CN112881403A - 一种热轧带钢表面缺陷检测装置 - Google Patents
一种热轧带钢表面缺陷检测装置 Download PDFInfo
- Publication number
- CN112881403A CN112881403A CN202110025815.5A CN202110025815A CN112881403A CN 112881403 A CN112881403 A CN 112881403A CN 202110025815 A CN202110025815 A CN 202110025815A CN 112881403 A CN112881403 A CN 112881403A
- Authority
- CN
- China
- Prior art keywords
- hot
- rolled strip
- strip steel
- surface defect
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种热轧带钢表面缺陷检测装置。所述热轧带钢表面缺陷检测装置包括图像采集单元、光源、图像处理单元和输出单元。本发明提供的热轧带钢表面缺陷检测装置具有通过线阵相机采集热轧带钢表面的图像,通过深度学习的算法,能够自动检出热轧带钢表面的龟裂、夹杂、斑块、麻点、氧化铁皮压入等多种缺陷的优点。
Description
技术领域
本发明涉及热轧带钢检测技术领域,尤其涉及一种热轧带钢表面缺陷检测装置。
背景技术
热轧带钢一般是指厚度为1~20mm的成卷带钢,宽度一般为600~2000mm。热轧带钢可以作为热轧钢板直接使用,也可以供给冷轧带钢作为坯料。广泛用于汽车、电机、化工、造船等工业部门,同时也作为冷轧、焊管、冷弯型钢生产的坯料。其表面质量的优劣将直接影响最终产品的性能和质量。但热轧带钢生产工艺复杂,且对生产环境要求较高,易因机械、人为或环境的影响而产生缺陷。
国内钢铁制造企业早期通常采用人工目视抽检和频闪光检测等方法进行表面质量检测,经过概率计算并参考检测员的经验数据形成钢板的综合质量评估。这些方法具有以下突出的弊端,即抽检率低,不能100%反映钢板表面质量;缺乏检测一致性、科学性,检测的置信度低;检测环境恶劣,对人身及设备损害较大。
1989年法国洛林连轧公司福斯厂研制出一种安装在火焰切割设备前端,在线无损检测热连铸板坯表面质量的涡流探测设备,能够检测纵裂、横裂和角裂;挪威Elkem公司于1990年研制出Therm-O-Matic连铸钢坯自动检测***,该***基于红外检测技术,可在线检出热钢坯表面纵裂纹和横裂纹等缺陷。日本川崎制铁千叶制铁所于1993年开发出在线非金属夹杂物检测装置,该装置使用直流磁化的漏磁法,通过测量漏磁通密度从而确定缺陷的大小并对缺陷进行分类。
目前采用涡流、红外和漏磁等检测技术实现的检测***只适用于某些要求不高的应用场合,其检测原理的局限性导致可检出的缺陷种类和缺陷定量描述参数极为有限,无法综合评估产品的表面质量状况。
因此,有必要提供一种新的热轧带钢表面缺陷检测装置解决上述技术问题。
发明内容
本发明解决的技术问题是提供一种具有通过线阵相机采集热轧带钢表面的图像,通过深度学习的算法,能够自动检出热轧带钢表面的龟裂、夹杂、斑块、麻点、氧化铁皮压入等多种缺陷的热轧带钢表面缺陷检测装置。
为解决上述技术问题,本发明提供的热轧带钢表面缺陷检测装置包括:图像采集单元、光源、图像处理单元和输出单元。
优选的,所述图像采集单元包括一台线阵相机,置于热轧带钢的一侧,所述图像采集单元用于采集热轧带钢表面的图像。
优选的,所述光源置于所述线阵相机的左右两侧,所述光源用于减少所述线阵相机的阴影和受反光的影响。
优选的,所述图像处理单元包括一台工控机,所述工控机与所述图像采集单元连接,所述工控机接收所述图像采集单元采集到的热轧带钢表面的图像,通过所述工控机中的热轧带钢表面缺陷识别算法,分析出热轧带钢的外观是否存在缺陷,并将分析结果发送给输出单元。
优选的,所述热轧带钢外观缺陷识别算法,采用深度学习的方法,对热轧带钢的表面缺陷进行识别。
优选的,所述输出单元与所述图像处理单元相连,所述输出单元用于接收所述图像处理单元的分析结果,当所述图像处理单元检测到热轧带钢的表面缺陷时,所述输出单元提示识别处的缺陷类型并报警提示工作人员。
与相关技术相比较,本发明提供的热轧带钢表面缺陷检测装置具有如下有益效果:
本发明提供的热轧带钢表面缺陷检测装置,采用深度学习的方法,能够训练热轧带钢表面多种缺陷的模型,并自动识别缺陷的类型,缺陷的类型包括表面的龟裂、夹杂、斑块、麻点、氧化铁皮压入等。
附图说明
图1为本发明提供的热轧带钢表面缺陷检测装置的一种较佳实施例的原理框图;
图2为本发明提供的热轧带钢表面缺陷检测装置的两个光源、线阵相机和热轧带钢的位置示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1-图2,其中,图1为本发明提供的热轧带钢表面缺陷检测装置的一种较佳实施例的原理框图;图2为本发明提供的热轧带钢表面缺陷检测装置的两个光源、线阵相机和热轧带钢的位置示意图,图2中两侧的为光源,中间的为线阵相机。热轧带钢表面缺陷检测装置包括:图像采集单元、光源、图像处理单元和输出单元。
其中图像采集单元包含线阵相机一台,置于热轧带钢的一侧,用于采集热轧带钢表面的图像,如图2所示。
线阵相机在选型时,需考虑以下几个因素:1)热轧带钢的宽幅Lo;2)生产线速度Vo;3)需要检测的最小缺陷的大小μ。具体方法如下:
相机所需的最低分辨率=热轧带钢的宽幅Lo/需要检测的最小缺陷的大小μ;
以相机所需的最低分辨率确定线阵相机的像素数;
实际检测精度=热轧带钢的宽幅Lo/线阵相机像素数;
线阵相机线扫描速率=生产线速度Vo/实际检测精度。
由此得到了线阵相机的像素数和扫描速率,确定线阵相机的型号。
例如:热轧带钢幅宽为600毫米、精度1毫米、运动速度5m/s,相机所需的最低分辨率为600mm/1mm=600像素,常见的线阵相机分辨率目前有1K,2K,4K,6K,7K,8K,12K,因此选择1k的线阵相机。实际检测精度为600像素/1000像素=0.6。线阵相机线扫描速率为5000(mm/s)/0.6=8333HZ,选择线扫描速率大于8333Hz。因此选定1k像素,12kHz线扫描速率的线阵相机。
光源置于线性相机的左右两侧,如图2所示。用于减少阴影和反光的影响。与线阵相机配合常用光源有LED光源、光纤光源、高频荧光灯。
光纤光源亮度特别高,但寿命短,只有1000-2000小时左右,需要经常更换灯泡;
高频荧光灯适合大面积照明,亮度较高,成本低,但是有闪烁、衰减速度快,选用荧光灯一定需要高频电源,也就是光源闪烁的频率远高于相机采集图象的频率(对线扫描相机来说就是行扫描频率),消除图像的闪烁,专用的高频电源可做到60KHz;
LED光源是目前主流的机器视觉光源,寿命长,稳定性好,功耗非常小。
图像处理单元包含工控机一台,与图像采集单元连接,接收图像采集单元采集到的热轧带钢表面的图像,通过工控机中的热轧带钢外观缺陷识别算法,分析出热轧带钢的外观是否存在缺陷,并将分析结果发送给输出单元。
由于线扫描信息量大,所以需要一台高性能的工控机,配置大容量的内存和硬盘,主板要提供PCI、PCI-E或PCI-X插槽。
热轧带钢外观缺陷识别算法,采用深度学习的方法,对热轧带钢的表面缺陷进行识别。可识别表面缺陷类型包括,表面的龟裂、夹杂、斑块、麻点、氧化铁皮压入等多种缺陷。
模型训练的流程如下:首先采集热轧带钢表面缺陷的线阵相机照片,采集热轧带钢表面缺陷的种类包含表面的龟裂、夹杂、斑块、麻点、氧化铁皮压入等;然后将采集到的图片输入网络模型,并对输入数据进行增强,采用难分样本挖掘技术,使正负样本保持在一个合适的比例;再对参数进行校正;最后对边框进行极大值抑制;重复上述过程,直至训练结束。
输出单元包含一个显示屏和声光报警装置,与图像处理单元相连,接收图像处理单元的分析结果,当图像处理单元检测到热轧带钢的表面缺陷时,通过显示屏输出缺陷的类型信息,通过声光报警装置进行报警,提示工作人员。
与相关技术相比较,本发明提供的热轧带钢表面缺陷检测装置具有如下有益效果:
本发明提供的热轧带钢表面缺陷检测装置,采用深度学习的方法,能够训练热轧带钢表面多种缺陷的模型,并自动识别缺陷的类型,缺陷的类型包括表面的龟裂、夹杂、斑块、麻点、氧化铁皮压入等。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种热轧带钢表面缺陷检测装置,其特征在于,包括:图像采集单元、光源、图像处理单元和输出单元。
2.根据权利要求1所述的热轧带钢表面缺陷检测装置,其特征在于,所述图像采集单元包括一台线阵相机,置于热轧带钢的一侧,所述图像采集单元用于采集热轧带钢表面的图像。
3.根据权利要求2所述的热轧带钢表面缺陷检测装置,其特征在于,所述光源置于所述线阵相机的左右两侧,所述光源用于减少所述线阵相机的阴影和受反光的影响。
4.根据权利要求3所述的热轧带钢表面缺陷检测装置,其特征在于,所述图像处理单元包括一台工控机,所述工控机与所述图像采集单元连接,所述工控机接收所述图像采集单元采集到的热轧带钢表面的图像,通过所述工控机中的热轧带钢表面缺陷识别算法,分析出热轧带钢的外观是否存在缺陷,并将分析结果发送给输出单元。
5.根据权利要求4所述的热轧带钢表面缺陷检测装置,其特征在于,所述热轧带钢外观缺陷识别算法,采用深度学习的方法,对热轧带钢的表面缺陷进行识别。
6.根据权利要求1所述的热轧带钢表面缺陷检测装置,其特征在于,所述输出单元与所述图像处理单元相连,所述输出单元用于接收所述图像处理单元的分析结果,当所述图像处理单元检测到热轧带钢的表面缺陷时,所述输出单元提示识别处的缺陷类型并报警提示工作人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025815.5A CN112881403A (zh) | 2021-01-08 | 2021-01-08 | 一种热轧带钢表面缺陷检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025815.5A CN112881403A (zh) | 2021-01-08 | 2021-01-08 | 一种热轧带钢表面缺陷检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112881403A true CN112881403A (zh) | 2021-06-01 |
Family
ID=76047395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110025815.5A Pending CN112881403A (zh) | 2021-01-08 | 2021-01-08 | 一种热轧带钢表面缺陷检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881403A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670941A (zh) * | 2021-08-30 | 2021-11-19 | 宝钢湛江钢铁有限公司 | 一种多功能连退带钢表面氧化色缺陷在线定量评价的方法 |
CN114199879A (zh) * | 2021-11-23 | 2022-03-18 | 北京科技大学 | 一种冷轧带钢表面聚集型缺陷的识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030043506A (ko) * | 2001-11-28 | 2003-06-02 | 주식회사 포스코 | 냉연강판 표면결함 검출장치 |
CN1900701A (zh) * | 2006-07-19 | 2007-01-24 | 北京科技大学 | 基于激光线光源的热轧带钢表面缺陷在线检测方法和装置 |
CN204556517U (zh) * | 2015-05-11 | 2015-08-12 | 沈阳准则精密技术有限公司 | 热轧钢板表面质量在线检测装置 |
CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测***及其检测方法 |
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测*** |
CN110653271A (zh) * | 2018-06-29 | 2020-01-07 | 宝山钢铁股份有限公司 | 热轧带钢卷取夹送辊的辊面质量自动评级装置和评级方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
-
2021
- 2021-01-08 CN CN202110025815.5A patent/CN112881403A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030043506A (ko) * | 2001-11-28 | 2003-06-02 | 주식회사 포스코 | 냉연강판 표면결함 검출장치 |
CN1900701A (zh) * | 2006-07-19 | 2007-01-24 | 北京科技大学 | 基于激光线光源的热轧带钢表面缺陷在线检测方法和装置 |
CN204556517U (zh) * | 2015-05-11 | 2015-08-12 | 沈阳准则精密技术有限公司 | 热轧钢板表面质量在线检测装置 |
CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测***及其检测方法 |
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测*** |
CN110653271A (zh) * | 2018-06-29 | 2020-01-07 | 宝山钢铁股份有限公司 | 热轧带钢卷取夹送辊的辊面质量自动评级装置和评级方法 |
CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
陈建强 等: ""基于深度学习的热轧钢带表面缺陷检测方法"", 《自动化与信息工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670941A (zh) * | 2021-08-30 | 2021-11-19 | 宝钢湛江钢铁有限公司 | 一种多功能连退带钢表面氧化色缺陷在线定量评价的方法 |
CN114199879A (zh) * | 2021-11-23 | 2022-03-18 | 北京科技大学 | 一种冷轧带钢表面聚集型缺陷的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108332689A (zh) | 一种检测表面粗糙度和表面损伤的光学测量***及方法 | |
Shafeek et al. | Automatic inspection of gas pipeline welding defects using an expert vision system | |
US11300508B2 (en) | Apparatus and method for extracting low intensity photonic signals | |
CN112881403A (zh) | 一种热轧带钢表面缺陷检测装置 | |
CN109239081B (zh) | 基于结构光与视觉成像的焊缝质量参数检测方法 | |
CN106018431A (zh) | 一种实木板材表面裂纹的检测***和检测方法 | |
CN109142509B (zh) | 圆钢磁粉探伤方法与装置 | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN202119397U (zh) | 非接触式抽检视觉检测*** | |
Duan et al. | Study on surface defect vision detection system for steel plate based on virtual instrument technology | |
Wang et al. | Design of machine vision applications in detection of defects in high-speed bar copper | |
He et al. | An effective MID-based visual defect detection method for specular car body surface | |
JP2827651B2 (ja) | 鋼板の欠陥有害度測定装置 | |
CN205655799U (zh) | 能够调节位置的金属板表面检测装置 | |
WO2021203651A1 (zh) | 一种电子产品的壳体侧边检测装置及壳体侧边检测方法 | |
CN213239941U (zh) | 表面缺陷自动检测装置 | |
Hsu et al. | Automatic optical inspection for magnetic particle detection of forging defects | |
RU2788586C1 (ru) | Способ контроля стального листового проката на наличие поверхностных дефектов с применением лазерных триангуляционных сканеров | |
KR20100026619A (ko) | 디스플레이용 평판 유리 검사 장치 및 그 방법 | |
RU2777718C1 (ru) | Способ неразрушающего оптико-визуального контроля изделий методом машинного зрения | |
CN111077158B (zh) | 一种管线环焊缝宏观金相拍摄分析装置及其使用方法 | |
CN115388778B (zh) | 一种计算机屏幕质检控制装置 | |
CN110095527A (zh) | 一种流水线上荧光磁粉探伤自动化装置及方法 | |
WO2020051780A1 (zh) | 图像传感器表面缺陷检测方法及检测*** | |
CN108460763A (zh) | 一种磁粉探伤图像自动检测识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |