CN115049644A - 一种基于铝管表面瑕疵识别的温度控制方法及*** - Google Patents

一种基于铝管表面瑕疵识别的温度控制方法及*** Download PDF

Info

Publication number
CN115049644A
CN115049644A CN202210964408.5A CN202210964408A CN115049644A CN 115049644 A CN115049644 A CN 115049644A CN 202210964408 A CN202210964408 A CN 202210964408A CN 115049644 A CN115049644 A CN 115049644A
Authority
CN
China
Prior art keywords
aluminum pipe
detected
sliding window
acquiring
gray
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.)
Granted
Application number
CN202210964408.5A
Other languages
English (en)
Other versions
CN115049644B (zh
Inventor
王海申
隋丽娟
赵记国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Sanwei New Materials Co ltd
Original Assignee
Shandong Sanwei New Materials Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Sanwei New Materials Co ltd filed Critical Shandong Sanwei New Materials Co ltd
Priority to CN202210964408.5A priority Critical patent/CN115049644B/zh
Publication of CN115049644A publication Critical patent/CN115049644A/zh
Application granted granted Critical
Publication of CN115049644B publication Critical patent/CN115049644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
    • B21C31/00—Control devices, e.g. for regulating the pressing speed or temperature of metal; Measuring devices, e.g. for temperature of metal, combined with or specially adapted for use in connection with extrusion presses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Extrusion Of Metal (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种基于铝管表面瑕疵识别的温度控制方法及***，属于图像数据处理技术领域；包括以下步骤：获取待检测铝管的灰度图；并获取正常铝管的灰度图；根据待检测铝管的两条边缘直线获取待检测铝管的中线；获取待检测铝管的灰度图中每个滑窗内每行的第一平均灰度值；依此类比获取正常铝管的灰度图中每个滑窗内每行的第二平均灰度值；获取每个滑窗的方差；获取瑕疵占比系数；根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度；根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整。本发明通过铝管表面瑕疵的占比情况对挤压机铝管的出口温度进行有效调控。

Description

一种基于铝管表面瑕疵识别的温度控制方法及***
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于铝管表面瑕疵识别的温度控制方法及***。
背景技术
铝管通常用纯铝或铝合金经挤压加工成沿其纵向全长中空的金属管状材料。由铝棒挤压成铝管的工艺设备为铝管热挤压机，由传动挤压***和加热冷却***组成，其中传动挤压***的程序参数值不可随意更改，加热冷却***的温度控制由设计好的电脑程序或人为根据经验手动赋值。
挤压温度是挤压工艺中非常重要的条件，温度过低会造成被挤压金属塑性变形力增加，导致挤压力增大、模具损坏；温度过高会导致金属粘性变大，容易与模具尤其是工作带发生粘结，导致铝管表面出现部分流线麻点，从而成品率下降。所以在铝管挤压生产时，要时刻观察挤压铝管的表面质量，继而相应调节温度，以提高成品率。铝管检测仍采用人工方式较多，通常每隔十分钟测温，导致滞后性强，且环境要求高。
为了实现上述目的，本领域技术人员通常采用传统的涡流检测法、超声检测法等方法对铝管表面缺陷检测，但是传统的方法在检测过程中，难以对缺陷信息进行清晰的图像显示，无法对缺陷数据进行准确判断，且难以对铝管表面的流线麻点进行判断，从而也无法控制铝管在挤压过程中挤压机的温度；本领域技术人员还采用机器视觉技术在缺陷检测的精度和缺陷识别的准确率上都取得了一定的成果，均是采用图像增强并通过图像分割对铝管表面的缺陷进行检测，但是在图像增强的过程中通常会导致图像的信息失真，导致表面缺陷检测不准确，进而难以在铝管表面缺陷与铝管挤压生产时的温度之间建立控制关系。因此，为了铝管在挤压过程中能够识别出铝管表面的缺陷，来控制挤压机的温度，本发明提供了一种基于铝管表面瑕疵识别的温度控制方法及***。
发明内容
为了解决现有技术中的不足，本发明提供一种基于铝管表面瑕疵识别的温度控制方法及***，该方法通过铝管表面瑕疵的占比情况对挤压机铝管的出口温度进行有效调控。避免铝管在生产过程中表面出现流线麻点，有效提升铝管的生产效率和合格率。
本发明的目的是提供一种基于铝管表面瑕疵识别的温度控制方法，包括以下步骤：
获取待检测铝管的灰度图；并获取正常铝管的灰度图；
将待检测铝管的灰度图二值化处理获取待检测铝管的二值图；
对二值图进行边缘检测获取待检测铝管的两条边缘直线；根据待检测铝管的两条边缘直线获取待检测铝管的中线；
根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗；
利用滑窗沿着中线方向对待检测铝管的灰度图依次进行滑动，获取待检测铝管的灰度图中每个滑窗内每行的第一平均灰度值；
依此类比获取正常铝管的灰度图中每个滑窗内每行的第二平均灰度值；
根据第一平均灰度值和第二平均灰度值获取每个滑窗内每行平均灰度值的差值；
根据每个滑窗内每行平均灰度值的差值获取每个滑窗的方差；
根据每个滑窗的方差判断每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵；
获取存在表面瑕疵的所有滑窗；根据存在表面瑕疵的所有滑窗的数量获取瑕疵占比系数；
根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度；
根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整。
在一实施例中，所述滑窗是按照以下步骤设定：
分别获取待检测铝管的两条边缘直线的直线方程，并获取待检测铝管的中线的直线方程；
根据待检测铝管的中线的直线方程获取待检测铝管的灰度图中铝管的长度；
分别根据待检测铝管的两条边缘直线的直线方程获取待检测铝管的灰度图中铝管的宽度；
根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗，滑窗尺寸即为
Figure 52961DEST_PATH_IMAGE001
；其中，
Figure 377764DEST_PATH_IMAGE002
；
Figure 685248DEST_PATH_IMAGE003
；
Figure 277641DEST_PATH_IMAGE004
表示待检测铝管的灰度图中铝管的长度；
Figure 12379DEST_PATH_IMAGE005
表示待检测铝管的灰度图中铝管的宽度。
在一实施例中，所述滑窗滑动的步长为
Figure 824477DEST_PATH_IMAGE006
。
在一实施例中，滑窗沿着中线方向对待检测铝管的灰度图滑动的过程中，所述滑窗在中线两侧的部分相对称，且所述滑窗的长边与所述中线垂直。
在一实施例中，所述每个滑窗的方差的计算公式如下：
Figure 100002_DEST_PATH_IMAGE007
式中，
Figure 530395DEST_PATH_IMAGE008
表示滑窗
Figure 478759DEST_PATH_IMAGE009
的方差；
Figure 384398DEST_PATH_IMAGE010
表示滑窗
Figure 916748DEST_PATH_IMAGE009
内第
Figure 300456DEST_PATH_IMAGE011
行平均灰度值的差值；
Figure 634486DEST_PATH_IMAGE012
表示滑窗
Figure 711026DEST_PATH_IMAGE009
内第
Figure 996252DEST_PATH_IMAGE011
行平均灰度值的差值的加和平均值；
Figure 183650DEST_PATH_IMAGE013
表示滑窗
Figure 106607DEST_PATH_IMAGE009
中垂直于中线的边长。
在一实施例中，每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵是按照以下步骤进行判断：
设置方差阈值；当滑窗的方差大于方差阈值，则认为该滑窗对应于待检测铝管的灰度图中的区域存在表面瑕疵。
在一实施例中，所述瑕疵占比系数计算公式如下：
Figure 354049DEST_PATH_IMAGE014
；式中，
Figure 126571DEST_PATH_IMAGE015
表示瑕疵占比系数；
Figure 117660DEST_PATH_IMAGE016
表示存在表面瑕疵的所有滑窗
Figure 36069DEST_PATH_IMAGE017
的数量；
根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度过程中，当
Figure 958806DEST_PATH_IMAGE018
，标记待检测铝管表面瑕疵的严重程度为
Figure 454510DEST_PATH_IMAGE019
；当
Figure 514870DEST_PATH_IMAGE020
，标记待检测铝管表面瑕疵的严重程度为
Figure 146839DEST_PATH_IMAGE021
；当
Figure 500198DEST_PATH_IMAGE022
，标记待检测铝管表面瑕疵的严重程度为
Figure 624143DEST_PATH_IMAGE023
；当
Figure 222615DEST_PATH_IMAGE024
，标记待检测铝管表面瑕疵的严重程度为
Figure 207626DEST_PATH_IMAGE025
；当
Figure 498930DEST_PATH_IMAGE026
，标记待检测铝管表面瑕疵的严重程度为
Figure 969225DEST_PATH_IMAGE027
。
在一实施例中，根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整时，当待检测铝管表面出现
Figure 840230DEST_PATH_IMAGE027
标签，将以最大冷却速度
Figure 945327DEST_PATH_IMAGE028
进行降温；当待检测铝管表面出现
Figure 282898DEST_PATH_IMAGE025
标签，将以0.75
Figure 709331DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 142281DEST_PATH_IMAGE023
标签，将以0.50
Figure 462404DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 564352DEST_PATH_IMAGE021
标签，将以0.25
Figure 884606DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 861527DEST_PATH_IMAGE019
标签，将不采取降温措施；其中，
Figure 177102DEST_PATH_IMAGE028
表示最大冷却速度。
在一实施例中，所述待检测铝管的两条边缘直线是对二值图进行边缘检测获取待检测二值图中的边缘线，根据待检测二值图中的边缘线上的边缘像素点进行霍夫直线检测而获取的。
本发明第二个目的是提供的一种基于铝管表面瑕疵识别的温度控制***，包括：
图像采集模块，用于获取待检测铝管的灰度图；并获取正常铝管的灰度图；将待检测铝管的灰度图二值化处理获取待检测铝管的二值图；
图像处理模块，用于对二值图进行边缘检测获取待检测铝管的两条边缘直线；根据待检测铝管的两条边缘直线获取待检测铝管的中线；根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗；利用滑窗沿着中线方向对待检测铝管的灰度图依次进行滑动，获取待检测铝管的灰度图中每个滑窗内每行的第一平均灰度值；依此类比获取正常铝管的灰度图中每个滑窗内每行的第二平均灰度值；根据第一平均灰度值和第二平均灰度值获取每个滑窗内每行平均灰度值的差值；根据每个滑窗内每行平均灰度值的差值获取每个滑窗的方差；
温度调控模块，根据每个滑窗的方差判断每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵；获取存在表面瑕疵的所有滑窗；根据存在表面瑕疵的所有滑窗的数量获取瑕疵占比系数；根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度；根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整。
本发明的有益效果是：
本发明提供的一种基于铝管表面瑕疵识别的温度控制方法及***，该方法通过获取待检测铝管图像中铝管的中线，利用设定的滑窗沿着中线进行滑动遍历获取待检测铝管表面的特征，为了能够准确识别出待检测铝管图像中的瑕疵，则同时以同样的方式获取表面没有瑕疵的正常铝管表面特征，通过对待检测图像与正常图像进行差异化分析，能够有效识别出待检测铝管表面的瑕疵；同时也能有效获得待检测铝管表面瑕疵的占比，通过铝管表面瑕疵的占比情况将铝管表面划分为不同的严重程度，最后根据不同的严重程度对挤压机铝管的出口温度进行调控，从而实现了在动态挤压生产过程中的，根据铝管表面瑕疵的严重程度进行实时温度调节。
本发明通过提供的基于铝管表面瑕疵识别的温度控制***，能够实时对挤压机铝管的出口温度进行冷却控制，避免铝管在生产过程中表面出现流线麻点，有效提升铝管的生产效率和合格率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于铝管表面瑕疵识别的温度控制方法的实施例总体步骤的流程示意图。
图2为待检测铝管的灰度图。
图3为没有流线麻点的正常铝管的灰度图。
图4为二值图中检测出边缘线视图。
图5为待检测铝管的两条边缘直线及中线视图。
图6为滑窗沿中线滑动的模拟视图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明针对的情景为：在铝棒挤压加工成铝管的生产过程中，温度是影响挤压铝管成型质量最重要的因素之一，温度过低易造成模具损坏，温度过高会导致粘结现象，导致铝管表面出现部分流线麻点。挤压机装置温度的下限可以设定温度区间来保证，主要就是防止温度过高对铝管质量的影响进而需要合理降温，所以需要通过机器视觉检测铝管表面是否存在因挤压温度过高而产生的瑕疵，并根据铝管表面瑕疵的动态化识别实现对铝管挤压过程中挤压机温度的动态智能控制。
需要说明的是，所谓挤压，就是对放在挤压筒中的金属一端施加外力，使之通过模孔以实现塑性变形的一种压力加工方法，铝管热挤压机由传动挤压***和加热冷却***组成，其中传动挤压***的程序参数值，诸如挤压速度等不可随意更改，加热冷却***的温度控制由设计好的电脑程序或人为根据经验手动赋值。而影响铝管外观质量的重要因素之一是挤压机的装置温度，为了防止低温导致模具损坏，程序中都有温度下限，温度过高会导致金属粘结现象，导致铝管表面出现部分流线麻点，所以如何观测出流线麻点现象并进行智能化降温是本发明的主要解决问题。挤压温度控制的核心在出口温度，一般出口温度要在540~580℃之间。
本发明在对铝管挤压机所生产铝管的表面图像进行数字化的基础上，利用机器视觉技术来实现表面瑕疵为流线麻点的识别，以及对挤压温度的智能调节。
本发明提供的一种基于铝管表面瑕疵识别的温度控制方法，参见图1所示，包括以下步骤：
S1、获取待检测铝管的灰度图；并获取正常铝管的灰度图；
将待检测铝管的灰度图二值化处理获取待检测铝管的二值图；
在本实施例中，通过布置在挤压机铝管出口位置的电子相机对挤压铝管进行俯视拍摄，得到俯视图像并进行灰度化预处理而获得待检测铝管的灰度图，参见图2所示，带有流线麻点的铝管灰度图像；图2中可以看出是温度较高情况下，金属产生粘结，导致铝管表面有一定的流线麻点，此时就需要进行相关的降温调节。在电子相机拍摄的底面放置低灰度背景，对采集到的图像首先进行灰度化，降为一层灰度值通道，减少了计算量便于处理，随后进行中值滤波进行降噪处理，从而实现铝管表面的图像预处理工作。同时，采用同样的方式获取没有流线麻点的正常铝管的灰度图，参见图3所示，图3可以看出在温度正常下，产品成形性较好，表面质量优良。需要说明的是，为了能够检测铝管整个侧面的缺陷，可以通过相机的布置进行采集。在本实施例中，对灰度图像进行二值化处理后，二值化处理过程中，主要通过OSTU自动化阈值分割方法，选择差异程度最大的阈值。
S2、对二值图进行边缘检测获取待检测铝管的两条边缘直线；根据待检测铝管的两条边缘直线获取待检测铝管的中线；
所述待检测铝管的两条边缘直线是对二值图进行边缘检测获取待检测二值图中的边缘线，根据待检测二值图中的边缘线上的边缘像素点进行霍夫直线检测而获取的。
在本实施例中，对二值图像进行Canny边缘检测，参见图4所示；随后定义坐标，将灰度图像的左下点为坐标原点
Figure 715531DEST_PATH_IMAGE029
，水平向右为横轴
Figure 116556DEST_PATH_IMAGE030
的正方向，竖直向上为纵轴
Figure 162748DEST_PATH_IMAGE031
的正方向，将边缘坐标点记为
Figure 598408DEST_PATH_IMAGE032
，对边缘像素点进行霍夫直线检测，主要的思想是将直角坐标系中的线性表示转为参数空间内的点表示，这样参数空间内的多个高亮点即表示了原图像中的多个明显直线。本实施例中霍夫直线检测的步骤为：（1）初始化
Figure 42159DEST_PATH_IMAGE033
参数空间，
Figure 461639DEST_PATH_IMAGE034
，其中，
Figure 780363DEST_PATH_IMAGE035
表示在该参数对应的直线上的像素点的个数；（2）对于每一个像素点，在参数空间内找出令
Figure 477054DEST_PATH_IMAGE036
的
Figure 91706DEST_PATH_IMAGE033
坐标；（3）统计所有
Figure 971719DEST_PATH_IMAGE035
的大小，取出
Figure 595598DEST_PATH_IMAGE037
的参数，
Figure 740272DEST_PATH_IMAGE038
是预设的阈值；其中，
Figure 650459DEST_PATH_IMAGE038
是根据在该挤压机下对有无表面瑕疵的铝管而设置的。
需要说明的是，控制相机所拍摄图像不存在画面延迟情况，即不存在表面杂质的暂留导致出现的线性表征从而被误测。但是，在对边缘像素点进行上述霍夫直线检测时，如果存在较明显的流线特征，那么相应的边缘信息易被霍夫检测成边缘直线，从而导致误判。所以我们需要对流线或较整齐麻点所在的直线进行排除，只要铝管外边缘的两条直线。则获取待检测铝管的两条边缘直线，具体如下：
（1）记霍夫检测出的直线共有
Figure 513372DEST_PATH_IMAGE039
条，每一条直线记为
Figure 908319DEST_PATH_IMAGE040
，对应出的霍夫检测投票器对应的是
Figure 438658DEST_PATH_IMAGE041
，即所得霍夫检测的直线为：
Figure 660692DEST_PATH_IMAGE042
，式中，
Figure 745323DEST_PATH_IMAGE043
表示原点到第
Figure 350485DEST_PATH_IMAGE039
条直线的距离；
Figure 469751DEST_PATH_IMAGE044
表示原点到第
Figure 862686DEST_PATH_IMAGE039
条直线的垂线与
Figure 198727DEST_PATH_IMAGE030
轴正半周的夹角；
把上述参数空间下的直线
Figure 702521DEST_PATH_IMAGE040
转化为直角坐标系下的普通方程为：
Figure 676293DEST_PATH_IMAGE045
，式中，直线的斜率
Figure 240130DEST_PATH_IMAGE046
，截距
Figure 627966DEST_PATH_IMAGE047
。
（2）为了能够得到铝管上、下边缘的两条直线部分，需要对霍夫检测出的所有直线进行挑选。如果直接采用截距的大小，而较长流线的高斜率直线对应的截距最大，从而导致直线的挑选不准确。不过，既然是根据边缘坐标信息所拟合的直线，那么上、下边缘直线上所在点的纵坐标一定有大小之差，可根据此现象进行边缘直线的挑拣。记待检测铝管的灰度图沿着铝管轴线方向的宽度为
Figure 935450DEST_PATH_IMAGE048
，那么每个横坐标
Figure 29308DEST_PATH_IMAGE030
在检测直线上都会有对应的纵坐标值，统计直线
Figure 764046DEST_PATH_IMAGE040
上的所对应纵坐标的平均值为：
Figure 169620DEST_PATH_IMAGE049
式中，
Figure 513751DEST_PATH_IMAGE050
为每一个横坐标
Figure 603061DEST_PATH_IMAGE030
在直线
Figure 367755DEST_PATH_IMAGE040
上的纵坐标值，
Figure DEST_PATH_IMAGE051
表示纵坐标值的平均值；
Figure 837788DEST_PATH_IMAGE048
表示待检测铝管的灰度图沿着铝管轴线方向的宽度。通过统计直线
Figure 221496DEST_PATH_IMAGE040
上的所对应纵坐标的平均值
Figure 289946DEST_PATH_IMAGE052
为获取铝管的两条边缘直线奠定基础。
（3）把所得的
Figure 366486DEST_PATH_IMAGE051
中的最大值记为
Figure 120554DEST_PATH_IMAGE053
、最小值记为
Figure 839111DEST_PATH_IMAGE054
。由此可将
Figure 762067DEST_PATH_IMAGE053
对应直线记为上边缘直线
Figure 9509DEST_PATH_IMAGE055
，将
Figure 397677DEST_PATH_IMAGE054
对应直线记为下边缘直线
Figure 388767DEST_PATH_IMAGE056
，两条直线对应的直角坐标方程如下：
Figure 166230DEST_PATH_IMAGE057
Figure 83108DEST_PATH_IMAGE058
其中，
Figure 578812DEST_PATH_IMAGE059
、
Figure 108013DEST_PATH_IMAGE060
分别为直线
Figure 5562DEST_PATH_IMAGE061
的斜率和截距，
Figure 624500DEST_PATH_IMAGE062
、
Figure 341920DEST_PATH_IMAGE063
为
Figure 674813DEST_PATH_IMAGE064
的斜率和截距，此方法同时可准确保证
Figure 426868DEST_PATH_IMAGE055
为铝管的上边缘直线，
Figure 685549DEST_PATH_IMAGE056
为下边缘直线。
在本实施例中，由于图像采集过程中相机比较平稳，那么检测出来的两条边缘应是几***行的，即
Figure 890265DEST_PATH_IMAGE059
、
Figure 292428DEST_PATH_IMAGE062
相差极小。但是由于现实采集过程的细微误差，我们需要对铝管较稳定的中线进行计算，记铝管中线的直线方程为：
Figure 633410DEST_PATH_IMAGE065
式中，
Figure 57133DEST_PATH_IMAGE066
是中线
Figure 749145DEST_PATH_IMAGE067
的斜率、
Figure 954999DEST_PATH_IMAGE068
是
Figure 416067DEST_PATH_IMAGE067
的截距。参见图5所示，待检测铝管的两条边缘直线及中线视图。
S3、根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗；
利用滑窗沿着中线方向对待检测铝管的灰度图依次进行滑动，获取待检测铝管的灰度图中每个滑窗内每行的第一平均灰度值；依此类比获取正常铝管的灰度图中每个滑窗内每行的第二平均灰度值；
根据第一平均灰度值和第二平均灰度值获取每个滑窗内每行平均灰度值的差值；根据每个滑窗内每行平均灰度值的差值获取每个滑窗的方差；
所述滑窗是按照以下步骤设定：分别获取待检测铝管的两条边缘直线的直线方程，并获取待检测铝管的中线的直线方程；
需要说明的是，S2中已经获取了两条边缘直线的直线方程及中线的直线方程；
根据待检测铝管的中线的直线方程获取待检测铝管的灰度图中铝管的长度；分别根据待检测铝管的两条边缘直线的直线方程获取待检测铝管的灰度图中铝管的宽度；根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗，滑窗尺寸即为
Figure 16550DEST_PATH_IMAGE001
；其中，
Figure 336804DEST_PATH_IMAGE002
；
Figure 815190DEST_PATH_IMAGE003
；
Figure 629300DEST_PATH_IMAGE004
表示待检测铝管的灰度图中铝管的长度；
Figure 167729DEST_PATH_IMAGE005
表示待检测铝管的灰度图中铝管的宽度。
在实施例中，设定滑窗过程中，首先需要计算铝管在图像中的长度为：
Figure 427809DEST_PATH_IMAGE069
式中，
Figure 709886DEST_PATH_IMAGE004
表示待检测铝管的灰度图中铝管的长度；
Figure 879967DEST_PATH_IMAGE070
为直线
Figure 87832DEST_PATH_IMAGE067
倾斜角的正割值；
Figure 976154DEST_PATH_IMAGE048
表示待检测铝管的灰度图沿着铝管轴线方向的宽度，参见图6所示，
Figure 530763DEST_PATH_IMAGE048
也就表示待检测铝管的灰度图的横向
Figure 820930DEST_PATH_IMAGE030
轴的宽度。那么将滑窗尺寸中平行于中线
Figure 205556DEST_PATH_IMAGE067
的大小设为
Figure 581174DEST_PATH_IMAGE002
；随后计算铝管上边缘直线
Figure 205053DEST_PATH_IMAGE055
与下边缘直线
Figure 349727DEST_PATH_IMAGE056
的宽度，也就是计算待检测铝管的灰度图中铝管的宽度，计算公式如下：
Figure 899394DEST_PATH_IMAGE071
式中，
Figure 762308DEST_PATH_IMAGE005
表示待检测铝管的灰度图中铝管的宽度，也就是上边缘直线
Figure 924299DEST_PATH_IMAGE055
与下边缘直线
Figure 189058DEST_PATH_IMAGE056
的宽度；
Figure 909628DEST_PATH_IMAGE072
指上边缘
Figure 259837DEST_PATH_IMAGE055
与下边缘
Figure 225519DEST_PATH_IMAGE056
的截距差的绝对值；
Figure 344785DEST_PATH_IMAGE070
为直线
Figure 236256DEST_PATH_IMAGE067
倾斜角的正割值；也可以用上边缘
Figure 808182DEST_PATH_IMAGE055
与下边缘
Figure 311976DEST_PATH_IMAGE056
直线倾斜角的正割值；那么将滑窗尺寸中垂直于中线
Figure 551327DEST_PATH_IMAGE067
的大小设为
Figure 631277DEST_PATH_IMAGE003
，所以滑窗的尺寸为
Figure 690500DEST_PATH_IMAGE001
，即0.01
Figure 997985DEST_PATH_IMAGE073
。规定步长为
Figure 91843DEST_PATH_IMAGE006
，在中线
Figure 325116DEST_PATH_IMAGE067
上共滑动100次，参见图6所示。其中，
Figure 871635DEST_PATH_IMAGE006
表示滑窗朝向
Figure 717231DEST_PATH_IMAGE030
轴的尺寸，
Figure 665595DEST_PATH_IMAGE013
表示滑窗朝向
Figure 804190DEST_PATH_IMAGE031
轴的尺寸。需要说明的是，在设定滑窗过程中，选取0.01倍的
Figure 838005DEST_PATH_IMAGE004
是想让图像中铝管的长度
Figure 487293DEST_PATH_IMAGE004
进行100等分，0.6倍的
Figure 290163DEST_PATH_IMAGE005
是为了不去考虑靠近两端畸变大的部分，而影响缺陷的准确度，主要选择中线上、下各30%的部分对其待检测铝管的灰度图进行滑动。
在本实施例中，滑窗沿着中线方向对待检测铝管的灰度图滑动的过程中，所述滑窗在中线两侧的部分相对称，且所述滑窗的长边与所述中线垂直。
需要说明的是，无论是麻点瑕疵还是流线瑕疵，受光照反射后在图像中的表现是比无瑕疵的区域暗很多，反馈的信息就是瑕疵灰度值比周围的要低很多；因此，每个滑窗的方差获取时过程中，具体如下：
规定滑窗沿着中线方向对待检测铝管的灰度图滑动的过程中的运算内容为，设计平行于中线
Figure 599660DEST_PATH_IMAGE067
的滑窗内直线
Figure 386350DEST_PATH_IMAGE074
，计算直线
Figure 104908DEST_PATH_IMAGE074
在滑窗
Figure 762285DEST_PATH_IMAGE009
内的每一行的平均灰度值计算公式如下：
Figure DEST_PATH_IMAGE075
式中，
Figure 451804DEST_PATH_IMAGE076
表示滑窗
Figure 194632DEST_PATH_IMAGE009
内第
Figure 185722DEST_PATH_IMAGE011
行第一平均灰度值；
Figure 461720DEST_PATH_IMAGE006
表示滑窗
Figure 614484DEST_PATH_IMAGE030
轴方向尺寸；
Figure 375767DEST_PATH_IMAGE011
是滑窗
Figure 639389DEST_PATH_IMAGE009
内的
Figure 769894DEST_PATH_IMAGE013
尺寸的行序数；
Figure 624717DEST_PATH_IMAGE077
是滑窗
Figure 607717DEST_PATH_IMAGE009
内的
Figure 206188DEST_PATH_IMAGE006
尺寸的列序数，
Figure 456779DEST_PATH_IMAGE078
是滑窗
Figure 357870DEST_PATH_IMAGE009
第
Figure 562586DEST_PATH_IMAGE011
行第
Figure 191845DEST_PATH_IMAGE077
列的像素灰度值。计算每一行的平均灰度值的主要目的是，由于所挤压生产的完好铝管无流线麻点，上、下两边缘直线之间沿着每一行的灰度值总是较稳定的，若有流线麻点出现，那么总会出现某一行的灰度分布有突变情况，为了分析出突变部分位置，通过计算滑窗内每一行灰度值，作为缺陷分析的基础。
依此类比获取没有缺陷的正常铝管的灰度图中每个滑窗内每行的第二平均灰度值；将第二平均灰度值记为
Figure 798407DEST_PATH_IMAGE079
；
随后根据第一平均灰度值和第二平均灰度值获取每个滑窗内每行平均灰度值的差值；计算公式如下：
Figure 729454DEST_PATH_IMAGE080
Figure 421467DEST_PATH_IMAGE010
表示滑窗
Figure 594697DEST_PATH_IMAGE009
内第
Figure 55765DEST_PATH_IMAGE011
行平均灰度值的差值；
Figure 423293DEST_PATH_IMAGE079
表示滑窗
Figure 602601DEST_PATH_IMAGE009
内第
Figure 313943DEST_PATH_IMAGE011
行的第二平均灰度值；
Figure 895097DEST_PATH_IMAGE076
表示滑窗
Figure 27001DEST_PATH_IMAGE009
内第
Figure 693606DEST_PATH_IMAGE011
行的第一平均灰度值；每个滑窗内每行平均灰度值的差值主要体现的是突变情况，如果有流线麻点存在，导致与完好铝管相比有明显灰度突变，且流线麻点引起的一定是灰度值降低，则瑕疵为暗区域，即差值一定很大，反之很小。
再根据每个滑窗内每行平均灰度值的差值获取每个滑窗的方差；具体每个滑窗的方差的计算公式如下：
Figure 349584DEST_PATH_IMAGE007
式中，
Figure 644299DEST_PATH_IMAGE008
表示滑窗
Figure 353629DEST_PATH_IMAGE009
的方差；
Figure 241951DEST_PATH_IMAGE010
表示滑窗
Figure 62139DEST_PATH_IMAGE009
内第
Figure 856701DEST_PATH_IMAGE011
行平均灰度值的差值；
Figure 736932DEST_PATH_IMAGE012
表示滑窗
Figure 253495DEST_PATH_IMAGE009
内第
Figure 470850DEST_PATH_IMAGE011
行平均灰度值的差值的加和平均值；
Figure 379638DEST_PATH_IMAGE013
表示滑窗
Figure 571716DEST_PATH_IMAGE009
中垂直于中线的边长，也就是滑窗
Figure 293684DEST_PATH_IMAGE031
轴方向尺寸。通过方差的计算进一步分析待检测铝管表面是否有缺陷的准确性，如果无缺陷都完好，那么每行作差后都很小，反之则存在较大以及较小的情况，描述这种波动情况最好的指标就是方差。
S4、根据每个滑窗的方差判断每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵；
获取存在表面瑕疵的所有滑窗；根据存在表面瑕疵的所有滑窗的数量获取瑕疵占比系数；
每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵是按照以下步骤进行判断：
设置方差阈值；当滑窗的方差大于方差阈值，则认为该滑窗对应于待检测铝管的灰度图中的区域存在表面瑕疵。
在本实施例中，将没有缺陷的正常铝管进行10次此操作后得到最大的滑窗方差值
Figure 455675DEST_PATH_IMAGE081
，将其定为方差阈值。需要说明的是，通过进行10次运算为了找出最大的方差定为方差阈值，为了缩小分析误差。若滑窗
Figure 953390DEST_PATH_IMAGE009
的方差值
Figure 175424DEST_PATH_IMAGE082
，那么就认为该滑窗区域内存在表面瑕疵；否则认为其内不存在表面瑕疵。为此，通过统计滑窗
Figure 525634DEST_PATH_IMAGE009
中，特征值
Figure 491316DEST_PATH_IMAGE082
的定义为缺陷滑窗
Figure 109117DEST_PATH_IMAGE017
，将
Figure 236473DEST_PATH_IMAGE017
的数量定义为
Figure 808400DEST_PATH_IMAGE016
，瑕疵占比系数计算公式如下：
Figure DEST_PATH_IMAGE083
式中，
Figure 31569DEST_PATH_IMAGE015
表示瑕疵占比系数；
Figure 270920DEST_PATH_IMAGE016
表示存在表面瑕疵的所有滑窗
Figure 569178DEST_PATH_IMAGE017
的数量。其中，规定
Figure 893980DEST_PATH_IMAGE015
的最小容忍度为0.05，当
Figure 434420DEST_PATH_IMAGE084
则基本认为待检测的铝管图像中的铝管表面存在较明显的流线麻点瑕疵。需要说明的是，用
Figure 528278DEST_PATH_IMAGE085
来表示瑕疵占比系数，主要是为了进一步描述瑕疵程度表征，使其在0到1之内，越靠近0越无瑕疵，越靠近1瑕疵越多越大。
S5、根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度；
根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整。
在本实施例中，根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度过程中，当
Figure 263016DEST_PATH_IMAGE018
，标记待检测铝管表面瑕疵的严重程度为
Figure 543956DEST_PATH_IMAGE019
；当
Figure 153666DEST_PATH_IMAGE020
，标记待检测铝管表面瑕疵的严重程度为
Figure 102031DEST_PATH_IMAGE021
；当
Figure 7670DEST_PATH_IMAGE022
，标记待检测铝管表面瑕疵的严重程度为
Figure 307064DEST_PATH_IMAGE023
；当
Figure 189307DEST_PATH_IMAGE024
，标记待检测铝管表面瑕疵的严重程度为
Figure 992178DEST_PATH_IMAGE025
；当
Figure 68719DEST_PATH_IMAGE026
，标记待检测铝管表面瑕疵的严重程度为
Figure 589830DEST_PATH_IMAGE027
。
其中，标签
Figure 281623DEST_PATH_IMAGE027
严重程度是指流线麻点最多，占当前图像中铝管一半以上；标签
Figure 204580DEST_PATH_IMAGE025
严重程度是指流线麻点较多，占图像中铝管近一半；标签
Figure 452022DEST_PATH_IMAGE023
严重程度是指流线麻点一般，占图像中铝管20%左右；标签
Figure 460429DEST_PATH_IMAGE021
严重程度是指流线麻点数量较少；标签
Figure 950054DEST_PATH_IMAGE019
严重程度是指流线麻点等噪点出现的极少。
在本实施例中，记保证出口温度500℃的下限的要求下，冷却装置的最大冷却速度为
Figure 727517DEST_PATH_IMAGE028
，根据所获得的待检测铝管图像中铝管表面严重程度进行相关的冷却速度调节，相关降温调节操作如下：
根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整时，
当待检测铝管表面出现
Figure 145860DEST_PATH_IMAGE027
标签，将以最大冷却速度
Figure 110405DEST_PATH_IMAGE028
进行降温；当待检测铝管表面出现
Figure 669300DEST_PATH_IMAGE025
标签，将以0.75
Figure 301270DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 890514DEST_PATH_IMAGE023
标签，将以0.50
Figure 607934DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 439362DEST_PATH_IMAGE021
标签，将以0.25
Figure 925838DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 951563DEST_PATH_IMAGE019
标签，将不采取降温措施，只有预设温度控制***进行调控；其中，
Figure 156279DEST_PATH_IMAGE028
表示最大冷却速度，其主要是根据挤压机设备以及周围环境来确定。基于此，实现了在动态挤压生产过程中的，根据铝管表面瑕疵的严重程度进行了实时温度调节。
本发明提供了一种基于铝管表面瑕疵识别的温度控制***，包括：
图像采集模块，用于获取待检测铝管的灰度图；并获取正常铝管的灰度图；将待检测铝管的灰度图二值化处理获取待检测铝管的二值图；
图像处理模块，用于对二值图进行边缘检测获取待检测铝管的两条边缘直线；根据待检测铝管的两条边缘直线获取待检测铝管的中线；根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗；利用滑窗沿着中线方向对待检测铝管的灰度图依次进行滑动，获取待检测铝管的灰度图中每个滑窗内每行的第一平均灰度值；依此类比获取正常铝管的灰度图中每个滑窗内每行的第二平均灰度值；根据第一平均灰度值和第二平均灰度值获取每个滑窗内每行平均灰度值的差值；根据每个滑窗内每行平均灰度值的差值获取每个滑窗的方差；
温度调控模块，根据每个滑窗的方差判断每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵；获取存在表面瑕疵的所有滑窗；根据存在表面瑕疵的所有滑窗的数量获取瑕疵占比系数；根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度；根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整。
综上，本发明提供的一种基于铝管表面瑕疵识别的温度控制方法及***，该方法通过获取待检测铝管图像中铝管的中线，利用设定的滑窗沿着中线进行滑动遍历获取待检测铝管表面的特征，为了能够准确识别出待检测铝管图像中的瑕疵，则同时以同样的方式获取表面没有瑕疵的正常铝管表面特征，通过对待检测图像与正常图像进行差异化分析，能够有效识别出待检测铝管表面的瑕疵；同时也能有效获得待检测铝管表面瑕疵的占比，通过铝管表面瑕疵的占比情况将铝管表面划分为不同的严重程度，最后根据不同的严重程度对挤压机铝管的出口温度进行调控，从而实现了在动态挤压生产过程中的，根据铝管表面瑕疵的严重程度进行实时温度调节。
本发明通过提供的基于铝管表面瑕疵识别的温度控制***，能够实时对挤压机铝管的出口温度进行冷却控制，避免铝管在生产过程中表面出现流线麻点，有效提升铝管的生产效率和合格率。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于铝管表面瑕疵识别的温度控制方法，其特征在于，包括以下步骤：
获取待检测铝管的灰度图；并获取正常铝管的灰度图；
将待检测铝管的灰度图二值化处理获取待检测铝管的二值图；
对二值图进行边缘检测获取待检测铝管的两条边缘直线；根据待检测铝管的两条边缘直线获取待检测铝管的中线；
根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗；
利用滑窗沿着中线方向对待检测铝管的灰度图依次进行滑动，获取待检测铝管的灰度图中每个滑窗内每行的第一平均灰度值；
依此类比获取正常铝管的灰度图中每个滑窗内每行的第二平均灰度值；
根据第一平均灰度值和第二平均灰度值获取每个滑窗内每行平均灰度值的差值；
根据每个滑窗内每行平均灰度值的差值获取每个滑窗的方差；
根据每个滑窗的方差判断每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵；
获取存在表面瑕疵的所有滑窗；根据存在表面瑕疵的所有滑窗的数量获取瑕疵占比系数；
根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度；
根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整。
2.根据权利要求1所述的基于铝管表面瑕疵识别的温度控制方法，其特征在于，所述滑窗是按照以下步骤设定：
分别获取待检测铝管的两条边缘直线的直线方程，并获取待检测铝管的中线的直线方程；
根据待检测铝管的中线的直线方程获取待检测铝管的灰度图中铝管的长度；
分别根据待检测铝管的两条边缘直线的直线方程获取待检测铝管的灰度图中铝管的宽度；
根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗，滑窗尺寸即为
Figure 952225DEST_PATH_IMAGE001
；其中，
Figure 293208DEST_PATH_IMAGE002
；
Figure 489834DEST_PATH_IMAGE003
；
Figure 680382DEST_PATH_IMAGE004
表示待检测铝管的灰度图中铝管的长度；
Figure 355077DEST_PATH_IMAGE005
表示待检测铝管的灰度图中铝管的宽度。
3.根据权利要求2所述的基于铝管表面瑕疵识别的温度控制方法，其特征在于，所述滑窗滑动的步长为
Figure 816145DEST_PATH_IMAGE006
。
4.根据权利要求1所述的基于铝管表面瑕疵识别的温度控制方法，其特征在于，滑窗沿着中线方向对待检测铝管的灰度图滑动的过程中，所述滑窗在中线两侧的部分相对称，且所述滑窗的长边与所述中线垂直。
5.根据权利要求1所述的基于铝管表面瑕疵识别的温度控制方法，其特征在于，所述每个滑窗的方差的计算公式如下：
Figure DEST_PATH_IMAGE007
式中，
Figure 625750DEST_PATH_IMAGE008
表示滑窗
Figure 805059DEST_PATH_IMAGE009
的方差；
Figure 283444DEST_PATH_IMAGE010
表示滑窗
Figure 864598DEST_PATH_IMAGE009
内第
Figure 370404DEST_PATH_IMAGE011
行平均灰度值的差值；
Figure 302588DEST_PATH_IMAGE012
表示滑窗
Figure 319085DEST_PATH_IMAGE009
内第
Figure 244095DEST_PATH_IMAGE011
行平均灰度值的差值的加和平均值；
Figure 186381DEST_PATH_IMAGE013
表示滑窗
Figure 341549DEST_PATH_IMAGE009
中垂直于中线的边长。
6.根据权利要求1所述的基于铝管表面瑕疵识别的温度控制方法，其特征在于，每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵是按照以下步骤进行判断：
设置方差阈值；当滑窗的方差大于方差阈值，则认为该滑窗对应于待检测铝管的灰度图中的区域存在表面瑕疵。
7.根据权利要求1所述的基于铝管表面瑕疵识别的温度控制方法，其特征在于，所述瑕疵占比系数计算公式如下：
Figure 622308DEST_PATH_IMAGE014
；式中，
Figure 384247DEST_PATH_IMAGE015
表示瑕疵占比系数；
Figure 350232DEST_PATH_IMAGE016
表示存在表面瑕疵的所有滑窗
Figure 991429DEST_PATH_IMAGE017
的数量；
根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度过程中，当
Figure 842405DEST_PATH_IMAGE018
，标记待检测铝管表面瑕疵的严重程度为
Figure 924762DEST_PATH_IMAGE019
；当
Figure 759250DEST_PATH_IMAGE020
，标记待检测铝管表面瑕疵的严重程度为
Figure 622164DEST_PATH_IMAGE021
；当
Figure 79428DEST_PATH_IMAGE022
，标记待检测铝管表面瑕疵的严重程度为
Figure 78608DEST_PATH_IMAGE023
；当
Figure 972746DEST_PATH_IMAGE024
，标记待检测铝管表面瑕疵的严重程度为
Figure 555911DEST_PATH_IMAGE025
；当
Figure 256014DEST_PATH_IMAGE026
，标记待检测铝管表面瑕疵的严重程度为
Figure 172018DEST_PATH_IMAGE027
。
8.根据权利要求7所述的基于铝管表面瑕疵识别的温度控制方法，其特征在于，根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整时，当待检测铝管表面出现
Figure 564953DEST_PATH_IMAGE027
标签，将以最大冷却速度
Figure 918572DEST_PATH_IMAGE028
进行降温；当待检测铝管表面出现
Figure 422366DEST_PATH_IMAGE025
标签，将以0.75
Figure 396138DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 865034DEST_PATH_IMAGE023
标签，将以0.50
Figure 410677DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 419959DEST_PATH_IMAGE021
标签，将以0.25
Figure 814949DEST_PATH_IMAGE028
冷却速度进行降温；当待检测铝管表面出现
Figure 64534DEST_PATH_IMAGE019
标签，将不采取降温措施；其中，
Figure 548736DEST_PATH_IMAGE028
表示最大冷却速度。
9.根据权利要求1所述的基于铝管表面瑕疵识别的温度控制方法，其特征在于，所述待检测铝管的两条边缘直线是对二值图进行边缘检测获取待检测二值图中的边缘线，根据待检测二值图中的边缘线上的边缘像素点进行霍夫直线检测而获取的。
10.一种基于铝管表面瑕疵识别的温度控制***，其特征在于，包括：
图像采集模块，用于获取待检测铝管的灰度图；并获取正常铝管的灰度图；将待检测铝管的灰度图二值化处理获取待检测铝管的二值图；
图像处理模块，用于对二值图进行边缘检测获取待检测铝管的两条边缘直线；根据待检测铝管的两条边缘直线获取待检测铝管的中线；根据待检测铝管的灰度图中铝管的长度和宽度设定滑窗；利用滑窗沿着中线方向对待检测铝管的灰度图依次进行滑动，获取待检测铝管的灰度图中每个滑窗内每行的第一平均灰度值；依此类比获取正常铝管的灰度图中每个滑窗内每行的第二平均灰度值；根据第一平均灰度值和第二平均灰度值获取每个滑窗内每行平均灰度值的差值；根据每个滑窗内每行平均灰度值的差值获取每个滑窗的方差；
温度调控模块，根据每个滑窗的方差判断每个滑窗对应于待检测铝管的灰度图是否存在表面瑕疵；获取存在表面瑕疵的所有滑窗；根据存在表面瑕疵的所有滑窗的数量获取瑕疵占比系数；根据瑕疵占比系数标记待检测铝管表面瑕疵的严重程度；根据标记待检测铝管表面瑕疵的严重程度对铝管挤压生产过程中的温度进行调整。
CN202210964408.5A 2022-08-12 2022-08-12 一种基于铝管表面瑕疵识别的温度控制方法及*** Active CN115049644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964408.5A CN115049644B (zh) 2022-08-12 2022-08-12 一种基于铝管表面瑕疵识别的温度控制方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964408.5A CN115049644B (zh) 2022-08-12 2022-08-12 一种基于铝管表面瑕疵识别的温度控制方法及***

Publications (2)

Publication Number Publication Date
CN115049644A true CN115049644A (zh) 2022-09-13
CN115049644B CN115049644B (zh) 2022-11-01

Family

ID=83166418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964408.5A Active CN115049644B (zh) 2022-08-12 2022-08-12 一种基于铝管表面瑕疵识别的温度控制方法及***

Country Status (1)

Country Link
CN (1) CN115049644B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311294A (zh) * 2022-10-12 2022-11-08 启东金耀億华玻纤材料有限公司 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014032058A (ja) * 2012-08-02 2014-02-20 Jfe Steel Corp 表面欠陥検査方法
US20170294013A1 (en) * 2016-04-11 2017-10-12 North Carolina Agricultural And Technical State University Normalized Defect Characterization of Pulse Thermographic Nondestructive Evaluation
CN110428408A (zh) * 2019-07-31 2019-11-08 工极智能科技（苏州）有限公司 基于ELM-in-ELM的瑕疵检测方法
US20200158659A1 (en) * 2017-05-24 2020-05-21 The Hong Kong Research Institute Of Textiles And Apparel Limited Method and system for automatic detection of fabric defect, and computer readable storage medium
CN112927189A (zh) * 2021-01-28 2021-06-08 江苏大学 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法
CN113012153A (zh) * 2021-04-30 2021-06-22 武汉纺织大学 一种铝型材瑕疵检测方法
CN113325001A (zh) * 2021-04-12 2021-08-31 浙江花园新能源有限公司 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法
CN113838043A (zh) * 2021-09-30 2021-12-24 杭州百子尖科技股份有限公司 金属箔材制造中基于机器视觉的质量分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014032058A (ja) * 2012-08-02 2014-02-20 Jfe Steel Corp 表面欠陥検査方法
US20170294013A1 (en) * 2016-04-11 2017-10-12 North Carolina Agricultural And Technical State University Normalized Defect Characterization of Pulse Thermographic Nondestructive Evaluation
US20200158659A1 (en) * 2017-05-24 2020-05-21 The Hong Kong Research Institute Of Textiles And Apparel Limited Method and system for automatic detection of fabric defect, and computer readable storage medium
CN110428408A (zh) * 2019-07-31 2019-11-08 工极智能科技（苏州）有限公司 基于ELM-in-ELM的瑕疵检测方法
CN112927189A (zh) * 2021-01-28 2021-06-08 江苏大学 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法
CN113325001A (zh) * 2021-04-12 2021-08-31 浙江花园新能源有限公司 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法
CN113012153A (zh) * 2021-04-30 2021-06-22 武汉纺织大学 一种铝型材瑕疵检测方法
CN113838043A (zh) * 2021-09-30 2021-12-24 杭州百子尖科技股份有限公司 金属箔材制造中基于机器视觉的质量分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NING LANG 等: "Virtual-sample-based defect detection algorithm for aluminum tube surface", 《IOP》 *
代小红等: "基于模式识别的零件表面瑕疵图像提取的设计与实现", 《表面技术》 *
文生平等: "基于Gaussian-yolov3的铝型材表面缺陷检测", 《计算机测量与控制》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311294A (zh) * 2022-10-12 2022-11-08 启东金耀億华玻纤材料有限公司 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法

Also Published As

Publication number Publication date
CN115049644B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN108074231B (zh) 一种基于卷积神经网络的磁片表面缺陷检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN114943739B (zh) 一种铝管质量检测方法
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
WO2023168972A1 (zh) 一种基于线阵相机的铜表面缺陷检测方法及装置
CN111784633A (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN115018827B (zh) 一种建材焊缝质量自动检测方法
CN112614105B (zh) 一种基于深度网络的3d点云焊点缺陷检测方法
CN114549441B (zh) 基于图像处理的吸管缺陷检测方法
CN115049644B (zh) 一种基于铝管表面瑕疵识别的温度控制方法及***
CN111753794B (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN111445471A (zh) 基于深度学习和机器视觉的产品表面缺陷检测方法及装置
CN110689524A (zh) 一种无参考在线图像清晰度评价方法与***
CN110781913A (zh) 一种拉链布带缺陷检测方法
CN114972230A (zh) 一种生产线上电路板缺陷检测方法及***
CN114663393A (zh) 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN115311250A (zh) 基于深度学习和时空特征融合的烟支外观检测方法
CN112683166B (zh) 一种模切产品尺寸检测方法
CN117350967B (zh) 一种基于光学检测晶圆外观缺陷检测***及其方法
CN116091506B (zh) 一种基于yolov5的机器视觉缺陷质检方法
CN111192261A (zh) 一种镜片疵病类型识别的方法
CN111062939B (zh) 一种带钢表面快速质量甄别与缺陷特征自动提取方法
CN115330769B (zh) 一种用于铝管表面擦伤压坑的缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant