Silisyum Çelik Şerit Yüzey Kusurlarının Makine Görüşüne Göre Otomatik Tespiti ve Tanınması Üzerine Araştırma
Zhao Lanpeng, Liu Tangyou
(Bilgi Bilimi ve Teknolojisi Okulu, Donghua Üniversitesi, Şangay 201620)
Silikon çelik şerit, transformatör gibi endüstriyel ekipmanların geliştirilmesi için önemli bir hammaddedir ve kalitesi ürünün performansını doğrudan etkiler. Geleneksel manuel muayene, düşük verimlilik ve zayıf doğruluk özelliklerine sahiptir. Bu nedenle, makine görmesine dayalı olarak yüzey kusurlarının otomatik tespiti üzerine araştırma önerilmektedir. Araştırma, görüntü işleme ve desen eşleştirme yöntemlerini benimser.CCD endüstriyel kameralar tarafından toplanan resimler üzerinde geometrik düzeltme, görüntü birleştirme, hata işleme ve diğer işlemler sayesinde, kontur algılama, özellik çıkarma ve silikon çelik şerit yüzey kusurlarının sınıflandırılması işlevleri gerçekleştirilmektedir. Çelik şeridin kalitesinin belirlenmesini tamamlamak için.
Makine görüşü; silikon çelik şerit; kusur tespiti; özellik sınıflandırması
Silisyum çelik şerit, transformatörler gibi endüstriyel ekipmanların geliştirilmesi için önemli bir hammaddedir.İyi yüzey kalitesi ve mekanik özellikleri ile bu alanda yaygın olarak kullanılmaktadır.Bu nedenle, silikon çelik şerit kalitesinin iyileştirilmesi için sürekli iyileştirme büyük önem taşımaktadır [1]. Yüksek hassasiyetli görüntü sensör cihazlarının, dijital sinyal işleme teknolojisinin ve bilgisayar teknolojisinin iyileştirilmesiyle, gerçek pratik kalitede otomatik algılama sistemi hızla geliştirilmiştir [2].
Bu makale, makine görüşüne dayalı olarak silikon çelik şerit yüzey kusurlarının otomatik algılama ve tanıma teknolojisini inceler.Ana silikon çelik şeridi, transformatörlerin üretimi için hammadde haline getirmek için üretim sürecinde görüntü işleme ve model eşleştirme kullanır. Çelik şeridin kusurlarını belirlemek ve son olarak çelik şeridin kalitesinin değerlendirmesini tamamlamak için toplanan görüntüler üzerinde karşılık gelen görüntü işleme gerçekleştirilir.
Sistem araştırması, çelik şerit üretim hattının iletim hızının 0-40 m / dk olduğu ortamda görüntü toplamak için CCD endüstriyel kamera kullanmaktır.Maksimum toplama hızı 16 kare / sn'ye ulaşabilir ve elde edilen görüntünün çözünürlüğü 1392 × 1040'tır. Sistemin işlem hızını iyileştirmek için, sınırlı bir sürede büyük miktarda görüntü verisinin işlenmesini sağlamak ve nihai hedef etkiyi sağlamak için görüntü işleme ve hata tespit algoritmalarının seçimi ve yazılımın hesaplama yönteminin dikkate alınması gerekir. Algılama doğruluğu koşulu altında, algoritma ve yazılım programlamasında genel şema tasarımının karmaşıklığını etkili bir şekilde kontrol etmek çok önemlidir.
2 Sistem Araştırması
2.1 Sistem akış şeması
Silisyum çelik şerit kusurlarının otomatik olarak algılanması ve tanınması için araştırma sisteminin akış şeması, makine görüşüne göre Şekil 1'de gösterilmektedir.
2.2 Görüntü toplama
İletim çelik şerit üretim hattının üzerine bir CCD endüstriyel kamera ve LED ışıkları kurun, kamerayı bilgisayara bağlayın ve ardından kamerayı çelik şeridi çekmek ve yakalanan görüntüleri bilgisayara iletmek için kontrol etmek üzere bilgisayardaki endüstriyel kamera ve görüş sensörü yazılımını çalıştırın. bilgisayar.
2.3 Görüntülerin geometrik düzeltilmesi
Görüntü elde etme sürecinde, elde edilen görüntünün geometrik bozulmasına neden olmak için kamera hafifçe eğileceği için, önce görüntünün geometrik olarak düzeltilmesi gerekir. Geometrik düzeltme temel olarak iki içeriği içerir: piksel koordinat düzeltmesi ve piksel gri tonlama tahmini [3].
(1) Piksel koordinat düzeltmesi, geometrik distorsiyonu düzeltmek için genel projeksiyon dönüşümünü kullanır. Projeksiyon dönüşümü, birkaç kontrol noktası bulmak için orijinal görüntüyü kullanmak ve aynı zamanda bozulmuş görüntüye karşılık gelen kontrol noktalarının koordinatlarını bulmaktır.Uygun koordinatlar, uzamsal dönüşüm yapısını belirlemek için kullanılabilir.Son olarak, her bir bozuk görüntüyü analiz etmek için uzamsal dönüşüm yapısı kullanılır. Her piksel, düzeltilmiş görüntü koordinatlarını elde etmek için dönüştürülür.
(2) Dijital görüntü piksellerinin koordinatlarının tümü tam sayıdır ve hesaplamadan sonra elde edilen koordinatlar, hesaplanan piksellerin piksel gri tonlamalı tahminini gerektiren tam sayı olmak zorunda değildir. Burada gri düzeyini tahmin etmek için çift doğrusal enterpolasyon kullanıyoruz. Çift Doğrusal enterpolasyon, koordinat çevresindeki 4 piksellik gri seviyesine göre belirli bir noktanın gri seviyesini iki yönde enterpolasyon yapmaktır. Son olarak, düzeltilmiş görüntüyü elde etmek için görüntünün kenarları ve çelik şeridin ilgisiz kısımları kaldırılır.
Şekil 2 ila 5, bozuk görüntüyü ve düzeltilmiş görüntüyü gösterir.
2.4 Görüntü birleştirme
Görüntünün kenarlarındaki kusurların tam olarak algılanmasını sağlamak için görüntü birleştirme gereklidir. Burada, kameranın çekim frekansı ve çelik bant iletim hızına göre, etkili birleştirme parametreleri belirlenir ve basit konum hesaplamaları yapılır, böylece sol ve sağ bitişik görüntülerin ortak alanları etkili birleştirme elde etmek için üst üste gelir; daha sonra iki görüntüyü üst üste binen alan yapmak için görüntü birleştirme teknolojisi kullanılır. Düzgün geçiş, Şekil 6'da gösterildiği gibi belirgin bölme çizgilerini [4] filtreleyin.
2.5 Görüntü denoising
Üretim ortamı ve aydınlatma gibi faktörlerin etkisiyle, toplanan görüntüler gürültü ile kirlenecek ve görüntü bozulmasına neden olacaktır, bu nedenle görüntünün denoize edilmesi gerekmektedir.
Medyan filtreleme, dürtü gürültüsünün yumuşatılmasında çok etkilidir.Aynı zamanda, görüntünün belirgin bir bulanıklığına neden olmadan görüntünün keskin kenarlarını koruyabilir [5]; buna ek olarak, gürültülü görüntü dalgacık dönüşümü ile işlenir ve dalgacık gürültü azaltmanın birçok avantajı vardır. Çözünürlük ve de-korelasyon özellikleri, dalgacık katsayılarının gürültüsünü çıkardıktan ve ardından görüntüyü yeniden yapılandırmak için dalgacık ters dönüşümü yaptıktan sonra ve nihayet denoize edilmiş görüntüyü elde eder [6]. Karşılaştırmadan sonra, medyan filtreleme ve dalgacık dönüşümü kombinasyonuna dayalı görüntü denoising işleminin, gürültüyü ortadan kaldırırken görüntünün kenar konturunu koruyan işleme için kullanıldığı görülmüştür.Denoize edilmiş görüntü Şekil 7'de gösterilmiştir.
2.6 Görüntü geliştirme
Çelik şerit üzerindeki kusurları daha net hale getirmek için görüntü denoize işlemi tamamlandıktan sonra görüntü iyileştirilir. Karşılaştırmadan sonra, Laplace bileme yöntemi nihayet benimsendi. Şekil 8, geliştirilmiş görüntüyü göstermektedir.
2.7 Kusurlu kontur çıkarma
Geliştirilmiş görüntü elde edildikten sonra, kusur konturunun çıkarılması gerekir ve ardından sezgisel kusur kenarı bilgisi elde edilebilir. Burada, Canny kenar algılama operatörü kusur görüntüsünün dış hatlarını çıkarmak için kullanılır. Bu operatör filtreleme için Gauss işlevini kullandığından, güçlü anti-gürültü, iyi sinyal-gürültü oranı ve konumlandırma performansı avantajlarına sahiptir ve konturları doğru bir şekilde çıkarabilir [7] Sonuç Şekil 9'da gösterilmiştir. Daha sonra kontur genişletilir ve görüntü [8] içine doldurulur ve ardından Şekil 10'da gösterildiği gibi net bir kusur haritası elde edilir.
2.8 Kusur özellik çıkarma
Kusur özellik çıkarma, kusur sınıflandırmasına hazırlanmak için kusurların özellik değerini hesaplamaktır. İnsan görsel sistemi için, bir nesnenin şekli tanınabilen önemli bir özelliktir ve aynı zamanda nesnenin sabit bir özelliğidir [9], bu nedenle bu araştırma esas olarak şekil özelliği sınıflandırmasını kullanır.
Görüntüdeki piksel koordinatları (x, y) ile temsil edilir; piksel gri değeri f (x, y) ile temsil edilir ve değeri 0 veya 1'dir. R tüm piksellerin toplamı ve R 'kusur alanındaki piksellerin toplamı olsun. Hata açıklaması için yaygın olarak kullanılan şekil özellikleri aşağıda açıklanmıştır:
(1) Kusurun çevresi, yani çevrenin zincir kodu ile ifade edildiği kusurun sınırının uzunluğu ve çevre, zincir kodu uzunluğunu hesaplamaktır. Zincir kod değeri çift sayı olduğunda uzunluğu 1, zincir kod değeri tek sayı olduğunda uzunluğu 2 olarak kaydedilir. Çevresi:
Nerede: N ve N, sırasıyla sınır zinciri kodundaki (8 yön) çift ve tek adımların sayısıdır.
(2) Kusurun alanı, yani kusur alanındaki piksel sayısı, formül (2) olarak ifade edilir:
(3) Alanın daireselliği, yani alanın bir daireye ne kadar yakın olduğu:
(4) Bölgenin dikdörtgenliği, yani bölgenin alanının, çevreleyen en küçük dikdörtgenin alanına oranı, bir bölgenin çevreleyen dikdörtgenin tamamını yansıtır:
Sbox, çevreleyen dikdörtgenin alanıdır ve dikdörtgen derecesi 1'i geçmez.
Yukarıdaki öznitelik çıkarma denkleminin hesaplanmasıyla, son görüntü L = 1.4357e + 04, S = 209787, C = 0.0128, R = 0.5701, üretici tarafından verilen kalite değerlendirme standardına göre kusur alan olarak değerlendirilebilir. kusur.
2.9 Kusurların sınıflandırılması
Görüntü işleme tamamlandıktan sonra üretici tarafından sağlanan silikon çelik şeridin kalite gereksinimlerine göre silikon çelik şeridin kalitesi değerlendirilir ve son olarak farklı pazar ihtiyaçlarını karşılamak için çelik şeridin farklı kalitesine göre farklı sınıflandırmalar yapılır.
3 sonuç
Bu makale, net kusurlu görüntüler elde etmek için toplanan görüntüler üzerinde bir dizi işlem gerçekleştirmek için görüntü işleme teknolojisini kullanan, ardından kusurları şekil özelliklerine ve son olarak da üreticiye göre sınıflandıran otomatik bir görüntü hatası algılama sistemi sunar. Çelik şerit kalite değerlendirme standardı doğru bir şekilde değerlendirilmiş ve silikon çelik şeridin kalitesi test edilmiştir.
Referanslar
[1] MIKOLAJCZYK K, SCHMID C. Yerel tanımlayıcıların performans değerlendirmesi J. Örüntü Analizi ve Makine Zekası Üzerine IEEE İşlemleri, 2005, 27 (10): 16151630.
[2] WU G, XU K, XU J. Soğuk haddelenmiş şeritlerin yüzey kusurlarını tespit etmek için yeni bir özellik çıkarma ve optimizasyon yönteminin uygulanması J Pekin Bilim ve Teknoloji Üniversitesi Dergisi, 2007, 14 (5): 437442.
[3] Dai Jianfeng. Kamera radyal distorsiyonu için otomatik düzeltme sistemi [D]. Guangzhou: Güney Çin Teknoloji Üniversitesi, 2010.
[4] Shao Xiangxin. Dijital görüntü mozaiğinin çekirdek algoritması D üzerine araştırma. Changchun: Jilin Üniversitesi, 2010.
[5] Tang Shiwei, Lin Jun. Dalgacık dönüşümü ve medyan filtreyi birleştiren görüntü denoising yöntemi J. Journal of Harbin Institute of Technology, 2008, 40 (8): 13341336.
[6] Ouyang Chengzi, Li Yong, Guo Zhenduo, et al. Dalgacık dönüşümü ve medyan filtresi J kombinasyonuna dayanan görüntü denoising işlemi. Zhongyuan Teknoloji Enstitüsü Dergisi, 2006, 17 (2): 22-25.
[7] Zhou Chao. Kenar algılama için Canny operatörünün araştırılması ve iyileştirilmesi D. Chongqing: Chongqing Normal Üniversitesi, 2012.
[8] Yan Hui, Jiang Peng, Chen Bei. MATLAB araç kutusu J tabanlı dijital görüntü işleme teknolojisi. Mikrobilgisayar Bilgileri, 2010, 26 (26): 214216.
[9] Zhang Kang, Zhong Ping. Otomobil kaplama yüzey kusurlarının hızlı tespit yöntemi üzerine araştırma D. Şangay: Donghua Üniversitesi, 2014.
AET üyeleri için yıl sonu avantajları!
