CN108986098A - 一种基于机器视觉的铁水智能扒渣方法 - Google Patents

一种基于机器视觉的铁水智能扒渣方法 Download PDF

Info

Publication number
CN108986098A
CN108986098A CN201811033296.1A CN201811033296A CN108986098A CN 108986098 A CN108986098 A CN 108986098A CN 201811033296 A CN201811033296 A CN 201811033296A CN 108986098 A CN108986098 A CN 108986098A
Authority
CN
China
Prior art keywords
area
interest
skimming
slag
image information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811033296.1A
Other languages
English (en)
Inventor
庞殊杨
刘向东
贾鸿盛
毛尚伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CISDI Technology Research Center Co Ltd
CISDI Chongqing Information Technology Co Ltd
Original Assignee
Zhongye Saidi Chongqing Information Technology Co Ltd
CISDI Technology Research Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongye Saidi Chongqing Information Technology Co Ltd, CISDI Technology Research Center Co Ltd filed Critical Zhongye Saidi Chongqing Information Technology Co Ltd
Priority to CN201811033296.1A priority Critical patent/CN108986098A/zh
Publication of CN108986098A publication Critical patent/CN108986098A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30116—Casting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于机器视觉的铁水智能扒渣方法，包括：实时采集目标区域的图像信息；根据实时采集的图像信息设置第一感兴趣区域，用于判断是否正在进行扒渣工作；当正在进行扒渣工作时，持续对所述第一感兴趣区域进行图像识别，直至检测到扒渣工作结束；当未进行扒渣工作时，根据实时采集的图像信息设置第二感兴趣区域；根据所述第二感兴趣区域确定待扒渣区域；对所述待扒渣区域进行扒渣；本发明可以有效、精确地测量出当前铁水表面渣含量最多的区域，并将信号返回给自动化设备进行后续扒渣工作，能够显著地提高扒渣效率和准确率，具有易于实现、计算量小、稳定性强的优点，同时可以满足实时性处理的要求，保证扒渣的准确性。

Description

一种基于机器视觉的铁水智能扒渣方法
技术领域
本发明涉及冶金领域和图像处理、图像识别领域，尤其涉及一种基于机器视觉的铁水智能扒渣方法。
背景技术
在炼钢流程中，经过脱硫处理后的铁水才能兑入转炉进行炼钢。然而，仅仅是脱硫处理并不能完全去除铁水中的硫含量，因为脱硫处理后的铁水表面存在大量的脱硫渣，如果不及时扒渣，渣中的硫元素会被氧还原。对于钢水的硫含量要求越低，相应要求扒渣时扒净率越高，那么铁水的带渣量就要求尽量减少。
钢水的含硫量作为炼钢过程中的关键参数，如果在铁水注入转炉前扒渣不到位，则会造成钢水含硫量超出标准，从而影响炼钢的质量。目前，在工业中的铁水扒渣还是基于人工控制扒渣铲扒渣的传统方式，该方式并不能达到最有效扒渣的效果，且该工位的环境恶劣。
但是，目前还没有针对铁水包智能扒渣的行之有效的方法，亟需一种新的技术手段，能够识别出铁水包中表面脱硫渣的位置，以及脱硫渣最集中的位置，并控制扒渣铲对该区域进行扒渣处理，以保证自动化铁水扒渣设备的可靠性。
发明内容
鉴于以上所述现有技术的缺点，本发明提供一种基于机器视觉的铁水智能扒渣方法，以解决上述技术问题。
本发明提供的基于机器视觉的铁水智能扒渣方法，包括：
实时采集目标区域的图像信息；
根据实时采集的图像信息设置第一感兴趣区域，用于判断是否正在进行扒渣工作；
当正在进行扒渣工作时，持续对所述第一感兴趣区域进行图像识别，直至检测到扒渣工作结束；
当未进行扒渣工作时，根据实时采集的图像信息设置第二感兴趣区域；
根据所述第二感兴趣区域确定待扒渣区域；
对所述待扒渣区域进行扒渣。
进一步，将所述第二感兴趣区域划分为若干子区域，计算每个子区域中渣的面积，将渣的面积最大的子区域作为待扒渣区域。
进一步，对所述第一感兴趣区域进行第一次预处理，获取第一感兴趣区域中的扒渣铲的图像信息，根据扒渣铲的尺寸对所述第二感兴趣区域进行划分，并对所述第二感兴趣区域进行第二次预处理，去除第二感兴趣区域中的无效图像信息，获取待扒渣区域的位置图像信息。
进一步，所述第一次预处理包括将采集的目标区域的图像信息转换为第一灰度图，并通过第一灰度矩阵表示所述第一灰度图，将所述第一灰度矩阵转换为第一布尔矩阵，通过所述第一布尔矩阵去除目标区域的图像信息中的无效图像信息，获取扒渣铲的图像信息。
进一步，所述第二次预处理包括将第二感兴趣区域中的图像信息转换为第二灰度图，并通过第二灰度矩阵表示所述第二灰度图，将所述第二灰度矩阵转换为第二布尔矩阵，通过所述第二布尔矩阵去除第二感兴趣区域中的无效图像信息，获取待扒渣区域。
进一步，预先设置第一灰度值阈值，通过将第一灰度矩阵中的灰度值与所述第一灰度值阈值进行比较，将所述比较结果中灰度值大于所述灰度阈值的结果的数值更新为1，反之则为0，根据比较结果获取所述第一布尔矩阵，其中，所述第一布尔矩阵中数值为0的部分作为扒渣铲的图像信息。
进一步，预先设置占比阈值，计算所述第一感兴趣区域内的扒渣铲的图像面积与整个第一感兴趣区域的图像面积的比值，并将该比值与预设的占比阈值进行比较，当该比值小于预设的占比阈值时，判定扒渣工作结束。
进一步，预先设置第二灰度值阈值，通过将第二灰度矩阵中的灰度值与所述第二灰度值阈值进行比较，将所述比较结果中灰度值大于所述灰度阈值的结果的数值更新为1，反之则为0，根据比较结果获取所述第二布尔矩阵，其中，所述第二布尔矩阵中数值为0的部分作为渣的位置图像信息。
进一步，计算所述第二感兴趣区域中每个子区域中渣的位置图像信息的面积与子区域的面积的比值，选取渣的面积占比最大的子区域作为待扒渣区域。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法。
本发明的有益效果：本发明中的基于机器视觉的铁水智能扒渣方法，可以有效、精确地测量出当前铁水表面渣含量最多的区域，并将信号返回给自动化设备进行后续扒渣工作；通过铁水智能扒渣方法，可实现自动化、智能化地铁水扒渣，并能够显著地提高扒渣效率和准确率，具有易于实现、计算量小、稳定性强的优点，同时可以满足实时性处理的要求，保证扒渣的准确性，降低了炼钢过程中钢水的含硫量，从而提高了炼钢的质量。
附图说明
图1是本发明实施例中基于机器视觉的铁水智能扒渣方法的原理示意图。
图2是本发明实施例中基于机器视觉的铁水智能扒渣方法的流程示意图。
图3是本发明实施例中基于机器视觉的铁水智能扒渣方法的图像处理识别结果示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实时本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公职的结构和设备，以避免使本发明的实施例难以理解。
在本实施例中，识别扒渣铲是否正在进行扒渣工作是实现智能化铁水扒渣的一个重点，故需要提取出ROI区域(感兴趣区域)并对图像做出合适的图像处理操作，使扒渣铲的信息能被保留而其余信息被去除；而在检测出了扒渣铲停止工作之后，则需要通过提取ROI区域并对图像做出合适的图像处理操作，使得铁水表面的渣的图像信息能够被提取出来。
如图1所示，本实施例中的基于机器视觉的铁水智能扒渣方法，包括：
实时采集目标区域的图像信息；
根据实时采集的图像信息设置第一感兴趣区域，用于判断是否正在进行扒渣工作；
当正在进行扒渣工作时，持续对所述第一感兴趣区域进行图像识别，直至检测到扒渣工作结束；
当未进行扒渣工作时，根据实时采集的图像信息设置第二感兴趣区域；
根据所述第二感兴趣区域确定待扒渣区域；
对所述待扒渣区域进行扒渣。
在本实施例中，将所述第二感兴趣区域划分为若干子区域，计算每个子区域中渣的面积，将渣的面积最大的子区域作为待扒渣区域。
在本实施例中在采集到的图像的下半部分的合适区域设置第一ROI区域，用以识别扒渣铲的工作状态。将采集到的图像转换为灰度图，并通过m行n列的灰度矩阵表示该灰度图，再通过图像处理操作去除灰度图中没有用的信息而尽可能保留更多的有用信息。通过设置一个第一灰度值阈值Threshold，将灰度矩阵中的灰度值与第一灰度值阈值Threshold进行数值大小的比较，若灰度值大于第一灰度值阈值Threshold则更新该灰度值为1，反之则为0；通过该处理后，获得一个m行n列的布尔矩阵，该布尔矩阵中数值为0的部分表示了图像中的有用信息，即扒渣铲的图像信息。针对第一ROI区域，计算该区域内的扒渣铲的图像面积占整个第一ROI区域的比值，通过设定一个占比阈值area_threshold来识别扒渣铲是否正在工作；若面积占比值大于area_threshold，则说明第一ROI区域内存在扒渣铲，即扒渣铲正在工作；若面积占比值小于area_threshold，则说明第一ROI区域内没有扒渣铲，即扒渣铲已经停止扒渣工作。如图3所示，图3中方框内为针对第一ROI区域的图像处理与识别结果，图3a为扒渣铲正在扒渣示意图，图3b为扒渣铲扒渣完成的示意图。
在本实施例中，如果识别出来扒渣铲正在工作，则实时监测第一ROI区域，直到扒渣铲停止工作为止。
如图2所示，在本实施例中，如果识别出来扒渣铲在当前时刻没有工作，则在图像上设置ROI区域，并根据扒渣铲的尺寸大小分割第二ROI区域。将采集到的图像转换为灰度图，并通过m行n列的灰度矩阵表示该灰度图。通过设置一个第二灰度值阈值Threshold，将灰度矩阵中的灰度值与第二灰度值阈值Threshold进行数值大小的比较，若灰度值大于第二灰度值阈值Threshold则更新该灰度值为1，反之则为0；通过该处理后，获得一个m行n列的布尔矩阵，该布尔矩阵中数值为0的部分表示了图像中的有用信息，即渣的位置信息。计算第二ROI区域的每个分块中的渣的面积占比，并比较这些比值，其中比值最大的分块，即渣的面积最多的分块即为当前时刻扒渣铲需要扒渣的位置。
优选地，在本实施例中，在采集铁水包口图像前还包括：调整图像采集装置的焦距，使图像能够拍摄出铁水包口的全部区域，且铁水包位于图像的中心区域。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
除非另外规定，否则使用序数形容词“第一”、“第二”等来描述共同的对象，仅表示指代相同对象的不同实例，而并不是要暗示这样描述的对象必须采用给定的顺序，无论是时间地、空间地、排序地或任何其他方式。
说明书对“实施例”、“一个实施例”、“一些实施例”、或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“实施例”、“一个实施例”、“一些实施例”的多次出现不一定全部都指代相同的实施例。如果说明书描述了部件、特征、结构或特性“可以”、“或许”或“能够”被包括，则该特定部件、特征、结构或特性“可以”、“或许”或“能够”被包括，则该特定部件、特征、结构或特性不是必须被包括的。如果说明书或权利要求提及“一”元件，并非表示仅有一个元件。如果说明书或权利要求提及“一另外的”元件，并不排除存在多于一个的另外的元件。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如，其他存储结构(例如，动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于机器视觉的铁水智能扒渣方法，其特征在于，包括：
实时采集目标区域的图像信息；
根据实时采集的图像信息设置第一感兴趣区域，用于判断是否正在进行扒渣工作；
当正在进行扒渣工作时，持续对所述第一感兴趣区域进行图像识别，直至检测到扒渣工作结束；
当未进行扒渣工作时，根据实时采集的图像信息设置第二感兴趣区域；
根据所述第二感兴趣区域确定待扒渣区域；
对所述待扒渣区域进行扒渣。
2.根据权利要求1所述的基于机器视觉的铁水智能扒渣方法，其特征在于，将所述第二感兴趣区域划分为若干子区域，计算每个子区域中渣的面积，将渣的面积最大的子区域作为待扒渣区域。
3.根据权利要求2所述的基于机器视觉的铁水智能扒渣方法，其特征在于，对所述第一感兴趣区域进行第一次预处理，获取第一感兴趣区域中的扒渣铲的图像信息，根据扒渣铲的尺寸对所述第二感兴趣区域进行划分，并对所述第二感兴趣区域进行第二次预处理，去除第二感兴趣区域中的无效图像信息，获取待扒渣区域的位置图像信息。
4.根据权利要求3所述的基于机器视觉的铁水智能扒渣方法，其特征在于，所述第一次预处理包括将采集的目标区域的图像信息转换为第一灰度图，并通过第一灰度矩阵表示所述第一灰度图，将所述第一灰度矩阵转换为第一布尔矩阵，通过所述第一布尔矩阵去除目标区域的图像信息中的无效图像信息，获取扒渣铲的图像信息。
5.根据权利要求3所述的基于机器视觉的铁水智能扒渣方法，其特征在于，所述第二次预处理包括将第二感兴趣区域中的图像信息转换为第二灰度图，并通过第二灰度矩阵表示所述第二灰度图，将所述第二灰度矩阵转换为第二布尔矩阵，通过所述第二布尔矩阵去除第二感兴趣区域中的无效图像信息，获取待扒渣区域。
6.根据权利要求4所述的基于机器视觉的铁水智能扒渣方法，其特征在于，预先设置第一灰度值阈值，通过将第一灰度矩阵中的灰度值与所述第一灰度值阈值进行比较，将所述比较结果中灰度值大于所述灰度阈值的结果的数值更新为1，反之则为0，根据比较结果获取所述第一布尔矩阵，其中，所述第一布尔矩阵中数值为0的部分作为扒渣铲的图像信息。
7.根据权利要求6所述的基于机器视觉的铁水智能扒渣方法，其特征在于，预先设置占比阈值，计算所述第一感兴趣区域内的扒渣铲的图像面积与整个第一感兴趣区域的图像面积的比值，并将该比值与预设的占比阈值进行比较，当该比值小于预设的占比阈值时，判定扒渣工作结束。
8.根据权利要求4所述的基于机器视觉的铁水智能扒渣方法，其特征在于，预先设置第二灰度值阈值，通过将第二灰度矩阵中的灰度值与所述第二灰度值阈值进行比较，将所述比较结果中灰度值大于所述灰度阈值的结果的数值更新为1，反之则为0，根据比较结果获取所述第二布尔矩阵，其中，所述第二布尔矩阵中数值为0的部分作为渣的位置图像信息。
9.根据权利要求8所述的基于机器视觉的铁水智能扒渣方法，其特征在于，计算所述第二感兴趣区域中每个子区域中渣的位置图像信息的面积与子区域的面积的比值，选取渣的面积占比最大的子区域作为待扒渣区域。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1至9中任一项所述方法。
CN201811033296.1A 2018-09-05 2018-09-05 一种基于机器视觉的铁水智能扒渣方法 Pending CN108986098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811033296.1A CN108986098A (zh) 2018-09-05 2018-09-05 一种基于机器视觉的铁水智能扒渣方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811033296.1A CN108986098A (zh) 2018-09-05 2018-09-05 一种基于机器视觉的铁水智能扒渣方法

Publications (1)

Publication Number Publication Date
CN108986098A true CN108986098A (zh) 2018-12-11

Family

ID=64544878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811033296.1A Pending CN108986098A (zh) 2018-09-05 2018-09-05 一种基于机器视觉的铁水智能扒渣方法

Country Status (1)

Country Link
CN (1) CN108986098A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335268A (zh) * 2019-07-05 2019-10-15 河钢股份有限公司承德分公司 铁水清渣效果评估方法、系统及终端设备
CN110484678A (zh) * 2019-09-05 2019-11-22 首钢集团有限公司 一种扒渣效果的确定方法及装置
CN110532902A (zh) * 2019-08-12 2019-12-03 北京科技大学 一种基于轻量化卷积神经网络的铁水扒渣检测方法
CN111349753A (zh) * 2020-05-08 2020-06-30 衡阳镭目科技有限责任公司 铁水罐扒渣控制系统、扒渣机及铁水罐自动扒渣控制方法
CN111985406A (zh) * 2020-08-21 2020-11-24 武汉科技大学 一种锌渣图像识别及分类方法
CN112017145A (zh) * 2019-05-31 2020-12-01 宝山钢铁股份有限公司 一种高效的铁水预处理自动扒渣方法和系统
CN112091206A (zh) * 2019-05-31 2020-12-18 宝山钢铁股份有限公司 一种安全可靠的铁水预处理自动扒渣方法和系统
CN112950586A (zh) * 2021-03-02 2021-06-11 攀钢集团攀枝花钢铁研究院有限公司 一种lf炉钢渣红外识别方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1507971A (zh) * 2002-12-20 2004-06-30 宝山钢铁股份有限公司 自动扒渣方法和装置
CN105353654A (zh) * 2015-09-29 2016-02-24 田陆 一种基于图像处理的铁水扒渣检测与控制系统及其方法
CN206056298U (zh) * 2016-08-30 2017-03-29 福建华南重工机械制造有限公司 一种带摄像头的扒渣车
CN106670449A (zh) * 2015-11-05 2017-05-17 衡阳镭目科技有限责任公司 一种铁水扒渣测控方法
CN106670448A (zh) * 2015-11-05 2017-05-17 衡阳镭目科技有限责任公司 一种铁水扒渣测控系统
CN107610124A (zh) * 2017-10-13 2018-01-19 中冶赛迪技术研究中心有限公司 一种炉口图像预处理方法
CN108165763A (zh) * 2017-12-25 2018-06-15 安徽晋源铜业有限公司 一种智能化铜杆生产纯度提高系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1507971A (zh) * 2002-12-20 2004-06-30 宝山钢铁股份有限公司 自动扒渣方法和装置
CN105353654A (zh) * 2015-09-29 2016-02-24 田陆 一种基于图像处理的铁水扒渣检测与控制系统及其方法
CN106670449A (zh) * 2015-11-05 2017-05-17 衡阳镭目科技有限责任公司 一种铁水扒渣测控方法
CN106670448A (zh) * 2015-11-05 2017-05-17 衡阳镭目科技有限责任公司 一种铁水扒渣测控系统
CN206056298U (zh) * 2016-08-30 2017-03-29 福建华南重工机械制造有限公司 一种带摄像头的扒渣车
CN107610124A (zh) * 2017-10-13 2018-01-19 中冶赛迪技术研究中心有限公司 一种炉口图像预处理方法
CN108165763A (zh) * 2017-12-25 2018-06-15 安徽晋源铜业有限公司 一种智能化铜杆生产纯度提高系统

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112091206B (zh) * 2019-05-31 2021-07-16 宝山钢铁股份有限公司 一种安全可靠的铁水预处理自动扒渣方法和系统
CN112017145B (zh) * 2019-05-31 2023-08-11 宝山钢铁股份有限公司 一种高效的铁水预处理自动扒渣方法和系统
CN112091206A (zh) * 2019-05-31 2020-12-18 宝山钢铁股份有限公司 一种安全可靠的铁水预处理自动扒渣方法和系统
CN112017145A (zh) * 2019-05-31 2020-12-01 宝山钢铁股份有限公司 一种高效的铁水预处理自动扒渣方法和系统
KR102648199B1 (ko) 2019-05-31 2024-03-15 바오샨 아이론 앤 스틸 유한공사 용철 전처리를 위한 고효율 자동 슬래그 스키밍 방법 및 시스템
WO2020238714A1 (zh) * 2019-05-31 2020-12-03 宝山钢铁股份有限公司 一种高效的铁水预处理自动扒渣方法和系统
KR20220024209A (ko) * 2019-05-31 2022-03-03 바오샨 아이론 앤 스틸 유한공사 용철 전처리를 위한 고효율 자동 슬래그 스키밍 방법 및 시스템
CN110335268A (zh) * 2019-07-05 2019-10-15 河钢股份有限公司承德分公司 铁水清渣效果评估方法、系统及终端设备
CN110532902A (zh) * 2019-08-12 2019-12-03 北京科技大学 一种基于轻量化卷积神经网络的铁水扒渣检测方法
CN110532902B (zh) * 2019-08-12 2022-02-22 北京科技大学 一种基于轻量化卷积神经网络的铁水扒渣检测方法
CN110484678A (zh) * 2019-09-05 2019-11-22 首钢集团有限公司 一种扒渣效果的确定方法及装置
CN111349753A (zh) * 2020-05-08 2020-06-30 衡阳镭目科技有限责任公司 铁水罐扒渣控制系统、扒渣机及铁水罐自动扒渣控制方法
CN111985406A (zh) * 2020-08-21 2020-11-24 武汉科技大学 一种锌渣图像识别及分类方法
CN111985406B (zh) * 2020-08-21 2023-05-23 武汉科技大学 一种锌渣图像识别及分类方法
CN112950586A (zh) * 2021-03-02 2021-06-11 攀钢集团攀枝花钢铁研究院有限公司 一种lf炉钢渣红外识别方法和系统

Similar Documents

Publication Publication Date Title
CN108986098A (zh) 一种基于机器视觉的铁水智能扒渣方法
CN109142366A (zh) 球形外壳缺陷检测方法、装置及计算机可读存储介质
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
CN104063686B (zh) 作物叶部病害图像交互式诊断系统与方法
CN108257121A (zh) 产品缺陷检测模型更新的方法、装置、存储介质及终端设备
CN110414417A (zh) 一种基于多层次融合多尺度预测的交通标志牌识别方法
CN108022251A (zh) 一种管状结构的中心线的提取方法及系统
CN109684981A (zh) 青光眼图像识别方法、设备和筛查系统
CN108230318A (zh) 钢包缺陷检测分类方法、装置、设备及计算机可读介质
CN108133476A (zh) 一种肺结节自动检测方法及系统
CN110969046B (zh) 人脸识别方法、设备及计算机可读存储介质
CN105427346B (zh) 一种运动目标跟踪方法及系统
CN110222629A (zh) 一种钢铁场景下的包号识别方法以及包号识别系统
CN111914665A (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN110490862A (zh) 一种提高连铸探伤合格率的方法及装置
CN108090518A (zh) 一种谷物识别方法、装置和计算机存储介质
CN109063574A (zh) 一种基于深度神经网络检测的包络框的预测方法、系统及设备
CN112446871A (zh) 一种基于深度学习和OpenCV的隧道裂缝识别方法
CN111898410A (zh) 无约束场景下的基于上下文推理的人脸检测方法
CN113034497A (zh) 一种基于视觉的保温杯焊缝定位检测方法及系统
CN109029737A (zh) 一种测温取样的智能视觉定位方法
CN104732510A (zh) 一种相机镜头黑斑检测方法及装置
CN113327263A (zh) 一种基于图像视觉的鱼群活跃度监测方法
CN111931817A (zh) 一种球团矿矿相识别方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200701

Address after: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Applicant after: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

Applicant after: CISDI TECHNOLOGY RESEARCH CENTER Co.,Ltd.

Address before: 401122 Chongqing new North Road No. 11 Building 1

Applicant before: CISDI TECHNOLOGY RESEARCH CENTER Co.,Ltd.

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20181211

RJ01 Rejection of invention patent application after publication