一种连铸坯表面凹坑缺陷识别方法

摘要

本发明公开了一种连铸坯表面凹坑缺陷识别统计方法，采用3D视觉对连铸坯修磨过程中呈现的凹坑及其深度进行识别，进而能够实现对凹坑数量的自动统计。该方法一方面可取代人工现场对凹坑进行识别统计，节约人工成本，消除安全风险，提高现场的安全指数；另一方面可实现连续实时识别统计，提高计数效率，采集的数据更加全面具体，为连铸工艺改进提供数据支撑。

说明书

技术领域

本发明涉及一种表面质量判断方法，具体涉及一种连铸坯表面凹坑缺陷识别方法。

背景技术

镍系钢连铸坯在进加热炉准备轧制之前，一般通过修磨去除表面的凹坑、裂纹等缺陷，由于凹坑的深度不同，修磨过少，凹坑不能完全去除，在后期轧制过程中容易产生裂纹、凹坑等缺陷，修磨过多，则增加镍系钢损耗。

一般连铸修磨后的表面凹坑通过人工统计，由于修磨现场具有运转的大型设备、移动的行车，这些为统计人员增加了危险系数，另外修磨间隔较长，又增加了时间成本。

发明内容

发明目的：为了克服现有技术的缺陷，本发明提供一种连铸坯表面凹坑缺陷识别方法，该方法能够识别出连铸坯表面的凹坑，取代人工进行识别统计。

技术方案：本发明所述的一种连铸坯表面凹坑缺陷识别统计方法，包括如下步骤：

(1)拍摄修磨完成的连铸坯表面，获取连铸坯3D点云图像；

(2)使用下采样算法对3D点云图像进行简化处理；

(3)对每个点的邻域进行统计分析，根据经验设定标准值a，剔除大于标准值a的邻域点，以去除离散点；

(4)使用区域生长算法分割提取点云中的每一类，进行聚类分割；

(5)将标定板放在连铸坯的表面，拍摄获取标定板的3D点云图像，根据标定板的3D点云图像校准连铸坯的基准面；

(6)根据分割出的每一类结果的深度信息Z值和基准面，进行凹坑识别并判断凹坑深度。

其中，所述步骤(1)中，采用位置固定的3D相机拍摄获取连铸坯的3D点云图像。

具体的，所述步骤(3)中，去除离散点的步骤包括：

(3.1)对于每个点，计算它到所有相邻点的平均距离；连铸坯3D点云图像的点云分布是高斯分布，计算出一个均值μ和一个标准差σ；

(3.2)这个邻域点集中，与其邻域距离在a＝μ+std_mul*σ区间之外的点都被视为离群点，从点云数据中去除；其中，std_mul是标准差倍数的一个经验阈值。

所述步骤(4)中，聚类分割的步骤包括：

(4.1)根据点的曲率值对点云进行排序，定义曲率最小的点为初始种子点，区域生长算法从初始种子点开始生长；

(4.2)设置一空的聚类区域C和空的种子点序列Q，将选好的初始种子点加入种子点序列，并搜索该种子点的领域点，计算每一个领域点法线与种子点法线之间的夹角，小于设定的经验平滑阈值时，将领域点加入到聚类区域C中，同时判断该领域点的曲率值是否小于经验曲率阈值，将小于经验曲率阈值的领域点加入种子点序列Q中，在Q中重新选择新的种子点重复该步骤，直到Q中序列为空，完成聚类分割。

所述步骤(5)中，基准面校准时，3D相机的位置保持与步骤(1)的位置一致。

进一步的，所述步骤(5)中，拍摄获取标定板的3D点云图像后，对标定板的3D点云图像进行步骤(2)、(3)、(4)的处理计算，得到3D相机与标定板的距离Z

所述步骤(6)中，根据分割出的每一类结果计算其质心坐标(X,Y,Z)，得到其深度信息Z值，将深度信息Z值与Z

有益效果：与现有技术相比，该方法采用3D视觉对连铸坯修磨过程中呈现的凹坑及其深度进行识别，进而能够实现对凹坑数量的自动统计，一方面可取代现场人工识别统计，节约人工成本，消除工人的安全风险，提高现场的安全指数；另一方面可连续实时识别统计，提高计数效率，采集的数据更加全面具体，为连铸工艺改进提供数据支撑。

附图说明

图1是本发明的方法流程图；

图2是本发明实施例中3D相机采样示意图。

具体实施方式

如图1、2所示，该连铸坯表面凹坑缺陷识别方法在实施前将3D相机2通过支架3固定在修磨后的辊道上方，视觉检测位置、方向、角度始终保持不变。

识别步骤包括：

(1)采用3D相机2拍摄修磨完成的连铸坯1表面，获取连铸坯3D点云图像；

具体的，当修磨完成时，连铸坯1行进至视觉检测位置，光电传感器4检测到连铸坯1来料信号时，触发3D相机2拍照，得到PCD格式的连铸坯点云图。

(2)使用下采样算法对3D点云图像进行简化处理；

该函数对输入的点云数据创建一个三维体素栅格，每个体素内用体素中所有点的重心来近似显示体素中其他点，这样该体素内所有点都用一个重心点最终表示。它的优点是可以在下采样的时候保存点云的形状特征。可以减少点云数据量，提高运算速度。

(3)对每个点的邻域进行统计分析，根据经验设定标准值a，剔除大于标准值a的邻域点，以去除离散点；

去除离散点的步骤包括：

(3.1)对于每个点，计算它到所有相邻点的平均距离；连铸坯3D点云图像的点云分布是高斯分布，计算出一个均值μ和一个标准差σ；

(3.2)这个邻域点集中，与其邻域距离在a＝μ+std_mul*σ区间之外的点都被视为离群点，从点云数据中去除；其中，std_mul是标准差倍数的一个经验阈值。

(4)使用区域生长算法分割提取点云中的每一类，进行聚类分割；

聚类分割的步骤包括：

(4.1)根据点的曲率值对点云进行排序，定义曲率最小的点为初始种子点，区域生长算法从初始种子点开始生长；

(4.2)设置一空的聚类区域C和空的种子点序列Q，将选好的初始种子点加入种子点序列，并搜索该种子点的领域点，计算每一个领域点法线与种子点法线之间的夹角，小于设定的经验平滑阈值时，将领域点加入到聚类区域C中，同时判断该领域点的曲率值是否小于经验曲率阈值，将小于经验曲率阈值的领域点加入种子点序列Q中，在Q中重新选择新的种子点重复该步骤，直到Q中序列为空，完成聚类分割。

(5)将标定板放在连铸坯1的表面，采用3D相机2拍摄获取标定板的3D点云图像，拍摄获取标定板的3D点云图像后，对标定板的3D点云图像进行步骤(2)、(3)、(4)的处理计算，得到3D相机与标定板的距离Z

(6)根据分割出的每一类结果的深度信息Z值和基准面，进行凹坑识别并判断凹坑深度，具体根据分割出的每一类结果计算其质心坐标(X,Y,Z)，得到其深度信息Z值，将深度信息Z值与Z

识别凹坑后，进而可以实现对凹坑数量的实时统计，并可以根据Z