CN117475205A - 缺陷类型识别方法、识别装置、控制设备及存储介质 - Google Patents

缺陷类型识别方法、识别装置、控制设备及存储介质 Download PDF

Info

Publication number
CN117475205A
CN117475205A CN202311379820.1A CN202311379820A CN117475205A CN 117475205 A CN117475205 A CN 117475205A CN 202311379820 A CN202311379820 A CN 202311379820A CN 117475205 A CN117475205 A CN 117475205A
Authority
CN
China
Prior art keywords
identified
sample
defect
target
contour line
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
Application number
CN202311379820.1A
Other languages
English (en)
Inventor
柯雪利
袁青峰
王文凯
柯辉
冯德春
黎建东
丛春来
韦泽辉
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.)
Guangxi Guangsheng New Material Technology Co ltd
Guangxi Shenglong Iron and Steel Materials Research Institute
Guangxi Shenglong Metallurgical Co Ltd
Original Assignee
Guangxi Guangsheng New Material Technology Co ltd
Guangxi Shenglong Iron and Steel Materials Research Institute
Guangxi Shenglong Metallurgical 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 Guangxi Guangsheng New Material Technology Co ltd, Guangxi Shenglong Iron and Steel Materials Research Institute, Guangxi Shenglong Metallurgical Co Ltd filed Critical Guangxi Guangsheng New Material Technology Co ltd
Priority to CN202311379820.1A priority Critical patent/CN117475205A/zh
Publication of CN117475205A publication Critical patent/CN117475205A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于缺陷识别技术领域，尤其涉及一种缺陷类型识别方法、识别装置、控制设备及存储介质。该缺陷类型识别方法包括：获取待识别样品，待识别样品为存在缺陷的金属轧制材料；基于待识别样品，确定待识别样品的缺陷位置；基于待识别样品的缺陷位置，获取目标轮廓线，目标轮廓线表征待识别样品中缺陷的轮廓；基于目标轮廓线，识别待识别样品的缺陷类型。本申请提供的技术方案，基于待识别样品的缺陷位置，获取用于表征待识别样品中缺陷轮廓的目标轮廓线，再基于目标轮廓线识别待识别样品的缺陷类型，有效提高了金属轧制材料的缺陷类型的识别效率和准确度。

Description

缺陷类型识别方法、识别装置、控制设备及存储介质
技术领域
本申请涉及缺陷识别技术领域，尤其涉及一种缺陷类型识别方法、识别装置、控制设备及存储介质。
背景技术
在金属材料的生产过程中，通常会将金属坯料通过一对或多对辊子进行塑性变形，以获得所需的形状和尺寸，这种方法称为轧制，是金属材料常用的加工方法。
金属材料轧制完成后，对成品质量进行检测时经常会发现裂纹和折叠两种缺陷，其外貌基本相同，难以区分，但如果不区分开来，则无法确定对应的解决方案。为区分这两种缺陷，常用的方法为将轧制后的金属材料离线取样到金相室进行微观检测，通过样品的金相照片进行缺陷类型的识别，但这种方法的识别时间较长，不能及时发现问题，极易造成事故扩大化的损失；并且该方法要求金相分析人员必须有足够的现场生产经验，导致识别准确度较低。
因此，如何提高金属轧制材料的缺陷类型的识别效率和准确度成为了亟待解决的问题。
发明内容
本申请实施例提供一种缺陷类型识别方法、识别装置、控制设备及存储介质，提高了金属轧制材料的缺陷类型的识别效率和准确度。
第一方面，本申请实施例提供了一种缺陷类型识别方法，所述方法包括：获取待识别样品，所述待识别样品为存在缺陷的金属轧制材料；基于所述待识别样品，确定所述待识别样品的缺陷位置；基于所述待识别样品的缺陷位置，获取目标轮廓线，所述目标轮廓线表征所述待识别样品中缺陷的轮廓；基于所述目标轮廓线，识别所述待识别样品的缺陷类型。
在一种可能的实现方式中，所述基于所述待识别样品，确定所述待识别样品的缺陷位置，包括：基于所述待识别样品，获取所述待识别样品的目标表面图像；基于所述目标表面图像，确定所述待识别样品的缺陷位置。
在一种可能的实现方式中，所述基于所述待识别样品的缺陷位置，获取目标轮廓线，包括：基于所述待识别样品的缺陷位置，通过切割设备切割所述待识别样品得到所述缺陷位置的目标截面；基于所述目标截面，获取所述目标轮廓线。
在一种可能的实现方式中，所述基于所述目标截面，获取所述目标轮廓线，包括：基于所述目标截面，获取涂抹后的目标截面；基于所述涂抹后的目标截面，获取目标截面图像；基于所述目标截面图像，获取所述目标轮廓线。
在一种可能的实现方式中，所述待识别样品的缺陷类型包括裂纹和折叠；所述基于所述目标轮廓线，识别所述待识别样品的缺陷类型，包括：当所述目标轮廓线的整体呈平滑状，且最底部呈圆滑状时，识别所述待识别样品的缺陷类型为折叠；当所述目标轮廓线的整体呈锯齿状，且最底部呈尖状时，识别所述待识别样品的缺陷类型为裂纹。
在一种可能的实现方式中，当所述缺陷类型为折叠时，所述缺陷发生在所述待识别样品通过的冒火花之处，或者在所述待识别样品的尺寸超标时通过的轧机上；当所述缺陷类型为裂纹时，所述缺陷发生在所述待识别样品的坯料的加热炉中，或者在所述待识别样品的坯料中。
在一种可能的实现方式中，所述金属轧制材料包括金属板材、金属棒材以及金属型材中的至少一种。
第二方面，本申请实施例提供了一种缺陷类型识别装置，所述装置包括：获取模块，用于获取待识别样品，所述待识别样品为存在缺陷的金属轧制材料；确定模块，用于基于所述待识别样品，确定所述待识别样品的缺陷位置；所述获取模块，还用于基于所述待识别样品的缺陷位置，获取目标轮廓线，所述目标轮廓线表征所述待识别样品中缺陷的轮廓；识别模块，用于基于所述目标轮廓线，识别所述待识别样品的缺陷类型。
第三方面，本申请实施例提供了一种控制设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或其中任意一种实现方式所述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或其中任意一种实现方式所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在控制设备上运行时，使得控制设备执行上述第一方面或其中任意一种实现方式所述的方法。
本申请实施例与现有技术相比存在的有益效果是：获取待识别样品，待识别样品为存在缺陷的金属轧制材料；基于待识别样品，确定待识别样品的缺陷位置；基于待识别样品的缺陷位置，获取目标轮廓线，目标轮廓线表征待识别样品中缺陷的轮廓；基于目标轮廓线，识别待识别样品的缺陷类型。相比于将轧制后的金属材料离线取样到金相室进行微观检测，通过待识别样品的金相照片进行缺陷类型的识别，有效提高了金属轧制材料的缺陷类型的识别效率和准确度，降低了识别的成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的一种缺陷类型识别***的架构示意图；
图2为本申请一实施例提供的一种缺陷类型识别方法的流程示意图；
图3为本申请一实施例提供的缺陷类型为折叠时的目标轮廓线的示意图；
图4为本申请一实施例提供的缺陷类型为裂纹时的目标轮廓线的示意图；
图5为本申请一实施例提供的一种缺陷类型识别方法中S220的一种实现方法的流程示意图；
图6为本申请一实施例提供的一种缺陷类型识别方法中S230的一种实现方法的流程示意图；
图7为本申请一实施例提供的一种缺陷类型识别方法中S620的一种实现方法的流程示意图；
图8为本申请一实施例提供的一种缺陷类型识别装置的结构框图；
图9为本申请一实施例提供的控制设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在金属材料的生产过程中，为满足使用时金属尺寸的要求，通常会将金属坯料通过一对或多对辊子进行塑性变形，从而获得所需形状和尺寸，这种方法称为轧制，是金属材料常用的加工方法之一。在轧制过程中金属材料受轧辊的压缩使材料截面减小，长度增加，金属轧制完成后通常会形成板材、棒材和型材等。
轧制过程中常会伴随着折叠缺陷的出现。折叠缺陷的出现主要有以下几个原因：
1、坯料质量问题：如果金属坯料存在内部缺陷、夹杂物或不均匀组织等问题，轧制过程中就容易出现折叠缺陷；
2、轧制工艺参数不合理：轧制工艺参数包括轧机辊子的间隙、轧机的压力、温度等。如果这些参数设置不合理，就容易导致金属在轧制过程中出现过大的应力，从而引起折叠缺陷；
3、轧机设备问题：如果轧机设备存在问题，如辊子不平整、辊子间隙不均匀等，就会导致金属在轧制过程中受到不均匀的应力分布，从而引起折叠缺陷；
4、轧制过程中的外力干扰：轧制过程中，如果受到外力的干扰，如振动、冲击等，就会导致金属受到非均匀的应力作用，从而引起折叠缺陷。
另外，在对金属材料轧制完成后进行质检的过程中，往往还会发现金属表面出现裂纹缺陷。金属材料出现裂纹缺陷的原因主要包括材料原因、加工原因、环境原因、浇注原因和热处理原因等。
为了避免金属材料在生产过程中产生裂纹，需要在材料选择、加工控制、环境防护、浇注过程和热处理方式等方面采取相应的措施。只有在每个生产阶段都严格控制和管理好相关因素，才能确保金属材料的质量和使用性能，减少裂纹的产生。
在实际生产过程中，金属轧制材料的裂纹缺陷和折叠缺陷形状很相似，难以区分。为了识别金属轧制材料中缺陷的类型，本申请提出了一种缺陷类型识别方法，获取待识别样品，待识别样品为存在缺陷的金属轧制材料；基于待识别样品，确定待识别样品的缺陷位置；基于待识别样品的缺陷位置，获取目标轮廓线，目标轮廓线表征待识别样品中缺陷的轮廓；基于目标轮廓线，识别待识别样品的缺陷类型，有效提高了金属轧制材料的缺陷类型的识别效率和准确度。
为了便于理解，下面将结合附图对本申请的技术方案进行详细介绍。
图1为本申请一实施例提供的一种缺陷类型识别***的架构示意图。如图1所示，缺陷类型识别***100包括控制设备110、摄像设备120、切割设备130以及涂抹设备140。控制设备110分别与摄像设备120、切割设备130以及涂抹设备140通信连接。需要说明的是，上述通信连接的方式可以是有线通信连接，也可以是无线通信连接。
控制设备110用于获取待识别样品，待识别样品为存在缺陷的金属轧制材料，基于待识别样品，确定待识别样品的缺陷位置，基于待识别样品的缺陷位置，获取目标轮廓线，目标轮廓线表征该待识别样品中缺陷的轮廓，再基于目标轮廓线，识别该待识别样品的缺陷类型。其中，金属轧制材料包括但不限于金属板材、金属棒材以及金属型材。
具体地，待识别样品的缺陷类型包括裂纹和折叠。当控制设备110识别到目标轮廓线的整体呈平滑状，且最底部呈圆滑状时，确定该待识别样品的缺陷类型为折叠；当控制设备110识别到目标轮廓线的整体呈锯齿状，且最底部呈尖状时，确定该待识别样品的缺陷类型为裂纹。
在一个实施例中，控制设备110用于通过摄像设备120获取目标表面图像，并基于该目标表面图像确定待识别样品的缺陷位置。
作为一种示例，控制设备110向摄像设备120发送第一摄像控制指令，摄像设备120用于基于接收到的第一拍摄控制指令拍摄待识别样品的目标表面图像，并将拍摄的目标表面图像发送给控制设备110；控制设备110用于基于接收到的待识别样品的目标表面图像确定待识别样品的缺陷位置。
在另一个实施例中，当确定待识别样品的缺陷位置后，控制设备110用于控制切割设备130对待识别样品进行切割，得到待识别样品的目标截面，并基于该目标截面，获取目标轮廓线。
作为一种示例，当确定待识别样品的缺陷位置后，控制设备110用于向切割设备130发送切割控制指令；切割设备130基于接收到的切割控制指令，对待识别样品进行切割，得到待识别样品的目标截面，目标截面上能够显示待识别样品的缺陷轮廓；在基于切割控制指令完成切割后，切割设备130用于向控制设备110发送切割完成指令。
示例性的，切割设备130为带锯、无齿锯、激光切割机、线切割机中的任意一种。
在又一个实施例中，在得到待识别样品的目标截面后，控制设备110用于控制涂抹设备140对目标截面进行涂抹，得到涂抹后的目标截面；基于涂抹后的目标截面，通过摄像设备120获取目标截面图像；基于目标截面图像，获取目标轮廓线。
作为一种示例，在得到待识别样品的目标截面后，控制设备110用于向涂抹设备140发送涂抹控制指令；涂抹设备140用于基于接收到的涂抹控制指令对目标截面进行涂抹，得到涂抹后的目标截面；在基于涂抹控制指令完成涂抹后，涂抹设备140用于向控制设备110发送涂抹完成指令。
作为另一种示例，在得到涂抹后的目标截面后，控制设备110用于向摄像设备120发送第二摄像控制指令；摄像设备120用于基于接收到的第二摄像控制指令对涂抹后的目标截面进行拍摄，得到目标截面图像，并将目标截面图像发送至控制设备110。
可以理解的是，图1所示的架构示意图仅为本申请提供的缺陷类型识别***100的一种示例，在本申请另一些实施例中，缺陷类型识别***100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置，本申请对此不作限定。
图2为本申请一实施例提供的一种缺陷类型识别方法的流程示意图。如图2所示，包括：
S210，获取待识别样品，待识别样品为存在缺陷的金属轧制材料。
具体地，在金属轧制材料在生产线冷床上进行冷却时，可通过观察金属轧制材料的外表面确定该金属轧制材料是否存在缺陷。在确定金属轧制材料存在缺陷后，将存在缺陷的金属轧制材料作为待识别样品。
示例性的，金属轧制材料包括但不限于金属板材、金属棒材以及金属型材。
S220，基于待识别样品，确定待识别样品的缺陷位置。
在一种实现方式中，通过肉眼观察待识别样品的外表面和人工测量标记的方法来确定待识别样品的缺陷位置。
在另一种实现方式中，通过图1所示的缺陷类型识别***100自动确定待识别样品的缺陷位置，具体实现方式可参考图5所示的方法，此处不再进行赘述。
S230，基于待识别样品的缺陷位置，获取目标轮廓线，目标轮廓线表征待识别样品中缺陷的轮廓。
在一种实现方式中，在确定待识别样品的缺陷位置后，使用切割机沿缺陷方向将待识别样品锯开，锯开后选择能够清楚显示缺陷轮廓的一个截面作为目标截面，并将目标截面清洗干净；用红色印泥均匀涂抹在目标截面中缺陷轮廓所在的位置，例如，可以仅涂抹目标截面中缺陷轮廓的上半部分或下半部分，也可以将目标截面中缺陷轮廓所在的部分全部进行涂抹，只要涂抹后缺陷处的印泥均匀且比较薄，能够清晰显示缺陷轮廓即可；再将涂抹后的目标截面压放在白纸上，这样缺陷的轮廓线就通过印泥清楚地印在白纸上，即可得到目标轮廓线。
在另一种实现方式中，在确定待识别样品的缺陷位置后，通过图1所示的缺陷类型识别***100自动获取目标轮廓线，具体实现方式可参考图6和图7所示的方法，此处不再进行赘述。
S240，基于目标轮廓线，识别待识别样品的缺陷类型。
具体地，在获取目标轮廓线后，基于目标轮廓线的形状即可识别待识别样品的缺陷类型。缺陷类型包括折叠和裂纹，如图3和图4所示，当目标轮廓线的整体呈平滑状，且最底部呈圆滑状时，识别待识别样品的缺陷类型为折叠；当目标轮廓线的整体呈锯齿状，且最底部呈尖状时，识别待识别样品的缺陷类型为裂纹。另外，当缺陷类型为裂纹时，该缺陷对应的目标轮廓线的底部有少量雪花状的氧化铁皮(图中未示出)。
具体地，当缺陷类型为折叠时，缺陷发生在待识别样品通过的冒火花之处，或者在待识别样品的尺寸超标时通过的轧机上；当缺陷类型为裂纹时，其发生地在待识别样品的坯料的加热炉中，或者在待识别样品的坯料中。
在一个实施例中，如图5所示，步骤S220，包括：
S510，基于待识别样品，获取待识别样品的目标表面图像。
S520，基于目标表面图像，确定待识别样品的缺陷位置。
在具体实施中，在冷床上安装多个摄像设备，每个摄像设备具有唯一编号，且安装在冷床的不同位置，使得每个摄像设备的拍摄区域固定，并且这多个摄像设备拍摄到的图像能够涵盖待识别样品外表面上任一处的图像。当待识别样品在冷床上进行冷却时，控制设备控制冷床上的多个摄像设备对待识别样品进行拍摄，得到多张表面图像，每张表面图像上标注有拍摄该表面图像的摄像设备的编号；对得到的多张表面图像进行图像识别，根据图像识别结果，将包含有待识别样品的缺陷部分的表面图像确定为目标表面图像；基于目标表面图像上标注的编号，确定拍摄该目标表面图像的目标摄像设备，再基于该目标摄像设备的拍摄区域信息，确定待识别样品的缺陷位置。
作为一种示例，本实施例中的摄像设备为图1中的摄像设备120，控制设备为图1中的控制设备110。
在一个实施例中，如图6所示，步骤S230，包括：
S610，基于待识别样品的缺陷位置，通过切割设备切割待识别样品得到缺陷位置的目标截面。
在具体实施中，控制设备基于待识别样品的缺陷位置，控制切割设备对待识别样品沿缺陷方向进行切割，得到缺陷位置的目标截面，目标截面中能够清晰显示缺陷的轮廓。
作为一种示例，当待识别样品的缺陷位置位于待识别样品的横截面上时，控制设备控制切割设备在缺陷位置沿平行于待识别样品的横截面的方向对待识别样品进行切割，并将能够清晰显示缺陷轮廓的截面确定为目标截面。
作为一种示例，本实施例中的控制设备为图1中的控制设备110，切割设备为图1中的切割设备130。
S620，基于目标截面，获取目标轮廓线。
在一种实现方式中，在确定目标截面后，控制设备控制摄像设备对目标截面进行拍摄，得到目标截面图像，再对拍摄得到的目标截面图像进行图像处理，从经过图像处理过的目标截面图像中提取目标轮廓线。
在另一种实现方式中，如图7所示，步骤S620，包括：
S710，基于目标截面，获取涂抹后的目标截面。
在具体实施中，在确定目标截面后，控制设备控制涂抹设备使用涂料对目标截面进行涂抹，重点对目标截面中非缺陷轮廓部位进行涂抹，在能够清晰显示出缺陷轮廓时停止涂抹，得到涂抹后的目标截面。
S720，基于涂抹后的目标截面，获取目标截面图像。
S730，基于目标截面图像，获取目标轮廓线。
在一种实现方式中，在得到涂抹后的目标截面后，控制设备控制摄像设备直接对涂抹后的目标截面进行拍摄，得到目标截面图像。因经过涂抹，目标截面图像中的目标轮廓线已非常清晰，则从目标截面图像中直接提取目标轮廓线即可，无需进行复杂的图像处理过程，提高了获取目标轮廓线的效率，同时避免了图像处理过程中出现的误差，提高了获取目标轮廓线的准确度。
在另一种实现方式中，在得到涂抹后的目标截面后，控制设备控制摄像设备对涂抹后的目标截面进行拍摄后，提取拍摄图像中的涂抹部分，并将提取出的涂抹部分拓印至预设背景中，得到目标截面图像。其中，对目标截面进行涂抹所使用的涂料的颜色和预设背景的颜色不同且能够形成鲜明对比，例如，对目标截面进行涂抹所使用的涂料的颜色为红色，预设背景的颜色为白色。在本实现方式中，因经过涂抹和拓印，使得目标截面图像中的目标轮廓线的形状更加清晰，提高了获取目标轮廓线的准确度，同时进一步提高了识别缺陷类型的准确度。
作为一种示例，本实现方式中的控制设备为图1中的控制设备110，摄像设备为图1中的摄像设备120，涂抹设备为图1中的涂抹设备140。
本申请提供的技术方案，获取待识别样品，待识别样品为存在缺陷的金属轧制材料；基于待识别样品，确定待识别样品的缺陷位置；基于待识别样品的缺陷位置，获取目标轮廓线，目标轮廓线表征待识别样品中缺陷的轮廓；基于目标轮廓线，识别待识别样品的缺陷类型有效提高了金属轧制材料的缺陷类型的识别效率和准确度，降低了识别的成本。
图8为本申请一实施例提供的一种缺陷类型识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图8，缺陷类型识别装置800可以包括获取模块801、确定模块802以及识别模块803。
在一种实现方式中，装置800可以用于实现上述图2所示的方法。例如，获取模块801用于实现S210和S230，确定模块802用于实现S220，识别模块803用于实现S240。
在另一种实现方式中，装置800还可以用于实现上述图5所示的方法。例如，获取模块801用于实现S510，确定模块802用于实现S520。
在又一种实现方式中，装置800还可以包括处理模块，该实现方式中的装置800可以用于实现上述图6所示的方法。例如，处理模块用于实现S610，获取模块801用于实现S620。
在又一种可能的实现方式中，装置800还可以用于实现上述图7所示的方法。例如，获取模块801用于实现S710、S720以及S730。
本申请提供的技术方案，获取待识别样品，待识别样品为存在缺陷的金属轧制材料；基于待识别样品，确定待识别样品的缺陷位置；基于待识别样品的缺陷位置，获取目标轮廓线，目标轮廓线表征待识别样品中缺陷的轮廓；基于目标轮廓线，识别待识别样品的缺陷类型有效提高了金属轧制材料的缺陷类型的识别效率和准确度，降低了识别的成本。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图9为本申请一实施例提供的控制设备的结构示意图。如图9所示，该实施例的控制设备9包括：至少一个处理器90(图9中仅示出一个)处理器、存储器91以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92，所述处理器90执行所述计算机程序92时实现上述图2、图5至图7中任意方法实施例中的步骤。
所述控制设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该控制设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是控制设备9的举例，并不构成对控制设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，该处理器90还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是所述控制设备9的内部存储单元，例如控制设备9的硬盘或内存。所述存储器91在另一些实施例中也可以是所述控制设备9的外部存储设备，例如所述控制设备9上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述控制设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/控制设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种缺陷类型识别方法，其特征在于，所述方法包括：
获取待识别样品，所述待识别样品为存在缺陷的金属轧制材料；
基于所述待识别样品，确定所述待识别样品的缺陷位置；
基于所述待识别样品的缺陷位置，获取目标轮廓线，所述目标轮廓线表征所述待识别样品中缺陷的轮廓；
基于所述目标轮廓线，识别所述待识别样品的缺陷类型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述待识别样品，确定所述待识别样品的缺陷位置，包括：
基于所述待识别样品，获取所述待识别样品的目标表面图像；
基于所述目标表面图像，确定所述待识别样品的缺陷位置。
3.根据权利要求1所述的方法，其特征在于，所述基于所述待识别样品的缺陷位置，获取目标轮廓线，包括：
基于所述待识别样品的缺陷位置，通过切割设备切割所述待识别样品得到所述缺陷位置的目标截面；
基于所述目标截面，获取所述目标轮廓线。
4.根据权利要求3所述的方法，其特征在于，所述基于所述目标截面，获取所述目标轮廓线，包括：
基于所述目标截面，获取涂抹后的目标截面；
基于所述涂抹后的目标截面，获取目标截面图像；
基于所述目标截面图像，获取所述目标轮廓线。
5.根据权利要求1所述的方法，其特征在于，所述待识别样品的缺陷类型包括裂纹和折叠；
所述基于所述目标轮廓线，识别所述待识别样品的缺陷类型，包括：
当所述目标轮廓线的整体呈平滑状，且最底部呈圆滑状时，识别所述待识别样品的缺陷类型为折叠；
当所述目标轮廓线的整体呈锯齿状，且最底部呈尖状时，识别所述待识别样品的缺陷类型为裂纹。
6.根据权利要求5所述的方法，其特征在于，当所述缺陷类型为折叠时，所述缺陷发生在所述待识别样品通过的冒火花之处，或者在所述待识别样品的尺寸超标时通过的轧机上；
当所述缺陷类型为裂纹时，所述缺陷发生在所述待识别样品的坯料的加热炉中，或者在所述待识别样品的坯料中。
7.根据权利要求1所述的方法，其特征在于，所述金属轧制材料包括金属板材、金属棒材以及金属型材中的至少一种。
8.一种缺陷类型识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别样品，所述待识别样品为存在缺陷的金属轧制材料；
确定模块，用于基于所述待识别样品，确定所述待识别样品的缺陷位置；
所述获取模块，还用于基于所述待识别样品的缺陷位置，获取目标轮廓线，所述目标轮廓线表征所述待识别样品中缺陷的轮廓；
识别模块，用于基于所述目标轮廓线，识别所述待识别样品的缺陷类型。
9.一种控制设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202311379820.1A 2023-10-23 2023-10-23 缺陷类型识别方法、识别装置、控制设备及存储介质 Pending CN117475205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311379820.1A CN117475205A (zh) 2023-10-23 2023-10-23 缺陷类型识别方法、识别装置、控制设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311379820.1A CN117475205A (zh) 2023-10-23 2023-10-23 缺陷类型识别方法、识别装置、控制设备及存储介质

Publications (1)

Publication Number Publication Date
CN117475205A true CN117475205A (zh) 2024-01-30

Family

ID=89630367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311379820.1A Pending CN117475205A (zh) 2023-10-23 2023-10-23 缺陷类型识别方法、识别装置、控制设备及存储介质

Country Status (1)

Country Link
CN (1) CN117475205A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117911411A (zh) * 2024-03-19 2024-04-19 南京认知物联网研究院有限公司 一种基于图片流并行检测的计算机视觉检测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117911411A (zh) * 2024-03-19 2024-04-19 南京认知物联网研究院有限公司 一种基于图片流并行检测的计算机视觉检测方法及装置
CN117911411B (zh) * 2024-03-19 2024-05-24 南京认知物联网研究院有限公司 一种基于图片流并行检测的计算机视觉检测方法及装置

Similar Documents

Publication Publication Date Title
CN110618134A (zh) 钢板表面质量缺陷检测评级***及方法
JP6666046B2 (ja) 画像処理装置および画像処理方法
JP7355943B2 (ja) マシンビジョンによる低倍酸エッチング欠陥自動識別及び格付けの方法並びにシステム
CN117475205A (zh) 缺陷类型识别方法、识别装置、控制设备及存储介质
CN111784670B (zh) 基于计算机视觉的热轧钢板表面缺陷识别方法及装置
JP4616201B2 (ja) 金属材料表面の劣化度評価方法及び評価装置
CN109983324A (zh) 用于定量测量铸态钢产品中的内部缺陷的方法及***
CN112085707A (zh) 印刷品颜色检测方法、装置、设备及介质
CN113920073A (zh) 薄卡计数方法、装置、电子设备及存储介质
CN107677677B (zh) 一种连铸坯偏析程度定量化表征方法
CN115937218B (zh) 一种冷冲件的表面缺陷检测方法及***
CN109584224B (zh) 一种用于对铸件的x射线图像进行分析和显示的方法
CN116152220A (zh) 一种基于机器视觉的种子计数和尺寸测量方法
CN114841971A (zh) 金属块凹坑缺陷检测方法、***及装置
CN111818250B (zh) 全电脑式智能自动化的印品检测***及方法
JP4658779B2 (ja) 疵検出方法、装置、及びコンピュータプログラム
CN114723728A (zh) 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及***
TWI454327B (zh) 鋼帶切尾之偵測方法
CN111935480A (zh) 一种用于图像获取装置的检测方法及相关装置
CN111445441A (zh) 一种带钢头部缺陷处理方法及装置
CN117173185B (zh) 轧制板材的区域检测方法及装置、存储介质、计算机设备
JP2019215348A (ja) 画像検査ロボット
JPH06102284B2 (ja) 鋼板の剪断装置
JP3143561B2 (ja) 金属片の表面欠陥部手入れ方法
CN117132586A (zh) 卡托支架的缺陷检测方法、装置、计算机设备及存储介质

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