[发明专利]连铸坯低倍组织中心偏析缺陷的自动识别与评级方法

说明书

本发明提供一种连铸坯低倍组织中心偏析缺陷的自动识别与评级方法，包括：S1：对连铸坯低倍组织的灰度图像进行预处理，包括畸变矫正、切割白色背景和滤波处理；S2：针对灰度图像水平方向的区域与竖直方向的区域重叠的中心区域，通过对灰度图像进行分割得到中心区域图像；S3：检测并标注中心区域图像对应的二值图像中的连通区域将连通区域中的疑似中心偏析区域与裂纹区域分割开来；S4：对疑似中心偏析区域进行特征提取，识别中心偏析区域并去除干扰区域；S5：训练BP神经网络分类器模型识别中心偏析区域并评级。本发明的技术方案解决了传统的数字图像处理方法不适合表面缺陷冗杂易交叉的连铸坯缺陷检测的问题。

技术领域

本发明涉及连铸坯缺陷检测技术领域，具体而言，尤其涉及一种连铸坯低倍组织中心偏析缺陷的自动识别与评级方法。

背景技术

在钢铁生产过程中，需要对产出的铸坯的内部质量信息进行跟踪监测。铸坯内部质量的检测方法是通过对连铸坯酸蚀后的低倍试样进行观测，判定表面缺陷类别和等级。目前铸坯低倍缺陷的检验评级方法仍采取人工评级模式，即将铸坯低倍试样图片与国家标准YB/T 4002-2013《连铸方坯低倍组织缺陷评级图》进行目测或人工测量后对比，给出评级报告。这种评级方法不可避免的存在误差大、评级滞后、缺乏数据库支持等缺陷。采用人工目测对铸坯低倍缺陷评级，准确性低、时效性低，无法充分发挥低倍缺陷评级在钢铁生产的作用。

目前图像处理技术被广泛应用于缺陷检测，但对于连铸坯低倍组织缺陷的识别主要应用在裂纹和缩孔上。而目前连铸坯低倍缺陷的中心偏析检测与评级一般采用目测，这是由于其存在的连铸坯上有多重纹理、并且中心偏析本身的面积相比于连铸坯板面来说不大，同时也存在着裂纹、油渍、缩孔等干扰存在等因素。因此对于寻找识别连铸坯的中心偏析的方法一直是一个重点。

发明内容

根据上述提出人工目测对铸坯低倍缺陷评级的准确性低、时效性低且连铸坯表面缺陷存在着冗杂易交叉的情况。针对这两种因素考虑本发明将数字图像处理技术应用于连铸坯的表面的缺陷识别与评级，并且通过提取参数能够将中心偏析缺陷与其他干扰项进行区别，从而实现在检测连铸坯中心偏析时具有较高的准确度和极低的误判率。

本发明采用的技术手段如下：

连铸坯低倍组织中心偏析缺陷的自动识别与评级方法，包括如下步骤：

S1：对连铸坯低倍组织的灰度图像进行预处理，包括畸变矫正、切割白色背景和滤波处理；

S2：针对灰度图像水平方向的区域与竖直方向的区域重叠的中心区域，通过对灰度图像进行分割得到中心区域图像；

S3：检测并标注中心区域图像对应的二值图像中的连通区域，通过边缘检测分别计算各个连通区域的长宽比，长宽比大于3的连通区域为裂纹区域，除裂纹区域外的连通区域为疑似中心偏析区域，将连通区域中的疑似中心偏析区域与裂纹区域分割开来；

S4：对疑似中心偏析区域进行特征提取，识别中心偏析区域并去除干扰区域；

用于区别中心偏析区域与干扰区域的特征包括圆形性、目标与背景的灰度均值的差值、目标灰度标准差、目标平均梯度和目标边缘梯度，其中，中心偏析区域的圆形性小于3、目标与背景的灰度均值的差值小于-50、目标灰度标准差大于10、目标平均梯度大于10、目标边缘梯度大于20；

S5：训练BP神经网络分类器模型，模型的输入为五个特征值，模型的输出为中心偏析识别结果，若识别结果为是，则对中心偏析区域进行评级。

进一步地，步骤S1中畸变矫正采用像素映射法，包括如下步骤：

(1)选择合适的阈值，将连铸坯低倍组织的灰度图像对应的灰度直方图转换为二值图像；

(2)二值图像中连铸坯图像与白色背景图像分别为黑白色，扫描二值图像，找到连铸坯的4个圆角顶点，将圆角顶点两端向外扩展得到连铸坯的4个直角顶点；