《一种冷轧带钢表面缺陷原因分析方法及系统.pdf》由会员分享，可在线阅读，更多相关《一种冷轧带钢表面缺陷原因分析方法及系统.pdf（9页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103778445 A (43)申请公布日 2014.05.07 CN 103778445 A (21)申请号 201410026959.2 (22)申请日 2014.01.21 G06K 9/66(2006.01) (71)申请人 武汉科技大学 地址 430081 湖北省武汉市青山区和平大道 947 号 (72)发明人 孔建益 刘军伟 石甜 杨壮 王兴东 (74)专利代理机构 北京轻创知识产权代理有限 公司 11212 代理人 杨立 (54) 发明名称 一种冷轧带钢表面缺陷原因分析方法及系统 (57) 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。
2、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。 (51)Int.Cl. 权利要求书 2 页 说明书。
3、 5 页 附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书5页 附图1页 (10)申请公布号 CN 103778445 A CN 103778445 A 1/2 页 2 1. 一种冷轧带钢表面缺陷原因分析方法， 其特征在于， 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。
4、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。 2. 根据权利要求 1 所述的一种冷轧带钢表面缺陷原因分析方法， 其特征在于， 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。
5、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。 3. 根据权利要求 1 所述的一种冷轧带钢表面缺陷原因分析方法， 其特征在于， 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。
6、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。 4. 一种冷轧带钢表面缺陷原因分析系统， 其特征在于， 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。
7、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。 5. 根据权利要求 4 所述的一种冷轧带钢表面缺陷原因分析系统， 其特征在于， 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 权 利 要 求 书 CN 103778445 A 2 2/2 页 3 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。
8、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。 6. 根据权利要求 4 所述的一种冷轧带钢表面缺陷原因分析系统， 其特征在于， 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。
9、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。 7. 根据权利要求 2、 3、 5 或 6 所述的一种冷轧带钢表面缺陷原因分析方法或系统， 其特 征在于， 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。
10、 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。 权 利 要 求 书 CN 103778445 A 3 1/5 。
11、页 4 一种冷轧带钢表面缺陷原因分析方法及系统 技术领域 0001 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 0002 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。 0003 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。
12、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。 0004 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。 0005 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 000。
13、6 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。 0007 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 ： 0008 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 ； 0009 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 ； 0010 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 ； 0011 步。
14、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。 0012 进一步， 所述步骤 1 具体包括以下步骤 ： 0013 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 ； 0014 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 ； 0015 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 说 明 书 CN 103778445 A 4 2/5 页 5 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。
15、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 ； 0016 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 ； 0017 步骤 1.5 ： 所述数据库单元存储所述编码结果。 0018 进一步， 所述步骤 3 具体包括以下步骤 ： 0019 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 ； 0020 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 。
16、缺陷原因发送到缺陷原因输出单元。 0021 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 ； 0022 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 ； 0023 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。
17、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 ； 0024 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。 0025 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 ； 0026 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 ； 0027 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 ； 0028 所述缺陷原因特征训练单元用于通过学习向量量。
18、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 ； 0029 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 ； 0030 所述数据库单元用于存储所述编码结果。 0031 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。
19、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。 说 明 书 CN 103778445 A 5 3/5 页 6 0032 进一步， 所述缺陷图像特征提取法具体包括以下步骤 ： 0033 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 ； 0034 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 ； 0035 步骤 3。
20、 ： 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 ； 0036 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 ； 0037 步骤 5 ： 特征提取单元提取出最终的缺陷图像特征向量。 0038 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。
21、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 0039 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 ； 0040 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 0041 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。 0042 一种冷轧带钢表面缺陷原因。
22、分析方法， 包括以下步骤 ： 0043 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 ； 0044 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 ； 0045 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 ； 0046 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。 0047 所述步骤 1 具体包括以下步骤 ： 0048 步骤 1.1 ： 通过输入单元将缺陷原因知识输入到。
23、所述缺陷原因特征知识库 ； 0049 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 ； 说 明 书 CN 103778445 A 6 4/5 页 7 0050 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 ； 0051 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。
24、单元 ； 0052 步骤 1.5 ： 所述数据库单元存储所述编码结果。 0053 所述步骤 3 具体包括以下步骤 ： 0054 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 ； 0055 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 ； 0056 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。
25、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 ； 0057 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 ； 0058 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 ； 0059 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。 0060 所述缺陷原因特征知识。
26、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 ； 0061 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 ； 0062 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 ； 0063 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 ； 0064。
27、 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 ； 0065 所述数据库单元用于存储所述编码结果。 0066 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 说 明 书 CN 103778445 A 7 5/5 页 8 缺陷原因发送到缺陷原因输出单元。 0067 所述缺陷图像特征提取法具体。
28、包括以下步骤 ： 0068 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 ； 0069 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 ； 0070 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。
29、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 ； 0071 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 ； 0072 步骤 5 ： 特征提取单元提取出最终的缺陷图像特征向量。 0073 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。 说 明 书 CN 103778445 A 8 1/1 页 9 图 1 图 2 说 明 书 附 图 CN 103778445 A 9 。