钢管表面缺陷检测瑕疵
2022-11-25
钢管表面缺陷为凹坑、划伤、翘皮及辊痕 4 种缺陷
钢管表面缺陷为凹坑、划伤、翘皮及辊痕 4 种缺陷
国内外利用机器视觉方法检测冶金产物的对象主要为板材、带钢、钢条等，这些产物表面较平整、粗糙度低、材料反射率一致，只要保证入射光照角度合理，强度分布均匀，无论使用面阵或线阵相机均能获取较为理想的被检测材料表面缺陷图像，这也有效降低了后续图像处理算法的复杂程度;如图平面材料表面缺陷检测的光照分布示意图，通常采用单个或多个面阵相机即可获得理想的光照结果;而采用线阵光源则更容易实现，因为被照射区域各点到达光源中心的距离是相等的。
钢管因其几何结构特点，易产生光照不均现象;为实现钢管圆弧表面动态实时检测，必然影响光源光照区域与相机视野的重合性，易造成光照分布不均，这种现象会覆盖掉缺陷区域的特征。当图像获取不理想时，会增加图像处理的难度。尽管相关学者在机器视觉检测领域已经作了很多工作
钢管作为原材料，广泛应用于如石油、化工、电力、船舶、汽车等行业。近年来，经济全球化发展使公司对产物质量提出更高要求，钢管表面存在缺陷会严重影响其使用寿命，同时在设备某些重要位，使用劣质钢管会存在安全隐患，严重威胁人员生命，对公司造成产财产损失。因此，为了控制钢管质量，相关公司会对其进行质量检测，但检测措施通常由人工实现，无法实现快速、精准检测缺陷。
基于机器视觉的表面缺陷检测将是未来研究和发展的主要方向，目前，基于机器视觉的表面缺陷检测理论研究和实际应用等环节均有可喜的成果，但仍存在下面主要的问题和难点：
在制造产物的过程中，表面缺陷的产生往往是不可避免的。不同产物的表面缺陷有着不同的定义和类型，一般而言表面缺陷是产物表面局部物理或化学性质不均匀的区域，如金属表面的划痕、斑点、孔洞，纸张表面的色差、压痕，玻璃等非金属表面的夹杂、破损、污点，等等。
机器视觉表面质量检测，特别是实时检测，图像采集的数据量大，所以如何提高图像处理速度显得十分重要。提高图像处理速度主要有两种手段，一是改善和优化图像处理算法，算法既要简单快速，又要兼顾实际效果;二是改善和优化实现算法的手段。目前，实时图像处理采集方案主要为下面几个方面。
机器视觉带钢常见缺陷盘点
由于热轧产线中带钢表面温度高、表面状态复杂、缺陷类型多等特点，缺陷检出率及识别率已不能满足高端热轧带钢生产的需求。由于表面特有的氧化铬表面膜纹理特征，导致基于传统图像分类算法得出的不锈钢热轧带钢表面缺陷识别率较低，难以满足不锈钢生产实时性的要求;周期性缺陷如辊印、划伤如果不得到及时发现及控制，会造成批量质量事故，严重影响成品质量及生产效率;缺陷在带钢表面的位置、长度信息及分布尚未实现实时定位，会严重影响后续的工序;目前表面质量分级缺乏实时数据支持，无法实现钢铁全流程的质量闭环管控。尽管国内外大量研究并开发
在热连轧板带生产技术飞速发展的今天，钢铁公司对于其表面缺陷检查，大多数仍停留在人工开卷检查的阶段。这种检查方式，由于开卷长度有限，缺陷检出率低，且缺陷反馈不及时，容易产生批量质量缺陷，甚至会导致带有缺陷的钢卷流入市场，造成质量异议。