基于虚拟工艺特征模型及自适应稀疏编码的钢板表面缺陷识别研究

基于机器视觉的钢坯板表面质量实时检测，是一项冶金分析测试的关键技术，生物视觉信息处理机制和框架为实现智能、鲁棒、快速的机器视觉提供了新思路。为高效地挖掘缺陷信息，课题结合热冷轧、连铸等生产工艺，对于热冷态钢坯板表面图像中边裂、折印、辊印等缺陷的特征进行采集、分析和建模，建立虚拟工艺特征模型。为解决辨识的通用性和计算复杂性问题，根据视觉认知计算理论，对神经元在视觉特征的选择性和稀疏性进行扩展，利用一种十字形区域在感光细胞层建立灵活有效的数据选择机制。进而研究机器视觉对钢坯板表面图像数据及各级特征的自适应性和选择机制，探索异构目标2D视觉的初级特征表示、中级特征表示、轮廓编组、目标识别及相关的学习方法，利用样本及缺陷相关知识对网络进行训练，进而实现基于稀疏编码的层次化自适应的钢坯板表面缺陷检测网络。本研究旨在探索视觉认知计算模型和有效的训练方式，并为钢坯板等表面质量实时检测开辟新的途径。

钢板表面缺陷在线检测一直是冶金行业中备受关注的问题，课题针对基于机器视觉的钢板在线检测中的关键技术进行了研究。课题结合带钢生产实际，运用图像处理和模式识别技术，解决了钢板表面检测中缺陷泛滥和弱目标识别困难的问题，有效提高了带钢缺陷在线检测的自动化水平。研究内容包括自适应光照系统的设计、最优成像方案的设计、复杂光照条件下的图像目标分割、多目标检测以及识别技术。主要创新点包括：.（1）建立了基于虚拟钢板的光照反射模型，以双向反射分布函数（BRDF）为依据，获得了不同材质的光路分布特点，为构建成像打下基础；.（2）提出了基于多评价体系的最优成像模型，得到了优化综合的整个成像系统设计方案，作为钢板表面成像的理论研究平台，为提高整个检测系统性能提供依据；.（3）提出了暗视场下的分段模糊率曲线缺陷分割方法，克服了不均衡光照条件下的缺陷分割问题，实现了目标的鲁棒性分割与提取；.（4）提出了DOWN-UP融合特征并行提取模型和基于遗传算法的特征选择方法，该方法同时提取带钢上下表面的缺陷图像特征，大大加快了检测速度； .在此基础上课题组开发了带钢表面缺陷在线检测系统，并于2014年10月上线测试，获得了良好的效果，显著地提升我国冶金行业的自动化检测水平。