CN109087280A - 连铸坯质量检测方法、装置、控制设备、服务器及介质 - Google Patents
连铸坯质量检测方法、装置、控制设备、服务器及介质 Download PDFInfo
- Publication number
- CN109087280A CN109087280A CN201810709223.3A CN201810709223A CN109087280A CN 109087280 A CN109087280 A CN 109087280A CN 201810709223 A CN201810709223 A CN 201810709223A CN 109087280 A CN109087280 A CN 109087280A
- Authority
- CN
- China
- Prior art keywords
- continuous casting
- casting billet
- defect
- information
- server
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/30—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
- G06T2207/30168—Image quality inspection
Abstract
本申请提供一种连铸坯质量检测方法、装置、控制设备、服务器及介质,包括:获取连铸坯的图像信息;向服务器发送检测请求消息,检测请求消息包括:连铸坯的图像信息;接收服务器发送的检测响应消息,检测响应消息包括:连铸坯的缺陷信息;根据连铸坯的缺陷信息对连铸坯的缺陷进行处理。相对于人工检测方法,本申请技术方案可以提高连铸坯质量检测效率。
Description
技术领域
本申请实施例涉及钢铁制造业技术领域,尤其涉及一种连铸坯质量检测方法、装置、控制设备、服务器及介质。
背景技术
在钢铁制造业的钢铁连铸坯生产场景中,对连铸坯的质量检测是生产流程中的关键环节。所谓对连铸坯的质量检测是指对连铸坯的表面状态进行检测,以判断连铸坯是否存在瑕疵或缺陷,并根据检测结果对连铸坯做相应的处理。常见的缺陷类型有震动痕迹,表面裂纹,表面纵裂纹,脚步纵裂纹等。
目前对连铸坯的质量检测采用的是人工检测方式,即依靠专家的经验来检测连铸坯的缺陷,显然这种方式存在检测效率低的问题。
发明内容
本申请实施例提供一种连铸坯质量检测方法、装置、控制设备、服务器及介质,从而提高连铸坯质量检测效率。
第一方面,本申请提供一种连铸坯质量检测方法,包括:获取连铸坯的图像信息;向服务器发送检测请求消息,检测请求消息包括:连铸坯的图像信息;接收服务器发送的检测响应消息,检测响应消息包括:连铸坯的缺陷信息;根据连铸坯的缺陷信息对连铸坯的缺陷进行处理。
可选地,连铸坯的缺陷信息包括:连铸坯的缺陷的位置,以及,连铸坯的缺陷的类型。
可选地,根据连铸坯的缺陷信息对连铸坯的缺陷进行处理,包括:推送报警消息,报警消息包括:连铸坯的缺陷信息;或者,生成缺陷日志,并将缺陷日志存储至本地数据库或云端数据库中,缺陷日志包括:连铸坯的缺陷信息;或者,根据连铸坯的缺陷信息控制机械手臂对连铸坯进行分类。
可选地,接收服务器发送的检测响应消息之后,还包括:根据连铸坯的缺陷信息确定连铸坯的缺陷个数;若连铸胚的缺陷个数大于预设值,则确定连铸坯不合格;若连铸胚的缺陷个数小于或等于预设值,则确定连铸坯合格。
可选地,还包括:推送提示消息,提示消息用于提示用户连铸坯合格或不合格。
第二方面,本申请提供一种连铸坯质量检测方法,包括:接收控制设备发送的检测请求消息,检测请求消息包括:连铸坯的图像信息;将连铸坯的图像信息作为缺陷检测模型的输入参数,得到连铸坯的缺陷信息;向控制设备发送检测响应消息,检测响应消息包括:连铸坯的缺陷信息。
可选地,将连铸坯的图像信息作为缺陷检测模型的输入参数,得到连铸坯的缺陷信息之前,还包括:通过卷积神经网络算法训练缺陷分类模型;相应的,将连铸坯的图像信息作为缺陷检测模型的输入参数,得到连铸坯的缺陷信息,包括:将连铸坯的图像信息作为训练后的缺陷检测模型的输入参数,得到连铸坯的缺陷信息。
第三方面,本申请提供一种连铸坯质量检测装置,包括:
获取模块,用于获取连铸坯的图像信息;
发送模块,用于向服务器发送检测请求消息,检测请求消息包括:连铸坯的图像信息;
接收模块,用于接收服务器发送的检测响应消息,检测响应消息包括:连铸坯的缺陷信息;
处理模块,用于根据连铸坯的缺陷信息对连铸坯的缺陷进行处理。
可选地,处理模块具体用于:推送报警消息,报警消息包括:连铸坯的缺陷信息;或者,生成缺陷日志,并将缺陷日志存储至本地数据库或云端数据库中,缺陷日志包括:连铸坯的缺陷信息;或者,根据连铸坯的缺陷信息控制机械手臂对连铸坯进行分类。
可选地,还包括:确定模块,用于:根据连铸坯的缺陷信息确定连铸坯的缺陷个数;若连铸胚的缺陷个数大于预设值,则确定连铸坯不合格;若连铸胚的缺陷个数小于或等于预设值,则确定连铸坯合格。
可选地,还包括:推送模块,用于推送提示消息,提示消息用于提示用户连铸坯合格或不合格。
第四方面,本申请提供一种连铸坯质量检测装置,包括:
接收模块,用于接收控制设备发送的检测请求消息,检测请求消息包括:连铸坯的图像信息;
计算模块,用于将连铸坯的图像信息作为缺陷检测模型的输入参数,得到连铸坯的缺陷信息;
发送模块,用于向控制设备发送检测响应消息,检测响应消息包括:连铸坯的缺陷信息。
可选地,还包括:训练模块,用于通过卷积神经网络算法训练缺陷分类模型;相应的,计算模块具体用于:将连铸坯的图像信息作为训练后的缺陷检测模型的输入参数,得到连铸坯的缺陷信息。
第五方面,本申请提供一种控制设备,包括:存储器和处理器;存储器用于存储计算机指令;处理器用于运行存储器存储的计算机指令实现如第一方面或第一方面的可选方式的连铸坯质量检测方法。
第六方面,本申请提供一种服务器,包括:存储器和处理器;存储器用于存储计算机指令;处理器用于运行存储器存储的计算机指令实现如第二方面或第二方面的可选方式的连铸坯质量检测方法。
第七方面,本申请提供一种存储介质,包括:可读存储介质和计算机指令,计算机指令存储在可读存储介质中;计算机指令用于实现如第一方面或第一方面的可选方式的连铸坯质量检测方法。
第八方面,本申请提供一种存储介质,包括:可读存储介质和计算机指令,计算机指令存储在可读存储介质中;计算机指令用于实现如第二方面或第二方面的可选方式的连铸坯质量检测方法。
第九方面,本申请提供一种计算机程序产品,包括:计算机指令,计算机指令用于实现如第一方面或第一方面的可选方式的连铸坯质量检测方法。
第十方面,本申请提供一种计算机程序产品,包括:计算机指令,计算机指令用于实现如第二方面或第二方面的可选方式的连铸坯质量检测方法。
本申请提供一种连铸坯质量检测方法、装置、控制设备、服务器及介质,包括:获取连铸坯的图像信息;向服务器发送检测请求消息,检测请求消息包括:连铸坯的图像信息;接收服务器发送的检测响应消息,检测响应消息包括:连铸坯的缺陷信息;根据连铸坯的缺陷信息对连铸坯的缺陷进行处理。从而提高连铸坯质量检测效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请一实施例提供的本申请技术方案的一种应用场景图;
图2为本申请另一实施例提供的本申请技术方案的一种应用场景图;
图3为本申请一实施例提供的一种连铸坯质量检测方法的交互流程图;
图4为本申请一实施例提供的训练缺陷检测模型的方法流程图;
图5为本申请一实施例提供的训练缺陷检测模型的示意图;
图6为本申请另一实施例提供的一种连铸坯质量检测方法的交互流程图;
图7为本申请一实施例提供的连铸坯质量检测装置70的示意图;
图8为本申请一实施例提供的连铸坯质量检测装置80的示意图;
图9为本申请一实施例提供的控制设备90的示意图;
图10为本申请一实施例提供的服务器100的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
如上所述,在钢铁制造业的钢铁连铸坯生产场景中,对连铸坯的质量检测是生产流程中的关键环节。目前对连铸坯的质量检测采用的是人工检测方式,即依靠专家的经验来检测连铸坯的缺陷,显然这种方式存在检测效率低的问题。
为了解决这一技术问题,本申请提供一种连铸坯质量检测方法、装置、控制设备、服务器及介质。具体地,图1为本申请一实施例提供的本申请技术方案的一种应用场景图,如图1所示,控制设备11可以从图像采集设备12获取连铸坯的图像信息,该连铸坯的图像信息包括:连铸坯的图像中的各像素信息、图像的分辨率、图像的红绿蓝(Red Green Blue,RGB)等,本申请对该图像信息不做限制。进一步地,控制设备11可以根据连铸坯的图像信息与服务器13进行消息交互,以对连铸坯的缺陷进行定位和分类。需要说明的是,实际上,服务器13的个数还可以是一个或者多个,图1中以服务器13个数为两个为例。图2为本申请另一实施例提供的本申请技术方案的一种应用场景图,如图2所示,控制设备11自身具有图像采集功能,该控制设备11获取连铸坯的图像信息,该连铸坯的图像信息包括:连铸坯的图像中的各像素信息、图像的分辨率、RGB等,本申请对该图像信息不做限制。进一步地,控制设备11可以根据连铸坯的图像信息与服务器13进行消息交互,以对连铸坯的缺陷进行定位和分类。需要说明的是,实际上,服务器13的个数还可以是一个或者多个,图2中以服务器13个数为两个为例。
结合上述任一应用场景,下面对本申请技术方案进行详细描述。
实施例一
图3为本申请一实施例提供的一种连铸坯质量检测方法的交互流程图,该方法涉及的网元包括:控制设备和服务器。如图3所示,该方法包括如下步骤:
步骤S301:控制设备获取连铸坯的图像信息。
步骤S302:控制设备向服务器发送检测请求消息,该检测请求消息包括:连铸坯的图像信息。
步骤S303:服务器将连铸坯的图像信息作为缺陷检测模型的输入参数,得到连铸坯的缺陷信息。
步骤S304:服务器向控制设备发送检测响应消息,该检测响应消息包括:连铸坯的缺陷信息。
步骤S305:控制设备根据连铸坯的缺陷信息对连铸坯的缺陷进行处理。
针对步骤S301进行说明:
结合图1所示的应用场景:图像采集设备获取连铸坯的图像信息,并将该连铸坯的图像信息发送至控制设备。或者,结合图2所示的应用场景:图像采集设备自身具有图像采集功能。通过其图像采集功能直接获取连铸坯的图像信息。需要说明的是,图3所示的图像采集设备自身具有图像采集功能的情况。
进一步地,如上所述,该图像信息包括:连铸坯的图像中的各像素信息、图像的分辨率、RGB等,本申请对该图像信息不做限制。
针对步骤S302进行说明:
检测请求消息用于控制设备向服务器请求检测连铸坯的缺陷。需要说明的是:如图1和图2所示的应用场景,理论上,控制设备可以向多个服务器发送检测请求消息,其中每个服务器上都存储有所述缺陷检测模型,然而该方式会造成对服务器资源的浪费,基于此,控制设备将选择一个目标服务器,并仅向该目标服务器发送检测请求消息。
进一步地,控制设备可以通过如下至少一种方式选择目标服务器:
可选方式一:控制设备选择距离其最近的服务器作为目标服务器。
可选方式二:控制设备选择当前可用内存最大的服务器作为目标服务器。
可选方式三:控制设备选择中央处理器(Central Processing Unit,CPU)运行最快的服务器作为目标服务器。
需要说明的是,控制设备还可用对上述三种可选方式进行组合,以选择目标服务器。如:首选确定三个可选方式的优先级,先按照优先级最高的可选方式选择目标服务器,若确定了多个目标服务器,再根据优先级次高的可选方式选择目标服务器,直至确定到唯一的目标服务器位置。例如:假设控制设备准备通过可选方式一和可选方式二选择目标服务器,并且可选方式一的优先级高于可选方式二的优先级。目前存在三个服务器,分别是服务器A、服务器B和服务器C,并且服务器A和服务器B与控制设备的距离相同,服务器C距离控制设备的距离比服务器A或B距离控制设备的距离大,且服务器A的可用内存大于服务器B的可用内存。基于此,根据可选方式一确定目标服务器为A和B,再根据可选方式二确定最终的目标服务器为服务器A。
针对步骤S303和步骤S304进行说明:
可选地,在步骤S303之前,服务器可以对连铸坯的图像信息进行除雾操作和/或锐化操作。
缺陷检测模型的输入参数为连铸坯的图像信息,该缺陷检测模型的输出参数为连铸坯的缺陷信息。上述缺陷检测模型为现有技术中的缺陷检测模型,本申请对此不做限制。
可选地,连铸坯的缺陷信息包括:连铸坯的缺陷的位置,以及,连铸坯的缺陷的类型。其中,该连铸坯的缺陷的类型可以是震动痕迹,表面裂纹,表面纵裂纹,脚步纵裂纹等。
针对步骤S305进行说明:
具体地,基于不同的业务场景,步骤S305包括如下几种可选方式:
可选方式一:当用户需要实时获取连铸坯的缺陷信息时,控制设备可以推送报警消息,该报警消息包括:连铸坯的缺陷信息。
可选方式二:当用户后续需要对缺陷进行分析统计处理等,控制设备可以生成缺陷日志,并将所述缺陷日志存储至本地数据库或云端数据库中,缺陷日志包括:所述连铸坯的缺陷信息。
可选方式三:控制设备上可以安装有机械手臂,或者机器人上安装有机械手臂,该控制设备可以控制机器人的机械手臂。基于此,当控制设备获取到连铸坯的缺陷信息之后,控制设备可以对连铸坯进行分类,例如:控制设备可以根据连铸坯的缺陷类型确定每个连铸坯上的主要缺陷类型,其次控制设备将主要缺陷类型相同的连铸坯归为一类。或者,控制设备根据连铸坯的缺陷数量对连铸坯进行分类。如:控制设备将缺陷数量为3个以下的连铸坯归为一类,将缺陷数量为3-8个的连铸坯归为一类,将缺陷数量为8个以上的连铸坯归为一类。
综上,本申请提供一种连铸坯质量检测方法,包括:控制设备获取连铸坯的图像信息。控制设备向服务器发送检测请求消息,该检测请求消息包括:连铸坯的图像信息。服务器将连铸坯的图像信息作为缺陷检测模型的输入参数,得到连铸坯的缺陷信息。服务器向控制设备发送检测响应消息,该检测响应消息包括:连铸坯的缺陷信息。控制设备根据连铸坯的缺陷信息对连铸坯的缺陷进行处理。即本申请实施例提供了一种自动化的连铸坯质量检测方法,相对于人工检测方式,该方法的检测效率更高。
实施例二
可选地,上述步骤S303中涉及的缺陷检测模型可以根据卷积神经网络(Convolutional Neural Network,CNN)算法训练得到。具体地,该CNN算法可以是FasterRCNN算法。基于此,步骤S303包括:将连铸坯的图像信息作为训练后的缺陷检测模型的输入参数,得到连铸坯的缺陷信息。
具体地,图4为本申请一实施例提供的训练缺陷检测模型的方法流程图,
图5为本申请一实施例提供的训练缺陷检测模型的示意图,如图5所示,FasterRCNN算法包括:Conv层(Conv layers)、候选区域生成网络(Region Proposal Networks,RPN)、Roi池(Roi Pooling)和分类(Classification)层。结合图4和图5所示,训练缺陷检测模型的方法步骤如下:
步骤S401:服务器将原始图像作为Conv层的输入参数,得到该原始图像的特征图像(feature maps)。
其中,该原始图像用于训练缺陷检测模型,它与连铸坯的图像不同。
该Conv层包括conv,pooling,relu三种层。以python版本中的VGG16模型中的faster_rcnn_test.pt的网络结构为例,Conv层包括13个conv层,13个relu层,4个pooling层。
步骤S402:服务器将特征图像作为RPN的输入参数,得到包括缺陷的候选区域。
其中,RPN通过softmax判断缺陷是属于原始图像的前景(foreground)或者背景(background),再利用边界框回归(bounding box regression)算法修正缺陷,以获得精确的候选区域。
步骤S403:服务器将候选区域和特征图像作为Roi池的输入参数,得到候选特征图(proposal feature maps)。
步骤S404:服务器将候选特征图作为分类层的输入参数,得到缺陷的类型和缺陷对应的边界盒子(bonding box)。
步骤S405:服务器确定候选区域对应的第一损失、缺陷的类型对应的第二损失和边界盒子对应的第三损失。
其中,第一损失是指服务器在确定候选区域时形成的损失。第二损失是指服务器在确定缺陷的类型时形成的损失。第三损失是指服务器在计算边界盒子时形成的损失。
需要说明的是,上述计算第一损失、第二损失和第三损失的方法均为现有技术,本申请对此不做限制。
步骤S406:服务器根据第一损失、第二损失和第三损失优化缺陷检测模型的参数。
其中,如何根据第一损失、第二损失和第三损失优化缺陷检测模型的参数,本申请对此不做限制。
步骤S407:服务器将原始图像作为优化后的缺陷检测模型的输入参数,得到原始图像的缺陷类型和位置。
步骤S408:服务器计算通过步骤S407得到的每个缺陷的位置与每个缺陷的实际位置的误差。
步骤S409:判断原始图像的所有缺陷的误差值之和是否小于预设阈值,若是,则停止对缺陷检测模型的训练,否则,则继续执行步骤S401。
需要说明的是,服务器可以实时获取或者周期性地获取更多的原始图像,或者,服务器可以计算缺陷检测模型的精度,当精度过低时,服务器获取更多的原始图像,以训练缺陷检测模型,使得缺陷检测模型的精度更高。
总之,通过本实施例提供的训练缺陷检测模型的方法,可以保证缺陷检测模型的精度,从而提高连铸坯质量检测的准确率。
实施例三
图6为本申请另一实施例提供的一种连铸坯质量检测方法的交互流程图,该方法涉及的网元包括:控制设备和服务器。如图6所示,在步骤S304之后(其中可以在步骤S304和步骤S305之间,也可以在步骤S305之后,在本申请实施例中以在步骤S305之后为例),进一步地,所述连铸坯质量检测方法还包括:
步骤S306:控制设备根据连铸坯的缺陷信息确定连铸坯的缺陷个数。
步骤S307:若连铸胚的缺陷个数大于预设值,则控制设备确定连坯不合格。
步骤S308:若连铸胚的缺陷个数小于或等于预设值,则控制设备确定连铸坯合格。
可选步骤S309:控制设备推送提示消息,该提示消息用于提示用户连铸坯合格或不合格。
其中,上述预设值可以根据实际情况设置,如该预设值可以是3、5、8或10等,本申请对此不做限制。
在本实施例中,控制设备可以向用户推送提示消息,以提示连铸坯合格或不合格,从而提高控制设备的可靠性。
实施例四
图7为本申请一实施例提供的连铸坯质量检测装置70的示意图,其中该装置可以为控制设备的部分或全部,如它可以是控制设备中的处理器等。如图7所示,该装置70包括:
获取模块71,用于获取连铸坯的图像信息。
发送模块72,用于向服务器发送检测请求消息,所述检测请求消息包括:所述连铸坯的图像信息。
接收模块73,用于接收所述服务器发送的检测响应消息,所述检测响应消息包括:所述连铸坯的缺陷信息。
处理模块74,用于根据所述连铸坯的缺陷信息对所述连铸坯的缺陷进行处理。
可选地,连铸坯的缺陷信息包括:所述连铸坯的缺陷的位置,以及,所述连铸坯的缺陷的类型。
可选地,处理模块74具体用于:推送报警消息,所述报警消息包括:所述连铸坯的缺陷信息;或者,生成缺陷日志,并将所述缺陷日志存储至本地数据库或云端数据库中,所述缺陷日志包括:所述连铸坯的缺陷信息;或者,根据所述连铸坯的缺陷信息控制机械手臂对所述连铸坯进行分类。
可选地,该装置还包括:确定模块75。
其中,该确定模块75用于:根据所述连铸坯的缺陷信息确定所述连铸坯的缺陷个数;若所述连铸胚的缺陷个数大于预设值,则确定所述连铸坯不合格;若所述连铸胚的缺陷个数小于或等于所述预设值,则确定所述连铸坯合格。
可选地,该装置还包括:推送模块76。该推送模块76用于推送提示消息,所述提示消息用于提示用户所述连铸坯合格或不合格。
本申请实施例提供的连铸坯质量检测装置,可以用于执行上述控制设备执行的连铸坯质量检测方法,其内容和效果可参考方法部分,在此不再赘述。
实施例五
图8为本申请一实施例提供的连铸坯质量检测装置80的示意图,其中该装置可以为服务器的部分或全部,如它可以是服务器中的处理器等。如图8所示,该装置80包括:
接收模块81,用于接收控制设备发送的检测请求消息,所述检测请求消息包括:连铸坯的图像信息。
计算模块82,用于将所述连铸坯的图像信息作为缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息。
发送模块83,用于向所述控制设备发送检测响应消息,所述检测响应消息包括:所述连铸坯的缺陷信息。
可选地,连铸坯的缺陷信息包括:所述连铸坯的缺陷的位置,以及,所述连铸坯的缺陷的类型。
可选地,该装置还包括:
训练模块84,用于通过卷积神经网络算法训练所述缺陷分类模型。相应的,所述计算模块82具体用于:将所述连铸坯的图像信息作为训练后的缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息。
本申请实施例提供的连铸坯质量检测装置,可以用于执行上述服务器执行的连铸坯质量检测方法,其内容和效果可参考方法部分,在此不再赘述。
实施例六
图9为本申请一实施例提供的控制设备90的示意图,如图9所示,该控制设备90包括:存储器91、处理器92和收发器93。
其中,存储器91用于存储计算机指令;处理器92用于运行存储器91存储的所述计算机指令实现如下连铸坯质量检测方法:获取连铸坯的图像信息;向服务器发送检测请求消息,所述检测请求消息包括:所述连铸坯的图像信息;接收所述服务器发送的检测响应消息,所述检测响应消息包括:所述连铸坯的缺陷信息;根据所述连铸坯的缺陷信息对所述连铸坯的缺陷进行处理。
可选地,连铸坯的缺陷信息包括:所述连铸坯的缺陷的位置,以及,所述连铸坯的缺陷的类型。
可选地,根据所述连铸坯的缺陷信息对所述连铸坯的缺陷进行处理,包括:推送报警消息,所述报警消息包括:所述连铸坯的缺陷信息;或者,生成缺陷日志,并将所述缺陷日志存储至本地数据库或云端数据库中,所述缺陷日志包括:所述连铸坯的缺陷信息;或者,根据所述连铸坯的缺陷信息控制机械手臂对所述连铸坯进行分类。
可选地,接收所述服务器发送的检测响应消息之后,还包括:根据所述连铸坯的缺陷信息确定所述连铸坯的缺陷个数;若所述连铸胚的缺陷个数大于预设值,则确定所述连铸坯不合格;若所述连铸胚的缺陷个数小于或等于所述预设值,则确定所述连铸坯合格。
可选地,还包括:推送提示消息,所述提示消息用于提示用户所述连铸坯合格或不合格。
进一步地,收发器93可用于实现控制设备与其他设备之间的通信。
本申请实施例提供的控制设备,可以用于执行上述控制设备执行的连铸坯质量检测方法,其内容和效果可参考方法部分,在此不再赘述。
实施例七
图10为本申请一实施例提供的服务器100的示意图,如图10所示,该控制设备100包括:存储器101、处理器102和收发器103。
其中,存储器101用于存储计算机指令;处理器102用于运行存储器101存储的所述计算机指令实现如下连铸坯质量检测方法:接收控制设备发送的检测请求消息,所述检测请求消息包括:连铸坯的图像信息;将所述连铸坯的图像信息作为缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息;向所述控制设备发送检测响应消息,所述检测响应消息包括:所述连铸坯的缺陷信息。
可选地,连铸坯的缺陷信息包括:所述连铸坯的缺陷的位置,以及,所述连铸坯的缺陷的类型。
可选地,将所述连铸坯的图像信息作为缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息之前,还包括:通过卷积神经网络算法训练所述缺陷分类模型;相应的,所述将所述连铸坯的图像信息作为缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息,包括:将所述连铸坯的图像信息作为训练后的缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息。
进一步地,收发器103可用于实现服务器与其他设备之间的通信。
本申请实施例提供的服务器,可以用于执行上述服务器执行的连铸坯质量检测方法,其内容和效果可参考方法部分,在此不再赘述。
本申请还提供一种存储介质,包括:可读存储介质和计算机指令,所述计算机指令存储在所述可读存储介质中;所述计算机指令用于实现前述任一方法实施例中控制设备执行的连铸坯质量检测方法。
本申请实施例还提供一种程序产品,该程序产品包括计算机指令(即计算机程序),以实现上述控制设备执行的连铸坯质量检测方法。
本申请还提供一种存储介质,包括:可读存储介质和计算机指令,所述计算机指令存储在所述可读存储介质中;所述计算机指令用于实现前述任一方法实施例中服务器执行的连铸坯质量检测方法。
本申请实施例还提供一种程序产品,该程序产品包括计算机指令(即计算机程序),以实现上述服务器执行的连铸坯质量检测方法。
应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
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程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。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:只读存储器(英文:read-only memory,缩写:ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文:magnetictape)、软盘(英文:floppy disk)、光盘(英文:optical disc)及其任意组合。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (20)
1.一种连铸坯质量检测方法,其特征在于,包括:
获取连铸坯的图像信息;
向服务器发送检测请求消息,所述检测请求消息包括:所述连铸坯的图像信息;
接收所述服务器发送的检测响应消息,所述检测响应消息包括:所述连铸坯的缺陷信息;
根据所述连铸坯的缺陷信息对所述连铸坯的缺陷进行处理。
2.根据权利要求1所述的方法,其特征在于,所述连铸坯的缺陷信息包括:所述连铸坯的缺陷的位置,以及,所述连铸坯的缺陷的类型。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述连铸坯的缺陷信息对所述连铸坯的缺陷进行处理,包括:
推送报警消息,所述报警消息包括:所述连铸坯的缺陷信息;或者,
生成缺陷日志,并将所述缺陷日志存储至本地数据库或云端数据库中,所述缺陷日志包括:所述连铸坯的缺陷信息;或者,
根据所述连铸坯的缺陷信息控制机械手臂对所述连铸坯进行分类。
4.根据权利要求1或2所述的方法,其特征在于,所述接收所述服务器发送的检测响应消息之后,还包括:
根据所述连铸坯的缺陷信息确定所述连铸坯的缺陷个数;
若所述连铸胚的缺陷个数大于预设值,则确定所述连铸坯不合格;
若所述连铸胚的缺陷个数小于或等于所述预设值,则确定所述连铸坯合格。
5.根据权利要求4所述的方法,其特征在于,还包括:
推送提示消息,所述提示消息用于提示用户所述连铸坯合格或不合格。
6.一种连铸坯质量检测方法,其特征在于,包括:
接收控制设备发送的检测请求消息,所述检测请求消息包括:连铸坯的图像信息;
将所述连铸坯的图像信息作为缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息;
向所述控制设备发送检测响应消息,所述检测响应消息包括:所述连铸坯的缺陷信息。
7.根据权利要求6所述的方法,其特征在于,所述连铸坯的缺陷信息包括:所述连铸坯的缺陷的位置,以及,所述连铸坯的缺陷的类型。
8.根据权利要求6或7所述的方法,其特征在于,所述将所述连铸坯的图像信息作为缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息之前,还包括:
通过卷积神经网络算法训练所述缺陷分类模型;
相应的,所述将所述连铸坯的图像信息作为缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息,包括:
将所述连铸坯的图像信息作为训练后的缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息。
9.一种连铸坯质量检测装置,其特征在于,包括:
获取模块,用于获取连铸坯的图像信息;
发送模块,用于向服务器发送检测请求消息,所述检测请求消息包括:所述连铸坯的图像信息;
接收模块,用于接收所述服务器发送的检测响应消息,所述检测响应消息包括:所述连铸坯的缺陷信息;
处理模块,用于根据所述连铸坯的缺陷信息对所述连铸坯的缺陷进行处理。
10.根据权利要求9所述的装置,其特征在于,所述连铸坯的缺陷信息包括:所述连铸坯的缺陷的位置,以及,所述连铸坯的缺陷的类型。
11.根据权利要求9或10所述的装置,其特征在于,所述处理模块具体用于:
推送报警消息,所述报警消息包括:所述连铸坯的缺陷信息;或者,
生成缺陷日志,并将所述缺陷日志存储至本地数据库或云端数据库中,所述缺陷日志包括:所述连铸坯的缺陷信息;或者,
根据所述连铸坯的缺陷信息控制机械手臂对所述连铸坯进行分类。
12.根据权利要求9或10所述的装置,其特征在于,还包括:
确定模块,用于:
根据所述连铸坯的缺陷信息确定所述连铸坯的缺陷个数;
若所述连铸胚的缺陷个数大于预设值,则确定所述连铸坯不合格;
若所述连铸胚的缺陷个数小于或等于所述预设值,则确定所述连铸坯合格。
13.根据权利要求12所述的装置,其特征在于,还包括:
推送模块,用于推送提示消息,所述提示消息用于提示用户所述连铸坯合格或不合格。
14.一种连铸坯质量检测装置,其特征在于,包括:
接收模块,用于接收控制设备发送的检测请求消息,所述检测请求消息包括:连铸坯的图像信息;
计算模块,用于将所述连铸坯的图像信息作为缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息;
发送模块,用于向所述控制设备发送检测响应消息,所述检测响应消息包括:所述连铸坯的缺陷信息。
15.根据权利要求14所述的装置,其特征在于,所述连铸坯的缺陷信息包括:所述连铸坯的缺陷的位置,以及,所述连铸坯的缺陷的类型。
16.根据权利要求14或15所述的装置,其特征在于,还包括:
训练模块,用于通过卷积神经网络算法训练所述缺陷分类模型;
相应的,所述计算模块具体用于:
将所述连铸坯的图像信息作为训练后的缺陷检测模型的输入参数,得到所述连铸坯的缺陷信息。
17.一种控制设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机指令;所述处理器用于运行所述存储器存储的所述计算机指令实现如权利要求1至5任一项所述的连铸坯质量检测方法。
18.一种服务器,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机指令;所述处理器用于运行所述存储器存储的所述计算机指令实现如权利要求6至8任一项所述的连铸坯质量检测方法。
19.一种存储介质,其特征在于,包括:可读存储介质和计算机指令,所述计算机指令存储在所述可读存储介质中;所述计算机指令用于实现如权利要求1至5任一项所述的连铸坯质量检测方法。
20.一种存储介质,其特征在于,包括:可读存储介质和计算机指令,所述计算机指令存储在所述可读存储介质中;所述计算机指令用于实现如权利要求6至8任一项所述的连铸坯质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810709223.3A CN109087280A (zh) | 2018-07-02 | 2018-07-02 | 连铸坯质量检测方法、装置、控制设备、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810709223.3A CN109087280A (zh) | 2018-07-02 | 2018-07-02 | 连铸坯质量检测方法、装置、控制设备、服务器及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109087280A true CN109087280A (zh) | 2018-12-25 |
Family
ID=64836923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810709223.3A Pending CN109087280A (zh) | 2018-07-02 | 2018-07-02 | 连铸坯质量检测方法、装置、控制设备、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087280A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009614A (zh) * | 2019-03-29 | 2019-07-12 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN110490862A (zh) * | 2019-08-22 | 2019-11-22 | 联峰钢铁(张家港)有限公司 | 一种提高连铸探伤合格率的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120155741A1 (en) * | 2007-06-20 | 2012-06-21 | Hisae Shibuya | Visual Inspection Method And Apparatus And Image Analysis System |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
CN108230317A (zh) * | 2018-01-09 | 2018-06-29 | 北京百度网讯科技有限公司 | 钢板缺陷检测分类方法、装置、设备及计算机可读介质 |
CN108230318A (zh) * | 2018-01-09 | 2018-06-29 | 北京百度网讯科技有限公司 | 钢包缺陷检测分类方法、装置、设备及计算机可读介质 |
-
2018
- 2018-07-02 CN CN201810709223.3A patent/CN109087280A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120155741A1 (en) * | 2007-06-20 | 2012-06-21 | Hisae Shibuya | Visual Inspection Method And Apparatus And Image Analysis System |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
CN108230317A (zh) * | 2018-01-09 | 2018-06-29 | 北京百度网讯科技有限公司 | 钢板缺陷检测分类方法、装置、设备及计算机可读介质 |
CN108230318A (zh) * | 2018-01-09 | 2018-06-29 | 北京百度网讯科技有限公司 | 钢包缺陷检测分类方法、装置、设备及计算机可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009614A (zh) * | 2019-03-29 | 2019-07-12 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN110490862A (zh) * | 2019-08-22 | 2019-11-22 | 联峰钢铁(张家港)有限公司 | 一种提高连铸探伤合格率的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102229594B1 (ko) | 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 | |
JP6931402B2 (ja) | ディスプレイの品質検出方法、装置、電子機器及び記憶媒体 | |
KR102320371B1 (ko) | 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체 | |
CN108229307A (zh) | 用于物体检测的方法、装置和设备 | |
WO2021120186A1 (zh) | 分布式产品缺陷分析系统、方法及计算机可读存储介质 | |
CN108776808A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN109727229B (zh) | 虚焊检测方法及装置 | |
CN110704231A (zh) | 一种故障处理方法及装置 | |
CN111598825B (zh) | 数据处理方法、瑕疵的检测方法、计算设备及存储介质 | |
EP4231229A1 (en) | Industrial defect recognition method and system, and computing device and storage medium | |
WO2023216721A1 (zh) | 一种混凝土大坝缺陷时序图像智能识别方法 | |
KR102321768B1 (ko) | 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체 | |
CN106454437A (zh) | 一种流媒体业务速率预测方法及装置 | |
CN109741295B (zh) | 产品质量检测方法及装置 | |
CN111126777A (zh) | 一种工单智能化处理方法 | |
CN109087280A (zh) | 连铸坯质量检测方法、装置、控制设备、服务器及介质 | |
CN110298662A (zh) | 交易重复提交的自动化检测方法及装置 | |
JP2020060879A (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
CN112966608A (zh) | 一种基于边端协同的目标检测方法、系统及存储介质 | |
WO2021120179A1 (zh) | 产品制造消息处理方法、设备和计算机存储介质 | |
CN109741296A (zh) | 产品质量检测方法及装置 | |
CN109684309A (zh) | 一种数据质量评测方法及装置、计算机设备和存储介质 | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN108921841A (zh) | 钢铁连铸坯质量检测方法、装置、设备及存储介质 | |
CN113984416A (zh) | 转向架的检测数据处理方法、装置、设备及可读存储介质 |
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 |
Application publication date: 20181225 |
|
RJ01 | Rejection of invention patent application after publication |