向d(n)＝-g(n)+βnd(n-1)，其中，d(n-1)表示第n-1次训练时的搜索方向；

57、a10、返回步骤a4。

58、在一种可能的实施方式中，根据预处理的板坯多点温度监测数据，对所处板坯的温度进行监测，得到板坯温度检测结果，包括：获取预处理的板坯多点温度监测数据的方差，并判断该方差是否大于设定的温度阈值，若是，则判定板坯温度检测结果为温度异常，否则判定板坯温度检测结果为温度正常。

59、本发明提供了一种板坯质量检测方法，通过多个维度对板坯进行全方位的检测和评价，可以实现在线判断板坯的质量，从而确定板坯是否可以热送，提高了板坯检测的效率，并且给工作人员调整连铸机的工艺参数提供参考，能够有效地辅助工厂提升板坯质量。