基于機器視覺和結構光的熱軋板坯頭尾翹曲檢測方法

摘要：分析了某2 250 mm熱軋產線粗軋段板坯頭尾翹曲值機器視覺檢測原理，針對上邊緣檢測法易受板坯頭尾形狀缺陷干擾而導致測量精度下降的不足，提出一種以激光曲線為基準的改進視覺檢測方法，即將2個綠色激光線作為結構光源，分別投射到目標板坯表面寬度中心線以及與中心線垂直的兩條基準線上，使用CCD相機采集目標板坯的端部圖像，提取中心激光線的離散點擬合目標板坯的端部翹曲曲線，并根據平行基準激光線組確定端部圖像的“滅點”，計算目標板坯端部的最大翹曲值。測試結果表明，改進的檢測算法能夠有效避免板坯頭尾形狀缺陷干擾，檢測誤差低于5%，為工業應用奠定了基礎。

關鍵詞：機器視覺；頭尾翹曲；激光檢測；熱軋板坯；視覺測量

中圖分類號： TP391.4文獻標識碼： ADOI：10.3969/j.issn.1007-791X.2025.02.002

0引言

雙碳戰略和制造業智能化，對帶鋼生產全流程質量控制與自動化、智能化提出了更高的要求[1-3]。然而在熱軋帶鋼生產的粗軋段，板坯經粗軋機軋制后，頭尾易出現不同程度翹曲[4]。板坯頭部若翹曲嚴重則會撞擊工作輥和水冷裝置，若下扣嚴重則會沖擊機架輥輥道[5]，易給生產造成事故和損失。造成板坯頭部翹曲的因素包括板坯加熱制度、高壓水除磷水量、板坯表面溫度、工作輥直徑、壓下量、熱軋板坯的幾何參數、軋輥線速度等[6]。由于缺乏有效測量設備和方法，實際生產中主要依靠人眼觀察，并根據操作工的經驗來給出輥速比（SKI）以控制板坯翹曲。在智能制造戰略背景下，迫切需要解決帶鋼頭部翹曲高度在線自動測量問題。

基于機器視覺的非接觸檢測方法，符合鋼廠自動化和智能化發展趨勢[7-9]，已被用于板坯頭尾形狀檢測、帶鋼表面缺陷檢測等方面。雷鳳翔[10]針對熱軋帶鋼端部形狀視覺檢測問題，采用雙目視覺檢測系統，提出了基于三角計算方法的帶鋼端部形狀視覺檢測算法，實驗結果表明該算法可以滿足熱軋帶鋼端部形狀檢測的實際需求。田思洋[11]針對中厚板、熱軋帶鋼、酸洗帶鋼等三種典型的板帶鋼產品表面缺陷檢測的問題，開發了快速圖像分割、改進極限學習機、端到端的目標檢測等算法，檢測準確率達到90%以上，檢測速度滿足在線檢測的要求。唐朝[12]采用激光三角法對淬火鋼板平直度的檢測方法進行了研究，通過將激光條紋圖像的像素位置信息轉化為高度信息，最終實現淬火鋼板的平直度計算。楊志強[13]針對鋁合金熱軋中間坯出現的側邊雙鼓和頭尾“鱷魚嘴”缺陷，采用Blob分析方法對缺陷進行特征提取和尺寸測量，并將測量的結果作為反饋信號，以控制側立輥輥邊壓下量和頭尾切除量。

熱軋板坯頭尾翹曲值的機器視覺檢測方面，席梅[14]通過CCD相機布置了翹曲檢測系統，分別安裝于粗軋機的板坯入口側和出口側，實現了板坯翹曲值的檢測和屏幕可視化等功能。黃華貴等[15]將板坯翹曲機器視覺檢測結果與熱軋生產過程數據相結合，建立板坯頭部翹曲值和SKI值的神經網絡預測模型，初步構建了閉環控制系統。

然而，實際生產過程中由于板坯頭尾形狀缺陷干擾，現有的上邊緣檢測法誤判問題頻發，測量的翹曲值相較于實際值更偏下扣趨勢，甚至與實際翹曲趨勢完全相反。為此，本文以投射到目標板坯表面的激光線組為基準，結合機器視覺檢測技術來間接計算板坯頭尾翹曲高度值，避免了板坯頭尾形狀缺陷輪廓的干擾，并搭建檢測實驗平臺，對算法進行了驗證。

1上邊緣檢測法及其不足

1.1上邊緣檢測法簡介

以某2 250 mm熱軋機組為例，如圖1所示，在R1、R2粗軋機的入口和出口處均安裝CCD相機，實時檢測的R1和R2軋制出口板坯頭部圖像如圖2所示，并通過圖像處理提取板坯上邊緣輪廓，結合相機標定結果，提取上邊緣輪廓離散點，計算板坯頭部彎曲程度，用翹曲量Q表示。

1.2上邊緣檢測法存在的不足

由于熱軋板坯頭尾沒有約束，縱向金屬流動沿板寬方向分布不均勻，導致板坯頭部略微外凸形似“舌頭”，尾部略微內凹形似“魚尾”[16]，頭尾缺陷實測照片如圖4所示。在以上邊緣輪廓線作為檢測基準時，上邊緣輪廓線與頭尾邊緣連成平滑的曲線，導致提取側邊緣的曲線時，往往會將頭尾的曲線一并提取，錯誤地將頭尾邊緣當作側邊緣的一部分，如圖5所示，最終造成對翹曲的判斷錯誤。

2基于機器視覺與結構光的檢測原理與方法2.1檢測原理

為解決板坯頭尾缺陷干擾導致的檢測結果失真問題，本文提出基于機器視覺與結構光的熱軋板坯頭尾翹曲值檢測新方法，其檢測原理如圖6所示。在熱軋板坯出口處側邊設置圖像采集系統，包括CCD相機、若干激光器和濾光片等硬件設備組件。在板坯上方設置1個十字激光器與1個線激光器作為結構光源，分別投射到目標板坯表面寬度中心線以及與中心線垂直的兩條基準線上，CCD相機朝斜下方拍攝板坯頭尾圖像。檢測裝置安裝固定在支撐立柱上，通過地腳螺釘固定在地面，可有效減少振動等因素的干擾。CCD相機在熱探測開關觸發下采集板坯端部長約1.5 m左右的圖像。

由于熱軋板坯通常為紅熱狀態，為避免激光線被板坯的紅光掩蓋，激光器采用波長為520 nm的綠激光，提高圖像對比度，易于視覺系統對激光線的檢測。與此同時，為使獲得的高分辨率圖像中高溫板坯與環境在灰度上形成鮮明對比，在鏡頭前增加紅外濾光片過濾掉板坯周圍被照亮的背景，得到只有高溫板坯的清晰圖像。根據板坯圖像與背景的強烈反差，設定動態閾值分割，通過特征提取獲得所需的板坯輪廓與激光曲線，最終根據設定好的圖像處理程序測量板坯頭尾翹曲高度值。

2.2圖像處理方法

為驗證新檢測方案有效性，本文通過離線搭建檢測平臺，進行圖像處理算法開發。采用Blob分析方法，基于激光曲線輪廓對板坯頭尾翹曲高度進行間接測量。

2.2.1ROI提取

相機直接采集的圖像通常包含大量與目標無關的無效信息，如圖7（a）所示，因此需要在圖像中提取感興趣區域（Region of Interest，ROI），僅保留需要處理的目標區域，ROI外的部分會被減裁掉，大大減少了需要處理的像素數量，提高了計算效率。基于原圖提取出的ROI如圖7（b）所示，其中板坯邊緣輪廓為高亮反光，需在后續圖像處理中去除。

2.2.2圖像動態閾值分割

圖像分割根據灰度、幾何形狀等特征把目標ROI區域劃分成多個獨立區域。固定閾值分割由于閾值人為設定不變，當環境光發生變化或板坯表面產生反光時，得到的圖像效果通常不盡如人意，應用中一般采用動態閾值分割的方法。

動態閾值分割結果使用像素點（r，c）的集合表示，對亮色和暗色目標物體的動態閾值分割方法為

式中，r、c分別表示像素點的行和列，fr，c表示圖像輸入，gr，c表示濾波器處理后的圖像，gdiff表示灰度值差值。

圖像處理中使用較為廣泛的算子包括均值濾波、中值濾波和高斯濾波等，其中，中值濾波能夠有效保留目標物體的邊緣信息，如目標板坯的輪廓。因此，先選用中值濾波來對板坯端部圖像進行預處理，結果如圖8所示，動態閾值分割后得到如圖9所示圖像。

2.2.3板坯輪廓提取

在完成閾值分割后，需要對圖像作連通域分析，分離ROI區域中相連接的部分。板坯輪廓與其他區域的主要差異體現在面積上，因此經過形態學閉運算操作后，再將目標特征設置為面積大于50 000像素，提取到的板坯區域如圖10所示。

2.2.4激光曲線提取并擬合

為計算板坯翹曲高度，需要得到板坯上表面的輪廓以及激光線的擬合曲線。在得到的ROI區域內，同樣采用動態閾值分割法提取照在板坯上的激光曲線，經閾值分割和膨脹處理后，提取出的輪廓包含目標激光線與下邊緣高亮反光，如圖11所示。

在完成閾值分割后，需要對圖像作連通域分析，分離ROI區域中相連接的部分。圖像中目標特征為3條激光曲線，干擾特征為下邊緣輪廓，使用11×1的矩形結構元素對區域進行腐蝕操作，可去掉豎直方向的激光線，下邊緣輪廓與目標區域實現分離，通過列像素長度特征提取可獲得下邊緣干擾區域，最后將整個區域與干擾區域進行減操作，得到的激光曲線輪廓如圖12所示。

提取到的曲線輪廓是由眾多像素點構成的，需要擬合一條近似曲線來展示板坯翹曲的趨勢，趨勢預測如圖13所示。

2.3板坯翹曲高度計算方法

針對傳統的上邊緣檢測法的不足，將測量基準由原來的板坯上邊緣改為板坯中部激光曲線。如圖14所示，首先根據圖像提取的激光線擬合出曲線函數表達式y=f（x），記錄最靠近板坯頭部的離散點m1和最靠近板坯頭部的極值點m2的坐標。通過函數可以擬合出該曲線沿x方向增長的一段外延曲線，然后由板坯頭部上的若干凸點作直線并與外延曲線相交，記錄像素坐標中最大x值所對應相交點n的坐標。

板坯頭尾在圖像中的翹曲程度用翹曲值h1表示，利用參考點n與m2的縱坐標差值就能計算，數值為正表示板坯上翹、數值為負表示板坯下扣，計算式為h1=yn-y2， （3）式中，yn表示參考點n的縱坐標，y2表示參考點m2的縱坐標。

由于相機采集到的圖像為透視圖，因此實際平行的兩條激光線在圖像中彼此延伸后必定會相交于“滅點”，如圖15（a）。由滅點連接板坯頭部若干凸點，與擬合曲線相交形成若干相交點。由實際經驗和曲線趨勢可知，在圖像中列坐標最大的相交點即為板坯產生的最大翹曲點，如圖15（b）所示。

板坯翹曲高度的間接計算思路如下：如圖16所示，在圖像中，板坯上下兩端l占用的像素是不同的，但是在世界坐標中l的長度是相等的，由相似原理和l1在圖像行方向上占用的像素數量即可求出l1對應在世界坐標中的長度，結合擬合的板坯翹曲表達式即可求得板坯翹曲值h1。

值得注意的是，此時測算出來的h1值，并不是世界坐標中板坯頭尾的最大翹曲值h0，而是一個在投影平面上的h1，如圖17所示。h0的計算表達式為h0=h1sinα，（4）式中，α表示相機與垂直面的夾角（rad），h1表示板坯在投影平面上的翹曲值（mm），h0表示板坯在世界坐標中的翹曲值（mm）。

3板坯翹曲高度測量實驗

為了對比傳統的上邊緣檢測算法與本文提出的改進檢測方法的精度，分別對同一板坯使用上述兩種檢測算法進行翹曲值檢測，比較檢測結果。

3.1相機標定

為描述并確定相機拍攝所得圖像中的物體與在現實中該物體各點位置存在的對應關系，需要相機采集足夠多的目標點來進行標定，選取最優目標點來計算相機的內參矩陣和外參矩陣，建立包含多個相機參數的數學模型[17]。本文利用Halcon中的算法庫結合標定板進行標定實驗，標定的流程為：準備標定板、圖像采集、圖像質量檢測、圖像數量檢測、設定參考位姿、開始標定、得到內參和外參。標定板的材料選擇金屬氧化鋁以減少反光，外尺寸選擇102.5 mm×102.5 mm可使標定板占據圖像較大部分的像素面積，類型選擇黑色背景白色圓形的網格，采集的圖像需要利用灰度取反算子將圖像轉換為符合Halcon標準的白底黑圓的標定板格式。

標定成功得到相機的內參矩陣和外參矩陣數據如表1所示，建立的相機模型為

式中，fx、fy表示x軸和y軸方向的焦距，Cx和Cy分別為相機光軸在圖像坐標系中x和y方向上的偏移量，K為相機的內參矩陣，R和T分別為外參矩陣中的旋轉矩陣和平移矩陣。世界坐標系中的點Pw通過相機模型（5）轉換為像素坐標系中的點P′，即可將圖像中物體所占用的像素數量轉換為真實世界的長度。

3.2檢測算法有效性驗證

實際生產中，熱軋板坯頭尾形狀缺陷一般為魚尾狀或舌頭狀，翹曲形式為上翹或下扣，因此對不同端部形狀和翹曲情況的板坯，分別采用上邊緣檢測法和以激光線為基準的改進檢測算法進行了翹曲值測量實驗，然后人工測量獲得板坯翹曲實際值，對比兩種方法對各種情況板坯的測量準確性。實驗中使用面光源加漫射板對板坯均勻打光，鏡頭光軸與豎直方向夾角α為0.925 rad，使用Halcon軟件控制相機的圖像采集，并進行后續的圖像處理與測量。上邊緣檢測法和以激光線為基準的改進檢測算法測量結果見表2與表3。

從上述實驗對比可知，傳統的上邊緣檢測法會受到板坯頭尾形狀的影響，主要表現在測量的翹曲值更偏下扣。尤其是舌頭形狀，會加劇下扣值甚至檢測板坯翹曲趨勢與實際情況完全相反，最大誤差達到116.67%。而以激光曲線為基準檢測的方法避免了由于板坯頭尾形狀不規則而導致板帶頭尾邊緣被錯誤提取的問題，檢測誤差均低于5%，提高了板帶頭尾翹曲值檢測的準確性。

4結論

本文針對上邊緣檢測法檢測熱軋板坯頭尾翹曲量精度不高的問題，設計了一套符合現場需求的機器視覺檢測系統。在傳統的上邊緣檢測法的基礎上，提出了一種以激光線為基準的改進算法，消除了板坯頭尾形狀對測量結果的影響。對不同頭尾形狀以及翹曲情況的板坯分別進行了對比測量實驗，實驗結果表明，改進后的檢測算法大幅提高了檢測精度。目前實際工程中應用的上邊緣檢測法易受板坯頭尾不規則形狀影響，板坯頭尾翹曲值檢測誤差較大，而改進的檢測方法檢測誤差均低于5%，并且對不同板坯的頭尾形狀和翹曲情況有良好的適應性。

參考文獻

[1] 袁國， 王國棟. 高品質鋼鐵材料軋制加工新技術研究進展及發展趨勢 [J]. 軋鋼， 2022， 39（6）： 12-28.

YUAN G， WANG G D. Research progress and development trend of new technology for rolling and processing of high-quality steel materials [J]. Steel Rolling， 2022， 39（6）： 12-28.

[2] 張健民， 單旭沂. 熱軋產線智能制造技術應用研究——寶鋼1580熱軋示范產線 [J]. 中國機械工程， 2020， 31（2）： 246-251.

ZHANG J M， SHAN X Y. Application of intelligent manufacturing technology in hot rolling production line——Baosteel 1580 hot rolling demonstration production line [J]. China Mechanical Engineering， 2020， 31（2）： 246-251.

[3] ZHOU D D， XU K， LV Z M， et al. Intelligent manufacturing technology in the steel industry of China： a review [J]. Sensors， 2022， 22（21）： 8194-8194.

[4] 黃海林. 熱軋粗軋板坯翹扣頭預測及自動軋鋼技術研究 [D]. 秦皇島： 燕山大學， 2022.

HUANG H L. Research on prediction and automatic rolling technology of warping head in hot roughing [D]. Qinhuangdao：Yanshan University， 2022.

[5] 陳輝， 黃貞益， 徐益平， 等. 中板軋制過程翹頭影響因素模擬分析 [J]. 軋鋼， 2019， 36（2）： 23-25.

CHEN H， HUANG Z Y， XU Y P， et al.Simulation analysis on the factors affecting the head warping in medium plate rolling [J]. Steel Rolling， 2019， 36（2）： 23-25.

[6] 吳孟飛. 中厚板頭部翹曲的影響因素及控制 [J]. 天津冶金， 2018， 211（1）： 35-37.

WU M F. Influence factors and control measures of head warping of medium and heavy plate [J]. Tianjin Metallurgy， 2018， 211（1）： 35-37.

[7] 田勇， 王國棟. 機器視覺技術在軋鋼生產中的應用及其發展 [J]. 軋鋼， 2008， 25（6）： 37-40.

TIAN Y， WANG G D. Application and development of machine vision technology in steel rolling [J].Steel Rolling， 2008， 25（6）： 37-40.

[8] WANG P， ZHAO H L， REN G Y. Development and application of standard device for calibrating steel measuring tape based on machine vision [J]. Applied Sciences， 2022， 12（14）： 7262.

[9] KHARE M， KHARE A， JEON M， et al. Machine vision theory and applications for cyber-physical systems [J]. Multimedia Tools and Applications， 2022， 81（16）： 1-6.

[10] 雷鳳翔. 熱軋帶鋼端部形狀視覺檢測研究 [D]. 天津： 河北工業大學， 2014.

LEI F X. Research on vision detection of the hot rolled strip end’s shape [D]. Tianjin： Hebei University of Technology， 2014.

[11] 田思洋. 板帶鋼表面缺陷目標檢測與分類算法研究 [D]. 北京： 北京科技大學， 2019.

TIAN S Y. Research on object detection and classification algorithms for surface defects of steel plates and strips [D]. Beijing： University of Science and Technology Beijing， 2019.

[12] 唐朝. 基于機器視覺的淬火鋼板板形感知技術的研究 [D]. 沈陽： 東北大學， 2019.

TANG C. Research on shape-aware technology of quenched steel plate based on machine vision [D]. Shenyang： Northeastern University， 2019.

[13] 楊志強. 鋁板熱軋中間坯邊部和頭尾缺陷機器視覺檢測 [D]. 秦皇島： 燕山大學， 2018.

YANG Z Q. Aluminum plate hot rolled intermediate slab head and tail defects machine vision detection [D]. Qinhuangdao：Yanshan University， 2018.

[14] 席梅. 翹扣頭檢測系統在熱軋產線的應用 [J]. 山西冶金， 2021， 44（2）： 135-137.

XI M. Application of warping head detection system in hot rolling production line [J]. Shanxi Metallurgy，2021， 44（2）： 135-137.

[15] 黃華貴， 劉迎港， 黃海林， 等. 熱軋板坯頭部翹曲機器視覺檢測與BP神經網絡預測控制 [J]. 中國冶金， 2022， 32（9）： 85-89.

HUANG H G， LIU Y G， HUANG H L， et al. Prediction and control for head warpage of hot-rolled slab based onmachine vision detection and BP neural network [J]. China Metallurgy， 2022， 32（9）： 85-89.

[16] 李學通， 杜鳳山， 孫登月， 等. 熱軋帶鋼頭尾形狀短行程控制研究 [J]. 鋼鐵， 2005（2）：51-54.

LI X T， DU F S， SUN D Y， et al. Study of SSC for strip head and tail shape on hot strip mill [J]. Iron amp; Steel，2005（2）：51-54.

[17] 夏仁波， 劉偉軍， 趙吉賓， 等. 基于圓形標志點的全自動相機標定方法 [J]. 儀器儀表學報， 2009， 30（2）： 368-373.

XIA R B， LIU W J， ZHAO J B， et al. Fully automatic camera calibration method based on circular markers [J]. Chinese Journal of Scientific Instrument， 2009， 30（2）： 368-373.

收稿日期：2023-07-15責任編輯：溫茂森

基金項目：中央引導地方科技發展資金資助項目（216Z1602G）

作者簡介：許彪（1995-），男，湖北孝感人，博士研究生，主要研究方向為板帶軋制過程機器視覺感知；*通信作者：黃華貴（1978-），男，福建福安人，博士，教授，博士生導師，主要研究方向為冶金裝備信息感知與智能控制，Email：hhg@ysu.edu.cn。