具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于机器视觉的板形检测装置，如图1所示，包括正在轧制过程中的带钢1(带钢1为本装置的被检测主体)、工作辊2、中间辊3、支撑辊4、检测激光发射器5、标准激光发射器6及摄像机7。

检测激光发射器5、标准激光发射器6均安装于现场操作侧，距离地面高度2.7米，其中检测激光发射器5安装在远离相机位置，标准激光发射器6与摄像机7安装同一位置。检测激光发射器5、标准激光发射器6发出的两束激光在带钢1的反射光线均垂直于带钢1轧制方向；摄像机7与两束激光线呈32°位置安装。检测激光发射器5、标准激光发射器6、摄像机7均连接计算机。检测激光发射器5与标准激光发射器6均为650nm波长的红外激光线，对应摄像机7在镜头加装650nm滤光片，对应波长的光进行采集。

照射到带钢表面的检测激光发射器5、标准激光发射器6为平行照射，检测激光发射器5必须安装在距离摄像机7与标准激光发射器6一定距离处，并且反射光线要与摄像机7呈现一定角度。标准激光发射器6与摄像机7必须安装在同一位置，保证标准激光不随板形变换而变化。在轧制现场操作侧附近安装了板形显示界面，将检测出的板形信息进行可视化显示，提供给现场操作人员对板形进行控制。

检测的原理为根据在现场操作侧位置安装激光器(检测激光发射器5、标准激光发射器6)与图像传感器，使激光器发出的线激光能够照射到带钢上，图像传感器能够采集到带钢以及线激光的反射光线。利用图像处理等技术手段，准确得到检测激光线和标准激光线的位置信息，通过计算最终得到带钢板形信息。

本发明一种基于机器视觉的板形检测方法，利用标准激光发射器6发射的激光线位置作为标准位置，计算检测激光发射器5发出的激光线的相对位置变化来计算板形数据。将Canny边缘检测算法与灰度重心法的结合，在复杂环境下提取出了线结构光中心的准确位置。

具体的检测步骤如图2所示：

步骤1，将采集得到的现场图像根据公式(1)进行灰度化操作。

Grey＝0.299*R+0.587*G+0.114*B (1)；

其中，Grey——输出灰度值；R——红色通道值；G——绿色通道值；B——蓝色通道值。

因为本发明需要对板形信息进行实时性检测，对程序算法的时效性有较高要求。而因为单通道图像每一个像素只对应一个灰度值大小，所以相比RGB图像，单通道图像处理速度理论上快三倍。单通道图像能将传感器采集原图转化为灰度图像进行显示，同时不会影响对目标的识别和对边缘的提取。

步骤2，由于激光线的反射光线与相机采集方向存在一定的角度，于是将采集回来的图像进行修正，采用的方法为旋转图像法；正常板形情况下两束激光在旋转后的图像中呈现垂直状态。

步骤3，利用划定特定区域的方法，在原采样区域内直接取出需要的对应像素点集合映射到矩形区域内作为感兴趣区域图像(ROI区域)，后续图像预处理与算法都将围绕该图像展开。将包含目标的兴趣区域从背景中提取出来。能够减少现场其它区域的噪声对后续激光线中心位置提取的影响，而且缩小了图像处理的区域大小，能显著加快信息提取和计算速度，满足测量系统对实时性的要求。同时利用Hough变换对带钢上下边缘进行检测，得到带钢位置。

步骤4，采用双边高斯滤波进行去噪，相比于传统高斯滤波，双边高斯滤波在进行图像去噪的过程中，同时可以进行边缘保存，采用其它滤波算法进行降噪处理时，会模糊需要检测的目标边缘，对于图像边缘细节的处理和保留效果不好。相比高斯滤波器，双边高斯滤波器多了一个高斯方差，它是基于空间灰度值分布的高斯滤波函数，所以在边缘位置，距离边缘较远的像素不会影响到边缘位置上的像素值。双边高斯滤波在激光线边缘处灰度值变化得到了更好的保留，边缘位置更加清晰。

步骤5，根据公式(2)进行图像对比度拉升操作。

p(M，N)＝q(M，N)*k (2)；

式中，K——像素提升比例；p(M，N)——对比对拉升后第M行N列的像素灰度值；q(M，N)——对比度拉升前第M行N列的像素灰度值。

该步骤可以提升高灰度值区域与低灰度值区域的灰度差值，从而加强边缘。因为激光线本身灰度值高，周围灰度值低，经过同比例放大后，激光线增亮部分高于背景部分，两者之间差距变大。

步骤6，根据公式(3)利用图像归一化对经过对比度拉升后的图像进行操作，将不定大小的数据归一化到指定大小区域的数据中，让每一行的数据分布在特定区间。

式中，X——原始数据；X_norm——归一化后数据；X_max——原始数据集最大值；X_min——原始数据集最小值。

步骤7，利用Canny算法通过四个步骤能够精准识别边缘，能够通过非极大值抑制有效非边缘像素，通过设置双阈值，去除伪边缘。相比较其它算法，能够进行有效的边缘连接，体现出了在时效性和前景背景区分上的优势。并根据Canny得到的双边缘通过公式(4)可计算得到激光线宽度。

g_c＝x_l-x_r (4)；

式中，g_c——激光线宽度；x_l——每行对应左边缘坐标；x_r——每行对应右边缘坐标；

步骤8，采用基于边缘检测结果的灰度重心法通过利用Canny计算得到的双边缘结果，再次计算灰度重心。该方法对线结构光的特点和图像中的干扰都做了针对性处理，得到了良好的激光线中心位置坐标。根据公式(5)对检测激光线中心位置进行计算。并且在保证时效性的情况下，该方法在计算结果的精度和标准差上都有明显优势。

式中，U——图像行灰度重心；g_i——所有有效元素点的像素坐标对应灰度值；μ_i——所有有效元素点的像素坐标；M——所有有效元素点的像素个数。同时利用Hough变换对标准激光线的位置进行检测为板形的计算提供标准位置。

步骤9，在采集图像分辨率为3072*2048的情况下，板形的变化引起的激光线变化通常在10～15个像素，激光线的变化无法直接观察得到。于是根据两条激光线在遇到板带形变时，检测激光线产生对应形变，标准激光线不发生变化的区别来计算板形信息，同时将宽度信息加入带钢板形数据计算。带钢的形变主要体现在带钢的轧制方向，于是分别计算出同一y坐标对应的两条激光线的x坐标，并做差。同时与宽度信息做乘积得到每行板形数据。

G_y＝g_c*(X_S-X_D)(y＝y_t...y_k) (6)；

式中：G_y——y行的板形数据；g_c——y行的检测激光线宽度；X_S——y行标准激光线的x坐标；X_D——y行检测激光线的x坐标；y_t——带钢上边缘y方向坐标；y_k——带钢下边缘y方向坐标。

步骤10，结合步骤3中得到的带钢上下边缘位置，只在带钢表面上进行板形数据提取，得到实际带钢板形。

步骤11，绘制带钢板形信息界面。如图3所示，3D曲线为带钢板形信息，左侧信息显示从上至下依次为带钢上边缘位置、带钢下边缘位置、带钢中心位置与实时轧制速度；右上显示为现场系统时间。

本发明基于图像处理手段，利用线激光发射器和图像传感器，实现了对冷轧带钢板形信息的实时检测。其中所使用到的图像预处理、图像边缘检测和线结构光中心提取的算法都是在Visual Studio 2017平台下使用C++语言完成的。最终实验结果证明，所研究的基于图像处理的冷轧板形检测方法可以精准检测实时板形数据，还原板形信息。为实际冷轧带钢过程中的板形控制提供了准确的板形信息。主要优点如下：

1.根据实际轧制过程中会遇到的板形变化特点，研究了各种板形情况下对应的激光线数据信息。通过图像预处理、边缘检测和线结构光中心提取等手段得到了冷轧带钢的板形信息；对图像预处理部分，采用了色彩空间转化的方法将图像转化到灰度空间减小信息冗余加快检测处理速度，利用双边高斯滤波对图像进行去除高斯噪声，采用对比度拉升和图像行归一化对降噪后的图像进行增强；对图像边缘检测部分，通过Canny边缘检测算法的四个基本步骤检测出图像中的有效激光线边缘；在线结构光中心提取中，对比了基于边缘检测的几何中心法、传统灰度重心法等方法后，采用了改进的基于边缘检测的灰度重心法。通过计算两束激光线的相对位置与检测激光线的宽度得到板形数据，有效消除了相机震动带来的误差，提高检测结果的稳定性。

2.实际的检测环节中，由于带钢轧制速度较高，图像传感器采集帧率较低的限制，部分采集图像中出现拖影。这一现象会造成激光线有波动区域宽度较宽。通过检测激光线宽度侧面得到板形数据。通过双边高斯滤波、对比度拉升、图像行归一化和Canny边缘检测的方法得到激光线边缘位置坐标。每帧图像的每行边缘位置坐标差就是对应行的宽度。

3.由于冷轧轧机工作过程中会产生震动，带钢轧制过程中也会出现张力不均衡，于是带钢会在操作侧和传动侧上下移动。采用了霍夫直线变换的方法检测带钢上下边缘位置。在得到带钢位置和板宽的同时也为板形的精准测量提供了保障。