[发明专利]一种连铸坯表面凹坑缺陷识别方法

说明书

本发明公开了一种连铸坯表面凹坑缺陷识别统计方法，采用3D视觉对连铸坯修磨过程中呈现的凹坑及其深度进行识别，进而能够实现对凹坑数量的自动统计。该方法一方面可取代人工现场对凹坑进行识别统计，节约人工成本，消除安全风险，提高现场的安全指数；另一方面可实现连续实时识别统计，提高计数效率，采集的数据更加全面具体，为连铸工艺改进提供数据支撑。

技术领域

本发明涉及一种表面质量判断方法，具体涉及一种连铸坯表面凹坑缺陷识别方法。

背景技术

镍系钢连铸坯在进加热炉准备轧制之前，一般通过修磨去除表面的凹坑、裂纹等缺陷，由于凹坑的深度不同，修磨过少，凹坑不能完全去除，在后期轧制过程中容易产生裂纹、凹坑等缺陷，修磨过多，则增加镍系钢损耗。

一般连铸修磨后的表面凹坑通过人工统计，由于修磨现场具有运转的大型设备、移动的行车，这些为统计人员增加了危险系数，另外修磨间隔较长，又增加了时间成本。

发明内容

发明目的：为了克服现有技术的缺陷，本发明提供一种连铸坯表面凹坑缺陷识别方法，该方法能够识别出连铸坯表面的凹坑，取代人工进行识别统计。

技术方案：本发明所述的一种连铸坯表面凹坑缺陷识别统计方法，包括如下步骤：

(1)拍摄修磨完成的连铸坯表面，获取连铸坯3D点云图像；

(2)使用下采样算法对3D点云图像进行简化处理；

(3)对每个点的邻域进行统计分析，根据经验设定标准值a，剔除大于标准值a的邻域点，以去除离散点；

(4)使用区域生长算法分割提取点云中的每一类，进行聚类分割；

(5)将标定板放在连铸坯的表面，拍摄获取标定板的3D点云图像，根据标定板的3D点云图像校准连铸坯的基准面；

(6)根据分割出的每一类结果的深度信息Z值和基准面，进行凹坑识别并判断凹坑深度。

其中，所述步骤(1)中，采用位置固定的3D相机拍摄获取连铸坯的3D点云图像。

具体的，所述步骤(3)中，去除离散点的步骤包括：

(3.1)对于每个点，计算它到所有相邻点的平均距离；连铸坯3D点云图像的点云分布是高斯分布，计算出一个均值μ和一个标准差σ；

(3.2)这个邻域点集中，与其邻域距离在a＝μ+std_mul*σ区间之外的点都被视为离群点，从点云数据中去除；其中，std_mul是标准差倍数的一个经验阈值。

所述步骤(4)中，聚类分割的步骤包括：

(4.1)根据点的曲率值对点云进行排序，定义曲率最小的点为初始种子点，区域生长算法从初始种子点开始生长；

(4.2)设置一空的聚类区域C和空的种子点序列Q，将选好的初始种子点加入种子点序列，并搜索该种子点的领域点，计算每一个领域点法线与种子点法线之间的夹角，小于设定的经验平滑阈值时，将领域点加入到聚类区域C中，同时判断该领域点的曲率值是否小于经验曲率阈值，将小于经验曲率阈值的领域点加入种子点序列Q中，在Q中重新选择新的种子点重复该步骤，直到Q中序列为空，完成聚类分割。

所述步骤(5)中，基准面校准时，3D相机的位置保持与步骤(1)的位置一致。

进一步的，所述步骤(5)中，拍摄获取标定板的3D点云图像后，对标定板的3D点云图像进行步骤(2)、(3)、(4)的处理计算，得到3D相机与标定板的距离Z₁，计算得到3D相机与基准面的距离Z₃＝Z₁+Z₂，其中，Z₂为标定板的厚度。