金属板材表面缺陷检测系统研究与设计
- 格式:docx
- 大小:1.88 MB
- 文档页数:6
带钢表面缺陷检测姓名:朱士娟学号:1110121137摘要表面质量的好坏是带钢的一项重要指标,随着科学技术的不断发展,后续加工工业对带钢的表面质量要求越来越高。
如何检测出带钢表面缺陷并加以控制,引起带钢生产企业的高度关注。
随着计算机视觉技术的发展和计算机性能的不断提高,由带钢图像在线检测其表面质量已成为国内外学者研究的热点课题。
在本课题中,首先提出了带钢表面监测系统的总体设计方案,从硬件和软件上保汪系统的实时性和精确度。
其次设计一种获得噪声图像的方法,分析图像的噪声特性。
并在此基础上针对传统中值滤波算法复杂、处理时间长等缺点,提出一种改进的迭代的中值滤波方法,这种方法在有效滤掉噪声的同时尽可能地保存了图像的细节,并比传统的中值滤波方法大大地减少了处理时间。
在对图像进行滤波处理后,本文分别提出了BP神经网络法,区域灰度羞绝对值闽值法和基于背景差分的小区域闽值法三种方法,对带钢表面缺陷进行检测。
本文选取300幅带钢图片进行实验,结果表明这三种方法的漏检率和错判率均在5%以下,且速度至少能达到10毫秒/每帧,满足实时检测系统低漏检率、低错判率和快速检测的要求。
其中BP网络检测方法适应性好,可以通过样本学习适应相应的环境变化,并且不但能检测出已知样本的缺陷,而且对未知缺陷样本的检测效果也很好。
区域灰度差绝对值检测方法算法简单,运算速度最快,能实现5毫秒/每帧的检测速度。
基于背景差分的小区域闽值法除了算法简单,速度快以外,它还能有效地检测出微小的、对比度低的缺陷,并且背景图像的不断更新能使系统适应带钢表面质量的不断变化,使系统能满足不同生产环境的检测需要。
通过本论文的研究和探索,使带钢表面监测系统的实用化更前迸一步,为进一步的带钢表面质量在线控制识别奠定了基础。
关键词带钢,图像处理,滤波,缺陷检测1检测原理设轧制带钢速度为ν,在钢板的上下表面各安置一套检测装置(图1),在平行于钢板表面且垂直于速度方向处放置一个高强度线光源,光源经过聚焦光学系统照亮钢板表面。
冷轧TA1板材表面斑状缺陷成因研究郑鹏锋1,王长波2(1.酒钢集团宏兴股份不锈钢分公司;2.酒钢集团宏兴股份钢铁研究院,甘肃,嘉峪关,735100) 摘 要:通过体视显微镜(SM)、场发射扫描电镜(SEM)二次电子成像及背散射电子衍射(EBSD)等技术手段,研究了TA1钛板板材表面斑状缺陷的可能成因。
试验结果表明:缺陷处样品组织正常,斑状缺陷为垂直于轧制方向的微小裂纹,裂纹内部主要分布Fe-Ti-O、TiC及Mg-Al-Si-O-Ti等夹杂物及析出相,且缺陷部位显微硬度明显高于正常部位,推断斑状缺陷主要为原料冶金缺陷所致。
关键词:钛板;斑状缺陷;裂纹;夹杂物;显微硬度Study on the Causes of Surface Porphyritic Defects of Cold RolledTA1 SheetZheng Pengfeng1, Wang Changbo2(1.Stainless Steel Branch of Hongxing Iron & Steel Co. Ltd., Jiuquan Iron and Steel (Group) Corporation;2.Technology Center of Jiuquan Iron and Steel (Group) Corporation, Jiayuguan, Gansu,735100) Abstract: The possible causes of the defects on the surface of TA1 titanium sheet werestudied by means of stereo microscope (SM), field emission scanning electron microscopy (SEM),secondary electron imaging and back scattering electron diffraction (EBSD). The results showthat the microstructure of the sample at the defect is normal, and the porphyritic defect is a microcrack perpendicular to the rolling direction. The inclusions and precipitates such as Fe-Ti-O、TiC and Mg-Al-Si-O-Ti are mainly distributed in the crack, and the microhardness of the defectpart is obviously higher than that of the normal part. It is inferred that the porphyritic defect ismainly caused by metallurgical defects of raw materials. Key words: titanium sheet; porphyritic defect; crack; inclusion; microhardness1 前 言 钛及钛合金具有密度小、无磁性、比强度高、耐腐蚀耐高温,膨胀系数低及生物相容性好等一- 1 -- 2 -图1 TA1钛带斑状缺陷宏观形貌图2 TA1钛带斑状缺陷体视显微镜形貌2.2 试验方法 对NO.1样品及轧制后的缺陷样品进行酚醛树脂热镶嵌,经过手动抛磨工艺,高氯酸乙醇电解体系对试验样品进行电解抛光,之后采用SM 及SEM 进行表面形貌观察,采用EBSD 分析手段对样品的纵截面进行组织、织构分析。
金属表面主要缺陷定义:模具痕:折弯等模具成型过程中在结构件表面产生的压痕、轻微凹坑等。
磨擦痕:加工过程中板材在机床台面运动过程中产生的轻微划痕,无凹入感。
运动部件摩擦痕:螺丝,旋转轴等运动部件在运动过程中和基体产生的痕迹。
焊渣:指电镀、氧化前,金属焊接时飞溅到焊缝位置以外区域的、牢固粘附在基材表面的金属点状颗粒。
烧伤:拉丝处理时因操作不当、造成零件表面过热而留下的烧蚀痕迹。
凹坑:由于基体材料缺陷、或在加工过程中操作不当等原因而在材料表面留下的小坑状痕迹。
抛光区:对基材上的腐蚀、划伤、焊接区、铆接区等部位进行机械打磨抛光后表现出的局高光泽、光亮区域及焊接的背面所呈现出的打磨痕迹。
镀前划伤:指电镀或氧化之前的基体材料上的划伤痕迹,手摸有明显的凹入感。
镀后划伤:指电镀之后因操作不当等人为造成的表面划伤痕迹。
基材花斑:电镀或氧化前因基体材料腐蚀、材料中的杂质或者材料微孔等原因所造成的、与周围材质表面不同光泽或粗糙度的斑块状花纹外观。
镀层起泡:电镀不良、或因基材原因而出现的镀层鼓起甚至脱落现象。
露白:镀锌彩色钝化膜因磨擦而被去除、露出锌层,或因缝隙截留溶液导致的无钝化膜现象,呈现为区别于周围彩色的白色。
黑点:镀锌彩色钝化膜上因初期腐蚀变化而出现的零星分散的小黑点。
雾状:镀铬、镀镍表面上的模糊、不清晰、不光亮的现象。
水印:电镀或氧化后因清洗水未及时干燥或干燥不彻底所形成的斑纹、印迹。
挂具印:电镀或者氧化时挂具和结构件接触部位局部无镀层或者膜层的现象。
指印:镀层表面的指纹等缺陷。
水纹:压铸件成形时,熔体流动产生的可见条纹。
缩水:因材料、工艺等原因使压铸件表面出现凹陷的收缩现象。
砂眼:压铸件表面的疏松针孔。
披锋:压铸件上浇口残留物取掉后的毛刺。
局部无铬层:指镀铬表面因电镀工艺的局限而在凹槽内、深孔内、折弯内角等低电位区出现铬层未电镀上的现象腐蚀:因各种原因所导致的表面金属生锈、氧化现象。
修补:因膜层损伤、轻微腐蚀等原因而用涂料所作的局部遮盖处理。
钢板麻面缺陷的控制-中厚板麻面缺陷,通常是钢板轧制过程中表面的氧化铁皮在钢板表面的不均匀残留所致。
分析这与合金元素、加热工艺、轧制工艺、除鳞系统、辊役等有关。
分析后认为解决措施为:1、优化成分设计对于低合金类板坯成分进行优化,尽量采用低Si(≤0.20%)成分设计,避免加热过程中生成Fe2SiO4,以此保证除鳞效果。
2、调整加热制度严格限制加热各段温度,大幅降低加热炉中温度最高段温度,达到均热温度自然降低的效果。
加热温度的调整必须缓慢进行,否则容易造成炉内温度出现较大波动,需要在轧制此类钢板前后各两个小时内保持低温加热。
3、控制轧制温度和节奏为保证有效除磷:1)尽量控制板坯开轧温度不超过1020℃,尽量保证低温开轧,防止轧件在一阶段轧制结束时温度过高,在待温过程中时间延长而表面过度氧化出现氧化铁皮翘起。
2)操作上应合理控制道次压下量,特别是一阶段最后一道次尽量采用小压下量,保证板形的平直度,避免出现翘头现象而影响除鳞效果。
3)保证待温前后除鳞道次的合理设置,横轧道次必须设一道除磷,待温前最后一道次保证完整除鳞,避免轧辊冷却水和轧件表面氧化渣在待温过程中残留而加速钢板表面的氧化。
4、除鳞设备1)调整除磷喷嘴高度及装配角度,保持最佳除鳞效果。
2)随时检查喷嘴情况防止过多磨损、堵塞、脱落。
3)随时检查喷嘴座有无泄漏而降低管道压力,定期检查过滤器,发现异常及时更换。
4)加强除鳞水质的维护,定期清理杂物和补充新水。
5、辊役对于表面质量要求较高的钢板,应该安排在辊役初期进行生产,这样可以有效降低由于轧辊过度磨损带来的除鳞不利因素,同时可以利用辊役初期轧辊光洁度较好的特性,有利于板材表面质量的提高。
高级别管线钢主要元素作用及冶炼控制能力-管道输送是长距离输送石油、天然气最经济、合理的运输方式,随着管道在寒冷地区和深海敷设,对其所使用的钢管性能要求越来越严格。
工艺流程:炼钢厂管线钢生产工艺流程为Τ铁水脱硫-转炉冶炼-处理-宽板坯连铸-铸坯清理-热连轧厂碳是传统、经济的强化元素,但它对钢的焊接性能力学性能及抗性能影响很大。
基于机器视觉的表面缺陷检测系统的算法研究及软件设计一、本文概述随着工业制造技术的飞速发展,产品质量与生产效率日益成为企业竞争力的核心要素。
表面缺陷检测作为产品质量控制的重要环节,其准确性和效率直接影响到产品的整体质量和企业的生产效益。
传统的表面缺陷检测方法往往依赖于人工目视检测,这种方法不仅效率低下,而且容易受到人为因素的影响,导致漏检和误检的情况时有发生。
因此,开发一种基于机器视觉的表面缺陷检测系统,实现对产品表面缺陷的快速、准确检测,已成为当前研究的热点和难点。
本文旨在研究基于机器视觉的表面缺陷检测系统的算法,并设计相应的软件系统。
通过对图像采集、预处理、特征提取、缺陷识别与分类等关键算法进行深入研究,构建一套高效、稳定的表面缺陷检测系统。
本文还将探讨如何结合机器学习、深度学习等先进算法,提高系统的自适应能力和检测精度。
本文还将关注软件系统的架构设计、界面设计、用户交互等方面的内容,确保系统的易用性和可维护性。
通过本文的研究,旨在为表面缺陷检测领域的实际应用提供理论支持和技术指导,推动机器视觉技术在工业制造领域的广泛应用,为企业提高产品质量和生产效率提供有力保障。
二、机器视觉技术基础机器视觉是一门涉及、图像处理、模式识别、计算机视觉等多个领域的交叉学科。
它利用计算机和相关设备模拟人类的视觉功能,实现对目标对象的识别、跟踪和测量,进而完成相应的自动化处理任务。
在表面缺陷检测领域,机器视觉技术发挥着至关重要的作用。
机器视觉系统主要由图像采集、图像处理、特征提取和缺陷识别等模块组成。
图像采集模块负责获取待检测物体表面的图像信息,其性能直接影响到后续处理的准确性和效率。
图像处理模块则是对采集到的图像进行预处理,如去噪、增强、滤波等操作,以提高图像质量,为后续的特征提取和缺陷识别提供有利条件。
特征提取是机器视觉系统中的关键环节,它通过对处理后的图像进行特征分析和提取,将关键信息从海量数据中筛选出来。
在表面缺陷检测中,特征提取的主要任务是提取出缺陷区域的形状、大小、颜色、纹理等关键特征,为后续的缺陷识别提供有效依据。
带钢外观质量缺陷及预防措施带钢外观质量是带钢质量中很重要的一个方面,它是企业轧钢技术水平的体现,也是产品品牌的缩影。
在钢铁产品的生产和销售中,由于外观质量发生的异议不在少数,它不仅会对企业的直接经济效益造成影响,还会损害企业的整体形象和信誉,降低产品竞争力。
因此,各大钢厂对钢材外观质量尤为重视,不断采取有效措施加以改进和提高。
结合我公司带钢外观质量缺陷预防攻关项目,通过搜集相关信息情报,编写了本期调研,希望能有一些启发和借鉴作用。
一、热轧板材外观质量的主要问题根据热轧板带材的发展形势,板带的外观“美”已成为市场竞争的重要指标。
然而由于钢铁产品生产的特殊性,钢铁企业板带产品的外观质量问题比较普遍,主要包括:卷形不良、氧化铁皮卷、结疤、折边、辊印、划伤、边裂、浪形、规格偏差、其他等。
1、卷形不良(1)塔形卷塔形卷是一种带钢边部卷绕不平齐,一处或多处呈螺旋状出边的不良卷形。
主要分为头塔和尾塔两种。
头塔是由于带钢头部偏离轧制中心线或2—3圈后从轧制中心线偏离导致的。
尾塔是由于带钢尾部偏离轧制中心线或2—3圈后从轧制中心线偏离导致的。
(2)塔形卷形成原因①带钢自身原因来料镰刀弯、楔形、异常凸度以及波浪、气泡、头部温度低,材质硬度大等都容易产生头部塔形。
对策是要求精轧调整压下水平,卷取操作方面应尽早打开助卷辊。
②操作上的原因导板夹力过大,带钢弓起,运行不平稳,以及带钢中心偏离导板中心进入卷取机。
对策是采用适当的夹紧力、夹紧方法,以及适当的导板开口度。
③设备上的原因侧导板的部分松动以及动作不一致,夹紧力不足、侧导板偏心、下夹送辊不水平、夹送辊左右辊缝不平衡。
由于带钢尾部从精轧抛出时,带钢张力比正常状态低,因此,平时因为高张力而未能表现出来的使带钢横向移动的力就变得明显,使带钢横向移动后卷取,有时可以通过改变减速点来达到控制尾部张力。
(3)松卷松卷是指钢卷没有卷紧,处于松散状况的缺陷卷。
对策是根据带钢的厚度、宽度、材质、卷取温度、卷取速度设定合适的张力。
板材分层缺陷产生原因分析唐生斌(攀钢提钒炼钢厂)摘要:对板材分层缺陷的实物特征和连铸生产工艺参数进行分析,找出产生的原因和应采取的控制措施。
1 前言用户对钢材质量的要求越来越高,目前板材分层质量缺陷是用户反映较强烈,生产厂家较难消除的质量问题之一。
找出板材分层质量缺陷产生的原因,并采取有效的措施消除板材分层或将其控制在一个较低的水平,对提高板材质量非常重要。
2 板材分层缺陷产生的原因1)成分化验分析取典型分层样,在试样裂缝尾端切取小块电镜分析试样,沿板厚方向磨制抛光后,在JSM5600-LV扫描电镜下观察,发现夹缝内有明显壳层状或颗粒状物,用INCA能谱仪对其进行成分分析,含Na、Mg、Al、51、5、K、Ca、Ti、Mn、Fe、0等元素,其中51、Ca、0含量较高,不同试样元素含量略有差别。
2)连铸生产工艺宏观分析(1)分层缺陷与钢种关系图1是2001年生产的几大钢种出现分层缺陷所占比例情况。
可看出各钢种出现分层缺陷的概率几乎是均等的,也即板材分层缺陷与钢种无关。
图1 各钢种出现分层缺陷所占比例图(2)缺陷与中间罐浇铸炉次的关系2001年全年的分层缺陷炉次在中间罐次中所占比例情况见图2。
可以看出,中间罐连浇最后一炉占的比例最大约60%。
该年的平均连浇炉数为6.91炉/罐,最后一炉占14.5%,远低于出现分层缺陷炉次的中间罐最后一炉所占比例。
图2 分层缺陷炉次在中间罐炉次中所占比例3)中间罐连浇最后一炉分层质量缺陷的调查(1)浇注末期中间罐钢水临界液面高度控制原怀疑浇注末期中间罐内剩钢量太少,中间罐渣卷人结晶器内,形成铸坯夹杂,在轧制时产生分层缺陷。
为防止卷渣,要求浇注结束时,中间罐剩钢量比原来提高3-5t,但分层缺陷仍未得到有效控制。
(2)中间罐钢水温度的控制理论上分析,中间罐钢水过热度过高,造成铸坯柱状晶发达、中心偏析加大、严重时形成疏松或缩孔,轧制后可能出现分层缺陷。
但对出现分层缺陷的连铸工艺进行调查,中间罐钢水温度大多都在技术要求范围内。
镀锌板在涂装前处理电泳中的缺陷分析与解决当前,我国汽车保有量在急剧增加。
镀锌钢板已经在汽车的车身以及零件上广泛应用,也大大提高了汽车的耐腐蚀性,延长了汽车使用寿命。
本文将对镀锌钢板车身在前处理电泳线生产时产生的电泳漆膜缺陷及防治措施进行分析,以供参考。
标签:镀锌钢板;腐蚀;条纹;针孔1.前言当前,汽车行业快速发展,汽车已经成为人们生活出行的重要交通工具。
人们对汽车的耐腐蚀性和耐久性也更加关注,镀锌钢板能够很好满足这个要求,在汽车制造中广泛应用。
锌作为一种较活泼金属,其标准电极电位负于铁,镀于普通钢铁表面具有牺牲阳极保护阴极的作用,从而可以延长普通钢材在水或潮湿空气中的使用寿命。
在自然条件下,锌的腐蚀速率通常只有普通钢铁的1/100~1/10,一张双面镀锌(10μm/10μm)的汽车钢板在没有其他防护的情况下一般可以五年不产生锈蚀,这比普通钢板的使用寿命长几倍甚至几十倍,大大提高了车身的耐腐蚀性能。
镀锌板主要有热浸镀锌板(GI)、电镀锌板(EGI)、合金化热镀锌板(GA)、锌镍合金板(EGA)等。
镀锌技术也已由最初单一的热镀锌技术发展为二元、三元甚至多元锌合金镀层技术,镀层的厚度在逐渐减少,耐腐蚀性能却在不断地得到提高。
近年来,我公司某生产线部分车型部件也切换成镀锌钢板,切换后的镀锌钢板在涂装过程中电泳漆膜出现了一些缺陷,其中主要为镀锌层腐蚀印、电泳条纹及针孔等。
缺陷问题均属于批量性质,大大加重了电泳打磨作业力度,且对后工序治疗控制甚至后期防腐性均有较大的负面影响。
针对出现的质量问题,需要对镀锌板相关生产工艺进行优化改进,因该生产线同车型或不同车型间使用冷轧钢和镀锌板混线生产,故优化工艺时需满足该两种材料的生产要求。
2.镀锌钢板使用情况近年来,公司对新产品车型部分钣金件由冷轧钢板切换为镀锌板钢板,切换部位主要为发盖内外板、五门内外板、侧围外板及A柱、B柱加强板。
其中镀锌板部分车型使用热镀锌板,镀锌层膜厚约8um;部分车型使用电镀锌预磷化板,镀锌层及磷化层总膜厚约5um。
如何利用超声波检测技术检测金属板材的缺陷金属板材被广泛应用于各个领域,包括建筑、航空航天、汽车制造等。
然而,由于制造过程中的不可避免的缺陷,如裂纹、气孔等,可能会对金属板材的性能和可靠性产生严重影响。
因此,为了保障产品质量,采用有效的方法来检测金属板材的缺陷是非常重要的。
其中,超声波检测技术作为一种无损检测方法,已被广泛应用于金属板材的缺陷检测中。
超声波检测技术是一种利用超声波在材料内部传播的原理来检测材料缺陷的方法。
这种技术通常使用超声波传感器和探头,将超声波信号传播到金属板材的表面,通过测量信号的回波来分析材料内部的缺陷。
超声波在不同材料中的传播速度和回波信号的特征对于不同类型的缺陷有着明显的区别,因此可以通过分析回波信号来确定缺陷的位置、类型和大小。
首先,进行超声波检测前需要准备好相应的设备和仪器。
常用的仪器设备包括超声波发生器、探头、接收器和计算机等。
超声波发生器用于产生超声波信号,探头用于将超声波信号传播到金属板材表面,接收器用于接收回波信号,并将其转化为电信号,计算机用于处理并分析接收到的信号。
其次,进行超声波检测时需要根据实际情况选择适当的检测方法。
常用的超声波检测方法有脉冲回波法、描迹法和频谱分析法等。
脉冲回波法是最常用的方法,适用于检测各种类型的缺陷。
描迹法则通过将探头沿着材料表面移动,并记录接收的信号来检测缺陷。
频谱分析法则通过分析回波信号的频谱特征来判断缺陷位置和类型。
在进行超声波检测时,需要注意以下几点。
首先,超声波的频率选择要合适,一般在1MHz到10MHz之间。
频率太高或太低都会对检测结果产生影响。
其次,探头与金属板材的接触要牢固,以确保超声波信号能够良好地传播。
此外,检测时需要注意探头的位置和角度,以获取准确的回波信号。
超声波检测技术具有许多优点。
首先,它是一种非接触、无损的方法,对金属板材产生的影响很小。
其次,它可以检测到各种类型和大小的缺陷,包括裂纹、气孔、夹杂物等。
金属板材表面缺陷检测系统研究与设计作者:潘颖辉
来源:《电脑知识与技术》2020年第28期
摘要:传统的基于pc机的金属板材表面缺陷检测系统不够灵活方便,因此以金属板材常见的划痕、麻点、夹杂、锟印、锈蚀5种较为常见的表面缺陷作为研究对象,研究并设计了一个基于Android的便携式金属板材表面缺陷检测系统。
该文阐述了设计该系统所使用的图像灰度化、二值化、去噪和边沿提取等算法,实现了图像的预处理操作。
并提取图像的六个能够全面地反映缺陷信息的特征参数:形状、宽高比、面积比、歪度、峭度及HU不变矩Ф2,然后将提取出的特征值建立特征样本库,一部分样本用于K-近邻分类器的训练,一部分用于测试分类器对缺陷的分类效果。
实验结果表明,该系统具有可行性,并具有一定的实用性。
关键词:图像处理;表面缺陷;分类识别;金属板材;K-近邻算法
中图分类号:TP311 ; ; ; ;文献标识码:A
文章编号:1009-3044(2020)28-0187-02
随着经济的快速发展,方便、快捷的获取金属板材产品的缺陷图像并对缺陷类型进行识别是保证安全生产的重要前提。
目前,多数识别方法是基于PC(personal computer)机实现的,不但成本高,而且携带不方便。
综合考虑性价比、便携性以及Android系统的自身优势,本文以Android为实验平台,利用Java语言编写程序,设计并实现一个金属板材表面缺陷检测系统。
该系统具有获取图像、图像预处理和对图像进行分类识别的功能。
1系统的总体框架
本文所设计的金属板材表面缺陷检测系统主要有三个功能模块,分别是图像获取模块、图像预处理模块和图像的分类识别模块,如图1所示。
图像获取模块的功能是使用Android移动终端自带的图像采集设备在包钢集团不合格产品库对目标板材进行图像采集,将采集完成后的图像保存为JPG格式。
图像预处理模块的主要功
能是对图像进行灰度变换、去噪、提取边沿、提取特征样式。
图像识别模块的主要功能是根据提取的特征样式计算出特征值,并根据特征值对缺陷进行分类。
2系统的设计与实现
2.1图像的获取与保存
图像的获取既可以使用Android移动设备自带的摄像头进行采集,也可以打开本地事先保存好的图像文件。
所需要的图像确定后,还可以锁定该图像的某一目标区域,并将其保存,如果是第一张图片,系统会自动生成一个文件夹,图像以当时采集的时间加上“.jpg”命名。
2.2 灰度变换
灰度变换是将彩色图像进行灰度化处理,一般有三种方法:最大值法、平均值法和加权平均值法[1]。
本文选择加权平均法,该方法是根据3个分量的重要性以不同的权值进行加权运算,计算公式为:
2.3图像增强
由于拍摄到的缺陷图片不可避免的含有噪声,所以要先对图像进行去噪处理,一方面使图像更清晰,另一方面可以使感兴趣的区域更加突出。
中值滤波法比较容易实现,在去除噪声时不会使图像的边界出现模糊现象[2],因此本文选择中值滤波对图像去噪。
选择不同的模板进行均值滤波的效果是不同的,随着模板的增大,图像越来越模糊,本文选择3×3中值滤波对图像进行去噪。
不同模板下的中值滤波效果如图2所示。
2.4提取边沿
灰度变换、去噪完成后,需要将缺陷所在的目标区域从背景中分离出来,因此要进行提取边沿操作。
常见的边沿检测算法有:Roberts、Sobel、Canny、Prewitt和Log算子[3]。
为了选取适合本文的边缘提取方法,在MATLAB进行仿真,其结果如图3所示:
从图3可以看出,Canny算子所检测到的边缘效果最连续、最清晰,能够检测到真正的缺陷区域的边缘。
所以选择Cany边缘检测算法来检测金属板材表面缺陷区域的边缘。
2.5特征提取
对缺陷进行分类识别的一个非常重要的步骤是特征提取。
为了减少计算量,特征值的个数要尽可能的少,但又要选择出能够全面反应缺陷特征的特征值。
本文的研究對象是金属板材常
见的辊印、划痕、锈蚀、麻点、夹杂5 种缺陷,考虑不同缺陷的特征,如划痕一般为细长形,其宽高比和面积比较大。
麻点较为接近圆形,宽高比比其他缺陷小;夹杂的歪度和峭度较多出现负值,熵值较小。
辊印的峭度最大,熵值较大,而能量较小。
锈蚀的 Hu 不变矩Ф2普遍比其他缺陷大[4]。
综合考虑提取特征值的可行性和运算量,本文选择以下6个特征参数:
本人实地深入板材车间,采集大量板材缺陷图像样本,每类缺陷选取30张用于k-近邻分类器的学习和训练,10张用于缺陷分类系统的测试,并构建相应的缺陷图像特征值的样本库。
2.6分类算法的设计与实现
K-近邻算法简单有效,重新训练的代价较低[5],选用K-近邻算法对金属板材表面缺陷进行分类。
选取不同的K值,分类的结果也不相同,为了选取最佳k值,在MATLAB下进行仿真实验。
选取2.5节提取的特征值250组,其中200组用于训练k-近邻分类器,另外50组用于测试,结果表明k=31时分类效果最佳。
3系统测试及分析
3.1系统程序的运行
将编写完成的Android工程导出生成安卓安装包,命名为Dip.apk文件,导入并安装到华为NXT-AL10手机的 SD卡上运行该系统程序。
其运行结果如图4所示。
3.2系统性能分析
最后对系统的性能进行测试,以检测该系统是否具有可行性和实用性。
将前期生成的缺陷特征样本库中的300组特征值用于K-近邻算法的学习和训练。
剩余每种类型缺陷样本各20组用于测试,测试结果如表1所示:
4 结束语
本文在Android平台上实现图像的二值化、去噪、边沿检测算法,并提取出缺陷的特征值,根据特征值来训练k-近邻分类器。
通过100组特征数据对系统的性能进行测试,其中87组测试结果正确,正确率为87%。
本系统可以满足检测人员方便、快捷地对板材表面缺陷的类型进行检测。
参考文献:
[1] 王成营,罗辉.水下机器人所摄图像的预处理[J].上海船舶运输科学研究所学报,2015,38(1):78-82.
[2] 龚声蓉,刘纯平,赵勋杰.数字图像处理与分析[M].2版.北京:清华大学出版社,2014.
[3] 李钰,孟祥萍.基于Gabor滤波器的图像纹理特征提取[J].长春工业大学学报(自然科学版),2008,29(1):78-81.
[4] 郭联金,罗炳军.PNN与BP神经网络在钢板表面缺陷分类中的应用研究[J].机电工程,2015,32(3):352-357.
[5] Mitchell H B,Schaefer P A.A “soft” K-nearest neighbor voting scheme[J].International Journal of Intelligent Systems,2001,16(4):459-468.
【通联编辑:代影】。