文愷
(馬鞍山鋼鐵股份有限公司冷軋總廠,安徽馬鞍山 243000)
國內(nèi)鋼廠智能庫區(qū)的建設(shè)已趨成熟,多數(shù)智能庫區(qū)不包含鋼卷的質(zhì)檢工序,基本上僅依靠生產(chǎn)線的在線監(jiān)測系統(tǒng)。冷軋原料庫無人化智能庫區(qū)改造國內(nèi)較少,在冷軋的原料庫實施基于機器視覺的鋼卷外觀質(zhì)量驗收的案例也較少。探討機器視覺在熱軋卷驗收的應(yīng)用。
傳統(tǒng)的熱軋卷驗收主要采用人工驗收的方法。人工驗收需要人員上車皮檢查鋼卷,檢查人員受車體空間狹窄、鋼卷溫度高等客觀條件影響,觀察人員的觀察角度及抵近觀察的時間和距離都受到限制,容易對鋼卷外觀缺陷造成漏檢。近年來,機器視覺技術(shù)的發(fā)展和應(yīng)用使解決這一問題成為可能。
機器視覺系統(tǒng)是利用機器代替人眼進行各種測量和判斷的一套系統(tǒng),通過攝像機等圖像采集設(shè)備獲取對象的二維影像,以圖像處理軟件通過算法從二維圖像中獲取所需的對象數(shù)據(jù),比如對象的形狀、與觀察點的距離、速度等特征。
針對火車運輸原料方式,某廠智能庫區(qū)熱卷驗收輔助系統(tǒng)設(shè)計了火車來料檢測系統(tǒng),配置了平行于鐵軌運動的龍門架檢測平臺,集成攝像頭等檢測設(shè)備,待車皮停穩(wěn)后,由行車上的鋼卷掃描系統(tǒng)完成鋼卷坐標定位,智能庫區(qū)倉庫管理系統(tǒng)將鋼卷信息和對應(yīng)鋼卷定位信息發(fā)送給火車來料檢測系統(tǒng),啟動龍門架依次對放置于火車平板上的熱卷進行拍照檢測,一個鋼卷的兩個端面檢測完成后,端部檢測系統(tǒng)發(fā)送鋼卷檢測結(jié)果給倉庫管理系統(tǒng),倉庫管理系統(tǒng)根據(jù)結(jié)果決定鋼卷的分流,檢測合格的鋼卷吊入正常庫區(qū)存放,不合格的鋼卷吊入封閉區(qū)進行隔離。
火車來料檢測系統(tǒng)主要分為三部分:圖像采集、圖像的處理和分析、輸出或顯示。
圖像采集模塊主要由2臺工業(yè)相機、2個檢測光源和多自由度高精度攝像機調(diào)節(jié)機構(gòu)組成,集成于檢測龍門架上,2 臺工業(yè)相機分別安裝于龍門架上的水平和垂直移動小車上,負責端部和卷形質(zhì)量的檢測。
2個CCD 攝像頭攝取鋼卷兩側(cè)端面檢測圖像并轉(zhuǎn)化為數(shù)字信號。檢測相機一張圖片的幅面是614 mm,最大卷徑是1 950 mm,完整的端面需要拍攝4×4=16 張圖片,即要拍攝4 行4 列。檢測由左上方作為第一行第一列開始檢測,順序如圖1所示。
圖1 端部檢測順序
受原料庫電磁信號的干擾、熱卷附近空氣的擾動、廠房內(nèi)的機械振動和傳輸過程的影響,造成采集的圖像攜帶噪聲。噪聲直接影響圖像拼接特征點的尋找,可能導(dǎo)致部分特征點匹配錯誤,導(dǎo)致圖像拼接錯誤。另外噪聲還會引起缺陷的誤判、漏判和定位的困難。為此圖像去噪前采取了預(yù)處理,采取措施最大限度保留鋼卷端面表面紋理細節(jié)的同時盡可能去噪,處理后的圖像要清晰,處理效率要高。
16 張鋼卷端面圖像經(jīng)去噪處理后按順序拼接起來,得到含有完整的鋼卷端面的圖像。后續(xù)檢測的準確度直接依賴圖像拼接的質(zhì)量,所以對鋼卷端面圖像的拼接必須達到無縫拼接和亞像素級的要求,同時要控制好圖像的采集條件,保證拼接算法精度、實現(xiàn)最佳拼接效果。
塌卷體現(xiàn)在拼接后的圖像上,鋼卷斷面呈橢圓狀,通過輪廓線精確定位、圖像分割等技術(shù),分割圖像中鋼卷端面和背景區(qū)域,獲得卷芯輪廓,判斷卷芯輪廓的圓度確定鋼卷是否為塌卷。通過測量卷芯輪廓線最大內(nèi)接圓可獲得鋼卷內(nèi)徑數(shù)據(jù)。
正常鋼卷端面的紋理變化的頻率、方向特性有良好的規(guī)律性。缺陷部位則破壞這種規(guī)律,如圖2、3所示。
圖2 邊裂、邊損、毛刺缺陷
圖3 松卷、折疊、邊裂缺陷
正常的鋼卷端面由一層層鋼卷螺旋卷成,每一層鋼卷因突出形成亮區(qū),每層鋼卷連接的部分因收縮形成相對暗區(qū),這構(gòu)成了鋼卷端面明暗交替的紋理,“邊裂”、“毛刺”缺陷會在原本的亮區(qū)形成暗區(qū),增加紋理頻率;而“邊損”缺陷會遮蓋原本存在的明區(qū)或暗區(qū),“松卷”缺陷會增大明暗區(qū)間隙,兩者都會造成徑向紋理頻率的下降;有“折疊”缺陷的一側(cè)區(qū)域的頻率會異常增加而另一側(cè)會異常降低,與正常區(qū)域有很大不同。通過建立不同缺陷的樣本庫,使用定制的圖像處理算法和深度學(xué)習(xí)算法兩種方式,對圖像進行識別。
塌卷、邊損、邊裂等缺陷采用圖像語義分割技術(shù),算法首先找到圖像中的異常部分,然后對這些異常部分進行分類,判斷其所屬的缺陷類別及缺陷嚴重程度,給出驗收結(jié)果,同時將拼接后的端面整體照片輸出并保存,供人工選取時進行查看。算法模型架構(gòu)策略設(shè)計如圖4所示。
圖4 算法模型架構(gòu)策略
機器視覺在熱軋卷端面質(zhì)量檢測的應(yīng)用與智能庫區(qū)的有機結(jié)合,可以向智能庫區(qū)系統(tǒng)提供及時豐富的鋼卷外觀質(zhì)量信息,為智能庫區(qū)采取聚類分析及決策樹方法實施提供了重要的數(shù)據(jù)支撐,由于其人無法比擬的高溫耐受能力,可對熱卷進行持續(xù)抵近檢查,具有較高識別準確度,配合疑難卷高清圖像的人工復(fù)查,極大地改善人員工作環(huán)境,提升了驗收的效率。