基于人工智能的钢卷松卷自动检测方法和装置与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能的钢卷松卷自动检测方法和装置。


背景技术：

2.在冶金工业中，热轧带钢经过一系列处理后，成为满足需要的成品后，需要对其进行成卷操作。钢卷扎捆不当、卷取张力小或卷取温度低时钢卷会发生松卷缺陷，圈与圈之间有较大间隙，严重时该钢卷会直接判废，为企业带来较大的经济损失。目前针对热轧带钢松卷缺陷的检测主要通过人工目视检测，人为主观判断可能会出现错判漏判等情况，导致检测结果并不精确。同时，人工检测完全依赖人工经验将缺陷严重程度分等级，这进一步降低了检测的准确性。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的钢卷松卷自动检测方法和装置，所采用的技术方案具体如下：
4.一种基于人工智能的钢卷松卷自动检测方法，所述方法包括：
5.获取所述钢卷的端部图像；
6.对所述端部图像进行处理，获取只包含钢卷的图像；
7.对只包含钢卷的图像进行分析，得到表示钢卷最大松卷度的主方向和所述主方向上的区间最小差值序列；
8.根据所述主方向上的区间最小差值序列，获取所述钢卷的松卷度。
9.在一个具体实施方式中，所述对所述端部图像进行处理，获取只包含钢卷的图像，包括：
10.将所述端部图像进行灰度转换，得到灰度图像；
11.将所述灰度图像进行处理，得到只包含钢卷的图像。
12.在一个具体实施方式中，所述对只包含钢卷的图像进行分析，得到表示钢卷最大松卷度的主方向，包括：
13.对只包含钢卷的图像进行分析，获取所述钢卷的基准中心点；
14.采用多条过基准中心点的方向线将所述钢卷划分为多个不同区域；
15.获取所述钢卷在各方向线上的灰度周期波动性，将灰度周期波动性最大的方向线的指向作为所述主方向。
16.在一个具体实施方式中，所述对只包含钢卷的图像进行分析，获取所述钢卷的基准中心点，包括：
17.分别获取所述钢卷中各个卷层的一条边缘，作为基准边缘；
18.对各所述基准边缘分别进行最小外接矩形分析，获取所有最小外接矩形的中心点坐标；
19.分别计算任一中心点坐标与其他各中心点坐标之间的距离，若所述距离小于设定值m1，则将对应的两个中心点坐标放入集合u1；
20.利用公式pi＝ni/(n
‑
1)计算集合u1中的各中心点坐标在集合u1中出现的概率，其中ni为第i个中心点坐标在集合u1中出现的次数，n为基准边缘数量；
21.若pi大于设定值m2，则将对应的中心点坐标放入集合u2中；
22.对集合u2中的各中心点的纵坐标y和横坐标x分别求平均值得到的坐标即为所述钢卷的基准中心点，
23.在一个具体实施方式中，所述获取所述钢卷在各方向线上的灰度周期波动性，将灰度周期波动性最大的方向线的指向作为所述主方向，包括：
24.获取任一所述方向线上的各像素的灰度值，按照顺序组合为灰度值序列qh，h为第h条方向线；
25.对所述灰度值序列qh进行最小二乘法曲线拟合，得到拟合曲线；
26.根据所述拟合曲线进行理想曲线逼近，得到理想曲线；
27.根据任一所述理想曲线，计算该理想曲线上的任一相邻两个卷层对应的区间之间的最小差值，从而获得该理想曲线对应的方向线上的区间最小差值序列；
28.利用任一理想曲线对应的区间最小差值序列，计算该理想曲线的灰度周期波动性，并将灰度周期波动最大的理想曲线对应的方向线的指向作为所述主方向。
29.在一个具体实施方式中，所述根据所述拟合曲线进行理想曲线逼近，得到理想曲线，包括：
30.根据所述拟合曲线，得出该拟合曲线上的最大灰度值；
31.当曲线上的灰度值与最大灰度值之间的差值小于设定值m3，将该灰度值设定为最大灰度值；
32.根据所述拟合曲线，得出该拟合曲线上的最小灰度值；
33.当曲线上的灰度值与最小灰度值之间的差值小于设定值m4，将该灰度值设定为最小灰度值。
34.在一个具体实施方式中，所述根据任一所述理想曲线，计算该理想曲线上的任一相邻两个区间的最小差值，从而获得该理想曲线对应的方向线上的区间最小差值序列，包括：
35.以理想曲线的高度方向为纵坐标，以理想曲线的长度方向为横坐标建立直角坐标系；
36.理想曲线上的第j个卷层对应的区间上的上限值和下限值标记为(aj，bj)；
37.利用公式σ
j
＝a
j+1
‑
b
j
获取所述区间最小差值，从而形成所述区间最小差值序列，式中，σ
j
为第j个区间最小差值，a
j+1
为第j+1个区间左边界，b
j
为第j个区间的右边界。
38.在一个具体实施方式中，所述利用任一理想曲线的区间最小差值序列，计算该理想曲线的灰度周期波动性，包括：
39.针对任一理想曲线，利用公式计算该理想曲线的灰度周期波动性，式中δ2表示灰度周期波动性的波动程度，σ
j
为区间最小差值序列中的第j个值，为区间最
小差值序列的平均值，m为区间最小差值序列值的个数。
40.在一个具体实施方式中，所述根据所述主方向上的区间最小差值序列，获取所述钢卷的松卷度，包括：
41.构建svm分类器，所述分类器能够将钢卷按照松卷度分为正常钢卷区域、轻度松卷区域和重度松卷区域；
42.将所述主方向上的区间最小差值序列输入所述svm分类器中，获取钢卷的松卷度。
43.一种基于人工智能的钢卷松卷自动检测装置，所述装置包括：
44.第一获取模块，用于获取所述钢卷的端部图像；
45.处理模块，用于对所述端部图像进行处理，获取只包含钢卷的图像；
46.分析模块，用于对只包含钢卷的图像进行分析，得到表示钢卷最大松卷度的主方向和所述主方向上的区间最小差值序列；
47.第二获取模块，用于根据所述区间最小差值序列，获取所述钢卷的松卷度。
48.本发明具有如下有益效果：本发明实施例通过获取钢卷的端部图像，并对端部图像进行处理，获取只包含钢卷的图像，然后对只包含钢卷的图像进行分析，得到表示钢卷最大松卷度的主方向，并通过获取主方向上的区间最小差值序列，根据区间最小差值序列，获取钢卷的松卷度，能够实现对钢卷松卷度的自动判断，解决了人为判断钢卷松卷度带来的人为误差，提高了钢卷松卷的检测准确度。而且，主方向表示钢卷最大松卷度，那么，通过获取主方向以及主方向上的区间最小差值序列，可以更准确有效的反映钢卷的特征，可以准确得到钢卷的松卷度。
附图说明
49.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
50.图1为本发明一个实施例所提供的一种基于人工智能的钢卷松卷自动检测方法流程图；
51.图2是得到只包含钢卷的图像的各步骤流程图；
52.图3是获取主方向的各步骤流程图；
53.图4是获取基准中心点的各步骤流程图；
54.图5是本发明提供的方向线划分钢卷图；
55.图6是根据理想曲线获取主方向的各步骤流程图；
56.图7是拟合曲线图；
57.图8是钢卷不松卷时的理想曲线图；
58.图9是钢卷松卷时的理想曲线图；
59.图10是获取理想曲线的各步骤流程图；
60.图11是获取区间最小差值序列的各步骤流程图；
61.图12是带有标注的理想曲线图；
62.图13是本发明一个实施例所提供的一种基于人工智能的钢卷松卷自动检测装置
的连接图；
63.图14是得到只包含钢卷的图像的各子模块连接图；
64.图15是获取主方向的各子模块连接图；
65.图16是获取基准中心点的各单元连接图；
66.图17是根据理想曲线获取主方向的各单元连接图。
具体实施方式
67.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于大数据的安全风险管理资源匹配分析方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
68.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
69.下面结合附图具体的说明本发明所提供的一种基于人工智能的钢卷松卷自动检测方法、装置及系统的具体方案。
70.请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的钢卷松卷自动检测方法，该方法包括：
71.步骤s1：获取所述钢卷的端部图像。
72.本发明中采用相机采集钢卷的端部图像。相机设置在钢卷的端部，用于采集钢卷的端部图像，即：相机设置在钢卷的轴线上，朝向钢卷设置。钢卷的端部包括一圈圈的钢卷，相机采用的图像中也包含一圈圈的钢卷。通过获取包含一圈圈钢卷的图像，能够利用图像中的一圈圈钢卷判断钢卷的松卷度。
73.为了实现对钢卷松卷度的分析，需采用高分辨率的相机。采用高分辨率的相机，能够使一圈圈钢卷的边缘清晰可见，从而能够实现对钢卷松卷度的分析。
74.需要说明的是，对于层数压缩较多且紧密的钢卷，所得到的图像可近似为分层的卷曲结构。
75.步骤s2：对所述端部图像进行处理，获取只包含钢卷的图像。
76.采集到的钢卷的端部图像除了包含钢卷之外，还可能包含其他的组成。为了实现对钢卷松卷度的分析，去除工业背景的影响，减少后续计算量，需要将采集到的钢卷的端部图像处理为只包含钢卷的图像。
77.在一种实施例中，如图2所示，在步骤s2，对所述端部图像进行处理，获取只包含钢卷的图像，包括：步骤s21：将所述端部图像进行灰度转换，得到灰度图像；步骤s22：将所述灰度图像进行处理，得到只包含钢卷的图像。
78.本实施例中，相机采集的图像为彩色图像(rgb图像)，为了实现对端部图像的分析，需将相机采集的彩色端部图像进行灰度转换，将彩色图像转换为灰度图像。将端部图像转换为灰度图像后，需将灰度图像进行处理，得到只包含钢卷的图像。
79.将灰度图像进行处理，得到只包含钢卷的图像，包括：将灰度图送入训练好的语义分割网络中，对钢卷区域和非钢卷区域进行像素级分类。将灰度图进行像素级标注，标注类
别为两类，钢卷区域标注为1，无关区域标注为0。
80.损失函数采用交叉熵损失函数。
81.语义分割网络为端到端的encoder
‑
decoder结构，通过编码器进行卷积操作提取特征，编码器输出结果为特征图，特征图通过解码器操作，得到语义分割图。
82.语义分割图作为遮罩mask与原灰度图像逐点相乘，得到只含有钢卷区域、无关区域像素值为0的灰度图像。
83.步骤s3：对只包含钢卷的图像进行分析，得到表示钢卷最大松卷度的主方向和所述主方向上的区间最小差值序列。
84.获取到只包含钢卷的图像后，需要对只包含钢卷的图像进行分析，获取表示钢卷最大松卷度的主方向。
85.主方向表示分析获取的钢卷松卷度最大的方向。通过获取主方向，能够利用主方向获取钢卷的最大松卷度，从而能够判断钢卷是否松卷。
86.如图3所示，在步骤s3，对只包含钢卷的图像进行分析，得到表示钢卷最大松卷度的主方向，包括：步骤s31：对只包含钢卷的图像进行分析，获取所述钢卷的基准中心点；步骤s32：采用多条过基准中心点的方向线将所述钢卷划分为多个不同区域；步骤s33：获取所述钢卷在各方向线上的灰度周期波动性，将灰度周期波动性最大的方向线的指向作为所述主方向。
87.通过对只包含钢卷的图像进行分析，能够获取钢卷的基准中心点。钢卷的基准中心点最接近各圈钢卷环绕形成的中心点。找到钢卷的基准中心点，能够采用多条过基准中心点的方向线将钢卷划分为多个不同的区域，从而能够获取钢卷在各方向线上的灰度周期波动性，并将灰度周期波动性最大的方向线的指向作为主方向。
88.如图4所示，在步骤s31，对只包含钢卷的图像进行分析，获取所述钢卷的基准中心点，包括：步骤s311：分别获取所述钢卷中各个卷层的一条边缘，作为基准边缘；步骤s312：对各所述基准边缘分别进行最小外接矩形分析，获取所有最小外接矩形的中心点坐标；步骤s313：分别计算任一中心点坐标与其他各中心点坐标之间的距离，若所述距离小于设定值m1，则将对应的两个中心点坐标放入集合u1；步骤s314：利用公式pi＝ni/(n
‑
1)计算集合u1中的各中心点坐标在集合u1中出现的概率，其中ni为第i个中心点坐标在集合u1中出现的次数，n为基准边缘数量；步骤s315：若pi大于设定值m2，则将对应的中心点坐标放入集合u2中；步骤s316：对集合u2中的各中心点的纵坐标y和横坐标x分别求平均值得到的坐标即为所述钢卷的基准中心点。
89.对只包含钢卷的图像进行边缘提取(比如采用canny边缘提取算法)，得到各个卷层的边缘。若钢卷中含有n个卷层，则通过边缘提取能够提取出2n个边缘，对于任意一个卷层而言，包括两个边缘，即卷层的上边缘和下边缘。分别获取钢卷中各个卷层的一条边缘，能够获取n个不同的边缘，应当理解，获取到的各个卷层的一条边缘均为相同类型的边缘，即全部是上边缘或者全部是下边缘。在一种实施例中，对提取的各个边缘进行标记，从外向内，依次标记为1～2n。每层钢卷有两个边缘，将编好号的边缘依次组合为(1，2)、(3，4)
…
(2n
‑
1，2n)。分别获取钢卷中各个卷层的一条边缘，作为基准边缘，包括：获取钢卷中各个卷层的标号较小的边缘，作为基准边缘。需要说明的是，上述分区域方式是在理想情况下，可以检测到所有的钢卷边缘图像，本发明中所述步骤都是在理想情况下进行。
90.由于各卷层的厚度远小于卷层的半径，因此，各卷层可以近似为封闭圆环。
91.对各基准边缘进行最小外接矩形分析，获取各最小外接矩形的中心点，各中心点坐标记为p1(x1，y1)、p2(x2，y2)...p
n
(x
n
，y
n
)。
92.后续需要计算两个中心点之间的距离，以下给出任意两个中心点坐标之间的距离公式：
[0093][0094]
式中，(x
i
，y
i
)为第i个中心点坐标，(x
k
，y
k
)为第k个中心点坐标，l
i，k
为第i个中心点坐标与k个中心点坐标之间的距离。
[0095]
对于任意一个中心点坐标：
[0096]
采用上述计算公式，计算该中心点坐标与其他各中心点坐标之间的距离，若基准边缘数量为n，即中心点坐标个数为n，则计算该中心点坐标与其他各中心点坐标之间的距离时需要计算n
‑
1次，就会得到n
‑
1个距离。
[0097]
设定值m1为设定的经验阈值，由实际需要进行设定。对于得到的n
‑
1个距离中的任意一个距离，若该距离小于设定值m1，则将该距离对应的两个中心点坐标放入集合u1，通过该方式能够将距离较近的中心点坐标进行聚类。
[0098]
按照上述计算过程，可以得到各个中心点坐标与其他各中心点坐标之间的距离，计算每一个中心点坐标与其他各中心点坐标之间的距离之后，均按照上述比对过程将各个中心点坐标进行聚类。
[0099]
利用公式pi＝ni/(n
‑
1)计算集合u1中的各中心点坐标在集合u1中出现的概率，ni为第i个中心点坐标在集合u1中出现的次数，通过计算各中心点坐标在集合u1中出现的概率，能够获取各中心点坐标靠近基准中心点的程度。
[0100]
设定值m2为设定的经验阈值，由实际需要进行设置。若pi大于设定值m2，则将对应的中心点坐标放入集合u2中。放入集合u2中的中心点坐标，均为靠近基准中心点的坐标。
[0101]
对集合u2中的各中心点坐标的纵坐标y和横坐标x分别求平均值得到的坐标即为所述钢卷的基准中心点。采用该方法计算获取的钢卷的基准中心点具有准确的特点，更接近于各圈钢卷的中心点。
[0102]
采用多条过基准中心点的方向线(即划分线)将钢卷划分为多个不同区域，方向线的具体数值由实际需要进行设定。应当理解，各方向线与钢卷的轴线垂直。在一种实施例中，找到钢卷的基准中心点后，采用30条过基准中心点的方向线将钢卷均匀或者非均匀划分为了多个不同的区域。如图5所示，根据获得钢卷基准中心点，按照图5方式划分钢卷，做出多条划分线，划分线之间角度实施者可根据需要自行设置，本实施例设置为6度，共得到30条划分直线。
[0103]
各层钢卷进行卷曲后，若卷层发生松卷，各层钢卷之间存在明显的视觉差异。在图像中表现为松卷层之间的层间距大于标准层之间的层间距，同时在图像中标准层之间的灰度表现为灰白
‑
暗黑
‑
灰白相间的变化趋势，其中灰白表示钢卷的层颜色，暗黑表示相邻两个卷层之间的颜色，灰白与暗黑呈现周期性波动；而在松卷层之间，表现为灰白
‑
暗黑
‑
灰白，灰白与暗黑的周期波动性呈现为不规律变化。因此，卷层的灰度值高于卷层之间区域的灰度值。
[0104]
如图6所示，在步骤s33，获取所述钢卷在各方向线上的灰度周期波动性，将灰度周期波动性最大的方向线的指向作为所述主方向，包括：步骤s331：获取任一所述方向线上的各像素的灰度值，按照顺序组合为灰度值序列qh，h为第h条方向线；步骤s332：对所述灰度值序列qh进行最小二乘法曲线拟合，得到拟合曲线；步骤s333：根据所述拟合曲线进行理想曲线逼近，得到理想曲线；步骤s334：根据任一所述理想曲线，计算该理想曲线上的任一相邻两个卷层对应的区间之间的最小差值，从而获得该理想曲线对应的方向线上的区间最小差值序列；步骤s335：利用任一理想曲线的区间最小差值序列，计算该理想曲线的灰度周期波动性，并将灰度周期波动最大的理想曲线对应的方向线的指向作为所述主方向。
[0105]
钢卷在任一方向线上均包含多个像素，灰度值序列qh为方向线上的各像素的灰度值的依次排列。根据得到的30条划分线，在第h条划分线方向上按照层标号从小到大进行像素点遍历，得到每一个像素点的灰度值，按照顺序组合为灰度值序列q
h
。根据得到的30条划分线，得到30个灰度值序列q1、q2...q
30
。
[0106]
对灰度值序列qh进行最小二乘法曲线拟合，得到拟合曲线，得到的拟合曲线如图7所示。根据拟合曲线进行理想曲线逼近，得到理想曲线，得到的理想曲线如图8
‑
图9所示。图8为钢卷不松卷时的理想曲线，图9为钢卷松卷时的理想曲线。
[0107]
如图10所示，在步骤s333，根据所述拟合曲线进行理想曲线逼近，得到理想曲线，包括：步骤s3331：根据所述拟合曲线，得出该拟合曲线上的最大灰度值；步骤s3332：当曲线上的灰度值与最大灰度值之间的差值小于设定值m3，将该灰度值设定为最大灰度；步骤s3333：根据所述拟合曲线，得出该拟合曲线上的最小灰度值；步骤s3334：当曲线上的灰度值与最小灰度值之间的差值小于设定值m4，将该灰度值设定为最小灰度值。
[0108]
其中，根据拟合曲线，计算得到的最大的灰度值为卷层的颜色灰度，记为g
max
，设定值m3为经验阈值m3，由实际需要进行设定，当曲线上灰度值满足g
max
‑
g
i
＜m3时，将g
i
值逼近为g
max
，否则g
i
值保持不变。同样的，根据拟合曲线，计算得到的最小的灰度值g
min
为卷层之间区域的颜色灰度，设定值m4为经验阈值m4，由实际需要进行设定，当曲线上灰度值满足g
i
‑
g
min
＜m4时，将g
i
值逼近为g
min
，否则g
i
值保持不变。
[0109]
通过将曲线上与最大灰度值之间的差值小于设定值m3的灰度值设定为最大灰度值，能够将所有的钢卷灰度值均设定为最大灰度值，从而使得钢卷的灰度值相等，得到的理想曲线的顶点相同。通过将曲线上与最小灰度值之间的差值小于设定值m4的灰度值设定为最小灰度值，能够将所有的非钢卷区域的灰度值均设定为最小灰度值，从而使得非钢卷区域的灰度值相等，得到的理想曲线的最低点相同。因此，理想曲线中，各最大灰度值对应的区间为卷层对应的区间，各最小灰度值对应的区间为卷层之间区域对应的区间。
[0110]
在一种实施例中，如图11所示，在步骤s334，根据任一所述理想曲线，计算该理想曲线上的任一相邻两个区间的最小差值，从而获得该理想曲线对应的方向线上的区间最小差值序列，包括：步骤s3341：以理想曲线的高度方向为纵坐标，以理想曲线的长度方向为横坐标建立直角坐标系；步骤s3342：理想曲线上的第j个卷层对应的区间上的上限值和下限值标记为(aj，bj)；步骤s3343利用公式σ
j
＝a
j+1
‑
b
j
获取所述区间最小差值，从而形成所述区间最小差值序列，式中，σ
j
为第j个区间最小差值，a
j+1
为第j+1个区间左边界，b
j
为第j个区间的右边界。
[0111]
如图12所示，理想曲线的高度区间为钢卷的像素区间，通过对理想曲线的钢卷区
间进行标记，能够计算获取各区间的区间最小差值。
[0112]
通过计算获取区间最小差值序列，能够利用区间最小差值序列计算获取理想曲线的灰度周期波动性。
[0113]
在一种实施例中，在步骤s335，利用任一理想曲线的区间最小差值序列，计算该理想曲线的灰度周期波动性，包括：针对任一理想曲线，利用公式计算该理想曲线的灰度周期波动性，式中δ2表示灰度周期波动性的波动程度，σ
j
为区间最小差值序列中的第j个值，为区间最小差值序列的平均值，m为区间最小差值序列值的个数。
[0114]
因此，就可以得到各方向线对应的灰度周期波动性。通过计算灰度周期波动性，能够得出灰度周期波动性最大的方向线。灰度周期波动性最大的方向线的指向即为主方向。
[0115]
步骤s4：根据所述主方向上的区间最小差值序列，获取所述钢卷的松卷度。
[0116]
得到主方向上的区间最小差值序列后，能够利用区间最小差值序列获取钢卷的松卷度。采用svm分类器对松卷程度进行分类，输入为区间最小差值序列，根据输入的区间最小差值序列将钢卷层之间的区域分为三类，分别为正常钢卷区域、轻度松卷区域和重度松卷区域。此分类结果可用于指导卷取机的各个参数。
[0117]
在一种实施例中，步骤s4，根据所述主方向上的区间最小差值序列，获取所述钢卷的松卷度，包括：构建svm分类器，所述分类器能够将钢卷按照松卷度分为正常钢卷区域、轻度松卷区域和重度松卷区域，即svm分类器包括正常钢卷区域对应的区间最小差值序列集合、轻度松卷区域对应的区间最小差值序列集合以及重度松卷区域对应的区间最小差值序列集合，各区间最小差值序列集合中包括至少一个区间最小差值序列；将所述主方向上的区间最小差值序列输入所述svm分类器中，获取钢卷的松卷度。
[0118]
作为其他的实施方式，还可以通过其他网络训练的方式获取到钢卷的松卷度，比如：构建卷积神经网络(或者深度学习网络)，获取样本集，样本集包括正常钢卷区域对应的区间最小差值序列集合、轻度松卷区域对应的区间最小差值序列集合以及重度松卷区域对应的区间最小差值序列集合，各区间最小差值序列集合中包括至少一个区间最小差值序列。对样本集进行标标注。然后，根据样本集对卷积神经网络进行训练。最后，将实际得到的所述主方向上的区间最小差值序列输入训练好的卷积神经网络中，获取钢卷的松卷度。
[0119]
请参阅图13，其示出了本发明一个实施例提供的一种基于人工智能的钢卷松卷自动检测装置，该装置包括：
[0120]
第一获取模块1，用于获取所述钢卷的端部图像。
[0121]
本发明中采用相机采集钢卷的端部图像。相机设置在钢卷的端部，用于采集钢卷的端部图像。钢卷的端部包括一圈圈的钢卷，相机采用的图像中也包含一圈圈的钢卷。通过利用第一获取模块1获取包含一圈圈钢卷的图像，能够利用图像中的一圈圈钢卷判断钢卷的松卷度。
[0122]
为了实现对钢卷松卷度的分析，需采用高分辨率的相机。采用高分辨率的相机，能够使一圈圈钢卷的边缘清晰可见，从而能够实现对钢卷松卷度的分析。
[0123]
处理模块2，用于对所述端部图像进行处理，获取只包含钢卷的图像。
[0124]
为了实现对钢卷松卷度的分析，去除工业背景的影响，减少后续计算量，需要将采集到的钢卷的端部图像处理为只包含钢卷的图像。
[0125]
在一种实施例中，如图14所示，处理模块2包括转换子模块21和处理子模块22。
[0126]
转换子模块21，用于将所述端部图像进行灰度转换，得到灰度图像；处理子模块22，用于将所述灰度图像进行处理，得到只包含钢卷的图像。
[0127]
相机采用的图像多为彩色图像，为实现对端部图像的分析，需利用转换子模块21将相机采集的彩色端部图像进行灰度转换，将彩色图像转换为灰度图像。利用转换子模块21将端部图像转换为灰度图像后，需利用处理子模块22将灰度图像进行处理，得到只包含钢卷的图像。
[0128]
处理子模块22将灰度图像进行处理，得到只包含钢卷的图像，包括：处理子模块22将灰度图送入训练好的语义分割网络中，对钢卷区域和非钢卷区域进行像素级分类。处理子模块22将灰度图进行像素级标注，标注类别为两类，钢卷区域标注为1，无关区域标注为0。
[0129]
分析模块3对只包含钢卷的图像进行分析，得到表示钢卷最大松卷度的主方向和所述主方向上的区间最小差值序列。
[0130]
处理模块2处理获取只包含钢卷的图像后，需要采用分析模块3对只包含钢卷的图像进行分析，获取表示钢卷最大松卷度的主方向。
[0131]
主方向表示分析获取的钢卷松卷度最大的方向。通过利用分析模块3获取主方向，能够利用主方向获取钢卷的最大松卷度，从而能够判断钢卷是否松卷。
[0132]
在一种实施例中，如图15所示，分析模块3包括：第一获取子模块31、划分子模块32和第二获取子模块33。
[0133]
第一获取子模块31，用于对只包含钢卷的图像进行分析，获取所述钢卷的基准中心点；划分子模块32，用于采用多条过基准中心点的方向线将所述钢卷划分为多个不同区域；第二获取子模块33，用于获取所述钢卷在各方向线上的灰度周期波动性，将灰度周期波动性最大的方向线的指向作为所述主方向。
[0134]
第一获取子模块31通过对只包含钢卷的图像进行分析，能够获取钢卷的基准中心点。钢卷的基准中心点最接近各圈钢卷环绕形成的中心点。找到钢卷的基准中心点，划分子模块32能够采用多条过基准中心点的方向线将钢卷划分为多个不同的区域，从而能够利用第二获取子模块33获取钢卷在各方向线上的灰度周期波动性，并将灰度周期波动性最大的方向线的指向作为主方向。
[0135]
在一种实施例中，在第一获取子模块31找到钢卷的基准中心点后，划分子模块32采用30条过基准中心点的方向线将钢卷均匀划分为了多个不同的区域。
[0136]
在一种实施例中，如图16所示，第一获取子模块31包括第一获取单元311、第二获取单元312、第一放入单元313，第一计算单元314、第二放入单元315、第二计算单元316。
[0137]
第一获取单元311，用于分别获取所述钢卷中各个卷层的一条边缘，作为基准边缘；第二获取单元312，用于对各所述基准边缘分别进行最小外接矩形分析，获取所有最小外接矩形的中心点坐标；第一放入单元313，用于分别计算任一中心点坐标与其他各中心点坐标之间的距离，若所述距离小于设定值m1，则将对应的两个中心点坐标放入集合u1；第一计算单元314，用于利用公式pi＝ni/(n
‑
1)计算集合u1中的各中心点坐标在集合u1中出现的概率，其中ni为第i个中心点坐标在集合u1中出现的次数，n为基准边缘数量；第二放入单元315，用于若pi大于设定值m2，则将对应的中心点坐标放入集合u2中；第二计算单元316，
用于对集合u2中的各中心点的纵坐标y和横坐标x分别求平均值得到的坐标即为所述钢卷的基准中心点。
[0138]
对只包含钢卷的图像进行边缘提取，得到各个卷层的边缘。若钢卷中含有n个卷层，则通过边缘提取能够提取出2n个边缘。第一获取单元311分别获取钢卷中各个卷层的一条边缘，能够获取n个不同的边缘。在一种实施例中，第一获取单元311对提取的各个边缘进行标记，从外向内，依次标记为1～2n。每层带钢有两个边缘，将编好号的边缘依次组合为(1，2)、(3，4)
…
(2n
‑
1，2n)。分别获取钢卷中各个卷层的一条边缘，作为基准边缘，包括：获取钢卷中各个卷层的标号较小的边缘，作为基准边缘。
[0139]
第二获取单元312对所有的基准边缘进行最小外接矩形分析，获取所有最小外接矩形的中心点，记为p1(x1，y1)、p2(x2，y2)...p
n
(x
n
，y
n
)。
[0140]
第一放入单元313根据最小外接矩形的中心点坐标，计算任一点与其他点之间的距离公式为式中，l
i，k
为第i、k条基准边缘中心点之间的距离。
[0141]
第一放入单元313中的设定值m1为设定的经验阈值。第一放入单元313分别计算各中心点坐标之间的距离，若距离小于设定值m1，则将对应的两个中心点坐标放入集合u1，通过该方式能够将距离较近的中心点坐标进行聚类。
[0142]
第一计算单元314利用公式pi＝ni/(n
‑
1)计算集合u1中的各中心点坐标在集合u1中出现的概率，通过计算各中心点坐标在集合u1中出现的概率，能够获取各中心点坐标靠近基准中心点的程度。
[0143]
第二放入单元315中的设定值m2为设定的经验阈值。若pi大于设定值m2，则第二放入单元315将对应的中心点坐标放入集合u2中。放入集合u2中的中心点坐标，均为靠近基准中心点的坐标。
[0144]
第二计算单元316对集合u2中的各中心点的纵坐标y和横坐标x分别求平均值得到的坐标即为所述钢卷的基准中心点。采用第二计算单元316计算获取的钢卷的基准中心点具有准确的特点，更接近于各圈钢卷的中心点。
[0145]
采用多条过基准中心点的方向线将钢卷划分为多个不同区域，能够保证每条方向线均将钢卷划分为了相等的两部分。各方向线上的钢卷像素数量均相同，方便进行后续计算。
[0146]
在一种实施例中，如图17所示，第二获取子模块33包括：第三获取单元331、拟合单元332、逼近单元333、第三计算单元334、第四计算单元335。
[0147]
第三获取单元331，用于获取任一所述方向线上的各像素的灰度值，按照顺序组合为灰度值序列qh，h为第h条方向线；拟合单元332，用于对所述灰度值序列qh进行最小二乘法曲线拟合，得到拟合曲线；逼近单元333，用于根据所述拟合曲线进行理想曲线逼近，得到理想曲线；第三计算单元334，根据任一所述理想曲线，计算该理想曲线上的任一相邻两个卷层对应的区间之间的最小差值，从而获得该理想曲线对应的方向线上的区间最小差值序列；第四计算单元335，用于利用任一理想曲线的区间最小差值序列，计算该理想曲线的灰度周期波动性，并将灰度周期波动最大的理想曲线对应的方向线的指向作为所述主方向。
[0148]
任一方向线上均包含多个像素，灰度值序列qh为方向线上的各像素的灰度值的依
次排列。拟合单元332对灰度值序列qh进行最小二乘法曲线拟合，得到拟合曲线，得到的拟合曲线如图7所示。根据拟合曲线进行理想曲线逼近，得到理想曲线，得到的理想曲线如图8
‑
图9所示。图8为钢卷不松卷时的理想曲线，图9为钢卷松卷时的理想曲线。
[0149]
逼近单元333根据所述拟合曲线进行理想曲线逼近，得到理想曲线，包括：逼近单元333根据所述拟合曲线，得出该拟合曲线上的最大灰度值；当曲线上的灰度值与最大灰度值之间的差值小于设定值m3，将该灰度值设定为最大灰度；根据所述拟合曲线，得出该拟合曲线上的最小灰度值；当曲线上的灰度值与最小灰度值之间的差值小于设定值m4，将该灰度值设定为最小灰度值。
[0150]
通过将曲线上与最大灰度值之间的差值小于设定值m3的灰度值设定为最大灰度值，能够将所有的钢卷灰度值均设定为最大灰度值，从而使得钢卷的灰度值相等，得到的理想曲线的顶点相同。
[0151]
通过将曲线上与最小灰度值之间的差值小于设定值m4的灰度值设定为最小灰度值，能够将所有的非钢卷区域的灰度值均设定为最小灰度值，从而使得非钢卷区域的灰度值相等，得到的理想曲线的最低点相同。
[0152]
在一种实施例中，第三计算单元334根据任一所述理想曲线，计算该理想曲线上的任一相邻两个区间的最小差值，从而获得该理想曲线对应的方向线上的区间最小差值序列，包括：第三计算单元334以理想曲线的高度方向为纵坐标，以理想曲线的长度方向为横坐标建立直角坐标系；理想曲线上的第j个卷层对应的区间上的上限值和下限值标记为(aj，bj)；利用公式σ
j
＝aj
+1
‑
b
j
获取所述区间最小差值，从而形成所述区间最小差值序列，式中，σ
j
为第i个区间最小差值，a
j+1
为第j+1个区间左边界，b
j
为第j个区间的右边界。
[0153]
如图12所示，理想曲线的高度区间为钢卷的像素区间，通过对理想曲线的钢卷区间进行标记，能够计算获取各区间的区间最小差值。
[0154]
通过计算获取区间最小差值序列，能够利用区间最小差值序列计算获取理想曲线的灰度周期波动性。
[0155]
在一种实施例中，第四计算单元335利用任一理想曲线的区间最小差值序列，计算该理想曲线的灰度周期波动性，包括：第四计算单元335针对任一理想曲线，利用公式计算该理想曲线的灰度周期波动性，式中δ2表示灰度周期波动性的波动程度，σ
i
为区间最小差值序列中的第i个值，为区间最小差值序列的平均值，m为区间最小差值序列值的个数。
[0156]
通过计算灰度周期波动性，能够得出灰度周期波动性最大的方向线。灰度周期波动性最大的方向线的指向即为主方向。
[0157]
第二获取模块4，用于根据所述主方向上的区间最小差值序列，获取所述钢卷的松卷度。
[0158]
得到主方向上的区间最小差值序列后，第二获取模块4能够利用区间最小差值序列获取钢卷的松卷度。采用svm分类器对松卷程度进行分类，输入为区间最小差值序列，根据输入的区间最小差值序列将钢卷层之间的区域分为三类，分别为正常钢卷区域、轻度松卷区域和重度松卷区域。此分类结果可用于指导卷取机的各个参数。
[0159]
在一种实施例中，第二获取模块4包括：构建子模块和输入子模块；
[0160]
构建子模块，用于构建svm分类器，所述分类器能够将钢卷按照松卷度分为正常钢卷区域、轻度松卷区域和重度松卷区域；输入子模块，用于将所述主方向上的区间最小差值序列输入所述svm分类器中，获取钢卷的松卷度。
[0161]
本发明实施例还提出了一种基于人工智能的钢卷松卷自动检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述一种基于人工智能的钢卷松卷自动检测方法的步骤。
[0162]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0163]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0164]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。