[发明专利]一种棒材钢料弯曲检测方法

说明书

本发明公开了一种棒材钢料弯曲检测方法，该方法用耐高温摄像机实时拍摄传送带上将送入加热炉的棒材，然后用基于深度学习的分割网络实时分割出钢料的图像，然后对分割出的钢料图像通过边缘检测算法检测钢料的边界特征，从中提取出三条侧棱特征，通过侧棱特征判断钢料是否弯曲，阻止弯曲的钢料送入加热炉中，实现了棒材钢料弯曲自动化检测，避免弯曲钢料进入加热炉导致卡钢的问题。

技术领域

本发明属于计算机视觉和图像检测技术领域，具体涉及一种棒材钢料弯曲检测方法与装置。

背景技术

轧制的棒材钢料在加工或输送过程中会产生弯曲变形，这种弯曲变形会对后续的输送设备造成损伤，当将弯曲的钢料送入加热炉中，可能会发生卡钢，由于加热炉温度极高，卡钢取出困难，将会严重浪费时间和人力物力，甚至造成设备故障损坏。因此，在将钢料输送至加热炉前，需要对钢料进行的弯曲测量，当检测到钢料弯曲超过一定程度时阻止传送带继续输送，向前端发出警报，让监控人员或者机械臂取下弯曲钢料。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种棒材钢料弯曲检测方法。

为实现上述技术目的，本发明采取的技术方案为：

一种棒材钢料弯曲检测方法，其中：包括如下步骤：

步骤S1：在棒材钢料斜上方固定一台耐高温网络摄像机，实时采集传送带上的钢料的图像；

步骤S2：将采集的图像输入到基于深度学习的分割网络，实时分割出图像中的棒材的图像；

步骤S3：用边缘检测算法对分割出的钢料图像进行边缘检测提取钢料边界特征和三条侧棱特征；

步骤S4：基于三条侧棱特征检测钢料是否弯曲；

步骤S5：当检测到钢料弯曲时向前端发送警报，阻止弯曲钢料送入加热炉。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S1中耐高温网络摄像机采集的是钢料的两个侧面以及三条侧棱。

进一步地，步骤S2具体为：

S21：将图像数据输入基于深度学习的分割网络，判断每个像素是否属于钢料；

S22：将图像中所有判断属于钢料的像素选取出来组成钢料图像；

S23：计算钢料图像中相距最远两个像素的距离，当该距离小于一定阈值时候，判断钢料未完全进入拍摄视野，转S21检测下一张图像。

进一步地，步骤S21中的基于深度学习的分割网络包括以下步骤：

S211：使用多层感知器提取图像的每个像素特征；

S212：对每个像素以其为中心的3×3邻域、5×5邻域和7×7邻域最大池化得到每个像素的3个尺度的局部特征，将三个特征链接组成每个像素的多尺度局部特征；

S213：将每个像素的多尺度局部特征使用多层感知器提取高维特征，然后最大池化所有像素的高维特征得到全局特征；

S214：从每个像素的高维度特征提取权重，将每个像素的多尺度局部特征和全局特征链接后与权重相乘得到加权特征；

S215：将每个像素的加权特征通过全连接层降到一维，利用sigmoid函数计算得到每个像素的分割概率，计算交叉熵损失函数用于训练，判断每个像素是否属于钢料的像素。

进一步地，步骤S3具体为：

S31：将分割出的钢料图像用边缘检测算法提取边界像素，用kruskal算法构建最小生成树，边界像素作为树的结点；