CN109035221A - 基于图像识别深度学习技术的低倍组织智能评级方法 - Google Patents
基于图像识别深度学习技术的低倍组织智能评级方法 Download PDFInfo
- Publication number
- CN109035221A CN109035221A CN201810751664.XA CN201810751664A CN109035221A CN 109035221 A CN109035221 A CN 109035221A CN 201810751664 A CN201810751664 A CN 201810751664A CN 109035221 A CN109035221 A CN 109035221A
- Authority
- CN
- China
- Prior art keywords
- macrostructure
- neural network
- image
- test
- training
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于深度学习的低倍组织智能评级技术。本发明解决了目前用比较法评估低倍组织时存在精度低、评级标准不完善、半定量、主观因素较大等问题。本发明提出了一种基于图像识别深度学习技术的低倍组织智能评级方法,其技术方案要点为:首先,搜集不同材料的低倍组织评级图像数据库,提取低倍组织图像信息、低倍组织检测内容及对应等级标签并进行图像预处理;其次,将低倍组织评级图像数据库分为训练集、验证集和测试集,并设置比例;然后,将训练集和验证集用于深度神经网络的训练;再然后,利用深度神经网络的训练模型初始化测试用的深度神经网络;最后,将测试集输入到初始化之后的测试用的深度神经网络进行材料的低倍组织智能评级测试。
Description
技术领域
本发明涉及低倍组织评级技术,特别涉及基于深度学习的低倍组织智能评级的技术。
背景技术
在金属材料生产中,采用酸蚀低倍检验技术对金属材料质量进行检测分析,同时,均匀致密的低倍组织也是提高材料性能的基本保证。低倍检验又称作宏观检验,是指用肉眼或在不大于10倍放大镜下检查材料表面或截面,以确定宏观组织及缺陷的方法。金属材料通过酸蚀试验可检验的低倍质量内容一般包括:组织成分的变化,如“树枝状晶”、“枝晶组织”等;化学成分的变化,如“斑点状偏析”、“锭型偏析”、“径向偏析”、“环形偏析”、“中心偏析”、“白亮带”、“帽口偏析”等;结构不均匀性,如“中心疏松”、“孔隙”“皮下裂纹”、“缩孔”等。
目前金属材料行业,尤其是特钢企业的不锈钢、碳素钢、纯铁、合金结构钢,精密合金、高温合金等的连铸坯、模铸坯、电渣重熔锭、自耗电极真空重熔锭、初轧材、锻材、轧态、淬火和退火态等,其低倍试验检测方法多采用有经验的工程师现场观测评级,或采用人工现场拍照再由有经验的工程师单张照片分析,综合打分后评级、报告。由于检测分析人员也存在经验不同;现场拍照,受到工件大小、相机、环境、照明、人员等多种因素影响,照片反应的工件表面质量也不一致。这使得材料生产行业难以形成标准化,客观性较好的低倍质量检验方法。
随着国内对大型复杂精密铸锻件等航空航天设备关键结构件的组织和性能评估提出了更高的要求。大型复杂精密铸锻轧件的低倍组织和不同位置组织均匀性的有效评估和控制成为亟待解决的关键问题之一。
目前,在针对低倍组织的评估方法有很多标准,国内的如结构钢低倍组织缺陷评级图,高温合金低倍、高倍组织标准评级图谱,连铸钢板坯低倍组织缺陷评级图,优质碳素结构和合金结构钢连铸方坯低倍组织缺陷评级图,连铸钢方坯低倍组织缺陷评级图,连铸钢板坯低倍枝晶组织缺陷评级图,连铸钢方坯低倍枝晶组织缺陷评级图,炮身用合金钢无缝钢管低倍断口组织评级图谱等等。
目前的低倍组织的表征分析方面采用的是比较法,即材料的低倍组织图片与标准系列评级图谱对照,通过目视的方法来确定目标部位的低倍组织级别,标准评级图谱由国家颁布的统一标准确定。用比较法评估低倍组织时一般存在一定的偏差(±0.5级),评估值的重现性与再现性通常为±1级。在执行过程中存在精度低、评级标准不完善、半定量、主观因素较大等问题。
参见申请号为CN106404790A的一篇专利申请,其公开了一种板坯低倍质量等级自动评定系统及评定方法,其具体公开的是:
系统包括板坯输送装置、照相装置和评估过程控制系统;所述的板坯输送装置包括输送小车(1)、小车轨道(8)和安装于小车轨道(8)上的接触开关(7);所述照相装置包括相机托架(3)和照相机(6),照相装置位于输送小车(1)和接触开关(7)之间的小车轨道(8)的上方;所述的评估过程控制系统包括计算机(9)、分别与计算机(9)连接进行数据通讯的照相机数据采集卡(10)、输送小车控制PLC(11)、接触开关反馈PLC(12)和照相机控制PLC(14);其中,照相机(6)分别与照相机数据采集卡(10)和照相机控制PLC(14)相连,输送小车控制PLC(11)与输送小车(1)相连,接触开关反馈PLC(12)与接触开关(7)相连。
方法包括:
步骤1:通过输送小车控制PLC(11)控制输送小车(1),将表面已铣好的板坯(2)沿小车轨道(8)向照相装置方向移动;步骤2:当输送小车(1)触碰到接触开关(7)后,输送小车(1)停止,此时,照相机(6)的镜头中心点在板坯(2)上表面的投影位于板坯(2)宽度中心线上;计算机(9)通过照相机控制PLC(14)自动启动照相机(6);步骤3:照相机(6)通过照相机数据采集卡(10)实时将板坯(2)上表面的图像传送到计算机(9);步骤4:通过步进电机控制PLC(13)启动两台步进电机(4),使步进电机(4)上的传送带(5)开始移动,带动照相机(6)沿板坯长度方向移动,对板坯(2)上表面不同位置进行拍照;通过照相机数据采集卡(10)将照片传送回计算机(9);步骤5:计算机(9)根据内置程序,自动对所拍摄的图像进行分析后,得出板坯低倍质量等级;步骤6:计算机(9)从所拍摄的若干张照片中,自动挑选出所判定的最低的一个等级作为整个板坯的低倍质量等级。
可见,该专利申请能够完全取代人工,实现对板坯内部低倍质量等级的自动评级,从而避免人工干扰,提高板坯内部低倍质量等级的判定准确率,但其增加了更多硬件成本,并且通过计算机内置程序自动分析,得出板坯低倍质量等级后,还需要计算机从所拍摄的若干张照片中,自动挑选出所判定的最低的一个等级作为整个板坯的低倍质量等级,过程繁杂,一种类型的内置程序只能针对一种材料的等级评定,实际应用中,当材料种类过多时,需对应设置更多的内置程序,给计算机造成负担。
因此,如何采用更好的低倍组织评级方法来对材料低倍组织进行客观的、可靠的、稳定的、高效的评估,从而为材料低倍组织控制和提高产品质量显得非常重要。
发明内容
本发明的目的是提供一种基于图像识别深度学习技术的低倍组织智能评级方法,解决目前用比较法评估低倍组织时存在精度低、评级标准不完善、半定量、主观因素较大等问题。
本发明解决其技术问题,采用的技术方案是:基于图像识别深度学习技术的低倍组织智能评级方法,包括如下步骤:
步骤1、搜集不同材料的低倍组织评级图像数据库,提取低倍组织图像信息、低倍组织检测内容及对应等级标签;
步骤2、对提取的低倍组织图像信息、低倍组织检测内容及对应等级标签进行图像预处理;
步骤3、将低倍组织评级图像数据库分为训练集、验证集和测试集,并根据需要设置训练集、验证集和测试集的比例;
步骤4、将训练集和验证集用于深度神经网络的训练,训练完成后进入步骤5;
步骤5、利用深度神经网络的训练模型初始化测试用的深度神经网络;
步骤6、将测试集输入到初始化之后的测试用的深度神经网络进行材料的低倍组织智能评级测试。
具体地,步骤1中,所述材料包括金属材料和非金属材料。
进一步地,所述金属材料包括钢、铝、铜、铜合金、镁、镁合金、镍、镍合金、超强合金、锌及锌合金。
具体地,所述材料的状态包括连铸坯、模铸坯、电渣重熔锭、自耗电极真空重熔锭、初轧材、锻材、轧态、淬火和退火态。
再进一步地,步骤1中,所述低倍组织检测内容包括组织成分的变化、化学成分的变化及结构不均匀性。
具体地,所述组织成分的变化包括树枝状晶及枝晶组织,所述化学成分的变化包括斑点状偏析、锭型偏析、径向偏析、环形偏析、中心偏析、白亮带及帽口偏析,所述结构不均匀性包括中心疏松、孔隙、皮下裂纹及缩孔。
再进一步地,骤2中,所述预处理是指将低倍组织图像转化为.jpg格式,生成图像路径/低倍组织检测内容等级标签/低倍组织检测内容形式的文本,并乱序排列文本中的信息。
具体地,步骤5中,所述利用深度神经网络的训练模型初始化测试用的神经网络是指:测试用的神经网络和训练用的神经网络结构相同,将训练好之后的深度神经网络中的每一层隐层的网络权重值,直接传给测试用的深度神经网络相应层,从而使得测试用的深度神经网络和训练的模型具有相同的隐层层数、隐层节点数和每一层的网络权重值,并且,能够使测试用的深度神经网络中最后一层网络softmax输出的是测试的低倍组织图像属于不同低倍组织等级的概率。
再进一步地,步骤6中,对于低倍组织评级图像测试集中的样本,采用初始化之后的深度神经网络进行低倍组织评级图像的低倍组织评级测试,输出低倍组织评级结果,利用softmax层输出的n维向量是测试的低倍组织图像属于每个低倍组织等级的概率,所以,在n维向量中值最大的下标即对应训练样本中等级标签对应的低倍组织等级。
具体地,步骤1-6中,实际操作过程中,首先,不同材料的低倍组织检验必须采用相对应的制样标准,其次,利用稳定、标准化、统一的数码采集用于低倍组织评级的照片需满足图像识别深度学习程序所需的格式,然后,通过应用计算机内置的图像识别深度学习程序进行不同材料的低倍组织等级智能评定,所述计算机内置的图像识别深度学习程序的训练数据库能够添加其他材料的低倍组织评级图像。
本发明的有益效果是,通过上述基于图像识别深度学习技术的低倍组织智能评级方法,将不同材料的低倍组织评级图像数据库大数据长期培训深度循环神经网络,让深度循环神经网络自己悟出什么是最佳的低倍组织评级策略,训练完成后的深度循环神经网络可以对材料显微照片进行低倍组织智能评级,避免了检测人员对低倍组织检测评级标准图片的理解和实际观察经验差异的干扰。
具体实施方式
下面结合实施例,详细描述本发明的技术方案。
本发明所述基于图像识别深度学习技术的低倍组织智能评级方法,由如下步骤组成:
步骤1、搜集不同材料的低倍组织评级图像数据库,提取低倍组织图像信息、低倍组织检测内容及对应等级标签;
步骤2、对提取的低倍组织图像信息、低倍组织检测内容及对应等级标签进行图像预处理;
步骤3、将低倍组织评级图像数据库分为训练集、验证集和测试集,并根据需要设置训练集、验证集和测试集的比例;
步骤4、将训练集和验证集用于深度神经网络的训练,训练完成后进入步骤5;
步骤5、利用深度神经网络的训练模型初始化测试用的深度神经网络;
步骤6、将测试集输入到初始化之后的测试用的深度神经网络进行材料的低倍组织智能评级测试。
这里,将不同材料的低倍组织评级图像数据库大数据长期培训深度循环神经网络,让深度循环神经网络自己悟出什么是最佳的低倍组织评级策略,训练完成后的深度循环神经网络可以对材料显微照片进行低倍组织智能评级。
实施例
本发明实施例基于图像识别深度学习技术的低倍组织智能评级方法,包括如下步骤:
步骤1、搜集不同材料的低倍组织评级图像数据库,提取低倍组织图像信息、低倍组织检测内容及对应等级标签;
其中,材料可以是金属材料和非金属材料,金属材料可以是钢、铝、铜、铜合金、镁、镁合金、镍、镍合金、超强合金、锌及锌合金等,材料的状态可以是连铸坯、模铸坯、电渣重熔锭、自耗电极真空重熔锭、初轧材、锻材、轧态、淬火和退火态等,低倍组织检测内容可以包括组织成分的变化、化学成分的变化及结构不均匀性等,组织成分的变化可以包括树枝状晶及枝晶组织等,化学成分的变化可以包括斑点状偏析、锭型偏析、径向偏析、环形偏析、中心偏析、白亮带及帽口偏析等,结构不均匀性可以包括中心疏松、孔隙、皮下裂纹及缩孔等。
步骤2、对提取的低倍组织图像信息、低倍组织检测内容及对应等级标签进行图像预处理;
其中,预处理是指将低倍组织图像转化为.jpg格式,生成图像路径/低倍组织检测内容等级标签/低倍组织检测内容形式的文本,并乱序排列文本中的信息。
步骤3、将低倍组织评级图像数据库分为训练集、验证集和测试集,并根据需要设置训练集、验证集和测试集的比例,其中可以根据低倍组织评级图像数据库中样本的总数对训练集、验证集和测试集的比例进行划分,一般情况,若样本总数在100万以下,则训练集、验证集和测试集的比例为6:2.5:1.5,若样本总数在100万以上,则训练集、验证集和测试集的比例为98:1:1,当然,可以根据需要对训练集、验证集和测试集的比例进行调整。
步骤4、将训练集和验证集用于深度神经网络的训练,训练完成后进入步骤5。
步骤5、利用深度神经网络的训练模型初始化测试用的深度神经网络;
其中,利用深度神经网络的训练模型初始化测试用的神经网络是指:测试用的神经网络和训练用的神经网络结构相同,将训练好之后的深度神经网络中的每一层隐层的网络权重值,直接传给测试用的深度神经网络相应层,从而使得测试用的深度神经网络和训练的模型具有相同的隐层层数、隐层节点数和每一层的网络权重值,并且,能够使测试用的深度神经网络中最后一层网络softmax输出的是测试的低倍组织图像属于不同低倍组织等级的概率。
步骤6、将测试集输入到初始化之后的测试用的深度神经网络进行材料的低倍组织智能评级测试;
其中,对于低倍组织评级图像测试集中的样本,采用初始化之后的深度神经网络进行低倍组织评级图像的低倍组织评级测试,输出低倍组织评级结果,利用softmax层输出的n维向量是测试的低倍组织图像属于每个低倍组织等级的概率,所以,在n维向量中值最大的下标即对应训练样本中等级标签对应的低倍组织等级。
对于上述方法步骤1-6,实际操作过程中,首先,不同材料的低倍组织检验必须采用相对应的制样标准,其次,利用稳定、标准化、统一的数码采集用于低倍组织评级的照片需满足图像识别深度学习程序所需的格式,然后,通过应用计算机内置的图像识别深度学习程序进行不同材料的低倍组织等级智能评定,所述计算机内置的图像识别深度学习程序的训练数据库能够添加其他材料的低倍组织评级图像。
本例中,进行低倍组织智能评级的材料为G50,选取φ330mm自耗电极真空重熔锭试样进行酸浸试验并拍照,加工方式为车光+磨光,腐蚀方式为1:1的工业盐酸加热到70-80℃;试样放入酸槽腐蚀15-20min,用水冲洗干净,用压缩空气吹干。试验标准为GB/T 226–1991,评级标准为GB/1979-2001。
具体实施过程中:收集对应G50的低倍组织评级图像数据库;预处理图像数据,提取图像信息、低倍组织检测内容及对应等级标签;分为训练集、验证集和测试集,且训练集、验证集和测试集的比例为6:2.5:1.5;对深度循环神经网络进行模型训练和测试;使用模型初始化神经网络;按照G50材料低倍组织检验标准制试样;通过稳定、标准化、统一的数码采集用于低倍组织评级的照片;应用计算机内置的图像识别深度学习程序进行G50材料的低倍组织等级智能评定。
对G50材料进行低倍组织等级智能评定的结果为:空隙A级;白斑A级;放射形偏析A级;环状偏析B级。该智能评定结果与原先的人工对比法评级结果一致,且更客观、精度高、稳定和高效。
Claims (10)
1.基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,包括如下步骤:
步骤1、搜集不同材料的低倍组织评级图像数据库,提取低倍组织图像信息、低倍组织检测内容及对应等级标签;
步骤2、对提取的低倍组织图像信息、低倍组织检测内容及对应等级标签进行图像预处理;
步骤3、将低倍组织评级图像数据库分为训练集、验证集和测试集,并根据需要设置训练集、验证集和测试集的比例;
步骤4、将训练集和验证集用于深度神经网络的训练,训练完成后进入步骤5;
步骤5、利用深度神经网络的训练模型初始化测试用的深度神经网络;
步骤6、将测试集输入到初始化之后的测试用的深度神经网络进行材料的低倍组织智能评级测试。
2.根据权利要求1所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,步骤1中,所述材料包括金属材料和非金属材料。
3.根据权利要求2所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,所述金属材料包括钢、铝、铜、铜合金、镁、镁合金、镍、镍合金、超强合金、锌及锌合金。
4.根据权利要求2所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,所述材料的状态包括连铸坯、模铸坯、电渣重熔锭、自耗电极真空重熔锭、初轧材、锻材、轧态、淬火和退火态。
5.根据权利要求1所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,步骤1中,所述低倍组织检测内容包括组织成分的变化、化学成分的变化及结构不均匀性。
6.根据权利要求5所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,所述组织成分的变化包括树枝状晶及枝晶组织,所述化学成分的变化包括斑点状偏析、锭型偏析、径向偏析、环形偏析、中心偏析、白亮带及帽口偏析,所述结构不均匀性包括中心疏松、孔隙、皮下裂纹及缩孔。
7.根据权利要求1所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,步骤2中,所述预处理是指将低倍组织图像转化为.jpg格式,生成图像路径/低倍组织检测内容等级标签/低倍组织检测内容形式的文本,并乱序排列文本中的信息。
8.根据权利要求1所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,步骤5中,所述利用深度神经网络的训练模型初始化测试用的神经网络是指:测试用的神经网络和训练用的神经网络结构相同,将训练好之后的深度神经网络中的每一层隐层的网络权重值,直接传给测试用的深度神经网络相应层,从而使得测试用的深度神经网络和训练的模型具有相同的隐层层数、隐层节点数和每一层的网络权重值,并且,能够使测试用的深度神经网络中最后一层网络softmax输出的是测试的低倍组织图像属于不同低倍组织等级的概率。
9.根据权利要求1所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,步骤6中,对于低倍组织评级图像测试集中的样本,采用初始化之后的深度神经网络进行低倍组织评级图像的低倍组织评级测试,输出低倍组织评级结果,利用softmax层输出的n维向量是测试的低倍组织图像属于每个低倍组织等级的概率,所以,在n维向量中值最大的下标即对应训练样本中等级标签对应的低倍组织等级。
10.根据权利要求1-9任意一项所述的基于图像识别深度学习技术的低倍组织智能评级方法,其特征在于,步骤1-6中,实际操作过程中,首先,不同材料的低倍组织检验必须采用相对应的制样标准,其次,利用稳定、标准化、统一的数码采集用于低倍组织评级的照片需满足图像识别深度学习程序所需的格式,然后,通过应用计算机内置的图像识别深度学习程序进行不同材料的低倍组织等级智能评定,所述计算机内置的图像识别深度学习程序的训练数据库能够添加其他材料的低倍组织评级图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810751664.XA CN109035221A (zh) | 2018-07-10 | 2018-07-10 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810751664.XA CN109035221A (zh) | 2018-07-10 | 2018-07-10 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035221A true CN109035221A (zh) | 2018-12-18 |
Family
ID=64641735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810751664.XA Pending CN109035221A (zh) | 2018-07-10 | 2018-07-10 | 基于图像识别深度学习技术的低倍组织智能评级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035221A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119687A (zh) * | 2019-04-17 | 2019-08-13 | 浙江工业大学 | 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法 |
CN110263640A (zh) * | 2019-05-16 | 2019-09-20 | 东软集团股份有限公司 | 铸坯缩孔识别方法、装置、存储介质及电子设备 |
CN110503641A (zh) * | 2019-08-22 | 2019-11-26 | 联峰钢铁(张家港)有限公司 | 一种改善连铸坯表面裂纹的方法和装置 |
CN111899230A (zh) * | 2020-07-15 | 2020-11-06 | 重庆大学 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
CN112417583A (zh) * | 2020-08-28 | 2021-02-26 | 上海交通大学 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
CN114113106A (zh) * | 2021-11-12 | 2022-03-01 | 中冶赛迪技术研究中心有限公司 | 一种对连铸坯低倍结构质量进行自动评级的方法及系统 |
CN114998253A (zh) * | 2022-05-31 | 2022-09-02 | 东北大学 | 一种对于连铸坯内部裂纹评级的方法及系统 |
CN114998254A (zh) * | 2022-05-31 | 2022-09-02 | 东北大学 | 一种连铸坯中心偏析自动评级的方法及系统 |
CN118212504A (zh) * | 2024-05-21 | 2024-06-18 | 东北大学 | 一种基于deepLabV2深度学习的低倍组织识别方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070019854A1 (en) * | 2005-05-10 | 2007-01-25 | Bioimagene, Inc. | Method and system for automated digital image analysis of prostrate neoplasms using morphologic patterns |
CN102253045A (zh) * | 2011-04-18 | 2011-11-23 | 首钢水城钢铁(集团)有限责任公司 | 评定高碳钢连铸方坯纵剖低倍组织质量的方法 |
CN106682694A (zh) * | 2016-12-27 | 2017-05-17 | 复旦大学 | 一种基于深度学习的敏感图像识别方法 |
CN108038455A (zh) * | 2017-12-19 | 2018-05-15 | 中国科学院自动化研究所 | 基于深度学习的仿生机器孔雀图像识别方法 |
-
2018
- 2018-07-10 CN CN201810751664.XA patent/CN109035221A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070019854A1 (en) * | 2005-05-10 | 2007-01-25 | Bioimagene, Inc. | Method and system for automated digital image analysis of prostrate neoplasms using morphologic patterns |
CN102253045A (zh) * | 2011-04-18 | 2011-11-23 | 首钢水城钢铁(集团)有限责任公司 | 评定高碳钢连铸方坯纵剖低倍组织质量的方法 |
CN106682694A (zh) * | 2016-12-27 | 2017-05-17 | 复旦大学 | 一种基于深度学习的敏感图像识别方法 |
CN108038455A (zh) * | 2017-12-19 | 2018-05-15 | 中国科学院自动化研究所 | 基于深度学习的仿生机器孔雀图像识别方法 |
Non-Patent Citations (1)
Title |
---|
贾永坡: "基于深度学习的板坯低倍质量评级系统", 《第十一届中国钢铁年会论文集——S18.冶金自动化与智能管控中国金属学会会议论文集》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119687A (zh) * | 2019-04-17 | 2019-08-13 | 浙江工业大学 | 基于图像处理和卷积神经网络相结合的道路表面裂痕缺陷的检测方法 |
CN110263640A (zh) * | 2019-05-16 | 2019-09-20 | 东软集团股份有限公司 | 铸坯缩孔识别方法、装置、存储介质及电子设备 |
CN110503641A (zh) * | 2019-08-22 | 2019-11-26 | 联峰钢铁(张家港)有限公司 | 一种改善连铸坯表面裂纹的方法和装置 |
CN111899230B (zh) * | 2020-07-15 | 2023-11-17 | 重庆大学 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
CN111899230A (zh) * | 2020-07-15 | 2020-11-06 | 重庆大学 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
CN112417583A (zh) * | 2020-08-28 | 2021-02-26 | 上海交通大学 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
CN112417583B (zh) * | 2020-08-28 | 2022-02-15 | 上海交通大学 | 一种大型复杂薄壁高温合金铸件疏松缺陷定量预测方法 |
CN114113106A (zh) * | 2021-11-12 | 2022-03-01 | 中冶赛迪技术研究中心有限公司 | 一种对连铸坯低倍结构质量进行自动评级的方法及系统 |
CN114998253A (zh) * | 2022-05-31 | 2022-09-02 | 东北大学 | 一种对于连铸坯内部裂纹评级的方法及系统 |
CN114998254A (zh) * | 2022-05-31 | 2022-09-02 | 东北大学 | 一种连铸坯中心偏析自动评级的方法及系统 |
CN114998254B (zh) * | 2022-05-31 | 2024-08-23 | 东北大学 | 一种连铸坯中心偏析自动评级的方法及系统 |
CN114998253B (zh) * | 2022-05-31 | 2024-08-23 | 东北大学 | 一种对于连铸坯内部裂纹评级的方法及系统 |
CN118212504A (zh) * | 2024-05-21 | 2024-06-18 | 东北大学 | 一种基于deepLabV2深度学习的低倍组织识别方法与系统 |
CN118212504B (zh) * | 2024-05-21 | 2024-07-12 | 东北大学 | 一种基于deepLabV2深度学习的低倍组织识别方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035221A (zh) | 基于图像识别深度学习技术的低倍组织智能评级方法 | |
CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 | |
CN110222792A (zh) | 一种基于孪生网络的标签缺陷检测算法 | |
Han et al. | Industrial IoT for intelligent steelmaking with converter mouth flame spectrum information processed by deep learning | |
CN105069779B (zh) | 一种建筑陶瓷表面花纹图案质量检测方法 | |
CN109034217A (zh) | 基于图像识别深度学习技术的晶粒度智能评级方法 | |
CN109472241A (zh) | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 | |
CN110533640A (zh) | 基于改进YOLOv3网络模型的轨道线路病害辨识方法 | |
CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
CN103982378B (zh) | 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN107358259B (zh) | 基于GLOH描述子和GVF-Snake模型的绝缘子覆冰检测方法 | |
CN109948522A (zh) | 一种基于深度神经网络的x光片手骨成熟度判读方法 | |
CN109872317A (zh) | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 | |
CN110411580A (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
CN105303200B (zh) | 用于手持设备的人脸识别方法 | |
CN107016396A (zh) | 一种装配连接件图像特征深度学习与识别方法 | |
CN112926488B (zh) | 基于电力杆塔结构信息的作业人员违章识别方法 | |
CN110427943A (zh) | 一种基于r-cnn的智能电表数值识别方法 | |
CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
CN109727020A (zh) | 一种烟叶智能收购方法及其系统 | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
CN106022365B (zh) | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 | |
CN115049607A (zh) | 一种基于YOLOx_s增强目标特征检测的绝缘板缺陷识别方法 | |
CN112529107B (zh) | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |