一种轧制棒线材剪切废料尺寸的测量方法和装置

本发明属于自动检测，更具体地，涉及一种轧制棒线材剪切废料尺寸的测量方法和装置。

背景技术：

1、我国当前生产线所应用的短应力轧机自动化程度低，一般通过人工对辊缝进行微量的精调，只能实现定长剪切。在此条件下出于生产安全考虑，生产参数的设置往往导致剪切废料的长度存在较大盈余，使得原材料利用率相对低下。因此，剪切废料外形尺寸是实现轧机自动化控制的关键指标，有必要对其进行在线测量。

2、目前常见的棒线材尺寸测量主要集中在产品直径测量方面，例如测径仪等设备的应用，对于剪切废料及其包括长度在内的外形尺寸和特征关注相对缺乏。

3、在线测量过程中，生产设备输出的剪切废料温度可达800℃以上，亦可以产生特定波长范围内的辐射光。借助滤光片的视觉测量手段无需与被测物体接触的特点较好地符合该场景下的应用需求。测量剪切废料尺寸的前提是将其与背景图像分割开来，虽然传统算法例如阈值分割算法和边缘检测算法可以实现这一目标，但其中的参数需要进行人为设置，因而难以适应拍摄环境的变化，鲁棒性较差、部署难度大。同时，剪切废料自身的固有特点使得采用视觉手段对其进行尺寸测量存在一些困难。一方面，剪切废料在长度方向的尺度远远大于直径方向，尽管增大物距和焦距可以扩大拍摄视野，但也会造成分辨率的下降，因此很难在保证分辨率的前提下想要通过一次图像采集获取到完整的外形图像。另一方面，由于剪切废料两端存在剪切变形和轧制变形，整个剪切废料沿长度方向可以划分成剪切变形区段、规则区段和轧制变形区段，获取并降低规则段长度是提高材料利用率的重要切入点；但同时变形区段的存在使得不同剪切废料轮廓不规则程度较高、形状差异较大，对区分并获取变形区段和规则区段的长度带来了挑战。

技术实现思路

1、针对现有技术的缺陷，本发明的目的在于提供一种轧制棒线材剪切废料尺寸的测量方法和装置，以解决现有方法无法准确获取轧制棒线材剪切废料的变形区段和规则区段长短尺寸的问题。

2、为实现上述目的，本发明提供了一种轧制棒线材剪切废料尺寸的测量方法，所述测量方法包括以下步骤：

3、s1获取所述棒线材剪切废料的原始图像并预处理，得到预处理图像；

4、s2对所述预处理图像进行轮廓标注以生成对应的二值化标签，将轮廓标注后的所述预处理图像划分为尺寸相同的多个图像-标签子图；

5、s3将所述图像-标签子图划分为训练数据集和验证数据集，并利用所述训练数据集训练unet神经网络模型，利用验证数据集验证训练后的所述unet神经网络模型；

6、s4将待测样品的图像预处理并划分为子图后输入步骤s3中训练好的所述unet神经网络模型中进行分割，以获得多个分割子图；

7、s5基于步骤s4中所述分割子图的位置信息，将步骤s4中获得的所述分割子图合并，从而得到所述待测样品的完整分割图像；

8、s6获取所述完整分割图像的最小外接矩形，以距离所述最小外接矩形两端第一偏移量处的所述完整分割图像的像素点为起点，沿横坐标方向遍历预设数量的像素点，以确定所述待测样品上的外形不规则段和外形规则段的分界点，基于所述分界点获取所述待测样品的不规则段尺寸。

9、进一步的，步骤s1中，对所述原始图像进行预处理的步骤包括：

10、对所述原始图像分别进行尺寸归一化、直方图归一化和降采样处理。

11、更进一步的，对所述原始图像进行尺寸归一化处理的步骤包括：当所述原始图像尺寸大于预设尺寸时，剪裁所述原始图像边缘直至符合所述预设尺寸；当所述原始图像尺寸小于所述预设尺寸时，制作所述预设尺寸的黑色掩膜，并将所述原始图像填充于其中。

12、进一步的，步骤s3中，以二元交叉熵损失函数作为优化目标，并以平均交并比作为辅助观测指标训练所述unet神经网络模型。

13、进一步的，步骤s6中，沿横坐标方向遍历的预设数量的像素点大于等于300个；

14、更进一步的，所述第一偏移量为大于等于10个像素点。

15、进一步的，步骤s6中，确定所述待测样品上的外形不规则段和外形规则段的分界点的具体步骤包括：

16、s61获取所述完整分割图像的最小外接矩形，沿所述最小外接矩形的横坐标方向遍历预设数量的像素点，遍历时，确定每个像素点处所述最小外接矩形的横向中轴线的垂线，并在所述完整分割图像的轮廓上获取距离所述垂线最近的左右两对像素点的位置信息，其中，每对像素点位于所述横向中轴线的上下两侧；

17、s62基于所述位置信息，计算任意一对像素点之间的纵向距离；

18、s63判断所述纵向距离是否小于预设的参考直径：若小于，则确定所述垂线处的像素点即为所述分界点；若大于等于，则所述垂线处的像素点不是所述分界点。

19、更进一步的，步骤s63之后，还执行以下步骤：

20、s64计算任意一对像素点连线的中点相对于所述横向中轴线的第二偏移量；

21、s65判断所述第二偏移量是否大于预设的参考偏移量：若大于，则判断所述垂线处的像素点为所述分界点；若小于等于，则所述垂线处的像素点不是所述分界点。

22、更进一步的，判断被确定为所述分界点的像素点的数量是否超过预设耐心值：若超过，则将第一个被判断为所述分界点的像素点作为所述外形正常段和所述外形不正常段的最终分界点；若不超过，则选取所有所述分界点中使所述外形不规则段长度更长的像素点作为所述分界点。

23、进一步的，步骤s6之后，还计算所述待测样品外形规则段的直径，计算步骤包括：选取所述待测样品中点，以及分别位于该中点左右两侧且与该中点距离为第三偏移量的两个像素点；计算所述中点和其两侧的两个像素点处对应的所述待测样品的直径并求平均值，进而得到所述待测样品外形规则段的直径。

24、根据本发明的另一个方面，还公开一种能实现如前任意所述的一种轧制棒线材剪切废料尺寸的测量方法的测量装置，包括：

25、三维运动组件以及设置在其上的图像获取模块，所述图像获取模块能沿所述三维运动组件上下、前后和左右运动；

26、定位挡板，其设置在所述三维运动组件上并位于所述图像获取模块下方，所述定位挡板用于放置所述待测样品；

27、气动翻转模块，其设置在所述定位挡板下方，并能使所述定位挡板带动所述待测样品旋转和翻转一定角度；

28、外部数据分析处理模块，与所述图像获取模块相连接；所述图像获取模块用于获取所述待测样品的原始图像，并将所述原始图像传输给所述外部数据分析处理模块；所述外部数据分析处理模块用于基于所述原始图像判断所述待测样品外形规则段和外形不规则段的分界点，进而确定所述外形不规则段的尺寸。

29、通过本发明所构思的以上技术方案，与现有技术相比，主要具备以下优点：

30、1.本发明采集大量棒线材剪切废料的完整原始图像并进行预处理，由于预处理后的图像尺寸不能直接用于训练unet神经网络模型，因此将预处理后的原始图像制作成图像-标签子图作为样本数据集，可以在减小训练图像尺寸的同时，增加训练样本数量；然后将样本数据集划分为训练数据集和验证数据集，利用训练数据集输入unet神经网络模型进行训练，将验证数据集输入训练好的unet神经网络模型进行验证，再将待检测的棒线材剪切废料样品的图像预处理后输入训练好的unet神经网络模型中进行图像分割，从而获得分割了的待测样品及其背景的完整图像；之后通过获取该完整图像的最小外接矩形，并根据最小外接矩形图像以及提前设定的第一偏移量来确定待测样品两端轧制变形或剪切变形所对应的外形不规则段的长度并在线输出结果，从而实现待测棒线材剪切废料样品尺寸的精确自动检测和在线输出。

31、2.本发明通过对多种情况综合预处理来得到符合要求的训练图像，并用训练图像训练出高精度的unet神经网络模型，能够用于反复精确检测各种棒线材尺寸，具体的，由于合并后图片大小并不统一，需要进行尺寸归一化；原始图像中待测棒线材剪切废料与周围环境灰度差异较小而不利于图像分割，且灰度较亮的部位特征细节不必要保留，因此采用全局直方图归一化提高待测棒线材与背景间的对比度；考虑到合并后的图像沿像素尺寸相当大，采用降采样将图像进行缩小，从而确保待测棒线材剪切废料图像完整清晰。

32、3.本发明以二元交叉熵损失函数作为优化目标，并以平均交并比作为辅助观测指标训练unet神经网络模型，随着训练的进行，训练集和验证集的损失函数均保持下降趋势且逐渐平稳收敛于0，且验证集平均交并比保持上升并逐渐平稳收敛于1，表明网络对训练集实现了较好的拟合；训练好的unet神经网络模型具有较高的鲁棒性，能够精确获取分割了的待测棒线材剪切废料和其所在背景的完整图像，整个检测方法操作简单、处理效率高。