CN105414206A - 一种冷轧带钢边部在线快速定位方法 - Google Patents

Abstract

一种冷轧带钢边部在线快速定位方法，将相机采集的带钢实时图像处理后获得带钢同步灰度图像；对灰度图像进行纵向中值滤波，图像上每个像素点的灰度值等于其纵向临近点的灰度中间值；对图像分层,从左右两方向分别确定每层的左右波动最大块；进行图像纵向压缩，分别形成左右压缩图像序列；再分别生成左右边部波动序列；然后,确定每一波动序列的边缘波动阈值，从左右两方向分别搜索波动序列中第一个大于对应边缘波动阈值的波动序列值，确定本层左右边缘位置及跃阶值；最后确定左右边部统计边界。本发明工作可靠，算法简单，运行速度快，处理效果好，不受带钢纹理、色差、缺陷及光照影响，适用于工业生产和各种计算设备应用。

Description

一种冷轧带钢边部在线快速定位方法

技术领域

本发明属于工业机器视觉技术领域，特别涉及一种冷轧带钢边部在线快速定位方法。

背景技术

带钢的边部检测是带钢轧制过程中一个关键问题，对于带钢的对中处理、切边处理、带钢宽度检测、带钢表面缺陷信息定位等处理环节都起到至关重要的作用。

传统的带钢边部检测方法有机械探测法、光电探测法等。机械探测法通过接触带钢直接检测，但极易对带钢的边部造成损失而形成卷边。光电探测法通过光电组合式设备，可非接触检测出带钢边部，但需要依赖基础自动化手段，设备相对复杂和昂贵，且因为***组成部分较多，容易出现故障，难维护。

随着机器视觉技术的发展，基于图像分析方法确定带钢边部位置已得到业界越来越多的关注。图像边缘检测是图像处理和计算机视觉领域最基本的问题之一，如何快速、精确的提取图像边缘信息一直是国内外的研究热点，同时边缘的检测也是图像处理中的一个难题。

授权公告号CN1O2156996B提供的“一种图像边缘检测的方法”，是对canny边缘检测方法的改进，可以较准确的定位图像的边缘，避免了图像的边缘模糊又不会对噪声过于敏感。申请公布号CN1O2521836A公开了“一种基于特定类灰度图像的边缘检测方法”，该方法能够提高边缘检测精度和准确度，有效地实现边缘的检测。以上两种方法都是对传统方法的一种改进，但方法计算量较大，不适合带钢生产的快速运行环境。

申请公布号CN1O3226829A公开了一种“基于边缘增强算子的图像边缘检测方法”，该方法能够实现边缘的精度定位，不同尺寸的边缘能够较好地响应，并且能够尽可能减少漏检。但此方法并不适用于基板复杂(例如带锌花镀锌板或镀铝锌板等)的冷轧带钢边部检测。申请公布号为CN1O3150735A的“一种基于灰度差值平均的图像边缘检测方法”，提出一种利用灰度差值平均结合自适应阈值的方法辨识目标边缘并提取轮廓，该方法虽然处理速度较快，但同样不适用于基板复杂且可能存在边缘缺陷的冷轧带钢边部检测。

发明内容

本发明的目的旨在提供一种可以在冷轧带钢高速运行的情况下，判定出非接触的、在线的、即时的带钢边部位置，且不受带钢表面纹理、色差、光照不均、边缘缺陷等情况影响的各类冷轧带钢边部的在线快速定位方法。

为此，本发明所采取的解决方案是：

一种冷轧带钢边部在线快速定位方法，其特征在于，定位过程分为左边部的定位和右边部的定位，具体方法和步骤为：

1、边部图像获取：通过相机采集带钢实时同步图像，然后对采集到的图像进行转灰度处理，获得带钢同步灰度图像。

2、图像预处理：对获取的带钢同步灰度图像首先进行纵向中值滤波，即图像上每个像素点的灰度值等于其纵向临近点的灰度中间值。

3、搜索波动最大块：对于左首层波动最大块的搜索，从图像左上部开始，横向M列像素点，纵向N行像素点，以M×N的大小，从左向右分块检验，根据块内灰度初检情况确定左首层波动最大块；对于右首层波动最大块则从图像右上部开始，以M×N的大小，从右向左分块检验，使用同样的方法确定右首层波动最大块；首层以下的每一层最大块纵向范围仍为N行像素点，横向范围则等同于上一层最大块的横向范围；

4、进行图像纵向压缩：对于左边部定位，在步骤(3)确定的左层波动最大块向左右扩展为3M×N区域,左右扩展长度相同，计算每列的纵向平均值，形成3M×1大小的左压缩图像序列FY_L(x,y),其中x＝0，1，2……,y为层数；对于右边部定位，方法相同，形成右压缩图像序列FY_R(x,y)；

5、生成波动序列：

对于左边部定位，波动序列FB_L(x,y)的计算方法为：

FB_L(i,y)＝|FY_L(i,y)-FY_L(i-1,y)|(i>0)

对于右边部定位，波动序列FB_R(x)的计算方法为：

FB_R(i,y)＝|FY_R(i,y)-FY_R(i+1,y)|(i<压缩图像序列长度)

6、确定层边缘位置：

对于左边部定位，首先计算波动序列FB_L(x,y)中的边缘波动阈值KB_L(y)：

KB_L(y)＝AVG_L(y)+SDV_L(y)

其中，AVG_L(y)为波动序列FB_L(x,y)的平均值，SDV_L(y)为波动序列FB_L(x,y)的标准差；

然后，从左至右搜索波动序列FB_L(x,y)中第一个大于KB_L(y)的波动序列值，该值对应的原图像横向像素点位置(x)即为本层左边缘位置LB_L(Y)，该位置所对应的波动序列值记为本层左边缘跃阶值FS_L(y)；

对于右边部定位，首先计算波动序列FB_R(x,y)中的边缘波动阈值KB_R(y)：

KB_R(y)＝AVG_R(y)+SDV_R(y)

其中，AVG_R(y)为波动序列FB_R(x,y)的平均值，SDV_R(y)为波动序列FB_R(x,y)的标准差；

然后，从右至左搜索波动序列FB_R(x,y)中第一个大于KB_R(y)的波动序列值，该值对应的原图像横向像素点位置(x)即为本层右边缘位置LB_R(Y)，该位置所对应的波动序列值记为本层右边缘跃阶值FS_R(y)；

7、确定统计边界：对于计算多层图像统计边界的情况，左边部统计边界TGB_L的计算方法为：

${\mathrm{TGB}}_L=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{LB}}_L\left(i\right)\&times;\frac{{\mathrm{FS}}_L\left(i\right)}{{\mathrm{TS}}_L}$

${\mathrm{TS}}_L=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{FS}}_L\left(i\right)$

其中,y为层数.

右边部统计边界TGB_R的计算方法为：

${\mathrm{TGB}}_R=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{LB}}_R\left(i\right)\&times;\frac{{\mathrm{FS}}_R\left(i\right)}{{\mathrm{TS}}_R}$

${\mathrm{TS}}_R=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{FS}}_R\left(i\right)$

所述步骤3中，根据块内灰度初检情况确定左首层波动最大块中灰度初检情况判定方法为如果该块首次满足如下检验条件，则确定为左首层波动最大块：检验条件：

N_M>T_K

$N_M=\underset{\left(\right|F(x,y)-F(x-N,y)|>C_K)}{\mathrm{\&Sigma;}}1$

其中，C_K为带钢基板与非带钢部分的灰度波动预设最小值，T_K为判断常数。

本发明的有益效果为：

1、适用于工业生产运行环境，工作可靠，算法简单，易于实现。

2、针对各类相机设计，处理效果好，运行速度快。

3、适用于计算机及单片机等各种计算设备。

4、本发明不受带钢表面纹理、色差、光照不均、边缘缺陷等情况的影响。

5、对于带钢边部粗略检测和精细检测均适用。

附图说明

图1是冷轧带钢边部在线快速定位***构成图；

图2是冷轧带钢边部在线快速定位方法流程图；

图3是冷轧带钢边部在线快速定位方法应用效果图。

图中：带钢1、图像采集设备2、照明装置3、光带4。

具体实施方式

下面结合附图对本发明作进一步说明。

本发明冷轧带钢边部在线快速定位***构成如图1所示：***通过图像采集设备2对运动的带钢1进行实时采集，通过照明装置3进行照明。图像采集设备2可以是单个或多个相机(照相机)或其他图像采集设备。照明装置3可以是普光灯、LED集成灯、激光扫描等多种光源。照明装置3投射到带钢表面形成光带4，图像采集点被完全包裹在光带4中。相机的触发装置可配备同步装置，也可非同步触发。***通过图像采集单元采集在线图像，通讯方式可以是数字式或模拟式。***通过图像处理单元对图像进行预处理，图像处理单元可以是独立单元(如单片机设备等)或集成单元(如计算机中的程序模块)。***通过边部检测单元对带钢边部进行确认，边部检测单元也可以是独立单元(如单片机设备等)或集成单元(如计算机中的程序模块)。

本发明冷轧带钢边部在线快速定位方法的具体步骤如下(流程见图2)：

步骤一：边部图像获取。通过相机采集实时带钢1同步图像，然后对采集到的图像进行转灰度处理，获得带,1同步灰度图像。

步骤二：图像预处理。对获取的带钢1同步灰度图像首先进行纵向中值滤波，即图像上每个像素点的灰度值等于其纵向临近点的灰度中间值。此时纵向临近点的选取范围可以是分析点的上两个像素点和下两个像素点。

步骤三：搜索波动最大块。对于左首层波动最大块的搜索，从图像左上部开始，以50×10的大小(横向50列，纵向10行)，从左向右分块检验，如果某一块首次满足如下检验条件，则确定为左首层波动最大块。

N_M>T_K

$N_M=\underset{\left(\right|F(x,y)-F(x-N,y)|>C_K)}{\mathrm{\&Sigma;}}1$

其中，C_K为带钢基板与非带钢部分的灰度波动预设最小值，设定为5；T_K为判断常数，T_K取150。

对于右首层波动最大块则从图像右上部开始，以50×10的大小，从右向左分块检验，使用同样的方法确定右首层波动最大块。首层以下的每一层最大块高度仍为10，横向范围则直接等同于上一层横向范围。

步骤四：进行图像纵向压缩。对于左边部定位，在上一步骤确定的左层波动最大块向左右扩展的150×10区域内，计算每列的纵向平均值，形成150×1大小的左压缩图像序列FY_L(x,y)。对于右边部定位，方法相同，形成右压缩图像序列FY_R(x,y)。

步骤五：生成波动序列。

对于左边部定位，波动序列FB_L(x,y)的计算方法如下：

FB_L(i,y)＝FY_L(i,y)-FY_L(i-1,y)(i>0)

对于右边部定位，波动序列FB_R(x)的计算方法如下：

FB_R(i,y)＝FY_R(i,y)-FY_R(i+1,y)(i<压缩图像序列长度)

步骤六：确定层边缘位置。

对于左边部定位，首先计算波动序列FB_L(x,y)中的边缘波动阈值KB_L(y)。

KB_L(y)＝AVG_L(y)+SDV_L(y)

其中，AVG_L(y)为波动序列FB_L(x,y)的平均值，SDV_L(y)为波动序列FB_L(x,y)的标准差。然后，从左至右搜索波动序列FB_L(x,y)中第一个大于KB_L(y)的波动序列值，该值对应的原图像横向像素点位置(x)即为本层左边缘位置LB_L(Y)，该位置所对应的波动序列值即为本层左边缘跃阶值FS_L(y)。

对于右边部定位，首先计算波动序列FB_R(x,y)中的边缘波动阈值KB_R(y)。

KB_R(y)＝AVG_R(y)+SDV_R(y)

其中，AVG_R(y)为波动序列FB_R(x,y)的平均值，SDV_R(y)为波动序列FB_R(x,y)的标准差；然后，从右至左搜索波动序列FB_R(x,y)中第一个大于KB_R(y)的波动序列值，该值对应的原图像横向像素点位置(x)即为本层右边缘位置LB_R(Y)，该位置所对应的波动序列值记为本层右边缘跃阶值FS_R(y)。

步骤七：重复步骤三到步骤六,逐层计算,直至计算完底层图像的左右边缘位置及跃阶值。

步骤八：确定统计边界。对于计算多层图像统计边界的情况，左边部统计边界TGB_L的计算方法如下：

${\mathrm{TGB}}_L=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{LB}}_L\left(i\right)\&times;\frac{{\mathrm{FS}}_L\left(i\right)}{{\mathrm{TS}}_L}$

${\mathrm{TS}}_L=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{FS}}_L\left(i\right)$

其中,y为层数.

右边部统计边界TGB_R的计算方法如下：

${\mathrm{TGB}}_R=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{LB}}_R\left(i\right)\&times;\frac{{\mathrm{FS}}_R\left(i\right)}{{\mathrm{TS}}_R}$

${\mathrm{TS}}_R=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{FS}}_R\left(i\right)$

图3显示的是对于冷轧镀锌板的边部检测效果。从图像上看左右两边部带钢光照条件不一致，左边部较暗，右边部较亮，且钢板基板有较明显纹理，部分边缘带钢图像灰度接近或低于非带钢区图像灰度。在此种条件下该方法可以较好的确定镀锌板的边部位置。

Claims (1)

1.一种冷轧带钢边部在线快速定位方法，其特征在于，定位过程分为左边部的定位和右边部的定位，具体方法和步骤为：

(1)边部图像获取：通过相机采集带钢实时同步图像，然后对采集到的图像进行转灰度处理，获得带钢同步灰度图像；

(2)图像预处理：对获取的带钢同步灰度图像首先进行纵向中值滤波，即图像上每个像素点的灰度值等于其纵向临近点的灰度中间值；

(3)搜索波动最大块：对于左首层波动最大块的搜索，从图像左上部开始，横向M列像素点，纵向N行像素点，以M×N的大小，从左向右分块检验，根据块内灰度初检情况确定左首层波动最大块；对于右首层波动最大块则从图像右上部开始，以M×N的大小，从右向左分块检验，使用同样的方法确定右首层波动最大块；首层以下的每一层最大块纵向范围仍为N行像素点，横向范围则等同于上一层最大块的横向范围；

(4)进行图像纵向压缩：对于左边部定位，在步骤(3)确定的左层波动最大块向左右扩展为3M×N区域,左右扩展长度相同，计算每列的纵向平均值，形成3M×1大小的左压缩图像序列FY_L(x,y),其中x＝0，1，2……,y为层数；对于右边部定位，方法相同，形成右压缩图像序列FY_R(x,y)；

(5)生成波动序列：

对于左边部定位，波动序列FB_L(x,y)的计算方法为：

FB_L(i,y)＝|FY_L(i,y)-FY_L(i-1,y)|(i>0)

对于右边部定位，波动序列FB_R(x)的计算方法为：

FB_R(i,y)＝|FY_R(i,y)-FY_R(i+1,y)|(i<压缩图像序列长度)

(6)确定层边缘位置：

对于左边部定位，首先计算波动序列FB_L(x,y)中的边缘波动阈值KB_L(y)：

KB_L(y)＝AVG_L(y)+SDV_L(y)

其中，AVG_L(y)为波动序列FB_L(x,y)的平均值，SDV_L(y)为波动序列FB_L(x,y)的标准差；

然后，从左至右搜索波动序列FB_L(x,y)中第一个大于KB_L(y)的波动序列值，该值对应的原图像横向像素点位置(x)即为本层左边缘位置LB_L(Y)，该位置所对应的波动序列值记为本层左边缘跃阶值FS_L(y)；

对于右边部定位，首先计算波动序列FB_R(x,y)中的边缘波动阈值KB_R(y)：

KB_R(y)＝AVG_R(y)+SDV_R(y)

其中，AVG_R(y)为波动序列FB_R(x,y)的平均值，SDV_R(y)为波动序列FB_R(x,y)的标准差；

然后，从右至左搜索波动序列FB_R(x,y)中第一个大于KB_R(y)的波动序列值，该值对应的原图像横向像素点位置(x)即为本层右边缘位置LB_R(Y)，该位置所对应的波动序列值记为本层右边缘跃阶值FS_R(y)；

(7)确定统计边界：对于计算多层图像统计边界的情况，左边部统计边界TGB_L的计算方法为：

${\mathrm{TGB}}_L=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{LB}}_L\left(i\right)\&times;\frac{{\mathrm{FS}}_L\left(i\right)}{{\mathrm{TS}}_L}$

${\mathrm{TS}}_L=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{FS}}_L\left(i\right)$

其中,y为层数；

右边部统计边界TGB_R的计算方法为：

${\mathrm{TGB}}_R=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{LB}}_R\left(i\right)\&times;\frac{{\mathrm{FS}}_R\left(i\right)}{{\mathrm{TS}}_R}$

${\mathrm{TS}}_R=\underset{i=0}{\overset{Y}{\mathrm{\&Sigma;}}}{\mathrm{FS}}_R\left(i\right)$

所述步骤(3)中，根据块内灰度初检情况确定左首层波动最大块中灰度初检情况判定方法为如果该块首次满足如下检验条件，则确定为左首层波动最大块：检验条件：

N_M>T_K

$N_M=\underset{\left(\right|F(x,y)-F(x-N,y)|>C_K)}{\mathrm{\&Sigma;}}1$

其中，C_K为带钢基板与非带钢部分的灰度波动预设最小值，T_K为判断常数。