[发明专利]一种钢卷表面异常突起的自动检测方法

说明书

本发明提供一种钢卷表面异常突起的自动检测方法，包括对钢卷表面采集数据，还包括以下步骤：将深度图映射为3D点云图，去除离群点和噪声点；利用剩下的稳定点云图，在3D空间中拟合一个平面；扫描点云，利用点到面的距离，判定是否突起。本发明提出一种钢卷表面异常突起的自动检测方法，无需大量标注数据和冗长的训练时间，节省了大量的人力成本和时间成本，保证了系统对光照的鲁棒性，同时利用RANSAC去除了可能的噪声点，提高的了系统的稳定性。

技术领域

本发明涉及智能制造的技术领域，特别是一种钢卷表面异常突起的自动检测方法。

背景技术

在钢铁企业的热轧连轧机生产线上，通常都要在卷取区域对钢卷成型质量进行检测，并进行处理。由于钢卷生产线处于高温辐射环境下，质检人员无法近距离观察。而且肉眼观察存在一定主观性，并且容易产生视觉疲惫，很难实现长时间的在线精确检测。

表面的异常突起作为钢卷的主要质量缺陷之一，目前仍主要采用人工排查的方式进行检测。为了提高工作效率，实现智能制造，自动检测钢卷的表面异常突起引起了人们的广泛关注。

目前自动检测表面异常突起的方法有两种。一种方法是采用图像处理技术，不断改变光照，分离照明变化而导致的对比度变化，并借助实时阴影校正滤波器分离对比度变化和表面特征，从而对突起部分进行检测。该方法的技术缺点是：对环境光照敏感，检测结果不够稳定。方法一十分依赖光照的稳定，一旦光照变化不够稳定，极易造成检测失败。另一种方法是采用深度学习技术，利用深度卷积神经网络，对图像进行特征提取，再通过神经网络进行预测判断。通过对大量正负样本的学习训练，得到一个性能良好的网络结构。在检测阶段，利用这个训练好的网络来完成对图像的特征提取和识别，检测异常突起表面。该方法的技术缺点是：部署时间较长，需要大量的时间成本和人力成本。深度学习需要大量人工标注的正负样本，将消耗大量人力物力，来标注数据。同时为了得到一个性能良好的网络结构，需要进行长时间的算法训练，也会消耗大量的时间成本和经济成本。

申请号为CN109100480A的发明专利申请公开了一种钢卷隆起缺陷检测装置及方法，其方法包括将壳体放置在所述钢卷的第一检测位置处；通过滑动机构带动弹簧在所述壳体底部动作，所述弹簧带动所述旋转编码器及接触式位移传感器在所述钢卷的表面上动作；所述旋转编码器向所述控制器发送所述位移传感器的位移信号，所述接触式位移传感器向所述控制器发送高度信号；当上述步骤完成后，通过行走机构将所述壳体移动到第二检测位置，重复上述步骤。该方法的缺点是很难在切面上稳定滑动，容易造成装置脱落，引起安全事故，且成本较高，通用性不够，不利于提高工业生产效率。

发明内容

为了解决上述的技术问题，本发明提出一种钢卷表面异常突起的自动检测方法，无需大量标注数据和冗长的训练时间，节省了大量的人力成本和时间成本，保证了系统对光照的鲁棒性，同时利用RANSAC去除了可能的噪声点，提高的了系统的稳定性。

本发明提供一种钢卷表面异常突起的自动检测方法，包括对钢卷表面采集数据，包括以下步骤：

步骤1：将深度图映射为3D点云图，去除离群点和噪声点；

步骤2：利用剩下的有效点群，求得平面方程参数，在3D空间中拟合一个平面；

步骤3：扫描点云，利用点到面的距离，根据距离与阈值的大小关系，判定是否突起。

优选的是，所述步骤1包括随机任选所述3D点云图中的三个点，利用三点定面的数学原理拟合一个平面。

在上述任一方案中优选的是，所述步骤1还包括计算所述3D点云图中其他的所有点到此平面的距离。

在上述任一方案中优选的是，所述步骤1还包括记录到平面距离小于阈值的点的个数，迭代500次，找到平面点的距离小于阈值的点、个数最多的平面以及所有的点，形成3D有效点群。