本发明属于锭块边缘检测的技术领域,具体涉及一种面向铸锭过程的锭块边缘检测方法。
背景技术:
熔铸车间,作为金属冶炼的最后一道工序,其主要任务是把金属熔化成液态后,按要求进行铸锭、堆码和打包输送。铸锭过程中,与空气接触的金属熔液被不断氧化,形成影响产品质量的氧化浮渣;如若去除不干净,将致使成型锭的形状不规则(边缘带有毛刺),尤其是易氧化金属,如锌熔铸而形成的锌锭;锌锭形状不规则将影响到后续自动堆码的质量和打包质量,造成运输途中的散包等损失。
当前,铸锭过程主要由人工完成,包括人工扫除浮渣、肉眼观察成型锌锭的边缘毛刺、凭经验判断锌锭的良品率,并对判断有毛边待处理的锌锭做后续切边处理,或对判断不合格的锌锭做后续分拣处理。人的肉眼观察与经验判断会受到工作疲劳程度的影响,产品的检测和及时处理也会受到工人换班、休息等工作间歇的影响,进而降低堆码质量和返工不合格品的效率。因而,铸锭过程的浮渣扫除、边缘毛刺检测、边缘合格的判定与后续处理,都亟待实现自动化操作。可见,对锭块的边缘检测与合格判定是铸锭过程中一个至关重要的环节。
技术实现要素:
本发明克服现有技术存在的不足,所要解决的技术问题为:提供一种能够对锭块进行边缘检测与合格判定,且面向铸锭过程的锭块边缘检测方法。
为了解决上述技术问题,本发明采用的技术方案为:一种面向铸锭过程的锭块边缘检测方法,包括:
s101、获取标准锭块的边缘轮廓数据,建立标准锭块边缘几何模型;
s102、获取待测锭块的边缘轮廓数据,建立待测锭块边缘几何模型;
s103、匹配待测锭块的边缘轮廓数据和标准锭块的边缘轮廓数据,通过计算得出待测锭块的边缘轮廓数据与标准锭块的边缘轮廓数据的差值,记为边缘毛刺数据;
s104、根据边缘毛刺数据,对待测锭块进行综合评价。
进一步地,所述获取标准锭块的边缘轮廓数据,建立标准锭块表面边缘几何模型,具体包括:
将标准锭块的轮廓边缘像素点集合记为ω*,将标准锭块的四边标准边长分别记为e1*、e2*、e3*、e4*,则标准锭块的总边长记为
进一步地,所述获取待测锭块的边缘轮廓数据,具体包括:
将待测锭块的轮廓边缘像素点集合记为ω,上表面面积记为s,移动标准锭块边缘几何模型,并与待测锭块边缘几何模型重合,则待测锭块的最大重合区域面积记为max[s∩s*];将移动后的标准锭块边缘几何模型的质心点坐标记为o'(x′o,y′o),对角线与像素水平轴最小夹角为θ′;则标准锭块边缘几何模型沿像素平面u、v轴平移量分别为
进一步地,所述步骤s103,具体包括:
匹配待测锭块的边缘轮廓数据和标准锭块的边缘轮廓数据,计算两者之间轮廓边缘像素点集合记为[ω∩ω*],将待测锭块的边缘超出标准锭块边缘的曲线部分与标准锭块的边缘线所围的区域为毛刺边缘,记为[ω-ω∩ω*];
记录毛刺边缘的毛刺数量及其沿标准边缘的延续宽度和伸出标准边缘的刺长,将左侧边的毛刺总延续宽度记为
进一步地,所述步骤s104,具体包括:
设定待测锭块合格判定的参数为xj,j=1,2,…,n,其中:
x5=-w1,x6=-w2,x7=-w3,x8=-w4,
x9=(s*-s);
引入权重因子kj,j=1,2,…,9,并建立评价计算方式为:
0.9resstandard≤res≤resstandard(1),
0.3resstandard≤res≤0.9resstandard(2),
res≤0.3resstandard(3),
其中:式(1)为合格的待测锭块;式(2)为有毛刺待处理的待测锭块;式(3)为不合格的待测锭块。
进一步地,所述权重因子kj的确定,具体为:
离线选取n(n>100)个不同类型的待测锭块,根据步骤s101、步骤s102、步骤s103分别获取n个不同类型的待测锭块中,不同待测锭块的边缘轮廓数据、毛刺边缘数据以及合格的待测锭块数据;
根据设定好的锭待测块合格判定参数xj,设定kij表示第i个类型的待测锭块中第j个指标数据;
已知j=1,2,…,9时,xj数值越大,评价越好;对不同类型的待测锭块进行数据归一处理;
将归一处理后的数据kij′仍记为kij;
计算第j个指标数据下第i个类型的待测锭块占该指标的比重:
其中:pij=0,则定义
计算第j个指标数据的熵值:
其中:
计算信息熵冗余度dj=1-ej,得到各项指标的权重:
进一步地,标准锭块的相关判定参数值为
本发明与现有技术相比具有以下有益效果:
本发明通过视觉传感器对锭块进行识别与跟踪,实现边缘轮廓的在线提取,并建立标准锭块边缘几何模型和待测锭块边缘几何模型,通过待测锭块的边缘轮廓数据和标准锭块的边缘轮廓数据进行匹配,得出待测锭块是否合格的结论;本发明使用锭块的局部虚拟模型作为锌锭形状的合格鉴定标,能够对铸锭过程中锭块实时生成的毛边分布与大小进行检测,并做出锭块边缘是否合格的鉴定,满足对动态锭块毛边的在线自动检测和合格判定需求,为后续切边处理和分拣操作的自动化提供必要的可靠的判定信息,该方法能够杜绝人为检查误差和疲劳误判,能够在检测精度和合格判定准确性方面满足工艺要求,并且节约了生产过程中的人力成本,提高待测锭块的检测效率。
附图说明
下面结合附图对本发明做进一步详细的说明;
图1为本发明实施例一提供的一种面向铸锭过程的锭块边缘检测方法的流程示意图;
图2为本发明实施例一提供的提取的标准锌锭和待测锌锭的边缘轮廓示意图;
图3为本发明实施例一提供标准锌锭和待测锌锭的边缘轮廓进行匹配的示意图;
图4为本发明实施例一提供的待测锭块的毛边宽度和毛边长度的示意图;
图5为本发明实施例二提供的一种面向铸锭过程的锭块边缘检测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一提供的一种面向铸锭过程的锭块边缘检测方法的流程示意图,如图1所示,一种面向铸锭过程的锭块边缘检测方法,包括:
s101、获取标准锭块的边缘轮廓数据,建立标准锭块边缘几何模型;
s102、获取待测锭块的边缘轮廓数据,建立待测锭块边缘几何模型;
s103、匹配待测锭块的边缘轮廓数据和标准锭块的边缘轮廓数据,通过计算得出待测锭块的边缘轮廓数据与标准锭块的边缘轮廓数据的差值,记为边缘毛刺数据;
s104、根据边缘毛刺数据,对待测锭块进行综合评价。
具体的,在铸锭流水线输送带上方固定安装带有视觉传感器的摄像头,通过视觉传感器获取放置在输送带上移动的锭块,通过图形信息融合的方法,提取边缘轮廓数据,边缘轮廓数据包括上表面边缘数据和几何形状数据。如图2所示的内容,图2(a)为标准锌锭的边缘轮廓示意图,图2(b)为待测锌锭的边缘轮廓示意图;
本发明通过视觉传感器对锭块进行识别与跟踪,实现边缘轮廓的在线提取,并建立标准锭块边缘几何模型和待测锭块边缘几何模型,通过待测锭块的边缘轮廓数据和标准锭块的边缘轮廓数据进行匹配,得出待测锭块是否合格的结论;本发明使用锭块的局部虚拟模型作为锌锭形状的合格鉴定标,能够对铸锭过程中锭块实时生成的毛边分布与大小进行检测,并做出锭块边缘是否合格的鉴定,满足对动态锭块毛边的在线自动检测和合格判定需求,为后续切边处理和分拣操作的自动化提供必要的可靠的判定信息,该方法能够杜绝人为检查误差和疲劳误判,能够在检测精度和合格判定准确性方面满足工艺要求,并且节约了生产过程中的人力成本,提高待测锭块的检测效率。
进一步地,所述步骤s101中,获取标准锭块的边缘轮廓数据,建立标准锭块表面边缘几何模型,具体包括:
通过视觉传感器对标准锭块进行识别与跟踪,实现边缘轮廓的在线提取,将标准锭块的轮廓边缘像素点集合记为ω*,将标准锭块的四边标准边长分别记为e1*、e2*、e3*、e4*,则标准锭块的总边长记为
进一步地,所述步骤s102中,获取待测锭块的边缘轮廓数据,具体包括:
通过视觉传感器对待测锭块进行识别与跟踪,实现边缘轮廓的在线提取,将待测锭块的轮廓边缘像素点集合记为ω,上表面面积记为s,如图3所示,移动和旋转标准锭块边缘几何模型,并与待测锭块边缘几何模型进行最大化重合,则待测锭块的最大重合区域面积记为max[s∩s*];将移动后的标准锭块边缘几何模型的质心点坐标记为o'(xo',yo'),对角线与像素水平轴最小夹角为θ′;则标准锭块边缘几何模型沿像素平面u、v轴平移量分别为
进一步地,所述步骤s103,具体包括:
匹配标准锭块边缘几何模型和待测锭块边缘几何模型,计算标准锭块与待测锭块之间的轮廓边缘像素点集合记为[ω∩ω*],将待测锭块的边缘超出标准锭块边缘的曲线部分与标准锭块的边缘线所围的区域为毛刺边缘,记为[ω-ω∩ω*];
记录毛刺边缘的毛刺数量及其沿标准边缘的延续宽度和伸出标准边缘的刺长,如图4所示,图4(a)为待测锭块的毛边宽度,图4(b)为待测锭块的毛边长度,将左侧边的毛刺总延续宽度记为
进一步地,所述步骤s104,具体包括:
设定待测锭块合格判定的参数为xj,j=1,2,…,n,其中:
x5=-w1,x6=-w2,x7=-w3,x8=-w4,
x9=(s*-s);
根据设定的待测锭块合格判定参数,对步骤s104中的各个指标引入权重因子kj,j=1,2,…,9,并建立评价计算方式为:
0.9resstandard≤res≤resstandard(1),
0.3resstandard≤res≤0.9resstandard(2),
res≤0.3resstandard(3),
其中:式(1)为合格的待测锭块;式(2)为有毛刺待处理的待测锭块;式(3)为不合格的待测锭块。
标准锭块的相关判定参数值为
所述权重因子kj的确定,具体为:
离线选取n(n>100)个不同类型的待测锭块,根据步骤s101、步骤s102、步骤s103分别获取n个不同类型的待测锭块中,不同待测锭块的边缘轮廓数据、毛刺边缘数据以及合格的待测锭块数据;
根据设定好的锭待测块合格判定参数xj,设定kij表示第i个类型的待测锭块中第j个指标数据;
利用专家经验,对每个样品的毛刺情况进行综合评价,已知j=1,2,…,9时,xj数值越大,评价越好;对不同类型的待测锭块进行数据归一处理;
为方便起见,将归一处理后的数据kij′仍记为kij;
计算第j个指标数据下第i个类型的待测锭块占该指标的比重:
其中:pij=0,则定义
利用信息论中熵的特性来计算各个指标对综合评价权重的影响,计算第j个指标数据的熵值:
其中:
计算信息熵冗余度dj=1-ej,得到各项指标的权重:
图5为本发明实施例二提供的一种面向铸锭过程的锭块边缘检测方法的流程示意图,如图5所示,一种面向铸锭过程的锭块边缘检测方法,包括:
通过视觉传感器对锭块进行识别与跟踪,实现边缘检测轮廓的在线提取,并与标准轮廓数据进行匹配,通过边缘毛刺数据,对待测锭块进行合格判定,当待测锭块为合格产品时,传送至抓取堆码后结束流程,当待测锭块为不合格产品时,随输送带送走,结束流程,当待测锭块为毛刺待处理产品时,进行毛刺处理后传送至抓取堆码后结束流程;本方法能够杜绝人为检查误差和疲劳误判,能够在检测精度和合格判定准确性方面满足工艺要求,并且节约了生产过程中的人力成本,提高待测锭块的检测效率。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。