基于機器視覺的帶鋼板邊浪平直度測量方法

摘 要： 針對帶鋼板在生產中存在的大邊浪和碎浪檢測的難點，提出一種基于機器視覺的邊浪平直度測量方法。分別在帶鋼兩側使用高分辨率相機，完成對鋼板兩側邊浪圖像信息的采集；使用輔助光源強化帶鋼板邊浪特征，實現非接觸式測量。基于輪廓提取的帶鋼鋼板邊浪平直度算法，使用改進K-means 聚類圖像分割算法對鋼板完成分割；引入容差，計算統計平均值，對鋼板邊浪進行分割；最后對分割后的邊浪進行自適應輪廓提取并計算平直度。通過平直度測量儀測量結果與該系統測量結果進行對比試驗，結果表明，所提方法平直度測量相對偏差不超過0.25%，表明該算法在平直度測試中具有出色的表現。

關鍵詞： 機器視覺; 非接觸式測量; 平直度測量; K-means 聚類; 輪廓提取

中圖分類號： TB9; TP391 文獻標志碼： A 文章編號： 1674–5124（2024）09–0091–07

0 引 言

在鋼鐵主要的生產工藝中，軋鋼是將連鑄出來的鋼錠和連鑄坯按照鋼鐵用途軋制成各種帶鋼。軋制過程中，板形質量的好壞是衡量帶鋼整體質量的重要指標之一，也是決定其市場競爭力的關鍵因素[1]，平直度是評價帶鋼板型的一項重要指標，平直度又稱為不平度、急峻度[2]。在生產過程中，常因板型不良導致產品檔次不高，質量異議多，給生產企業帶來經濟損失；同時連續邊浪（碎浪）的出現會影響機組連續生產，生產出現故障或者設備損壞時一般會反向查找問題，提前檢測并發現問題顯得尤為重要。邊浪基本模式包含左邊浪、右邊浪、雙邊浪等[3]，鋼板出現邊浪都會影響鋼板板型，雙邊浪示意圖如圖1 所示。

傳統人工使用平直度測量儀完成帶鋼平直度測量，隨著機器技術的迅速發展，一些學者已經使用機器視覺技術完成對鋼板邊浪檢測研究。董博航等[2] 提出一種基于雙目視覺圖像拼接后輪廓檢測的平直度測量算法。周亞羅等[3] 提出了一種改進獵食者算法優化核極限學習機（HPO-KELM）的冷軋帶鋼板板形識別模型，張緒杰等[4] 建立了工業大數據下的板形自學習模型，提高了鋼板淬火板形平直度。李子良等[5] 針對寬厚板測量難點，提出基于唯一激光平面的多相機坐標系姿態校準標定方法，為大視場結構光三維測量提供了標定理論支持。趙磊等[6] 提出基于兩臺3D 相機的邊緣波檢測算法，為三維測量邊浪提供了新思路。

目前提出的各種機器視覺算法存在著適用范圍不廣泛，部分實驗只存在于實驗室場景驗證與理論驗證，針對實際工廠檢測應用前景不大；針對連續碎浪、大邊浪等檢測存在諸多不足，技術上，相機的視野有限，對存在的大邊浪不能完整完成圖像的采集，同時對于一幀圖像中出現多個碎浪時，提取出來的鋼板邊緣點集，不能準確區分每個邊浪的起始和結束區域，目前對連續碎邊浪分割的研究不足，不能精確計算連續碎浪的平直度；使用機器學習等方法，對發現的邊浪類型不能精確進行測量，僅能分類屬于某種浪型。

綜上，現有機器視覺邊浪平直度計算存在以下兩個問題：其一，對于鋼板大邊浪與連續邊浪（碎浪）精確測量存在不足，目前還只停留在理論驗證與邊浪種類區分的研究；其二，研究算法在實際應用中存在不足，不能滿足在工業環境下人工替代方法的驗證。就以上問題，本文從實際應用出發，參照直線型激光檢測[7] 的思路，提出基于機器視覺的帶鋼板邊浪平直度測量方法，構建基于機器視覺的邊浪平直度測量實驗平臺，分別在帶鋼兩側使用高分辨率相機，滿足大視野采集邊浪圖像的同時使用輔助光源強化帶鋼板邊浪特征，實現非接觸式測量。對于鋼板在復雜光照條件下分割的難點，使用改進Kmeans聚類圖像分割算法對鋼板完成分割；對于大邊浪與連續邊浪（碎浪）分割不能精確計算平直度的難點，引入容差分割區域，對鋼板邊浪進行精細化分割，對每個邊浪平直度精確計算，滿足工業環境下人工替代以及工業應用。