一种冷轧带钢表面缺陷原因分析方法及系统

摘要

本发明涉及一种冷轧带钢表面缺陷原因分析系统，包括实时缺陷图像输入单元、缺陷原因匹配单元、输入单元、缺陷原因输出单元和基于学习向量量化神经网络的缺陷原因特征知识库，实时缺陷图像输入单元、缺陷原因输出单元和缺陷原因特征知识库均与缺陷原因匹配单元电连接，缺陷原因特征知识库、缺陷原因输出单元和所述缺陷原因匹配单元均与输入单元电连接。本发明通过隐藏于专家头脑中的经验型缺陷原因知识建立缺陷原因特征库，当输入实时图像信息时，能实时显示缺陷原因匹配结果。系统运行速度快，且精度高、效率高、实时性强、实用性强，操作简单，大大提高了生产效率，降低缺陷率和生产成本。

说明书

技术领域

本发明涉及一种冷轧带钢表面缺陷原因分析方法及系统。

背景技术

随着带钢生产向着精益化、智能化方向发展，对带钢产品质量提出很高 的要求，如何实时分析带钢表面缺陷原因，并指导生产已经变得尤为重要。

冷轧带钢生产过程包括“酸洗-轧钢-退火-平整-精整”等，由于酸洗不 良、轧辊表面缺陷或辊型设计不合理等造成很多表面缺陷，如孔洞、边浪、 边裂、夹杂、气泡等，严重影响产品质量。现有的缺陷原因分析方法大多是 依靠经验工作者对轧制在制品或成品的经验分析，具有滞后性，人员依赖性， 无法实时指导生产而轧制大量废品；同时它无法兼顾上下工艺之间的关系， 具有片面性。

带钢表面缺陷原因知识是隐藏于专家头脑的隐性知识，且具有不确定 性，一种缺陷可能有多种因素造成，一种因素又可能造成多种缺陷，如何发 现隐含的、有效的、有价值的、可理解的因素，得到它们之间不确定的映射 关系，并将其结构化、显性化，都将是缺陷原因实时分析的前提。

缺陷原因只有和缺陷图像特征对应起来，建立缺陷原因特征知识库才便 于实时缺陷原因检索匹配，图像预处理、缺陷目标分割、特征提取都将为获 取图像特征知、建立缺陷原因特征库提供技术支持。

发明内容

本发明的目的是提供一种冷轧带钢表面缺陷原因分析方法及系统，解决 现有技术中存在的上述问题。

本发明解决上述技术问题的技术方案如下：一种冷轧带钢表面缺陷原因 分析方法，包括以下步骤：

步骤1：组建基于学习向量量化神经网络的缺陷原因特征知识库；

步骤2：实时缺陷图像输入单元采集实时缺陷图像，并将所述实时缺陷 图像发送到缺陷原因匹配单元；

步骤3：所述缺陷原因匹配单元通过所述学习向量量化神经网络在所述 缺陷原因特征知识库中匹配出与所述实时缺陷图像相对应的缺陷原因，并将 所述缺陷原因发送到缺陷原因输出单元；

步骤4：所述缺陷原因输出单元通过输入单元将所述缺陷原因进行显示。

进一步，所述步骤1具体包括以下步骤：

步骤1.1：通过输入单元将缺陷原因知识输入到所述缺陷原因特征知识 库；

步骤1.2：通过输入单元将缺陷图像输入到所述缺陷原因特征知识库， 并通过缺陷图像特征提取法提取出所述缺陷图像的缺陷图像特征向量；

步骤1.3：缺陷原因特征训练单元通过学习向量量化神经网络和matlab 工具对输入的所述缺陷原因知识和缺陷图像特征向量进行训练，得到所述缺 陷原因知识与所述缺陷图像特征向量的映射关系，并将所述映射关系发送到 原因特征共享编码单元；

步骤1.4：所述原因特征共享编码单元对所述映射关系进行编码，并将 编码结果发送到数据库单元；

步骤1.5：所述数据库单元存储所述编码结果。

进一步，所述步骤3具体包括以下步骤：

步骤3.1：缺陷原因匹配单元通过缺陷图像特征提取法提取出所述实时 缺陷图像的缺陷图像特征向量；

步骤3.2：缺陷原因匹配单元通过所述学习向量量化神经网络在所述缺 陷原因特征知识库中匹配出与所述实时缺陷图像的缺陷图像特征向量相对 应的缺陷原因，并将所述缺陷原因发送到缺陷原因输出单元。

一种冷轧带钢表面缺陷原因分析系统，包括实时缺陷图像输入单元、缺 陷原因匹配单元、输入单元、缺陷原因输出单元和基于学习向量量化神经网 络的缺陷原因特征知识库，所述实时缺陷图像输入单元、缺陷原因输出单元 和缺陷原因特征知识库均与所述缺陷原因匹配单元电连接，所述缺陷原因特 征知识库、缺陷原因输出单元和所述缺陷原因匹配单元均与所述输入单元电 连接；

所述实时缺陷图像输入单元用于采集实时缺陷图像，并将所述实时缺陷 图像发送到缺陷原因匹配单元；

所述缺陷原因匹配单元用于通过学习向量量化神经网络在所述缺陷原 因特征知识库中匹配出与所述实时缺陷图像相对应的缺陷原因，并将所述缺 陷原因发送到缺陷原因输出单元；

所述缺陷原因输出单元用于通过所述输入单元将所述缺陷原因进行显 示。

进一步，所述缺陷原因特征知识库包括缺陷图像特征提取单元、缺陷原 因特征训练单元、原因特征共享编码单元和数据库单元；

所述输入单元还用于将缺陷原因知识和缺陷图像输入到所述缺陷原因 特征知识库；

所述缺陷图像特征提取单元用于通过缺陷图像特征提取法提取出所述 缺陷图像的缺陷图像特征向量，并将所述缺陷图像特征向量发送到所述缺陷 原因特征训练单元；

所述缺陷原因特征训练单元用于通过学习向量量化神经网络和matlab 工具对输入的所述缺陷原因知识和缺陷图像特征向量进行训练，得到所述缺 陷原因知识与所述缺陷图像特征向量的映射关系，并将所述映射关系发送到 所述原因特征共享编码单元；

所述原因特征共享编码单元用于对所述映射关系进行编码，并将编码结 果发送到数据库单元；

所述数据库单元用于存储所述编码结果。

进一步，所述缺陷原因匹配单元包括缺陷图像特征提取模块和缺陷原因 匹配模块，所述缺陷图像特征提取模块用于通过缺陷图像特征提取法提取出 所述实时缺陷图像的缺陷图像特征向量；所述缺陷原因匹配模块用于通过所 述学习向量量化神经网络在所述缺陷原因特征知识库中匹配出与所述实时 缺陷图像的缺陷图像特征向量相对应的缺陷原因，并将所述缺陷原因发送到 缺陷原因输出单元。

进一步，所述缺陷图像特征提取法具体包括以下步骤：

步骤1：图像预处理单元对缺陷图像依次进行平滑处理和灰度变换，所 述灰度变换包括时域、频域增强算法拉伸对比度，以提高图像质量，并将处 理后的缺陷图像发送到缺陷目标分割单元；

步骤2：所述缺陷目标分割单元对所述缺陷图像上与缺陷原因相关的区 域进行标注，并将处理后的所述缺陷图像向特征选择单元发送；

步骤3：特征选择单元选取与缺陷原因相关的特征向量，所述特征向量 包括均值、总方差、X方向方差、Y方向方差、能量、熵、X方向过零值和/ 或Y方向过零值，并将处理后的缺陷图像向特征降维单元发送；

步骤4：特征降维单元去除包含冗余信息的特征向量，并将处理后的缺 陷图像向特征提取单元发送；

步骤5：特征提取单元提取出最终的缺陷图像特征向量。

本发明的有益效果是：本发明一种冷轧带钢表面缺陷原因分析方法及系 统通过隐藏于专家头脑中的经验型缺陷原因知识建立缺陷原因特征库，当输 入实时图像信息时，能实时显示缺陷原因匹配结果。系统运行速度快，实现 实时缺陷图像原因智能匹配，并智能输出匹配结果，且精度高、效率高、实 时性强、实用性强，操作简单，大大提高了生产效率，降低缺陷率和生产成 本，与现有技术相比，具有原因分析实时性强、精度高、操作方便且生产效 率高的优点。

附图说明

图1为本发明一种冷轧带钢表面缺陷原因分析系统的结构框图；

图2为本发明一种冷轧带钢表面缺陷原因分析系统的缺陷原因特征知识 库的结构框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本 发明，并非用于限定本发明的范围。

一种冷轧带钢表面缺陷原因分析方法，包括以下步骤：

步骤1：组建基于学习向量量化神经网络的缺陷原因特征知识库；

步骤2：实时缺陷图像输入单元采集实时缺陷图像，并将所述实时缺陷 图像发送到缺陷原因匹配单元；

步骤3：所述缺陷原因匹配单元通过所述学习向量量化神经网络在所述 缺陷原因特征知识库中匹配出与所述实时缺陷图像相对应的缺陷原因，并将 所述缺陷原因发送到缺陷原因输出单元；

步骤4：所述缺陷原因输出单元通过输入单元将所述缺陷原因进行显示。

所述步骤1具体包括以下步骤：

步骤1.1：通过输入单元将缺陷原因知识输入到所述缺陷原因特征知识 库；

步骤1.2：通过输入单元将缺陷图像输入到所述缺陷原因特征知识库， 并通过缺陷图像特征提取法提取出所述缺陷图像的缺陷图像特征向量；

步骤1.3：缺陷原因特征训练单元通过学习向量量化神经网络和matlab 工具对输入的所述缺陷原因知识和缺陷图像特征向量进行训练，得到所述缺 陷原因知识与所述缺陷图像特征向量的映射关系，并将所述映射关系发送到 原因特征共享编码单元；

步骤1.4：所述原因特征共享编码单元对所述映射关系进行编码，并将 编码结果发送到数据库单元；

步骤1.5：所述数据库单元存储所述编码结果。

所述步骤3具体包括以下步骤：

步骤3.1：缺陷原因匹配单元通过缺陷图像特征提取法提取出所述实时 缺陷图像的缺陷图像特征向量；

步骤3.2：缺陷原因匹配单元通过所述学习向量量化神经网络在所述缺 陷原因特征知识库中匹配出与所述实时缺陷图像的缺陷图像特征向量相对 应的缺陷原因，并将所述缺陷原因发送到缺陷原因输出单元；

一种冷轧带钢表面缺陷原因分析系统，包括实时缺陷图像输入单元、缺 陷原因匹配单元、输入单元、缺陷原因输出单元和基于学习向量量化神经网 络的缺陷原因特征知识库，所述实时缺陷图像输入单元、缺陷原因输出单元 和缺陷原因特征知识库均与所述缺陷原因匹配单元电连接，所述缺陷原因特 征知识库、缺陷原因输出单元和所述缺陷原因匹配单元均与所述输入单元电 连接；

所述实时缺陷图像输入单元用于采集实时缺陷图像，并将所述实时缺陷 图像发送到缺陷原因匹配单元；

所述缺陷原因匹配单元用于通过学习向量量化神经网络在所述缺陷原 因特征知识库中匹配出与所述实时缺陷图像相对应的缺陷原因，并将所述缺 陷原因发送到缺陷原因输出单元；

所述缺陷原因输出单元用于通过所述输入单元将所述缺陷原因进行显 示。

所述缺陷原因特征知识库包括缺陷图像特征提取单元、缺陷原因特征训 练单元、原因特征共享编码单元和数据库单元；

所述输入单元还用于将缺陷原因知识和缺陷图像输入到所述缺陷原因 特征知识库；

所述缺陷图像特征提取单元用于通过缺陷图像特征提取法提取出所述 缺陷图像的缺陷图像特征向量，并将所述缺陷图像特征向量发送到所述缺陷 原因特征训练单元；

所述缺陷原因特征训练单元用于通过学习向量量化神经网络和matlab 工具对输入的所述缺陷原因知识和缺陷图像特征向量进行训练，得到所述缺 陷原因知识与所述缺陷图像特征向量的映射关系，并将所述映射关系发送到 所述原因特征共享编码单元；

所述原因特征共享编码单元用于对所述映射关系进行编码，并将编码结 果发送到数据库单元；

所述数据库单元用于存储所述编码结果。

所述缺陷原因匹配单元包括缺陷图像特征提取模块和缺陷原因匹配模 块，所述缺陷图像特征提取模块用于通过缺陷图像特征提取法提取出所述实 时缺陷图像的缺陷图像特征向量；所述缺陷原因匹配模块用于通过所述学习 向量量化神经网络在所述缺陷原因特征知识库中匹配出与所述实时缺陷图 像的缺陷图像特征向量相对应的缺陷原因，并将所述缺陷原因发送到缺陷原 因输出单元。

所述缺陷图像特征提取法具体包括以下步骤：

步骤1：图像预处理单元对缺陷图像依次进行平滑处理和灰度变换，所 述灰度变换包括时域、频域增强算法拉伸对比度，以提高图像质量，并将处 理后的缺陷图像发送到缺陷目标分割单元；灰度变换的目的是为了更好地二 值化；优选为，通过形态学方法进行去噪处理，该方法对高斯噪声、椒盐噪 声都有较好的抑制效果，且运行速度快；

步骤2：所述缺陷目标分割单元采用自适应分割算法对所述缺陷图像上 与缺陷原因相关的区域进行标注，并将处理后的所述缺陷图像向特征选择单 元发送；

步骤3：特征选择单元利用演化计算的自适应性选取与缺陷原因相关的 特征向量，所述特征向量包括均值、总方差、X方向方差、Y方向方差、能 量、熵、X方向过零值和/或Y方向过零值，并将处理后的缺陷图像向特征降 维单元发送；

步骤4：特征降维单元去除包含冗余信息的特征向量，并将处理后的缺 陷图像向特征提取单元发送；

步骤5：特征提取单元提取出最终的缺陷图像特征向量。

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。