劳动钢管钢管质量检测的重要性及面临的挑战

wujiai

因此，为了控制钢管的质量，相关企业会对其进行质量检测，但是检测手段通常都是通过人工来实现的，无法实现快速、准确的缺陷检测。

钢管在生产过程中，由于原材料、轧制设备、加工工艺等各方面原因，其表面会出现不同类型的划痕、辊痕、氧化铁皮、表面夹杂、孔洞、裂纹、麻点等缺陷。这些缺陷不仅严重影响产品的外观，而且降低了产品的耐腐蚀性能、耐磨性能和疲劳强度，给企业的发展带来了不利影响，同时也增加了以钢管为原料的下游产品使用过程中的安全隐患。

表面缺陷区域具有应力集中、受力弱等特点，同时性能突变、疲劳损伤、腐蚀等往往集中在该区域，大大降低了钢管在复杂恶劣环境下的工作性能。对钢管表面缺陷区域进行检测，及时发现缺陷，为调整生产工艺、改善设备状态提供依据具有重要意义。

目前钢管表面缺陷检测多通过人工方式实现，依赖现场经验，效率低，受现场环境影响大，劳动强度大，易出现漏检、误检，不能全面反映钢管表面质量。检测实时性差，检测种类少，检测效率低，缺乏对产品表面质量的综合评价。随着计算机技术的发展和人工智能领域的兴起，机器视觉技术得到了广泛的应用。利用机器视觉方法可以有效弥补人工检测的不足，检测精度高，可以进一步为智能制造提供数据平台。

钢管表面缺陷检测的特点

国内外采用机器视觉方法检测的冶金产品对象主要为板材、带钢、钢筋等，该类产品表面较为平整，粗糙度较小，材料反射率比较一致，只要入射光角度合理、强度分布均匀，无论采用面阵相机还是线阵相机，都可以得到较为理想的被检材料表面缺陷图像，也有效降低了后续图像处理算法的复杂度；

如平板材料表面缺陷检测的照度分布图所示，通常使用单台或多台面阵相机即可获得理想的照明效果，使用线阵光源更容易实现这一点，因为照明区域内各点到光源中心的距离相等。

平板材料表面缺陷检测照度分布示意图

对于钢管而言，由于其几何结构特点，在使用平面阵列光源时，弯曲的外表面使得光源中心与各部分照射面积之间的距离相差太大。如图所示，距离光源最近处的位置表现出较高的亮度，而在最近距离的两侧，光亮度分布减弱。图像成像结果也表现出类似的特点，中间区域像素灰度分布较高，两侧区域像素灰度值较小。

面阵光源照度分布（正面）

图中还示出了另外一种情况，当采用线阵相机与线阵光源实现钢管表面缺陷的动态检测时，由于振动、装配误差等因素，线阵光源的中心线与线阵相机视场长度方向不位于同一条直线上，而相机视场通常与钢管旋转中心所在的直线一致，这种情况会降低照射区域与视场区域的重叠度，导致成像结果出现严重的照度不均匀，进一步增加了图像处理的难度。

线阵光源照度分布（顶视图）

关键技术难点

钢管由于其几何结构的特点，容易产生光照不均匀的情况。为了实现钢管圆弧面的动态实时检测，不可避免地会影响光源照明区域与相机视场的重合度，容易造成光照分布不均匀，这种现象会掩盖缺陷区域的特征。当图像采集不理想时，会增加图像处理的难度。虽然相关学者在机器视觉检测领域做了大量的工作，但国内对钢管表面缺陷检测的研究较少。主要难点如下：

（1）热轧无缝钢管与热轧带钢、重轨等类似，表面覆盖着大量的氧化铁，会产生各种伪缺陷；

（2）钢管弯曲外表面易产生照明不均匀现象；

（3）由于光照不均匀，缺陷灰度差异较大，造成漏检严重；

（4）由于曲率、不圆度及表面突起缺陷的影响，检测过程中钢管产生振动，导致图像采集产生误差，特征不清晰；

（5）在进行动态检测时，光源照明区域与摄像机视野区域的重叠会降低，造成光照分布不均匀。

成像光路设计

照明系统包括照明方式的选择、摄像机与光源位置关系的确定。

钢管表面的照明方式可分为明场照明和暗场照明。本文选用明场照明，有利于钢管表面缺陷与背景形成较高的对比度。由于采用单台线阵相机和线光源，其有效工作区域为窄条带。与其他冶金产品表面不同，热轧无缝钢管由于工艺技术的特点，在成型过程中表面不进行抛光处理，光反射类型以漫反射为主。图为明场照明光路结构图。

根据图像采集原理，需要确定线阵相机、线光源等的位置，有利于后续硬件选型中参数的确定。

为了保证视场能覆盖不同长度的钢管表面，光路设计使得视场宽度大于钢管长度。

硬件参数设计

（1）相机

线阵相机主要分为CCD和CMOS两种。

由于工作原理原因，由于静电场的存在，CCD表面会吸附大量灰尘，在实际工业检测中应用受到限制。CMOS芯片内部集成度高，促进了硬件设计的优化，具有图像采集灵活、灵敏度高、动态范围宽、分辨率高、功耗低、系统集成度好等优点，同时价格比CCD传感器更加实惠。

基于图像采集方案，设计检测精度要求为0.5mm，即能检测到的最小缺陷尺寸为0.5mm*0.5mm，视场宽度H=300mm，相机分辨率不能低于以下值：

（2）镜头

镜头是距离检查物体最近的部件，其作用是将检查物体聚焦到相机的感光元件上。通常需要考虑镜头的相关参数，以保证与相机的合理匹配，提高成像质量。镜头的选择包括焦距、成像目标大小等参数。

焦距是镜头的一个重要参数，需要根据物距等因素来确定劳动钢管，根据成像原理，焦距可以计算如下：

式中，s为感光芯片的长度；H为视场宽度，即摄像机能够拍摄到的视野范围；d为物距。

（3）光源

合理选择光源可以增强成像系统的效果，如提高对比度、减少无关信息对成像的干扰等。根据钢管表面图像采集原理，应选择线阵光源实现照明，以保证视场范围内光强集中、均匀。

由于LED光源具有高效、低功耗、寿命长、安全性高、可控性好的特点，因此本文采用LED光源来实现照明。

缺陷检测

钢管的表面缺陷有凹坑、划痕、翘曲、辊印等。

图（a）所示为凹坑缺陷，其特征是呈点状或块状的凹陷，是由于氧化皮或异物未清除干净，在轧制过程中嵌入钢管表面，后来脱落而形成的；

图（b）为翘曲缺陷，是钢管外表面附着的金属层，在管材深加工过程中，由于管壁减薄，堆积的夹杂物向外漏出，形成裂纹并延伸，导致表面向外翘曲；

图（c）所示为划痕缺陷，该缺陷是由于钢管表面被外界金属或硬物划伤而产生的，通常表现为细而尖的沟槽或浅凹坑；

图（d）示出了辊痕缺陷，该缺陷是由于辊调整不当或表面损坏而引起的，并且呈周期性或连续分布。

在提取钢管表面缺陷特征之前，需要确定哪些特征是有效的。对于凹坑、翘曲、划痕和辊痕等缺陷，需要选取区分度好的特征形成特征向量；特征向量是缺陷特征的数值表示。特征提取通常遵循以下原则：

1）图像中的特征应该容易获取；

2）所选特征在数值上不含噪声和不相关因素；

3）同一缺陷的特征紧凑，不同缺陷之间的特征好区分。

钢管表面缺陷的分布和尺寸不规则、形状复杂，需要选取能够准确描述缺陷的特征。

机器视觉技术将CCD摄像机所捕获的目标图像实时转换成图像信号，然后将图像信号输入到嵌入式视觉图像处理系统。

将图像的饱和度、像素分布、目标图像边缘、亮度等信息转换成数字信号供计算机识别，利用先进的算法对图像特征进行识别，并对特征识别的结果进行评价，输出最终的缺陷结果，包括缺陷、大小、角度、数量、合格与否、有无等，实现自动识别功能。

综上所述，自动机器视觉识别应用于钢管缺陷检测系统要求必须解决以下主要问题：

1、必须能够在线检测钢管表面的缺陷，如划痕、擦伤、孔洞、疤痕、凹坑及其它表面异常。

2、能应对钢管宽度、长度变化引起的干扰，钢管在运动过程中的扭曲或倾斜，以及表面的油污或水滴等引起的干扰。

3、缺陷检测具有自学**、自适应功能，满足不同宽度、不同颜色、不同速度的要求，并具备模式识别、自动曝光、防抖、缺陷报警等功能，缺陷检测和缺陷报警具有动态、实时性。

4、必须具备精度高，故障点少的特点，必须使用工业级数字相机和工业级PC来完成系统任务。

巨石智能机器视觉低代码平台是一款基于云端的机器视觉应用协同开发平台，始终坚持0成本、0代码、0门槛、0硬件的产品理念。

平台以人工智能技术为核心，为开发者提供机器视觉应用开发中的图像采集、图像标注、算法开发、算法封装、应用集成等一站式完整工具链，涵盖字符识别、缺陷检测、目标定位、尺寸测量、视频推流等数百种常用功能，致力于成为全球用户数量最多、应用场景最广的机器视觉低代码平台。

如果您的工业生产线需要使用类似的机器视觉：视觉检测、视觉识别、视觉定位等技术，那您不妨和我们聊聊，我们会先分析您的需求，从专业的角度给您合适的解决方案！