四川广泰科技有限公司

基于机器视觉的螺纹钢表面缺陷检测

发表时间:2022-11-21 09:37

图片

螺纹钢作为一种现代化生产中非常重要的工业材料, 在建筑、桥梁、交通、机械等行业中被广泛应用, 是不可或缺的结构材料。螺纹钢的品质问题主要分为形状尺寸缺陷问题和表面缺陷问题。 对于尺寸缺陷问题, 如果其横肋和纵肋的相关尺寸不符合国家的规定标准, 则判定为不合格的产品;对于表面缺陷问题, 主要包含凸包、凹坑、麻点等多种缺陷。 在螺纹钢轧制过程中, 如果不能及时发现其尺寸和表面出现的缺陷, 会生产出大量废品, 给企业带来损失。 因此, 需要及时检测出螺纹钢存在的生产缺陷并报警, 以便调整轧机压力或更换轧制设备。

目前螺纹钢缺陷多采用人工检测, 存在工作量大、实时性差、误检率高等问题, 亟待提高检测的自动化水平。涡流检测方法受检测原理的限制, 螺纹钢缺陷检测精度不高且可检测缺陷的种类具有局限性。漏磁检测装置结构复杂, 难以维护, 且不能对螺纹钢表面缺陷的类型进行精准分类。红外检测法不仅对环境的要求比较高, 而且也无法准确分类螺纹钢缺陷类型。


螺纹钢缺陷机器视觉检测系统总体方案

一、螺纹钢表面缺陷分类及成因分析

图片

1、气泡特征:螺纹钢表面皮下气泡产生的无规律的点、 圆形或椭圆形的凸包称之为气泡。未破裂的气泡与烧裂相似, 但其边缘比烧裂光滑, 多产生于螺纹钢的角部及腿尖。

产生原因:⑴经过多道轧制后钢坯内的皮下气泡或气囊类缺陷没有焊合, 残留在螺纹钢上。⑵钢坯在炉内烧制过久, 气泡暴露裂开。

2、凸块特征:螺纹钢表面呈周期性的凸起。小的凸块不影响螺纹钢的使用, 当凸块的高度大于横肋的高度时, 必须检出并报警。

产生原因:⑴主要是成品孔或者前孔轧槽有砂眼、 掉块或龟裂造成的。⑵轧制时负荷分配不均导致轧制弹跳变形过大⑶轧制过程中轧辊材质硬, 撞击轧辊导致轧辊缺肉,造成螺纹钢表面凸起。

3、凹坑特征:周期性或无规律地分布在螺纹钢表面的大面积块状凹陷。

产生原因:⑴螺纹钢通过带有凸块的轧辊滚动导板或矫直辊工作面后形成周期性的凹坑。⑵多余的硬质金属在轧制过程中被压入螺纹钢表面, 脱落后形成凹坑。⑶由于加热时间过长, 钢坯表面粘附上氧化铁皮, 轧制时压入螺纹钢表面, 氧化铁皮脱落后形成。

4、擦伤特征:呈直线或者弧形的沟槽, 深度不等, 长度不一, 连续或断续地分布在螺纹钢的局部或表面。

产生原因:⑴导卫板安装不当, 螺纹钢表面承受压力过大, 轧制时将螺纹钢表面划伤。⑵导卫板制作工艺不良导致边缘不平滑、 导卫板受损严重或导卫板边缘沾有氧化铁皮, 轧制时将螺纹钢表面划伤。⑶热轧区辊道、 移钢机或翻钢设备带有尖角, 在运输过程中将螺纹钢擦伤。

5、麻点特征:表面有大片的凹凸不平的粗糙面, 局部连续或周期性出现在螺纹钢表面。

产生原因:⑴由于使用时间太久, 轧槽表面磨损严重。⑵除鳞效果不好, 轧槽上沾有的氧化铁皮被压入螺纹钢表面, 一段时间掉落后形成麻面。⑶钢坯加热不当、 局部或全部严重脱碳也可能形成麻点。

二、缺陷视觉检测系统总体方案

工业相机及镜头、 照明光源等硬件是图像采集系统中极为重要的组成部分, 硬件设备的好坏严重影响所采集图像的质量。

1、工业相机及镜头

相机和镜头是机器视觉系统中不可缺少的构件, 工业相机是视觉成像的主要元器件, 镜头是工业相机用于生成影像的光学部件。相机部分主要介绍分辨率、 相机类型两个参数。

分辨率:是工业相机的基本参数, 具体由所选择的感光芯片的分辨率决定, 在相同视场成像情况下, 分辨率越高, 拍摄到的细节越多。但过高的分辨率也会占据较大的存储空间。

相机类型:根据感光元件的不同, 工业相机可分为 CCD 相机和 CMOS 相机, CCD相机又可细分为线阵 CCD 和面阵 CCD 两种。CCD 与 CMOS 相机的相同之处在于图像传感器光电转换的原理, 不同之处在于信号的读出过程。

2、照明光源

光源在缺陷照明系统中起着十分重要的作用,通常使用LED光源、卤素灯和荧光灯等。LED光源因为使用寿命长、响应速度快、可设计成复杂的结构及照射角度、多种颜色可选等优点在机器视觉领域被广泛应用。根据形状特性,LED光源又分为环形光源、背光源、同轴光源、条形光源等。

该系列采用高强度LED,提供多方位斜角照明,可采用多个条形光搭配使用。镜头与螺纹钢之间的距离,由螺纹钢规格的不同决定,范围在180~218mm。

3、软件组成

四川广泰科技公司基于DALSA视觉检测软件INspect、SherLock和视觉开发工具Sapera以及图像软件ShadoCam视进行了整合和二次开发,为客户定制应用系统。

图像预处理


对比度增强

图片

螺纹钢正面图像对比度增强处理

图片

螺纹钢侧面图像对比度增强处理

滤波处理

图片

图左 侧面图像原图   图右 低通滤波后

图片
图左 高通滤波后   图右 高斯滤波后

边缘检测

图像边缘是图像中包含着丰富信息的基本特征,检测出图像的边缘,则后续的图像分割、区域识别会容易很多,而且识别率也会有所提高。边缘检测算法有Roberts算子、Prewitt、Sobel、Canny等。

图片

图左 Roberts算子   图右 Prewitt算子

图片

图左 Sobel算子    图右 Canny算子

阈值分割

图像分割是通过对图像的不同特征,如边缘、纹理、颜色等的分析,实现前景和背景分离的过程。基于阈值的分割方法是根据图像灰度的分布,设定一个阈值T,根据T将图像分割为多个区域,如果该像素灰度值大于设定的阈值T,那么该像素判定为感兴趣的目标区域,若小于该阈值,则判定为其属于背景区域。

图片
图片

阈值分割后的图像

图片
背景去除后的ROI图像

缺陷识别算法


纵肋边缘定位

图片

螺纹钢正侧面的图像识别

图片

纵肋上下边缘定位

图片

图像分区

基于模板匹配的横肋定位

图片
横肋图像匹配结果

单根横肋缺陷分割

图片

图左 单根横肋   图中 Canny边缘检测 图右 阈值分割
纵肋缺陷分割
图片

(1)下纵肋图像

图片

(2)增强后的效果图

图片

(3)阈值分割

图片

(4)形态学处理

频谱分析

频谱分析是将图像变换到频域内进行特征分析,频域中的亮暗信息反映了图像灰度变化的情况。周期性纹理图像的频谱图在中心聚集成峰值点,峰值点关于中心呈对称分布,中心点处亮度最大,随着频率的升高亮度越来越暗。峰值点是由纹理图像的周期性决定,通过分析图像峰值点的幅度和位置信息,可以得到纹理图像的周期性和方向特征。

图片

缺陷图像原图(上)及频谱图(下)

图片
灰度值图像中显示的缺陷识别
缺陷特征提取
图片

图左 缺陷原图      图右 缺陷检测示意图

图片

图左 缺陷原图      图右 气泡缺陷检测示意图

图片

图左 气泡缺陷原图      图右 缺陷检测示意图

图片

图左 凸块缺陷原图 图右 缺陷检测示意图



20221024

可以扫码关注我们微信公众号并留言咨询哦~