钢板表面在线检测技术-中厚板高级研修班20071031.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * 气泡 重皮 结疤 麻面 压痕 边部折印 划伤 “在线检测”画面 “在线检测”画面 “离线分析”画面 系统使用效果 系统的最大检测速度为18m/s，最大检测宽度为1640mm，检测精度为0.4 mm × 1.0 mm，经开卷比对，系统对微小的缺陷（具有良好的检出能力。 系统对于裂纹、边裂、划伤、麻面等缺陷的检出率接近100%；缺陷的误识率略高，主要原因是受钢板表面水的影响，可以通过人工对比图像方式加以解决。 系统在质检站、精轧机操作室、卷取操作室都安装终端。 系统与生产线的计算机系统相连，并获取钢卷号、速度、钢种等信息。 中厚板常见表面缺陷类型 冶炼过程造成的缺陷 裂纹（纵向裂纹、横向裂纹、星状裂纹、发纹等） 夹杂 结疤 轧制或运输过程造成的缺陷 划伤或擦伤 麻面或压入氧化铁皮 压痕或辊印 中厚板表面缺陷检测的难点 中厚板表面存在大量形状、颜色各异的氧化铁皮，一些氧化铁皮的形貌与缺陷极为相似。 由于中厚板经过检测设备时不能保证完全平稳经过，会造成光照角度的变化，光照的变化会影响缺陷的形貌特征。 一些细小的缺陷，如表面裂纹等，与背景的对比度低，容易被噪声和氧化铁皮所掩盖。 氧化铁皮的影响 受光照变化的影响 不同光照条件下的麻点缺陷 缺陷对比度低 对比度低的星裂与纵裂缺陷 基于Top-Hat变换的横向裂纹检测过程 原始横向裂纹图像 Top-Hat变换后的图像 阈值处理后的图像 膨胀及去除噪声点后的图像 纵向裂纹与星裂检测结果 原始纵向裂纹图像 纵向裂纹检测结果 原始星裂图像 星裂检测结果 中厚板表面缺陷自动分类方法研究 常用的分类方法有基于统计的方法、基于结构的方法、基于神经网络的方法等 由于人工神经网络具有很强的自适应能力、学习能力、容错能力和鲁棒性，因此是目前常用的分类方法。 本课题中主要研究了三种常用神经网络：BP网络、LVQ1网络、LVQ2网络，将这三种网络用于中厚板表面缺陷的自动分类中，并对这三种网络的分类效果作了比较，同时也对图像的预处理及特征提取方法作了研究。 基于FFT的特征提取方法 纵向裂纹 横向裂纹 横向划伤 纵向划伤 结疤 星裂 纵向裂纹 横向裂纹 横向划伤 纵向划伤 结疤 星裂 原始缺陷图像(64x64) FFT变换后的幅值谱图像 BP网络的分类结果 缺陷类型 样本数 正确个数 识别率％ 纵向裂纹 25 17 68 横向裂纹 30 20 66.7 麻点 10 8 4 结疤 4 4 100 压痕 4 4 100 夹杂 9 8 88.8 网纹 30 24 80 非缺陷 24 18 75 纵向划伤 30 19 63.3 横向划伤 32 23 71.9 氧化铁皮 28 26 92.58 合计 226 171 75.7 LVQ1网络的分类结果 缺陷类型 样本数 正确个数 识别率％ 纵向裂纹 25 20 80 横向裂纹 30 22 73.3 麻点 10 10 100 结疤 4 4 100 压痕 4 4 100 夹杂 9 9 100 网纹 30 26 86.67 非缺陷 24 21 87.5 纵向划伤 30 21 70 横向划伤 32 25 78.12 氧化铁皮 28 24 85.71 合计 226 186 82.30 LVQ2网络的分类结果 缺陷类型 样本数 正确个数 识别率％ 纵向裂纹 25 23 92.0 横向裂纹 30 27 90 麻点 10 10 100 结疤 4 4 100 压痕 4 4 100 夹杂 9 9 100 网纹 30 28 93.33 非缺陷 24 21 87.5 纵向划伤 30 27 90.0 横向划伤 32 29 80.62 氧化铁皮 28 24 85.71 合计 226 206 91.15 系统使用后的效果 提高中厚板表面缺陷检出率。对于中厚板存在的主要缺陷，如裂纹、划伤等，检测效果相当突出，常见缺陷识别率达到90％以上，常见缺陷识检出率达到95％以上。 降低工人劳动强度与改善劳动环境。 对缺陷信息进行完整的提取与保存，以便作为钢板质量的历史数据。 系统存在的问题 中厚板表面存在着大量形态各异的氧化铁皮，并且光照不均现象严重，使得缺陷检测的难度很大，目前系统检测到的“伪缺陷”数量还是比较多，需要通过人工观察系统提供的缺陷图片加以最终确定，因此，系统目前的运行还离不开工人的操作使用，并不能完全实现自动检测。 有些缺陷出现的机率很小，系统的样本库中这些缺陷的数量就很少，对这些缺陷就不能进行准确的检测识别。 目前的检测属于两维检测，不能提供缺陷深度方向的信息，这给判定缺陷的严重程度及是否属于可修磨缺陷上带来了很大的难度。 钢板表面检测的发展方向