基于邊緣矢量的鐮刀彎在線檢測方法研究

李建軍，史志暉，崔桂梅，張 帥，王 磊

(1. 內蒙古科技大學信息工程學院，內蒙古 包頭 014010; 2. 包頭鋼鐵（集團）有限責任公司熱軋部，內蒙古 包頭 014010)

0 引 言

鐮刀彎是指帶鋼的側邊與連接測量部分兩端點的直線之間的最大距離，即帶鋼一側的邊緣與直線的偏離。鐮刀彎的大小對整個產品的生產過程有著重要的影響。因為中間坯出現瑕疵，可能會導致返工或者浪費，這增加了生產的成本和損耗，同樣也會影響生產效率。同時，嚴重的鐮刀彎瑕疵可能在快速傳送的過程中對生產設備造成一定程度的損傷，增加設備維護的成本。而且，粗軋鐮刀彎如果不及時發現和處理，會遺傳到精軋機組甚至是成品，嚴重影響產品質量和成材率。因此，非常有必要進行鐮刀彎的檢測，提高熱軋綜合成材率，保證冷軋廠生產穩定順利進行。帶鋼熱連軋現場局部畫面如圖1所示。

在目前的生產過程中，現場鐮刀彎檢測基本依賴于操作工的經驗進行人工觀察，然后對機器進行調節，且中間坯鐮刀彎缺乏準確的檢測手段，操作難度大，由于主觀因素的參與，鐮刀彎檢測準確率低，檢測效果差。

隨著生產力的不斷發展，人們逐漸意識到人工檢測的不足，于是開始有人利用自動檢測技術進行鐮刀彎檢測。20世紀80年代，蘇聯學者[1]使用距離傳感器和位移傳感器進行鐮刀彎自動檢測，自此，鐮刀彎自動檢測技術便出現在國內熱連軋生產線上。2011年，廣州鋼鐵企業集團公司鄺家濤等[2]通過使用激光測距儀在加熱爐出口測量固定位置到帶鋼邊緣的距離變化來判斷是否有鐮刀彎存在。這種檢測方法的局限性在于只檢測帶鋼邊緣到固定位置的距離變化來判斷鐮刀彎是否存在，若發生漂移，就有可能發生誤檢[3-4]。隨著機器視覺技術的迅速發展，2019年，北京科技大學的劉洋、徐東等人[5]在鐮刀彎檢測中使用了視覺技術，其使用的運行非對稱檢測方法在很大程度上彌補了鐮刀彎檢測的不足，滿足了實時檢測與控制的要求，減少了軋制過程甩尾事故的發生，提高了規格帶鋼軋制穩定性和成材率。但由于其中心對稱軸固定，帶鋼鐮刀彎與帶鋼跑偏兩者皆屬于非對稱運行，極易在檢測過程中產生混淆。因此，使用非對稱方法[6]檢測鐮刀彎問題還存在不足之處。

針對帶鋼中間坯的鐮刀彎檢測成功率不高且容易誤檢的問題，本文提出了一種基于邊緣向量的檢測算法——邊緣矢量法，即通過對單位絕對值化的邊緣矢量進行比較來判斷鐮刀彎是否存在。該算法解決了因帶鋼漂移而引起的誤檢問題。

1 邊緣矢量算法

在已建立坐標系的圖像中分別提取目標兩側邊緣的坐標，通過判斷坐標之間向量的方向進行邊緣彎曲度的度量，這種方法稱為邊緣矢量法。

邊緣矢量的比較運算在理想狀態下，即不存在鐮刀彎的情況下應當滿足以下兩個條件：

其中，el、er分別是中心軸左右邊的邊緣單位向量，i表示邊緣點按照正方向排序時的點的順序，本文算法在帶鋼每個邊緣取六個邊緣點，因此i=0,1,2,3,4,5。

若邊緣矢量不滿足式（1）～（2），則說明帶鋼存在鐮刀彎，本文通過計算相鄰向量之間的夾角來判斷鐮刀彎是否存在。

1.1 邊緣點坐標的提取

如圖2所示，將數據采集設備安裝在帶鋼上方正中間的位置，拍攝范圍為5 m。本文使用工業CCD相機（面陣，900萬像素）和鏡頭（16 mm定焦）作為檢測裝置對目標進行視頻圖像采集，傳輸到后臺進行檢測處理。

圖2 攝像機安裝位置示意圖

首先，使用圖像處理算法在灰度圖上進行邊緣提取、最大矩形連通區域提取、二值形態學處理，得到目標鋼板的二值圖。然后以圖像中心為原點建立坐標系，將目標分成4個區間。再分別在y軸左右兩半平面進行坐標間距離運算。以左半平面為例，找出特定y值對應的點，以這些點的x值減去y軸對應的橫坐標，取絕對值之后進行比較，最大絕對值對應的點的坐標即為邊緣點坐標。

搜尋邊緣點坐標的原理為：對于任意正整數j，若yi對應的xj滿足：

1.2 鐮刀彎判決

取相鄰兩邊緣坐標之間的向量，單位化之后取絕對值，如下所示，利用式（1）和（2）進行單位向量之間的比較。

考慮到現場環境的復雜性，需要在這里設置一定的裕度，只要 |θ |≤ 0.45?，就認為中間坯合格，沒有鐮刀彎；而當 |θ |>0.45?時，則認為帶鋼有鐮刀彎存在。

2 算法實現

2.1 算法描述

圖3給出了本文算法框架。給定一幀圖像，首先進行圖像預處理，然后利用圖像二值化將目標從圖像中提取出來。接著以圖像中心點為坐標原點建立坐標系進行邊緣點提取。根據所得帶鋼兩側邊緣點的坐標分別計算兩側相鄰點之間的向量，單位絕對值化之后，比較同側相鄰單位向量，并計算相鄰向量間夾角，根據所設閾值進行鐮刀彎判決。同時還設有寬度閾值，帶鋼中間坯寬度如果不在閾值范圍內，同樣視其為不合格中間坯。

2.2 目標提取

1）圖像預處理。本文的邊緣檢測是基于圖像灰度梯度進行處理的，由于現場環境比較復雜，直接對目標進行提取可能會影響目標的完整性，因此針對這個問題，在提取目標前使用高斯平滑濾波處理。

圖3 檢測算法流程圖

2）提取目標。圖像中目標與背景區分比較明顯，所以選擇圖像二值化提取目標[7]：在灰度直方圖中，目標與背景呈現兩個不同的波峰，而波谷位置的點相對較少，對應的是目標鋼板的邊緣部分，根據波谷的位置設置閾值，對目標鋼板進行二值化處理。

3）形態學去噪。在中間坯軋制過程中，氧化鐵皮和除磷水的殘留等一些因素的影響，使得提取出來的二值圖出現孔洞或者不連通現象，因此本文使用形態學處理方法消除二值圖上的孔洞以及不連通的地方[8]，最終提取的二值圖如圖4所示。

圖4 中間坯目標提取

4）目標邊緣檢測。本文使用基于Canny算子的邊緣提取方法，對中間坯進行輪廓提取[9]。首先對圖像進行求導，根據邊緣附近梯度值變化較大的特征，使用非極大值抑制確定邊緣位置。然后使用輪廓標注算法對輪廓邊界進行標注，如圖5所示，較好地保留了邊緣[10]的完整性。

圖5 中間坯邊緣標注

2.3 鐮刀彎判定

在上節工作的基礎上，以圖像的中心點為坐標原點建立坐標系。邊緣點檢測分為兩個部分：

1）角點檢測。根據攝像機安裝的位置已知，目標帶鋼處于視野的正中心位置，建立坐標系后，將目標分成4個區域，這樣就等同于默認目標的4個角分布在圖像四等分的區間上。以左上角區間為例，要在此區間目標上的所有點中找到角點[11]的位置，就需要對這些點進行坐標間距離運算。即把此區間目標上所有點的坐標與中心點（原點）的坐標進行距離運算，最終確定距離中心點最遠的點為目標在這個區間的角點。角點位置檢測的結果如圖6所示。

圖6 角點檢測與標注

角點檢測提取帶鋼矩形區域的4個角點，以視野中左下角的角點坐標為第一個坐標，按順時針方向進行排序，帶鋼的寬度[12]由第一個點與第4個點之間的距離來判定。但由于軋制過程中存在帶鋼整體發生側彎而寬度沒有發生變化的情況，所以此處所測量的帶鋼寬度不能作為鐮刀彎的判定依據。

2）邊緣點檢測。根據建立好的坐標系，默認y軸將圖像二等分成左右兩個區間，以左半區間為例：列出特定y值對應的在目標中的所有的點，此處y值是算法在目標區域內默認提取的，取其橫坐標與y軸對應的橫坐標分別進行差運算，取絕對值，其絕對值最大的點為該y值對應的目標邊緣點[13]，原理如公式（3）～（4）所示。

利用上述方法，算法在進行邊緣點提取[14]的過程中，帶鋼的每一側邊緣都默認提取了24個點，在進行邊緣向量運算時，為了提高運算速度，同時也為達到邊緣彎曲度檢測的最佳效果，本文先對這24個點進行排序，然后從第4個點開始，每隔5個點取一個點，再加上邊緣兩端的角點，總共是6個點。邊緣點及角點分布如圖7所示。

圖7 邊緣點坐標檢測與標注

3）邊緣向量運算。同樣以左半區間為例，將所檢測得到的點的坐標連同同一側的兩個角點一起，存儲在一個列表當中，并對這些點按照位置順序重新進行排序。接著對列表中的相鄰點進行坐標運算，得出它們之間的向量。

由于邊緣點并不是等距提取的，直接對邊緣點之間的向量進行比較會導致鐮刀彎誤檢問題，因此須對邊緣點之間的向量做單位邊緣化處理。邊緣點及邊緣向量分布示意圖如圖8所示，以“L”形彎為例。

圖8 帶鋼邊緣點及邊緣向量分布示意圖

4）彎曲度提取。對3）中所述的向量進行分類，將位于同一側的向量存儲在同一個列表當中, 將列表中的相鄰兩向量取出來進行比較，如式（1）～（2）所示。

圖9為邊緣矢量算法運算具體流程，Li為左側邊緣點，li為左側相鄰兩邊緣點間向量。若等式不成立，則求其兩者之間的夾角，以此判斷邊緣是否有彎度，而向量之間的夾角就是衡量帶鋼邊緣彎曲度的參數依據。圖9以視野中帶鋼左側邊緣為例，右側邊緣的運算也同樣如此。而左右兩側邊緣是否彎曲對于帶鋼是否存在鐮刀彎[15]呈“或”邏輯運算關系，即只要其中一側邊緣彎曲，那么帶鋼就存在鐮刀彎。

圖9 邊緣矢量法判定鐮刀彎的運算過程

5）閾值設定。由于現場環境比較復雜，各種因素的影響可能會導致檢測結果不穩定，嚴格按照上述方式來檢測鐮刀彎可能會出現誤檢的問題，因此，需要在輸出后邊添加結果評價機制來增加檢測精度。本文以向量之間的夾角作為鐮刀彎的分級參考標準，因此以角度作為閾值，閾值的范圍最終設定為±0.45°，同時以寬度作為輔助參數，閾值設為 ± 5 mm。即邊緣向量之間的夾角處于±0.45°、寬度變化處于±5 mm的范圍內，則視為中間坯無鐮刀彎；而如果邊緣向量之間的夾角或寬度變化超出各自定義的范圍，則判定有鐮刀彎存在。

3 實驗與結果分析

3.1 實驗環境與參數設置

粗軋鐮刀彎檢測算法是應用于某廠 2 250 mm熱軋車間的熱軋過程控制優化系統中。其中，鐮刀彎檢測設備安裝在出口的觀察天橋上，算法運行設備放置在監控機房。

本實驗軟件平臺為 PyCharm 2020.2×64，硬件運行環境配置為 Intel(R) Core(TM) i5-8500 CPU@3.00 GHz。本文選取5000張含有鐮刀彎的帶鋼圖像作為實驗樣本，檢測范圍為5 m的帶鋼區域，圖像設置大小為 51 2×512。

3.2 鐮刀彎評價指標

鐮刀彎的量是由連接測量部分兩端點的直線與帶鋼側邊的最大距離決定的，需要根據這個量來進行閾值劃分。本文使用邊緣矢量法檢測鐮刀彎，所以將鐮刀彎的量轉換成邊緣矢量間夾角來評估帶鋼中間坯是否合格。

本文設定：若鐮刀彎的量小于或等于鋼板被測部分實際長度的 0 .2%，視中間坯合格。那么5 m的實際測量長度，合格中間坯鐮刀彎的量應小于或等于1 0 mm，假設邊緣曲線為一元二次函數曲線，轉換成最大的相鄰向量間夾角則為0.45°，即本文設定的角度 θ閾值。同時，考慮到現場環境的復雜性可能會導致邊緣提取結果不穩定，于是在寬度檢測上保留了一定的裕度。

本文在寬度絕對值區間（ 1 mm,10 mm）內選取寬度閾值進行實驗探索，當寬度閾值 |d|≥5 mm之后，檢測成功率基本不再發生變化，因此，將最終的寬度閾值定為 5 mm 。當 |d|=3 mm時，算法從樣本中檢測出4672張存在鐮刀彎的圖像；當 |d|=5 mm時，算法檢測出4816張存在鐮刀彎的圖像。經計算，在表1中列出在角度θ閾值已定的情況下，通過改變寬度閾值得出的檢測成功率。

表1 不同組閾值d 、θ對應的檢測成功率

在d=±5 mm,θ=±0.45°的閾值設定下，實驗效果較好，既保證了鐮刀彎的檢測成功率，也盡量避免了漏檢的情況。同時，算法運算速度達到毫秒級，可及時對優化系統進行反饋，以修正中間坯側彎現象。

3.3 對比試驗分析

本文在檢測成功率方面與運行非對稱鐮刀彎檢測算法進行比較，結果如表2所示。運行非對稱鐮刀彎檢測算法在提取邊緣像素坐標方面與本文算法類似，其通過邊緣像素坐標計算帶鋼中心線，從而利用中心線的偏移量來判斷中間坯是否有鐮刀彎存在。

表2 鐮刀彎成功率對比

與運行非對稱算法相比，本文算法能夠很直觀地體現邊緣特征，無需考慮因帶鋼跑偏而引起的鐮刀彎誤檢問題，比較精準地實現了對中間坯鐮刀彎的檢測。

4 結束語

為了克服傳統鐮刀彎檢測方法以及以往非接觸在線鐮刀彎檢測方法的不足，本文提出了一種基于邊緣矢量的鐮刀彎在線檢測方法，其中加入了角點檢測測量寬度作為輔助參數，同時角點檢測還可以輔助完成相機標定和邊緣向量運算。使用彎曲度度量帶鋼邊緣的曲直程度，可以達到直觀體現的目的。檢測算法能夠高效地捕獲帶鋼邊緣的特征，從而很好地實現鐮刀彎的非接觸檢測，滿足工程的實時性需求。算法運算穩定、計算效率高，可以對車間中的中間坯進行在線實時檢測，有效抑制粗軋中間坯缺陷的產生，提高軋制的穩定性和成材率。