CN109543689A - 一种线上移动板坯标识智能识别系统及方法 - Google Patents
一种线上移动板坯标识智能识别系统及方法 Download PDFInfo
- Publication number
- CN109543689A CN109543689A CN201811388619.9A CN201811388619A CN109543689A CN 109543689 A CN109543689 A CN 109543689A CN 201811388619 A CN201811388619 A CN 201811388619A CN 109543689 A CN109543689 A CN 109543689A
- Authority
- CN
- China
- Prior art keywords
- character
- image
- picture
- identification
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000005507 spraying Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 108091008695 photoreceptors Proteins 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000007537 lampworking Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 208000033748 Device issues Diseases 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 239000007921 spray Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005194 fractionation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种线上移动板坯标识智能识别系统及方法,包括坯板传输辊道,在坯板传输辊道旁设置有图像采集摄像机,图像采集摄像机的数据线连接至图像处理控制服务器,图像采集摄像机对采集的含有喷涂白色字符串的原始图像进行处理,分辨找出字符串中每一个字符的字符特征,将找出的字符特征与字符标识特征数据库中的字符标识特征进行比对找出对应的字符,将对应字符形成的字符串编号记录到板坯数据库,并同时发送至客户机将字符串编号显示到客户机的界面上,再将字符串编号发送给生产系统,用于后面的生产环节。本发明解决了人工去板坯前去抄录识别劳动强度大、容易发生错误的问题,处理速度快、无差错。
Description
技术领域
本发明涉及一种线上移动板坯标识智能识别系统及方法,是钢厂板坯生产过程中智能识别板坯号的应用。
背景技术
目前在钢铁生产过程中,需要对生产过程中的成品和半成品进行精确追踪,所以会在产品的表面上喷涂上用于追踪的唯一编码,这些编码主要由字母和数字组成。通常在后面的工序中用到这些编码的时候,需要人工去板坯前去抄录识别,而后将这些编码手工传到下道工序或录入系统。这样的做法主要有以下几个缺点:
1)板坯的现场属于高温区域,通常刚轧制完的板坯都有几百度的温度,人工无法靠近,只能远距离的观察。
2)由于属于高温作业,会存在完全隐患。
3)钢厂的生产节奏快,靠人工抄录,影响生产进程。
4)需要设置专人做这项工作,有人工成本问题。
5)人工抄录,难免会有错误,准确率不高。
发明内容
本发明的目的是提出一种线上移动板坯标识智能识别系统及方法,在板坯生产线的辊道旁边架设摄像头和激光定位装置,当板坯在辊道中运行到指定位置时,自动的触发拍照,同时会将摄像机采集的图片传输到识别的服务器中,自动触发板坯识别系统程序,智能的从采集到的图像中识别出板坯的编号,通过建立学习字符库解决喷涂字不规范容易出现识别错的问题。
为了实现上述目的,本发明的技术方案是:
一种线上移动板坯标识智能识别系统,包括坯板传输辊道,在坯板传输辊道旁设置有图像采集摄像机,图像采集摄像机的数据线连接至图像处理控制服务器,其中,在坯板传输辊道旁还设置有定位传感器和聚光照明灯,定位传感器和聚光照明灯分别与图像处理控制服务器连接,图像处理控制服务器输出有传输辊启停控制信号至传输辊转动控制器,定位传感器用于感应坯板被传输到采集图像区域时发出信号,图像处理控制服务器在接收到定位传感器信号后发出停止传输辊转动信号,在停顿一个设定的时间后,图像处理控制服务器先后触发聚光照明灯工作和图像采集摄像机工作,在图像处理控制服务器接收到图像信号后发出停止聚光照明灯工作信号并发出启动传输辊转动信号,图像处理控制服务器将处理识别出的坯板标识编号发送显示到客户机的界面上用于后续工艺的处理。
方案进一步是:所述定位传感器是激光传感器,包括发光器和感光器,发光器和感光器在坯板传输辊道两侧相对设置,当有坯板经过遮挡光路时,感光器发出坯板到位信号。
基于所述系统的板坯标识智能识别方法,是针对用机器手操作模板喷涂白色字符的字符智能识别方法,将图像采集摄像机采集的含有喷涂白色字符串的原始图像进行处理,分辨找出字符串中每一个字符的字符特征,将找出的字符特征与字符标识特征数据库中的字符标识特征进行比对找出对应的字符,将对应字符形成的字符串编号记录到板坯数据库,并同时发送至客户机将字符串编号显示到客户机的界面上,再将字符串编号发送给生产系统,用于后面的生产环节,其中,所述字符标识特征数据库的建立过程是:
a,首先,针对所要识别的不同字符分别设置对应不同字符的特征码识别训练库文件夹,文件夹名即为字符名;
b,利用机器手模板喷涂上所要识别字符,字符可以是单个字符或者是由不同字符组成的字符串;
c,获取模板字符图像,通过图像处理生成单个字符图片,手动操作将单个字符图片放入对应图片字符的特征码识别训练库文件夹,在每一个文件夹中获取单个字符的识别特征,将识别特征在特征码识别训练库文件夹中生成识别库文件,识别特征至少包括字符权重值和字符偏置值;
d,当在比对的过程中出现比对不成功时,手动操作将比对不成功的字符特征放入对应字符的特征码识别训练库文件夹,将字符特征在特征码识别训练库文件夹中生成与之前识别库文件并列的识别库文件。
方案进一步是:所述字符的识别特征是通过对图像进行卷积神经网络处理获得的。
方案进一步是:所述分辨找出字符串中每一个字符的字符特征的方法是:
e,从原始图像中获取含有字符串的坯板图片;
f, 将坯板图片转成灰度图片,用高斯滤波对图片去躁,将去躁后的图像进行直方图分析获得字符串白色像素点的分布数据,确定字符串像素范围,将不在字符像素范围的区域全部变成黑色,而后利用图像的形态学处理算法,将图片转成二值图像,对二值图像的白色像素进行膨胀腐蚀处理,而后利用边缘检测的算法和已知模板的长宽比值定位出编码每一个字符区域;
g,利用垂直投影方法和滴水算法,计算每列的白色像素点的个数,形成字符的投影图确定字符间的位置分割出单独的字符图像;
h,对分割出的单独的字符图像进行卷积神经网络处理获取需识别的字符特征。
方案进一步是:所述方法还包括将所述原始图像和字符串编号打包记录到历史记录数据库,用以查看以往的识别历史记录信息。
方案进一步是:所述方法还包括当板坯在识别的过程中未能识别编码,通过人工干预的方式输入正确的编码,并将未能识别编码的特征码形成与之前识别库文件并列的识别库文件。
本发明解决了人工去板坯前去抄录识别劳动强度大、容易发生错误的问题,方法中采用学习更新的方式建立比对特征模型字库,采用特征模型比我对的方式确定扫描信息所对应的字符,处理速度快、无差错,为后续的工艺提供了准确的数据依据。
下面结合附图和实施例对本发明作一详细描述。
附图说明
图1是本发明系统结构示意图;
图2是含有背景的原始图像;
图3是含有字符串的坯板图片;
图4是直方图分析后去掉背景后的图片,
图5是对附图4中的白色像素进行膨胀腐蚀后的图像;
图6是被分割形成字符串的图像。
具体实施方式
一种线上移动板坯标识智能识别系统,如图1所示,所述系统包括带有传输辊101的坯板传输辊道1,坯板2在传输辊上传输,在坯板传输辊道旁设置有图像采集摄像机3,图像采集摄像机的数据线连接至图像处理控制服务器4,其中,在坯板传输辊道旁还设置有定位传感器5和聚光照明灯6,定位传感器和聚光照明灯分别与图像处理控制服务器连接,图像处理控制服务器输出有传输辊启停控制信号至传输辊转动控制器,定位传感器用于感应坯板被传输到采集图像区域时发出信号,为了保证采集图像的清晰,图像处理控制服务器在接收到定位传感器信号后发出停止传输辊转动信号,在停顿一个设定的时间后,例如停顿1秒或2秒,以确保采集的原始图像清晰,图像处理控制服务器先后触发聚光照明灯工作和图像采集摄像机工作,在图像处理控制服务器接收到图像信号后发出信号停止聚光照明灯工作并发出信号启动传输辊转动,图像处理控制服务器将处理识别出的坯板标识编号发送显示到客户机的界面上用于后续工艺的处理。
其中:所述定位传感器是激光传感器,包括发光器501和感光器502,发光器和感光器在坯板传输辊道两侧相对设置,当有坯板经过遮挡光路时,感光器发出坯板到位信号。
基于所述系统的板坯标识智能识别方法,是针对用机器手操作模板喷涂白色字符的字符智能识别方法,将图像采集摄像机采集的含有喷涂白色字符串的原始图像进行处理,分辨找出字符串中每一个字符的字符特征,将找出的字符特征与字符标识特征数据库中的字符标识特征进行比对找出对应的字符,将对应字符形成的字符串编号记录到板坯数据库,并同时发送至客户机将字符串编号显示到客户机的界面上,同时调用生产系统提供的接口,再将字符串编号发送给生产系统,用于后面的生产环节,其中,所述字符标识特征数据库的建立过程是:
a,首先,针对所要识别的不同字符分别设置对应不同字符的特征码识别训练库文件夹,文件夹名即为字符名;
b,利用机器手模板喷涂上所要识别字符,字符可以是单个字符或者是由不同字符组成的字符串;
c,获取模板字符图像,通过图像处理生成单个字符图片,手动操作将单个字符图片放入对应图片字符的特征码识别训练库文件夹,在每一个文件夹中获取单个字符的识别特征,将识别特征在特征码识别训练库文件夹中生成识别库文件,识别特征至少包括权重值和偏置值;
d,当在比对的过程中出现比对不成功时,手动操作将比对不成功的字符特征放入对应字符的特征码识别训练库文件夹,将字符特征在特征码识别训练库文件夹中生成与之前识别库文件并列的识别库文件。
其中:所述字符的识别特征是通过对图像进行卷积神经网络处理获得的。例如:编写tensorflow训练程序,程序中首先读取要训练的字符图片,由于之前已经对字符进行了分组,即文件夹的名字就是字符图片的字符,程序中首先会把每张图片和图片的字符一一对应,而后把图片转成灰度图片,而后再转成多维矩阵,而后对矩阵的数据进行卷积、池化和全连接处理,逐渐提取图片的特征信息,而后再将这些特征与图片数字对应,通过不断迭代和计算损失函数,逐渐提高正确率。当正确率达到某个值后,例如90%,我们可以把这个时候的权重值和偏置值及一些参数值保存下来,生成识别库文件,用于后面识别调用。随着图片的不断积累,字符的各种写法库也不断壮大,定期对字符库进行训练,生成识别库文件,这样通过不断迭代学习的,字符的准确率也逐渐提高。
在现场识别过程如下,首先对图片进行处理,将字符编码定位和拆分,而后交拆分出的的字符传给识别库,会自动将识别结果输出。
实施例中:所述分辨找出字符串中每一个字符的字符特征的方法是:
e,从原始图像中获取含有字符串的坯板图片;
f, 将坯板图片转成灰度图片,用高斯滤波对图片去躁,将去躁后的图像进行直方图分析获得字符串白色像素点的分布数据,确定字符串像素范围,将不在字符像素范围的区域全部变成黑色,而后利用图像的形态学处理算法,将图片转成二值图像,对二值图像的白色像素进行膨胀腐蚀处理,而后利用边缘检测的算法和已知模板的长宽比值定位出编码每一个字符区域;
g,利用垂直投影方法和滴水算法,计算每列的白色像素点的个数,形成字符的投影图确定字符间的位置分割出单独的字符图像;
h,对分割出的单独的字符图像进行卷积神经网络处理获取需识别的字符特征。
实施例中:所述方法还包括将所述原始图像和字符串编号打包记录到历史记录数据库,用以查看以往的识别历史记录信息。
所述方法还包括当板坯在识别的过程中未能识别编码,通过人工干预的方式输入正确的编码,从显示窗口中选中列表中的错误编码,单击界面中的“修正”按钮,在弹出 窗口内输入正确的编码,单击发送,即将正确的编码发送给生产系统,并将未能识别编码的特征码之前识别库文件并列的识别库文件。
其方法还可以是手工识别,手工识别是指人控制板坯传送辊道,将板坯的编码区域放到拍照区域,而后,人工点击识别软件中的拍照按钮,完成拍照,软件会对图像中的编码进行定位、拆分和识别,识别完成后,会将识别的结果保存数据库,同时会将识别的结果数据发送给MES接口地址,供下一步生产系统使用,这样就完成了一次手工识别的过程。
实施例中原始图像采集后,会将图像发送到服务器指定的目录。识别的软件在启动后,会有一个进程,一直在监控这个目录,当有新的图像传输过来,会自动的触发识别程序,对图像进行识别,同时将识别的结果反馈到客户机,并将结果保存到数据库中。
对于原始图像首先要进行字符串编码的定位:图像确定后,可以对图像进行分析,采用的主要技术是opencv。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效--由一系列C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。这里只利用它实现字符串编码的定位和拆分。具体步骤如下:
a ) 首先,由于板坯的辊道是固定的,板坯的高度也是在一定的范围内,因此可以根据事现将摄像机调好焦距,和在拍摄的范围内确定的含有字符串板坯在图像中所处的位置,对图像字符串编码的范围进行初步的定位,利用ROI(感兴趣区域)技术对图像进行处理,去掉无用的部分。附图2是含有背景的原始图像,附图3是对图像处理后获取的含有字符串的坯板图片的图像。
b ) 其次,将处理后的图像转成灰度图像,由于板坯的表面并不是光滑平整的,而且颜色也不一样,为了后面更好的边缘检测,需要对图片去躁,这里采用高斯滤波。将滤波后的图像进行直方图分析,检测像素点的分布情况,确定背景的像素范围,将小于这个像素的值全部变成黑色,可以再进一步有去除干扰,而后利用图像的形态学处理算法,将图片转成二值图像,对图片里的白色像素进行膨胀腐蚀等操作,而后利用边缘检测的算法,圈出各个区域块,而后根据面积大小,过滤一部分,而后再根据长宽比值,再过滤,最后定位出字符串编码的字符区域。由于板坯的背景很是复杂,有时定位出的区域会比实际的字符区域大,定位的不够精确,因此,我们需要进一步的定位。
附图4是直方图分析后去掉背景后的图片,附图5是对附图4中的白色像素进行膨胀腐蚀后的图像,可以看到字符串区域已经连到一起形成方框圈住的区域。
c )将上面的方框圈住的定位区域从原图中裁剪出来,而后 对这个图像进行像素的行扫瞄和列扫瞄,计算白色像素点的个数,最后计算出行列的起始位置和终止位置形成如附图6示意的图像。
字符串编号区域确定后,对每一个字符编码进行拆分,由于字符采用机器手操作模板喷涂,字符编码的宽度是固定的,因此,采用平均分割法,但实际的字符喷码和前面的编码定位不能保证每一个编码都是符合要求的。需要考虑其它的方法。通过观察发现,字符之间是有间距的,可以能过垂直投影的方法,计算每列的白色像素点的个数,形成字符的投影图,而在峰底的位置,基本就是两个字符间的位置。同时可以把上面两种方法结合起来,能很大的提高拆分的准确率。同时,针对粘连字符采用了滴水算法,分离的字符,提供了连通域等方法。
滴水算法主要是模仿水滴从高处向低处低落的过程来对粘连字符进行切分。水滴从字符串顶部在重力的作用下,只能沿字符轮廓向下低落或者水平滚动,当水滴陷在轮廓的凹处时,将渗漏的字符笔画中,穿透笔画继续各下滴落。最终水滴所经过的轨迹就构成了字符的分割路径。连通域分割基于字符的连通特征,即每个字符或者其一部分由单独的一个连通域组成。因此只需要将不同连通域加以标记,就可分割出单独的字符。此方法要求字符不粘连。
字符拆分后,就可以准备字符识别了。传统的字符识别通过模板匹配,将分割出的字符与模板库中的字符进行对比,从而识别字符,这种方法通常在字符变化不大的情况下,识别效果不错,但在本实施例中,字符都是机器人实时喷印的,每次喷印的字符还是有些出入的,因此采用传统的方法行不通,别外,有时生产线所用的机器喷号字体不是一套,也给识别带来了难度。需要的是根据字符的一些特征,通过学习,能够应付了这种字符不相同的变换,这里使用的技术是机器学习技术tensorflow。
Tensorflow 是谷歌开源的一个深度学习的框架,可被用于语音识别或图像识别等多项机器学习和深度学习领域。它内部封装了很多算法,方便二次开发。首先需要训练出自己的识别库。实施例中使用的模型是CNN卷积神经网络。卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。与普通神经网络非常相似,它们都由具有可学习的权重值和偏置值常量(biases)的神经元组成。每个神经元都接收一些输入,并做一些点积计算,输出是每个分类的分数,普通神经网络里的一些计算技巧到这里依旧适用。卷积神经网络通常包含以下几种层:
卷积层(Convolutional layer),卷积神经网络中每层卷积层由若干个卷积单元组成,每个卷积单元的参数都是通过反向传播算法优化得到的。差距运算的目的是提取输入的不同特征,第一层总面积层可能只能提取一些低级的特征,如边缘、线条和角等层级,更多层的网络能从低级特征中迭代提取出更复杂的特征。
线性整流层(Rectified Linear Units layer, ReLU layer), 这一层神经的活性化函数(Activation Function)使用线性整流(Rectified Linear Units, ReLU)。
池化层(Pooling layer),通常在卷积层之后会得到维度很大的特征,将特征切成几区域,取其最大值或平均值,得到新的、维度较小的特征。
全连接层(Fully-Connected layer),把所有局部特征结合变成全局特征,用来计算最后每一类的得分。
Claims (7)
1.一种线上移动板坯标识智能识别系统,包括坯板传输辊道,在坯板传输辊道旁设置有图像采集摄像机,图像采集摄像机的数据线连接至图像处理控制服务器,其特征在于,在坯板传输辊道旁还设置有定位传感器和聚光照明灯,定位传感器和聚光照明灯分别与图像处理控制服务器连接,图像处理控制服务器输出有传输辊启停控制信号至传输辊转动控制器,定位传感器用于感应坯板被传输到采集图像区域时发出信号,图像处理控制服务器在接收到定位传感器信号后发出停止传输辊转动信号,在停顿一个设定的时间后,图像处理控制服务器先后触发聚光照明灯工作和图像采集摄像机工作,在图像处理控制服务器接收到图像信号后发出停止聚光照明灯工作信号并发出启动传输辊转动信号,图像处理控制服务器将处理识别出的坯板标识编号发送显示到客户机的界面上用于后续工艺的处理。
2.根据权利要求1所述的系统,其特征在于,所述定位传感器是激光传感器,包括发光器和感光器,发光器和感光器在坯板传输辊道两侧相对设置,当有坯板经过遮挡光路时,感光器发出坯板到位信号。
3.基于权利要求1所述系统的板坯标识智能识别方法,是针对用机器手操作模板喷涂白色字符的字符智能识别方法,将图像采集摄像机采集的含有喷涂白色字符串的原始图像进行处理,分辨找出字符串中每一个字符的字符特征,将找出的字符特征与字符标识特征数据库中的字符标识特征进行比对找出对应的字符,将对应字符形成的字符串编号记录到板坯数据库,并同时发送至客户机将字符串编号显示到客户机的界面上,再将字符串编号发送给生产系统,用于后面的生产环节,其特征在于,所述字符标识特征数据库的建立过程是:
a,首先,针对所要识别的不同字符分别设置对应不同字符的特征码识别训练库文件夹,文件夹名即为字符名;
b,利用机器手模板喷涂上所要识别字符,字符可以是单个字符或者是由不同字符组成的字符串;
c,获取模板字符图像,通过图像处理生成单个字符图片,手动操作将单个字符图片放入对应图片字符的特征码识别训练库文件夹,在每一个文件夹中获取单个字符的识别特征,将识别特征在特征码识别训练库文件夹中生成识别库文件,识别特征至少包括字符权重值和字符偏置值;
d,当在比对的过程中出现比对不成功时,手动操作将比对不成功的字符特征放入对应字符的特征码识别训练库文件夹,将字符特征在特征码识别训练库文件夹中生成与之前识别库文件并列的识别库文件。
4.根据权利要求3所述的方法,其特征在于,所述字符的识别特征是通过对图像进行卷积神经网络处理获得的。
5.根据权利要求3所述的方法,其特征在于,所述分辨找出字符串中每一个字符的字符特征的方法是:
e,从原始图像中获取含有字符串的坯板图片;
f, 将坯板图片转成灰度图片,用高斯滤波对图片去躁,将去躁后的图像进行直方图分析获得字符串白色像素点的分布数据,确定字符串像素范围,将不在字符像素范围的区域全部变成黑色,而后利用图像的形态学处理算法,将图片转成二值图像,对二值图像的白色像素进行膨胀腐蚀处理,而后利用边缘检测的算法和已知模板的长宽比值定位出编码每一个字符区域;
g,利用垂直投影方法和滴水算法,计算每列的白色像素点的个数,形成字符的投影图确定字符间的位置分割出单独的字符图像;
h,对分割出的单独的字符图像进行卷积神经网络处理获取需识别的字符特征。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括将所述原始图像和字符串编号打包记录到历史记录数据库,用以查看以往的识别历史记录信息。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括当板坯在识别的过程中未能识别编码,通过人工干预的方式输入正确的编码,并将未能识别编码的特征码形成与之前识别库文件并列的识别库文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811388619.9A CN109543689A (zh) | 2018-11-21 | 2018-11-21 | 一种线上移动板坯标识智能识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811388619.9A CN109543689A (zh) | 2018-11-21 | 2018-11-21 | 一种线上移动板坯标识智能识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543689A true CN109543689A (zh) | 2019-03-29 |
Family
ID=65850138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811388619.9A Pending CN109543689A (zh) | 2018-11-21 | 2018-11-21 | 一种线上移动板坯标识智能识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543689A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368833A (zh) * | 2020-03-06 | 2020-07-03 | 北京科技大学 | 一种基于机器视觉的板坯号检测全自动装钢方法 |
CN111709325A (zh) * | 2020-05-29 | 2020-09-25 | 首钢京唐钢铁联合有限责任公司 | 一种热轧加热炉板坯的自动照合方法 |
CN113221637A (zh) * | 2021-03-30 | 2021-08-06 | 湖南华菱湘潭钢铁有限公司 | 板坯上料自动识别装置及其识别方法 |
CN113326838A (zh) * | 2021-06-24 | 2021-08-31 | 浙江理工大学 | 一种基于深度学习网络的手机导光板模号识别方法 |
CN113844813A (zh) * | 2021-09-30 | 2021-12-28 | 湖南天桥嘉成智能科技有限公司 | 一种基于机器视觉的板坯识别跟踪调度管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150564A (zh) * | 2013-03-28 | 2013-06-12 | 冶金自动化研究设计院 | 板材表面喷码字符识别装置及其方法 |
CN103612860A (zh) * | 2013-11-23 | 2014-03-05 | 冶金自动化研究设计院 | 基于机器视觉的宽厚板成品库入库定位与位置识别系统 |
CN107092913A (zh) * | 2017-03-20 | 2017-08-25 | 上海大学 | 一种喷印字符在线识别及交互式后处理系统及方法 |
CN107330480A (zh) * | 2017-07-03 | 2017-11-07 | 贵州大学 | 手写字符计算机识别方法 |
US20180150956A1 (en) * | 2016-11-25 | 2018-05-31 | Industrial Technology Research Institute | Character recognition systems and character recognition methods thereof using convolutional neural network |
-
2018
- 2018-11-21 CN CN201811388619.9A patent/CN109543689A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150564A (zh) * | 2013-03-28 | 2013-06-12 | 冶金自动化研究设计院 | 板材表面喷码字符识别装置及其方法 |
CN103612860A (zh) * | 2013-11-23 | 2014-03-05 | 冶金自动化研究设计院 | 基于机器视觉的宽厚板成品库入库定位与位置识别系统 |
US20180150956A1 (en) * | 2016-11-25 | 2018-05-31 | Industrial Technology Research Institute | Character recognition systems and character recognition methods thereof using convolutional neural network |
CN107092913A (zh) * | 2017-03-20 | 2017-08-25 | 上海大学 | 一种喷印字符在线识别及交互式后处理系统及方法 |
CN107330480A (zh) * | 2017-07-03 | 2017-11-07 | 贵州大学 | 手写字符计算机识别方法 |
Non-Patent Citations (1)
Title |
---|
相银堂等: "基于数字图像处理的钢板号识别系统设计", 《冶金自动化》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368833A (zh) * | 2020-03-06 | 2020-07-03 | 北京科技大学 | 一种基于机器视觉的板坯号检测全自动装钢方法 |
CN111709325A (zh) * | 2020-05-29 | 2020-09-25 | 首钢京唐钢铁联合有限责任公司 | 一种热轧加热炉板坯的自动照合方法 |
CN111709325B (zh) * | 2020-05-29 | 2023-11-17 | 首钢京唐钢铁联合有限责任公司 | 一种热轧加热炉板坯的自动照合方法 |
CN113221637A (zh) * | 2021-03-30 | 2021-08-06 | 湖南华菱湘潭钢铁有限公司 | 板坯上料自动识别装置及其识别方法 |
CN113326838A (zh) * | 2021-06-24 | 2021-08-31 | 浙江理工大学 | 一种基于深度学习网络的手机导光板模号识别方法 |
CN113844813A (zh) * | 2021-09-30 | 2021-12-28 | 湖南天桥嘉成智能科技有限公司 | 一种基于机器视觉的板坯识别跟踪调度管理系统 |
CN113844813B (zh) * | 2021-09-30 | 2022-08-02 | 湖南天桥嘉成智能科技有限公司 | 一种基于机器视觉的板坯识别跟踪调度管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543689A (zh) | 一种线上移动板坯标识智能识别系统及方法 | |
Khan et al. | Comparative study of hand gesture recognition system | |
CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
CN109800689A (zh) | 一种基于时空特征融合学习的目标跟踪方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN106709936A (zh) | 一种基于卷积神经网络的单目标跟踪方法 | |
CN110070536A (zh) | 一种基于深度学习的pcb板元器件检测方法 | |
CN103150564A (zh) | 板材表面喷码字符识别装置及其方法 | |
CN104268538A (zh) | 一种易拉罐点阵喷码字符在线视觉检测方法 | |
CN109816013A (zh) | 基于眼动追踪进行图像样本快速获取装置及方法 | |
CN112085024A (zh) | 一种罐表面字符识别方法 | |
CN112270310A (zh) | 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置 | |
CN106127733B (zh) | 人体目标识别的方法和装置 | |
CN110197121A (zh) | 基于DirectShow的运动目标检测方法、运动目标检测模块及监控系统 | |
CN112149690A (zh) | 一种基于生物图像特征识别的溯源方法和溯源系统 | |
CN116758545A (zh) | 一种基于深度学习的纸质医药包装钢印字符识别方法 | |
CN117665846A (zh) | 基于视觉的固态激光雷达激光光斑识别处理方法及系统 | |
CN109598200A (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
CN107369086A (zh) | 一种身份证打码系统及方法 | |
CN109284702B (zh) | 一种基于图像模式的答题卷给分及阅卷系统 | |
CN112215066A (zh) | 家畜脸部图像识别方法及装置 | |
CN114926635B (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
CN113420839B (zh) | 用于堆叠平面目标物体的半自动标注方法及分割定位系统 | |
Ilin et al. | Deepscanner: a robotic system for automated 2d object dataset collection with annotations | |
CN114947751A (zh) | 基于深度学习的移动端智能舌诊方法 |
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: 20190329 |