背景技术:
连铸板坯内部的质量对钢铁最终产品(例如热轧板、冷轧板等)的质量起着重要的作用。由于设备、工艺和新钢种的关系,铸坯的内部质量可能发生劣变,如果不及时发现,则可能会产生大量缺陷,从而严重影响产品质量。因此对连铸板坯内部的质量信息进行监控就显得非常重要。
检查铸坯内部质量的常用方法是利用快速硫印照片。这种照片的获得过程如下:先从在线生产的铸坯上切割下一块试样,把与试样大小相同的溴化银光面相纸放入稀硫酸中浸泡5分钟后捞起,然后将相纸覆盖在试样上。相纸上的硫酸与试样上的硫化物(FeS、MnS)发生化学反应,形成黑色或褐色斑点。接着将相纸冲洗和定影,即得到硫印照片。硫印照片的优点是可靠性高、直观性好。
板坯内部的质量缺陷主要是中心偏析和内部裂纹,它们产生于铸坯的二次冷却区凝固过程,化学成分主要为硫元素和磷元素,形状和面积则因连铸工艺条件而异,因此通过对中心偏析和内部裂纹的评级可以定量分析铸坯的质量。为此各家钢厂都制定一定的评级标准以便操作人员根据等级标准对铸坯质量进行评级。但是由于各人对标准的理解有偏差,所以判级结果往往存在主观随意性,这不利于客观评价铸坯的质量。
日本专利申请“铸片断片品质的评价装置”(参见日本公开特许公报(A)平2-24542)揭示了一种对硫印图像作自动判级的装置,该装置通过数码相机将硫印照片输入计算机,然后利用一定的算法识别出照片中的V型偏析、中心偏析和内部裂纹并进行质量评级。
以下简要描述其识别和评级中心偏析和内部裂纹的方法。该方法首先要对可能存在缺陷的区域作二值化处理,为此首先在硫印照片上设定中心偏析或内部裂纹出现频率较高的区域A并计算该区域内像素的平均浓度;然后设定中心偏析或内部裂纹出现频率较低的区域B并计算区域内像素浓度分布的标准偏差;接着根据平均浓度和标准偏差设定阈值浓度并对区域A内的像素作二值化处理从而获得浓淡呈一定变化的二值化图像。
为了识别出中心偏析,首先将孤立分布的黑色区域提取出来,这种区域对应了可能的中心偏析,以下称为粒子。然后计算各个粒子的面积、直径以及平均直径。面积较小的粒子系噪声引起,因此可利用基于平均直径的阈值将它们去除,余下的粒子被视为中心偏析。然后计算这些粒子的面积之和,进而将其与区域A面积相除得出中心偏析的面积率。根据上述面积率可以对中心偏析作判级分析。
为了识别出内部裂纹,同样也首先将孤立分布的黑色区域提取出来,然后将比较靠近的黑色区域进行连接处理,去除其他黑色区域,经过连接处理的这种区域与内部裂纹相对应。接着计算各内部裂纹沿X、Y方向的长度并计算出内部裂纹的斜率值Y/X。随后计算内部裂纹的面积并求和,进而将面积之和与区域A面积相除得出内部裂纹的面积率。根据计算得到的斜率值Y/X和面积率等可以对内部裂纹作判级分析。
值得指出的是,在上述方法中对区域A和B的设定需要人工完成,所以划取区域的面积大小掺杂有人为的因素,这不可避免地给后面铸坯内部质量的评价引入某些主观随意性。此外,在确定内部裂纹的连接处理时,如果铸坯图像的分辨率不够,则还需要对黑色区域内的像素进行插值,这大大增加了图像处理的工作量,降低了判级处理速度。
附图说明:
通过以下结合附图对本发明的描述,可以进一步理解本发明的目的、特征和优点。
图1为按照本发明实施例的铸坯断面质量自动判级过程的流程图;
图2为按照本发明实施例的识别中心偏析过程的流程图;
图3为按照本发明实施例的识别内部裂纹过程的流程图;
图4为按照本发明的通过特征量权值自学习方法建立中心偏析判级标准的流程图;
图5为按照本发明的通过分类阈值自学习方法建立中心偏析判级标准的流程图;
图6按照本发明实施例的中心偏析判级流程图;以及
图7按照本发明实施例的内部裂纹判级流程图。
具体实施方式:
参见图1,它示出了按照本发明实施例的铸坯断面质量自动判级过程的流程图。在该实施例中,从铸坯试样上取下的硫印照片尺寸为30毫米×1000毫米,扫描仪可以200DPI的分辨率扫描生成灰度等级为256级的图像文件。图像文件可以输入图像数据库,作为硫印照片数据库的数据源,也可以经外部模块接口输出至其他设备。
由于扫描仪的噪声对图像质量的影响很大,所以在识别图像内的缺陷之前需要借助计算机对图像进行预处理,滤除这些噪声。扫描仪的噪声可以分为两种,一种来自于扫描仪的传感器,当扫描仪进行多行平行扫描时,由于传感器灵敏度的扰动,相邻行之间的灰度不均匀,从而形成条纹干扰;另一种来自电子器件的热噪声,它在图像上表现为杂乱散布的的黑点。这些噪声造成了铸坯断面图像的失真,导致中心偏析、内裂等缺陷的识别、判级错误,因此必须有效去除。对于第一种噪声,根据噪声在水平方向上具有近似的灰度值而且比硫印数据灰度浅的特点,设计阈值滤波器予以滤除。对于第二种噪声,根据其随机分布的特点,可采用空间域平滑的方法来去除。
预处理后的图像将被用来评价铸坯断面的质量,这主要分为以下两个主要过程:(1)中心偏析、内部裂纹等缺陷的识别;(2)利用评级标准对中心偏析、内部裂纹等缺陷进行判级分析,从而得出铸坯断面质量的评价结果。此外,为了完善质量评价的标准,提高评价准确性,可以将评价结果输入知识库以供铸坯断面质量自动评价***学习参考。
以下借助图2和图3分别描述中心偏析和内部裂纹缺陷的识别过程。如图2所示,首先采用聚类算法提取模式基元。发明人通过对硫印照片的观察发现,中心偏析和内部裂纹在图像上具有相同的分布特征,即它们都是由密集分布在一起的深色像素组成。因此可将密集分布在一起并且灰度值大于一定阈值的像素归入同一集合内,这样的集合称为模式基元。由上面对模式基元的选择可见,模式基元的提取实质上可以归结为一个聚类问题。对于聚类问题,可以有多种算法,但是由于硫印图像数据量非常庞大(在本实施例中,如果图像文件为BMP格式,则文件大小将达到30兆字节),所以如果算法复杂,则将耗时极大,根据实验,不同的聚类算法对同一问题的执行时间可能相差几倍至数十倍,因此必须寻找针对本问题的快速聚类算法。经过实验,发明人发现了一种较佳的聚类算法,以下对其作具体描述。
(a)首先以某一灰度值为阈值D,提取所有大于阈值D的像素X1、X2、…Xn;(b)选定像素X1为类C1;(c)以X1为中心找出所有与X1的距离小于阈值T1的像素Z1、Z2…Zn,并将它们归入类C1,这里T1为正数;(d)依次以像素Z1、Z2…Zn为中心,重复上述步骤(c);(e)如果类C1中的像素数小于阈值T2,则删除类C1,如果类C1中的像素数大于等于阈值T2但小于2×T2,则保留类C1不变,如果类C1中的像素数大于等于2×T2,则将类C1中像素占据的区域分割为m个子区域,每个子区域内的像素数介于T2与2×T2之间,并将子区域内的像素分别归入子类C11、C12、…C1m,这里的T2和m为不小于2的整数;以及(f)对像素X2、X3、…Xn重复上述步骤(b)~(e),获得类C2、C3、…、Cn及其各自的子类,上述类和子类即为模式基元。
在提取模式基元之后即可对中心偏析和内部裂纹缺陷进行识别。对于中心偏析缺陷,可采取如下的识别算法:首先根据其在垂直方向上线性分布的特点,利用“移动窗口”方法寻找模式基元数量最大的区域,该区域是中心偏析出现概率最高的,其缺陷也是最严重的,因此实际上它是质量评价的主要分析区域。所谓“移动窗口”方法指的是在沿水平方向连续移动一宽度固定并且高度与照片相等的狭长区域的同时对模式基元数量进行统计的方法,狭长区域的宽度应根据实际情况通过实验确定。其次是利用下列公式计算该区域内各个模式基元Hi的重心:
Xi=(∑xj)/ni,Yi=(∑yj)/ni,
其中Xi与Yi为某一模式基元重心的横坐标与纵坐标,xj与yj为模式基元内某一像素的横坐标与纵坐标,ni为模式基元Hi内像素的数量。然后对区域内所有模式基元Hi的重心(Xi,Yi)作线性拟合,得到拟合直线y=ax+b,并计算各个模式基元重心(Xi,Yi)与直线y的距离Si。最后,如果Si<Sa,则将该模式基元识别为中心偏析,在这里Sa为大于零的常数。
以下借助图3描述内部裂纹的识别过程。首先采用聚类算法提取模式基元,然后计算各个模式计算模式基元的重心,接着对模式基元的重心作线性拟合并计算各个模式基元重心与拟合直线之间的距离。上述这些步骤与中心偏析识别过程中的完全一样,因此此处不再赘述。经过研究,发明人发现内部裂纹具有分布在中心偏析两侧并且呈水平裂纹状的特点,因此可以采用模式基元分布方向与水平方向的夹角(它实际上等价于模式基元的斜率)作为识别内部裂纹的判据之一。计算模式基元斜率的步骤包括:计算各模式基元内最大横坐标与最小横坐标的差值Li和最大纵坐标与最小纵坐标的差值Wi,从而得到斜率Wi/LI。如果Sa≤Si<Sb,并且Wi/Li<α,则将该模式基元归入内部裂纹缺陷,这里的Sb和α皆为大于0的常数。值得指出的是,由于Sa≤Si<Sb是模式基元归入内部裂纹的必要条件,所以可以只计算Sa≤Si<Sb的模式基元的斜率,这样就可以节省内部裂纹识别的工作量。
《中华人民共和国黑色冶金行业标准(YB/T 4003-1997)》对中心偏析和内部裂纹的判级给出了一组硫印照片,并指明中心偏析和内部裂纹的级别与它们的长度、大小以及灰度等特征有关。但是这仅仅是对判级的一个模糊、定性的说明,没有给出定量化的规则,无法在自动判级中直接采用。通过对硫印照片的分析、统计,发明人发现,形状、连续性、长度、面积和灰度等与中心偏析的级别具有较强的相关性,可以作为表征中心偏析级别的特征量,而面积与内部裂纹的级别具有较强的相关性,可以作为表征内部裂纹级别的特征量。但是多特征量有可能导致缺陷判级的不一致。例如对于某张硫印照片上的中心偏析,根据形状和灰度特征可将其定级为1.5C级,但是根据其连续性、长度、面积等特征,又可将其定级为1.0C级,由此导致定级的困难。解决这一问题的方法是通过自学习方法获取分级特征量与缺陷级别的对应关系,作为知识写入知识库内供判级时使用。并且每次正确判级的结果又可以作为下一次自学习的依据。
以下借助图4描述基于特征量权值的自学习方法。如图4所示,将若干张已经正确判级的硫印照片作为学习对象,利用上面描述的方法对它们作图像处理,处理步骤包括将照片扫描形成具有一定灰度的数字化图像并进行预处理滤除噪声,提取图像内的基元模式并对中心偏析缺陷进行识别。随后提取各张照片内中心偏析的形状、连续性、长度、面积和灰度等作为特征量,并在所有被学习照片范围内统计确定每个特征量与中心偏析级别的相关程度。接着根据统计得到的相关程度赋予每个特征量不同的权值,显而易见的是,相关程度越大,则赋予的权值也越大。然后确定中心偏析级别与特征量权值的关系。最后,将中心偏析级别与特征量加权和的关系以及特征量相应的权值存储在知识库内供中心偏析判级时使用,从而完成整个基于特征量权值的自学习过程。
以下借助图5描述基于分级阈值的自学习方法。如图5所示,将若干张已经正确判级的硫印照片作为学习对象,利用与基于特征量权值自学习过程相同的方法对它们作图像处理,处理步骤包括将照片扫描为具有一定灰度的数字化图像并进行预处理,提取图像内的基元模式并对中心偏析和内部裂纹等缺陷进行识别。对于中心偏析,则与基于特征量权值自学习过程一样,提取其形状、连续性、长度、面积和灰度等作为特征量,而对于内部裂纹,则提取每张照片内所有内部裂纹模式基元的像素数之和作为特征量。随后,在所有被学习照片范围内统计确定中心偏析或内部裂纹级别与相应特征量的关系,获得各特征量的分级阈值,并将分级阈值存储在知识库内供缺陷判级时使用,从而完成整个基于分级阈值的自学习过程。
以下借助图6描述中心偏析的判级过程。如图6所示,在识别出一张硫印照片内的中心偏析并提取其形状、连续性、长度、面积和灰度等特征量之后,即可将它们与通过自学习获得的知识进行比较。由于中心偏析的分级知识可通过两种自学习途径获得,因此相应地也有两种比较方法。第一种方法利用通过基于特征量权值自学习过程获得的各特征量权值,对判级照片内中心偏析的各特征量加权求和,并根据知识库内中心偏析级别与特征量加权和的关系确定该张照片中心偏析的级别。第二种方法先根据通过基于分级阈值自学习过程获得的各特征量的分级阈值确定判级照片内中心偏析每个特征量的级别,然后将出现次数最多的级别确定为该张硫印照片内中心偏析的级别,这种方法又称为“投票计数法”,每一特征量代表一张“票”,“得票”最高的级别即视为判级结果。
以下借助图7描述内部裂纹的判级过程。如图7所示,在识别出一张硫印照片内的内部裂纹模式基元并将这类模式基元的像素数累加之后,即可将它与通过基于分级阈值自学习获得的知识进行比较。由于只有像素数累加值一个特征量,所以只需根据通过基于分级阈值自学习过程获得的单个分级阈值即可确定判级照片内内部裂纹的级别。
如图1所示,如果判级结果正确,则可将该判级照片纳入自学习范围,从而利用更多的硫印照片进行上面描述的自学习过程,提高判级知识的准确性、合理性和适用性。
值得指出的是,对于本领域内的技术人员来说,通过阅读以上借助实施例对本发明的描述,可以在不偏离本发明精神和实质的前提下很容易地对本发明作出各种修改或变动,因此本发明的精神和实质由下面所附权利要求限定。