文愷

（馬鞍山鋼鐵股份有限公司冷軋總廠，安徽馬鞍山 243000）

引言

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(biāo)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。

1 圖像采集模塊

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(zé)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

2 圖像的處理和分析

2.1 圖像去噪

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。

2.2 圖像拼接

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(zhǔn)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。

2.3 塌卷檢測和內(nèi)徑長度測量

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)。

2.4 邊部缺陷檢測

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。

3 輸出

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(yán)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

4 結(jié)語

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(zhǔn)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。