CC BY
68
УДК 681.501:536
DOI: 10.24412/2071-6168-2023-2-299-305
СИСТЕМЫ ОПТИЧЕСКОГО КОНТРОЛЯ КАЧЕСТВА ПОВЕРХНОСТИ
СТАЛЬНОЙ ПОЛОСЫ
Е.А. Гарбар, О.С. Логунова, А.В. Маркевич
В последнее время большое внимание уделяется информации, которую можно получить в цифровом виде при ведении технологического процесса в металлургическом производстве. Одним из источников информации, используемой для анализа и моделирования, является видеопоток, который представляет наиболее полное и достоверное представление о динамике технологического процесса. Видеопоток позволяет зафиксировать изображения для последующего анализа. Целью исследования является установление общности информации, получаемой с использованием устройств, используемых в системах оптического контроля качества поверхности стального проката. Авторами получены и проанализированы данные о функционировании существующих системах сбора информации о качестве поверхности стальной полосы в цехах группы ПАО «ММК» г. Магнитогорск и листопрокатного цеха в г. Искен-дерун, Турция. При анализе изображений, полученных в условиях металлургического производства, присутствуют сложности, такие как: запыленность, слабое освещение, высокое содержание агрессивных веществ в окружающей среде, высокая скорость движения объекта наблюдения. Эти условия необходимо учитывать специалистам на производстве при выборе состава аппаратного и программного обеспечения. Несмотря на то, что проанализированные системы имеют разных производителей и созданы в разное время, они имеют схожее устройство, требуют обучения и повышения достоверности информации. Все системы оптического контроля качества поверхности полосы, рассмотренные в статье, имеют ложноположительные и ложноотрицательные срабатывания при определении дефекта. Помимо указанной проблемы существует проблема приобретения и пуско-наладки оборудования для оптического контроля, которое производится за пределами Российской Федерации. Результаты данной работы могут быть использованы для улучшения точности оценки качества поверхности полосы и создании отечественных систем подобного класса.
Ключевые слова: машинное зрение, компьютерное зрение, оценка качества поверхности, системы оптического зрения.
Использование видеорегистрации в системах оценки и контроля качества используются в разных областях жизнедеятельности человека. В работе [1] описывается использование изображений, полученных с беспилотных летательных аппаратов для оценки опасных производственных объектов. Для осуществления контроля за техническим состоянием оборудования и получения требуемого качества выпускаемой продукции в машинах непрерывного литья сортовых заготовок используются изображения, полученные с цифрового фотоаппарата [2-3]. Распознавание изображений используется для определения автомобильных номеров и нарушений правил дорожного движения [4-6]. Распознавание лиц на изображении используется для аутентификации в системах контроля управления доступом [7]. Видеопоток используется для выявления аномалий на производственных предприятиях, таких как отсутствие касок, жилетов, очков у персонала, доступ в запрещенную зону [8-9].
Современные системы оптического контроля поверхности полосы построены на анализе цифровых изображений, получаемых с сенсоров - модулей, состоящих из камер для захвата изображения, систем освещения и охлаждения [10]. К настоящему времени данные системы имеют схожее устройство и перед началом работы требуется трудоемкий процесс для обучения. Дополнительной сложностью является наличие разной классификации дефектов на разных предприятиях, что усложняет или делает невозможным процесс переноса данных, необходимых для обучения системы между предприятиями, на которых уже обучена и работает система, не только аналогичная, но даже разной версии. Специалисты предприятий тратят от нескольких недель до нескольких лет на обучение системы. Несмотря на долгий процесс обучения, предполагающий поиск изображений с дефектами и их ручное добавление в систему с указанием класса дефектов, данные системы имеют ложноположительные и ложноотрицательные срабатывания, также они зачастую неправильно определяют и класс дефекта. Это приводит к тому, что специалисты предприятия вынуждены просматривать дефекты, указываю уточненные классы дефектов или помечая дефекты как ложные. Также при ложноотрицательном срабатывании возможна отправка продукции потребителям несоответствующего качества, как результат - рекламации и дополнительные затраты.
Целью исследования является повышение достоверности информации о положении и развитии дефектов на стальной полосе на основе унификации алгоритмов обработки изображений со сложной текстурой и объектами нерегулярной формы.
В настоящей работе проведен анализ устройств функционирующих систем оптического контроля качества полосы для выявления общности получаемых результатов и повышения достоверности в определении нарушения сплошности поверхности.
Устройство системы оптического контроля на участке инспекции поверхности полосы IMS листопрокатного цеха ПАО «ММК». На агрегате инспекции ЛПЦ-11 установлено устройство оптического контроля поверхности полосы компании IMS взамен устаревшего ISRA Parsytec. Устаревание оборудования произошло по причине того, что запасные части оборудования установленной версии более не выпускается производителем, а в условиях действующего производства, характеризующиеся сильной вибрацией, агрессивной кислотной средой и наличием пыли, некоторые компоненты системы выходят из строя. Основные аппаратные средства показаны на рис. 1.
Хранилище изображений Сервер базы данлых
Сервер процесеинга
Сервер сбора изображена
Рис. 1. Основные аппаратные средства IMS ЛПЦ-11. Участок инспекции
Алгоритм распознавания дефектов на IMS. Распознавание дефектов состоит из последовательных шагов: получение изображения, сегментирование, классификация и архивирование.
Получение изображения с сенсоров (рис. 2) является первым шагом в процессе классификации дефектов полосы. На устройстве установлено два сенсора в поперечном направлении к полосе, один делает изображение с верхней стороны полосы, второй с нижней. Каждый сенсор состоит из трех цифровых линейных камер и светодиодной подсветки. Для охлаждения подсветки используется водяное охлаждение (рис. 3 и рис. 4).
ООО
Камеры
Рис. 2. Изображение с сенсора IMS
Рис. 3. Схема сенсора IMS
Вторым шагом работы системы является сегментирование. На этом шаге производится отделение дефекта от текстуры изображения. Для этого сначала необходимо определить изображение фона. После удаления фона из исходного изображения на полученном разностном изображении выделяются релевантные структуры для дальнейшего анализа (рис. 5).
Рис. 5. Отделение изображения: 1 - область полосы; 2 - дефект; 3 - фон
Для обнаружения дефектов используется многоуровневый метод пороговых значений. Изображения разделяются на перекрывающиеся плитки одинакового размера. После чего каждая плитка исследуется по отдельности. В зависимости от свойств дефекта использованы плитки разных размеров, комбинации пороговых значений последовательно или параллельно.
Достаточно определить несколько значений в градациях серого, которые анализируются независимо. Анализируемая плитка помечается маркером с потенциальным дефектом в случае отклонения хотя бы одного порогового значения, взятого по модулю. Далее плитки, расположенные рядом группируются вместе в плитку большего размера. В таблицах 1 и 2 приведены примеры анализируемых плиток IMS.
В общей сложности шесть пикселей имеют разницу значений серого больше, чем 10, определенного для данной плитки. При этом 6 больше, чем 4 пикселя - минимального значения количества пикселей с превышением данного порога. Делается вывод о том, что плитку необходимо промаркировать для дальнейшей классификации.
Пример анализируемой плитки IM
Таблица 1
Строка Ряд n Ряд n+1 Ряд n+2 Ряд n+3
Строка т 2 3 4 1
Строка т+1 1 2 3 1
Строка т+2 4 2 3 2
Строка т+3 -11 22 22 1
Строка т+4 -11 44 23 3
Строка т+5 -6 -7 -8 2
Строка т+6 1 1 0 1
Таблица 2
Пример маркировки плитки IMS^__
Характеристики Количество Количество Количество
Различия значений серого 5 10 25
Пороговое значение 12 4 2
Встречаемость 9 6 1
Все пиксели, присвоенные дефекту, анализируются для вычисления признаков, из которых получается вектор (рис. 6), который используется для классификации. Классификатор создается заранее на основе обучающей выборки.
Calculate
4.494 0.435 0.449 0.111
14.899 I
Рис. 6. Классификация на основе вектора признаков
301
Рис. 7. Подсвеченный дефект поверхности полосы: 1 - выделенный дефект
Последним шагов является архивирование данных, которые не используются некоторое количество времени. Период архивирования выбирается исходя из технических характеристик устройства для хранения изображений.
Система оптического контроля зрения ISRA Parsytec. Система оптического контроля качества поверхности полосы ISRA Parsytec установлены в ЛПЦ-11 ПАО «ММК» на стане-тандеме, аппарате непрерывного горячего цинкования (АНГЦ), аппарате непрерывного отжига и горячего цинкования (АНОиГЦ) и более новая модель в Л11Ц «MMK Metalшji» Турция на агрегате травления. Схематично система представлена на рис. 8 и рис. 9. Основными компонентами системы являются: сенсоры, распределительная коробка, сервер контроля и контрольный терминал.
Сенсоры создают изображения в цифровом виде, который представляет из себя двумерную матрицу значений в градациях серого. Каждый сенсор состоит из нескольких камер, расположенных на разных расстояниях поперек направления движения полосы, для того чтобы покрыть всю ее ширину. Камеры используются как матричные, так и линейные. Дополнительно в сенсорах установлена подсветка разного спектра излучения, как видимого ярко-белого, так и инфракрасного. Для охлаждения сенсоров используется кондиционирование воздухом.
Заводская локальная сеть
Датчик исследования поверхности
Данные с изображениями, данные диагностики
Распределительная ксробка
Данные о дефектах, изображения дефектов, данные о рулоне
\ Контрольный терминал
Данные о рулоне
Управление, настройка
Сервер контроля
Рис. 8. Схема Ригну1вс ЛПЦ-11
Пример изображения в градациях серого, получаемого для анализа и классификации Parsytec представлен на рис. 10.
Рис. 9. Изображение сенсора Parsytec ЛПЦ-11
Рис. 10. Изображение с Parsytec ЛПЦ-11
Система анализирует изображение используя признаки и подсвечивает область наличия дефекта на поверхности полосы, пример представлен на рис. 11.
Результаты. Сравнительный анализ сенсоров, используемых в системах Parsytec и IMS, приведен в табл. 3.
Таблица 3
Характеристики подсветки сенсоров__
Система Количество сенсоров Угол подсветки, градус Тип подсветки Типы камер
IMS 2, один сверху и один снизу 0 Красный свет Линейные
Parsytec ЛПЦ-11 стан-тандем, MMK Metalurgy 2, один сверху и один снизу ~30 Инфракрасный Матричные
Parsytec ЛПЦ-11 стан-тандем АНГЦ и АНОиГЦ 4, два блока, у каждого один сверху и один снизу ~30 Ярко-белый свит у линейного блока и инфракрасный матричного блока Один блок матричные и один блок линейные
При изучении изображений, полученных в системах IMS, Parsytec ЛПЦ-11 стан-тандем MMK Metalurgy и Parsytec ЛПЦ-11 стан-тандем АНГЦ и АНОиГЦ, выявлено что: 1) используются цифровые изображения в градациях серого;
2) используются алгоритмы с предварительным определением областей изображения с потенциальным дефектом;
3) некоторые классы дефектов имеют схожую геометрию и вид, возможно. Дополнительно рассматривать топологию и ориентацию дефекта;
4) физическое устройство систем схожи;
5) несмотря на разные алгоритмы и применяемые разные технические устройства системы имеют недостаточную точность и сложность процесса ввода в эксплуатацию;
Заключение. Несмотря на разные компании-производители систем оптического контроля поверхности полосы, а также на разные годы производства этих систем одним производителем, системы используют в качестве анализируемой информации изображения, полученные цифровыми камерами разного типа и представляющие из себя двумерные матрицы значений в градациях серого. Все системы предусматривают процесс создания справочника дефектов и обучение системы (создание классификатора) добавлением для каждого класса дефектов релевантных изображений в большом количестве.
Независимо от структуры и качества изображения, а также от физического устройства систем их недостатком является ложноотрицательные и ложноположительные определения дефектов и недостаточная точность их классификации, а также невозможность уставки нового оборудования из-за ограничений их поставки. Для устранения этих замечаний авторами предлагается разработка универсальных алгоритмов классификации, позволяющая более точно определять и классифицировать дефекты по классам.
Список литературы
1. Прикладная цифровая платформа для оценки динамики качества опасных производственных объектов на металлургическом предприятии: структура и алгоритмы / М.Ю. Наркевич, О.С. Логунова, М.Б. Аркулис [и др.] // Вестник Череповецкого государственного университета. 2022. № 5(110). С. 29-48. DOI 10.23859/1994-0637-2022-5-110-3. EDN ELUMKD.
2. Организация автоматизированного рабочего места для оценки качества макроструктуры непрерывнолитых сортовых заготовок / О.С. Логунова, Х.Х. Нуров, В.В. Павлов, В.Г. Суспицын // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2006. № 3(15). С. 51-55. EDN KTWYBD.
3. Логунова О.С., Парсункин Б.Н., Суспицын В.Г. Автоматизированная оценка качества непре-рывнолитой заготовки // Сталь. 2004. № 12. С. 101-104. EDN QUAOZJ.
4. Обухов А.В., Ляшева С.А., Шлеймович М.П. Методы автоматического распознавания автомобильных номеров // Вестник Чувашского университета. 2016. № 3. С. 201-208.
5. Автоматическое распознавание автомобильных номеров / А.П. Кирпичников, С.А.Ляшева, А.В. Обухов, М.П. Шлеймович // Вестник технологического университета. 2015. Т.18. №4.
6. Распознавание образов транспортных средств на основе эвристических данных и машинного обучения / В.В. Мокшин, И.Р. Сайфудинов, А.П. Кирпичников, Л.М. Шарнин // Вестник технологического университета. 2016. Т.19. №5.
7. Особенности использования технологии распознавания лиц через камеру при аутентификации в системах контроля и управления доступом / К.М. Рытов, М.Ю. Горлов, А.П. Лысов, Д.А. Лысова // Информационная безопасность и защита персональных данных. Проблемы и пути их решения: материалы XI Межрегиональной научно-практической конференции. [Электронный ресурс] иЯЬ: https://www.tu-bryansk.ru/upload/medialibrary/f61/Konf 1В 2019.pdf#page=163 (дата обращения: 01.12.2022).
8. Щербаков Д.В., Шлеймович М.П. Контроль техники безопасности производственных рабочих на основе анализа изображений // Новые технологии, материалы и оборудование российской авиакосмической отрасли-АКТО. 2016. С. 319-323.
9. Анищенко И.В., Кузнецов Е.П. Разработка системы распознавания нарушений на КВО // Мир в эпоху глобализации экономики и правовой сферы: роль биотехнологий и цифровых технологий. Сборник научных статей по итогам IX международной научно-практической конференции. М., 2021.
10. Егорова Л.Г., Гарбар Е.А., Николаев А.А. Системы распознавания изображений в потоке // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2019. №7(1). С. 42-43.
Логунова Оксана Сергеевна, д-р техн. наук, профессор, заведующий кафедрой, logunova66@mail.ru, Россия, Магнитогорск, Магнитогорский государственный технический университет им Г.И. Носова,
Маркевич Артем Валерьевич, канд. техн. наук, доцент, markevich.av@mmk.ru, Россия, Магнитогорск, Магнитогорский государственный технический университет им Г.И. Носова,
Гарбар Евгений Александрович, доцент, в. garbar@magtu.т, Россия, Магнитогорск, Магнитогорский государственный технический университет им Г.И. Носова
SYSTEMS FOR OPTICAL QUALITY CONTROL OF STEEL STRIP SURFACE E.A. Garnar, O.S. Logunova, A.V. Markevich
Recently, much attention has been paid to information that can be obtained in digital form when conducting a technological process in metallurgical production. One of the sources of information used for analysis and modeling is the video stream, which represents the most complete and reliable representation of the dynamics of the process. The video stream allows you to capture images for further analysis. The purpose of the study is to establish the generality of information obtained using devices used in systems for optical quality control of the surface of rolled steel. The authors obtained and analyzed data on the functioning of existing systems for collecting information on the quality of the steel strip surface in the workshops of the MMK group in Magnitogorsk and the sheet-rolling workshop in Iskenderun, Turkey. When analyzing images obtained in the conditions of metallurgical production, there are difficulties, such as: dustiness, poor lighting, high content of aggressive substances in the environment, high speed of the object of observation. These conditions must be taken into account by production specialists when choosing the composition of hardware and software. Despite the fact that the analyzed systems have different manufacturers and were created at different times, they have a similar structure, require training and increase the reliability of information. All systems for optical quality control of the strip surface considered in the article have false positive and false negative responses when detecting a defect. In addition to this problem, there is the problem of acquiring and commissioning equipment for optical inspection, which is produced outside the Russian Federation. The results of this work can be used to improve the accuracy of assessing the quality of the strip surface and to create domestic systems of this class.
Key words: machine vision, computer vision, surface quality assessment, optical vision systems.
Logunova Oxana Serggevna, doctor of technical sciences, professor, head of chair, loguno-va66@mail.ru, Russia, Magnitogorsk, Magnitogorsk State Technical University im. G.I. Nosova,
Markevich Artem Valerevich, candidate of technical sciences, docent, markevich.av@mmk.ru, Russia, Tula, Tula State University,
Garbar Evgenii Alexandrovich, docent, e. garbar@magtu.ru, Russia, Tula, Tula State University
УДК 004.942
DOI: 10.24412/2071-6168-2023-2-305-311
АДАПТИВНОЕ МНОГОКАНАЛЬНОЕ ОБНАРУЖЕНИЕ-РАЗРЕШЕНИЕ СТОХАСТИЧЕСКИХ СИГНАЛОВ В УСЛОВИЯХ ПАРАМЕТРИЧЕСКОЙ АПРИОРНОЙ НЕОПРЕДЕЛЕННОСТИ
А.В. Филонович, И.В. Ворначева, А.К. Мазнев, Н.М. Гайдаш, С.А. Войнаш, В.А. Соколова, Р.Р. Загидуллин
В статье изучены вопросы синтеза алгоритмов адаптивного многоканального обнаружения-разрешения стохастических сигналов различной структуры в условиях воздействия интенсивных шумовых помех. При этом рассматривается многоканальная приемная система, состоящая из некоторого числа независимых пространственно-разнесенных элементов, которые образуют линейную антенную решетку. На основании анализа конечной дискретной выборки комплексных амплитуд принимаемых колебаний была решена задача проверки статистических гипотез относительно параметров распределения. Алгоритм обнаружения основан на сравнении сигнала с порогом отношения правдоподобия, а значение порогового уровня определяется выбранным критерием оптимальности и для критерия Неймана-Пирсона остается зависимым от мощности помеховых колебаний. Предложенное техническое решение обладает более высокими характеристиками обнаружения и разрешения стохастических сигналов по сравнению с уже известными. При этом важным свойством полученной достаточной статистики является стабилизация вероятности ложного обнаружения, что достигается за счет нормировки мощности шумов на выходе устройства адаптации. Полученный алгоритм инвариантен к виду используемой для его вычисления корреляционной матрицы помех.
Ключевые слова: обнаружение-разрешение, интенсивность сигнала, корреляционная матрица сигналов и помех, алгоритм обнаружения, мощность «окрашенных шумов», адаптивный обнаружитель, оценка максимального правдоподобия.
Повышение возможностей обнаружения-разрешения стохастических сигналов современными радиотехническими системами в условиях воздействия интенсивных активных шумовых помех, по-прежнему, остается одной из актуальных задач. Целью данной работы является повышение показателей качества методов адаптивного многоканального обнаружения-разрешения-измерения параметров стохастических сигналов в условиях параметрической априорной неопределенности.
305
