基于拓扑知觉理论的带钢表面缺陷视觉快速感知计算

The strip surface quality inspection based on the visual information on high-speed production line is the key technical issue in current advanced metallurgical manufacture industry, but there are still some problems about the accuracy of the defect detection, the automatic selection of the defect mode feature, the sample size of training set, the real-time data throughput. Thus, this project plans to undertake the following researches:. Firstly, according to the non-uniform and non-Gauss distribution feature of the strip defects formation, a defect detection method based on information entropy-graph cut algorithm is proposed to imitate the use of random distribution theory and achieve the precise positioning and real-time access of the defect information.. Secondly, for the unfixed geometric structure, the distribution of the irregular texture, complex and varying formation, uncertain environmental interference and other issues, a proposed method based on the framework of topological encode and visual words, which cope with the visual feature automatic selection and extraction of the strip surface defect.. Thirdly, in view of the lack of training set for defect sample and imbalanced distribution of the defect data, a proposed method is based on topological invariance and kernel matching of defect classification algorithm to implement hot mill real-time discrimination.. The research contents of this project not only enhance technological value in steel industry with high energy consumption and play an important role in promoting enterprise transformation, but also provide the necessary theoretical basis for the robot to detect and recognize the high-speed target in a complex industrial environment..

基于视觉信息的高速生产线带钢表面质量检测是当前先进冶金制造领域的关键技术问题，但在缺陷检测精度、缺陷模式特征自动选择、样本训练集规模及数据实时吞吐量等方面依然存在很多问题。因此，本项目拟开展以下研究：一、根据带钢缺陷整体呈现形式的非均匀性与非高斯性等特征提出信息熵-图割目标提取方法，实现缺陷信息的精密定位与实时获取；二、针对带钢表面各类缺陷呈现几何结构不固定、纹理分布不规则等随机性分布特点，提出基于拓扑编码的视觉单词模型，进行带钢表面缺陷视觉特征的自动选择与提取；三、针对缺陷样本训练集规模不足及缺陷数据分布不平衡的问题，提出一种基于拓扑不变性的随机游走核匹配算法，实现高速运动下热轧带钢表面缺陷类型的实时判别。本项目不仅对于提升高能耗钢铁产业的科技附加值、促进企业转型具有重要的推动作用，也为机器人在复杂工业环境下检测与识别高速运动目标提供了理论基础。

目前，基于视觉信息的表面质量检测在诸如造纸、纺织、船舶、航天等多个行业均有应用，但是在高速运行、表面缺陷多变和环境干扰不确定的带钢工业生产线上还难以实现高效、实时地进行表面缺陷检测与识别。为此，本课题展开了基于机器视觉的带钢表面缺陷在线检测与识别方法，获得包括缺陷位置、大小、范围、类型以及严重程度等表面缺陷的精确统计数据。.本课题主要围绕如何提高缺陷检测算法的检测精度、缺陷模式特征自动选择、数据分布不平衡，样本训练集规模及数据实时吞吐量等方面的问题展开了研究，具体研究内容如下：一、根据带钢缺陷整体呈现形式的非均匀性与非高斯性等特征展开的基于单幅图像纹理信息建模的精确缺陷检测与定位，本课题提出了一种基于HWV模型的缺陷检测算法，该算法可以对各项同性表面纹理中任一类型的缺陷进行检测，包括微小缺陷及低对比度的缺陷；二、考虑到缺陷数据库中大量存在的无缺陷图像及无缺陷图像的纹理分布特点，展开了结合非缺陷样本库统计特征的缺陷精确检测与定位，提出的相关检测算法具有很高的计算效率，基本可以满足带钢等产品在高速运动情况下的在线检测需求；三、针对带钢表面各类缺陷呈现几何结构不固定、纹理分布不规则等随机性分布特点，及缺陷样本训练集规模不足及缺陷数据分布不平衡的问题，展开了基于视觉单词拓扑编码的缺陷特征提取与缺陷分类问题研究。提出的视觉码本生成方法可以有效克服数据分布不平衡情况带来的问题，所提出的方法可以克服利用缺陷的统计属性对缺陷特征进行描述时，不同类别的缺陷之间相异度较低带来的问题。.本课题的研究对于提高钢铁行业的智能化制造水平、节能减排等具有重要的战略意义和推动作用，同时对于带动钢铁行业的发展乃至我国国民生产总值的增长都具有重要的作用和意义。同时，本课题涉及的理论内容对于机器视觉领域中高速运动目标的在线视觉检测与识别理论具有重要的科学意义。