[发明专利]一种基于人工智能的热轧钢卷卷曲评估方法

权利要求书

1.一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，包括以下步骤：

获取相机初始位置的初始钢卷图像，对所述初始钢卷图像进行灰度化处理，得到灰度图像；

对所述灰度图像分别进行处理，得到对应的摩尔纹识别特征一和摩尔纹识别特征二；根据所述摩尔纹识别特征一和摩尔纹识别特征二，获得初始摩尔纹识别指标，当所述初始摩尔纹识别指标大于设定阈值，则初始摩尔纹识别指标对应的像素点组成的区域为初始摩尔纹区域；反之，对应的像素点组成的区域为初始非摩尔纹区域；

获取不同相机位置下对应的钢卷图像，根据所述初始摩尔纹区域对所述钢卷图像进行分割删除，得到特征图像，提取所述特征图像的摩尔纹区域，根据各相机位置下的摩尔纹区域，得到对应的摩尔纹区域面积，并计算对应相机位置下的钢卷卷曲评估值；

根据初始钢卷图像的总面积和获取的各相机位置的钢卷卷曲评估值，计算当前钢卷的松卷程度，对钢卷进行评估；

所述特征图像的获取过程为：

（1）以相机的初始位置为基点，按照设定距离分别进行不同方向的一次移动，得到不同方向上对应的新的钢卷图像，进而得到新的钢卷图像序列；在一次移动的基础上，分别继续不同方向上的二次移动，移动方向不变，如此继续移动，获得多组新的钢卷图像序列；

（2）采用透射变换算法将各钢卷图像与初始钢卷图像中各像素点进行对应；之后将初始钢卷图像中检测属于初始摩尔区域像素点，与新采集到的钢卷图像中对应像素点标注为0，其他区域的像素点标注为1，得到钢卷图像中非摩尔区域的图像；

（3）将各图像与对应的钢卷图像进行相乘，得到分割删除后的各特征图像；

各钢卷图像序列中的特征图像的摩尔纹区域的钢卷卷曲评估值为：

，

其中，表示第k次移动对应的钢卷图像序列的所有特征图像的摩尔纹区域面积和，j为方向的个数，表示相机距离移动参数；

当前钢卷的松卷程度为：

其中，为初始钢卷图像的总面积，表示归一化函数，将参数进行归一化到区间[0,1]之间，为第k次移动对应的钢卷图像序列的所有特征图像的摩尔纹区域的钢卷卷曲评估值，n为移动的总次数。

2.根据权利要求1所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，在对所述灰度图像进行分别处理之前，还包括对所述灰度图像进行区域分割，得到初始钢卷图像中的高频图像区域的步骤。

3.根据权利要求2所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，

所述摩尔纹识别特征一的获取方法为：

1）对所述高频图像区域进行边缘检测，获取边缘像素点；以最外侧边缘像素点中任意一点为初始起始点，沿着该初始起始点的灰度梯度方向对方向上的所有像素点进行灰度梯度方向计算；

2）当灰度梯度方向上所有的边缘像素点的灰度梯度方向一致，且指向钢卷区域中心点，则灰度梯度方向上不存在初始摩尔纹区域的像素点；当灰度梯度方向上所有的边缘像素点的梯度方向存在差异，则灰度梯度方向上存在初始摩尔纹区域的像素点，计算该像素点与初始起始点的差异度，所述差异度为两像素点的灰度梯度方向向量的余弦距离度量；

3）以初始起始点开始，向左右两边的最外侧边缘像素点方向进行逐点灰度梯度方向的判断，并计算对应的差异度，直到循环一周的边缘像素点为止，初始钢卷图像的初始摩尔纹区域的像素点获取完毕，得到高频图像区域中所有像素点的差异度，将该差异度作为摩尔纹识别特征一。

4.根据权利要求2所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，

所述摩尔纹识别特征二的获取方法为：

选取半径r的圆作为图像窗口，沿所述高频图像区域的最外侧的边缘为初始图像窗口位置，最外侧边缘的位置坐标方向进行滑动，每次窗口滑动步长为r，通过窗口内像素点的像素值与标准像素均值进行对比，得到窗口区域像素点的对比度；

当图像窗口滑动一周后，向下滑动步长为r，然后继续第一周的滑动方向滑动检测，直到图像区域所有像素点都判断完毕为止，得到每个像素点的对比度，将该对比度作为每个像素点的摩尔纹识别特征二。

5.根据权利要求1所述的一种基于人工智能的热轧钢卷卷曲评估方法，其特征在于，

初始摩尔纹识别指标为：

其中，表示摩尔纹识别特征一，表示摩尔纹识别特征二，为权重系数，，，其中，，d表示参与灰度梯度方向判断的最外侧边缘像素点与垂直方向的钢卷图像直径的水平欧式距离的倒数。