CN109712141A - 连铸钢方坯中心偏析缺陷检验量化评级方法 - Google Patents
连铸钢方坯中心偏析缺陷检验量化评级方法 Download PDFInfo
- Publication number
- CN109712141A CN109712141A CN201910013484.6A CN201910013484A CN109712141A CN 109712141 A CN109712141 A CN 109712141A CN 201910013484 A CN201910013484 A CN 201910013484A CN 109712141 A CN109712141 A CN 109712141A
- Authority
- CN
- China
- Prior art keywords
- continuous casting
- casting steel
- center segregation
- steel billet
- picture
- 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
Landscapes
- Continuous Casting (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明提供的一种连铸钢方坯中心偏析缺陷检验量化评级方法,包括步骤:S1:建立检验评级的数学模型;S2:获取样本图片Ⅰ;S3:将样本图片Ⅰ进行图像预处理,得到了样本图片Ⅱ;S4:计算样本图片Ⅱ的中心暗斑大小比;S5:拟合得到数学模型的加权系数个数、加权系数和调整常数;S6:采集进行连铸钢方坯中心偏析缺陷检验评级的连铸钢方坯图片Ⅰ;S7:将连铸钢方坯图片Ⅰ进行图像预处理,得到连铸钢方坯图片Ⅱ;S8:计算连铸钢方坯图片Ⅱ的中心暗斑大小比;S9:计算并判断得到最终评级级别;本发明可对连铸工艺生产的碳素钢及低合金钢等方坯(横截面尺寸范围为边长90~400mm)中心偏析缺陷定量评级,保证了检验结果的客观性和准确性,提高了检验的效率。
Description
技术领域
本发明涉及钢铁冶金技术领域,具体涉及一种连铸钢方坯中心偏析缺陷检验量化评级方法。
背景技术
钢的宏观检验又称低倍检验,即通过肉眼或在不大于10倍的放大镜下检查钢材的纵、横截面或断口上各种宏观缺陷的一种方法。目前检验钢材宏观缺陷主要是通过酸浸试验制样,然后参照评级图谱,检测人员主观判断试样缺陷等级。因此,目前钢的低倍组织及缺陷检验评级主要依赖于检测人员的经验,主观意愿较强,缺乏缺陷量化评级方法。
其中,连铸钢方坯的中心偏析缺陷检验也是采用钢的宏观检验方法,检验结果依赖于检测人员的经验,缺乏一种统一量化的评级方法,各行业采购单位在采购连铸钢对连铸钢方坯的中心偏析缺陷没有量化评级方法,不利于其快速、方便地选择合适的钢材;钢的生产单位没有对连铸钢方坯的中心偏析缺陷的统一量化的评级方法,不利用其准确判断合格的钢产品和需要回炉再生产的不合格钢产品。
因此,需要提出一种连铸钢方坯中心偏析缺陷检验量化评级方法。
发明内容
有鉴于此,本发明的目的是提供一种连铸钢方坯中心偏析缺陷检验量化评级方法,通过建立铸钢方坯中心偏析缺陷检验评级的数学模型,可对连铸工艺生产的碳素钢及低合金钢等方坯(横截面尺寸范围为边长90~400mm)中心偏析缺陷定量评级,保证了连铸钢方坯中心偏析缺陷检验结果的客观性和准确性,提高了连铸钢方坯中心偏析缺陷检验的效率。
本发明提供一种连铸钢方坯中心偏析缺陷检验量化评级方法,包括步骤:
S1:建立连铸钢方坯中心偏析缺陷检验评级的数学模型,所述连铸钢方坯中心偏析缺陷检验评级的数学模型为:
其中,P表示连铸钢方坯中心偏析缺陷检验评级级别;P的取值越大,表示连铸钢方坯中心偏析程度越大;S表示中心暗斑大小比;ai表示中第i项加权系数;c表示调整常数;n表示加权系数个数;
设定连铸钢方坯中心偏析缺陷检验评级级别的取值集合A;
S2:获取连铸钢方坯中心偏析缺陷检验评级的样本图片Ⅰ;
S3:将样本图片Ⅰ进行图像预处理,得到了只含有连铸钢方坯中心偏析的缺陷暗斑的样本图片Ⅱ;
S4:计算样本图片Ⅱ的中心暗斑大小比;
S5:将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,拟合得到数学模型中的加权系数个数、加权系数和调整常数,得到确定了加权系数个数、加权系数和调整常数的数学模型;
S6:采集进行连铸钢方坯中心偏析缺陷检验评级的连铸钢方坯图片Ⅰ;所述连铸钢方坯图片Ⅰ含有完整的连铸钢方坯图像;
S7:将连铸钢方坯图片Ⅰ进行图像预处理,得到只含有连铸钢方坯中心偏析的缺陷暗斑的连铸钢方坯图片Ⅱ;
S8:计算连铸钢方坯图片Ⅱ的中心暗斑大小比;
S9:将连铸钢方坯图片Ⅱ的中心暗斑大小比带入步骤S5得到的确定了加权系数个数、加权系数和调整常数的数学模型,计算得到连铸钢的方坯中心偏析缺陷检验评级级别初值;
判断计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值是否属于集合A;若属于,则计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值为最终连铸钢的方坯中心偏析缺陷检验评级级别;若不属于,则在集合A中与计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值差值的绝对值最小的元素值为最终连铸钢的方坯中心偏析缺陷检验评级级别。
进一步,所述集合A={0,0.5,1,1.5,2,2.5,3,3.5,4}。
进一步,所述样本图片Ⅰ包括《中华人民共和国黑色冶金行业标准(YB/T4003-2013号)——连铸钢方坯低倍组织缺陷评级图》中的0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图,其中,0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图的P依次等于0,1,2,3,4,即0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图的连铸钢方坯中心偏析缺陷检验评级级别依次为0级、1级、2级、3级和4级;
进一步,所述S的计算公式为:
其中,S1/4方坯像素点数表示以方坯边长围绕方坯中心构建正方形图像区域内的像素点个数,即面积大小为方坯的的区域内的像素点个数;S中心暗斑像素点数表示中心暗斑区域内的像素点个数。
进一步,所述图像预处理包括:
步骤1:裁剪:采用中心矩形分割法,将图片中的连铸钢方坯图像的边长四等分,取最靠近图片中的连铸钢方坯图像4个角的8个四等分点,做至少经过2个四等分点且分别平行于连铸钢方坯图像4条边的4条线,这4条线围成的正方形裁剪出来,得到裁剪后的图片;
步骤2:灰度化:步骤1得到的裁剪后的图片为三通道的彩色图,将步骤1得到的裁剪后的图片转化为单通道的灰度图,得到灰度化后的图片;
步骤3:阈值分割:建立与图片像素尺寸大小一样的矩阵G,所述矩阵G中各元素的值的计算公式为:
其中,g(x,y)表示矩阵G中位置为(x,y)的元素值;f(x,y)为步骤2中得到灰度化后的图片中位置为(x,y)的像素点值,T1和T2分别为分割下限阈值和分割上限阈值;
求矩阵G与步骤2中得到灰度化后的图片的哈达玛积,得到阈值分割后的图片,即图像预处理后的图片。
进一步,所述T1和T2的确定方法如下:
计算并画出步骤2中得到灰度化后的图片的灰度直方图;
取灰度直方图的波峰所在的灰度值区域中的最大灰度值和最小灰度值,分别作为T2和T1。
进一步,所述步骤S5中将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,得到数学模型中的加权系数个数、加权系数和调整常数是通过最小二乘法将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,拟合得到数学模型中的加权系数个数、加权系数和调整常数。
进一步,所述最小二乘法的拟合的相关性系数R2需满足:
R2≥0.966 (4)
本发明的有益效果:本发明通过建立铸钢方坯中心偏析缺陷检验评级的数学模型,可对连铸工艺生产的碳素钢及低合金钢等方坯(横截面尺寸范围为边长90~400mm)中心偏析缺陷定量评级,保证了连铸钢方坯中心偏析缺陷检验结果的客观性和准确性,提高了连铸钢方坯中心偏析缺陷检验的效率。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程图;
图2为0级图;
图3为第2评级中心偏析1级图;
图4为第2评级中心偏析2级图;
图5为第2评级中心偏析3级图;
图6为第2评级中心偏析4级图;
图7为裁剪后的图片示例图;
图8为灰度化后的图片示例图;
图9为阈值分割后的图片示例图。
具体实施方式
如图1所示,本发明提供的一种连铸钢方坯中心偏析缺陷检验量化评级方法,包括步骤:
S1:建立连铸钢方坯中心偏析缺陷检验评级的数学模型,所述连铸钢方坯中心偏析缺陷检验评级的数学模型为:
其中,P表示连铸钢方坯中心偏析缺陷检验评级级别;P的取值越大,表示连铸钢方坯中心偏析程度越大;S表示中心暗斑大小比;ai表示中第i项加权系数;c表示调整常数;n表示加权系数个数;在不同的应用场合下,连铸钢方坯中心偏析缺陷检验评级级别划分为合格和不合格级别标准不完全相同,例如:对于45碳素钢,P≥2.0,则判定该45碳素钢为不合格级别,需回炉重新熔炼,P<2.0,判定该45碳素钢为合格级别,可直接出厂到客户手中。
设定连铸钢方坯中心偏析缺陷检验评级级别的取值集合A;
S2:获取连铸钢方坯中心偏析缺陷检验评级的样本图片Ⅰ;
S3:将样本图片Ⅰ进行图像预处理,得到了只含有连铸钢方坯中心偏析的缺陷暗斑的样本图片Ⅱ;
S4:计算样本图片Ⅱ的中心暗斑大小比;
S5:将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,拟合得到数学模型中的加权系数个数、加权系数和调整常数,得到确定了加权系数个数、加权系数和调整常数的数学模型;
S6:采集进行连铸钢方坯中心偏析缺陷检验评级的连铸钢方坯图片Ⅰ;所述连铸钢方坯图片Ⅰ含有完整的连铸钢方坯图像;在连铸钢方坯图片Ⅰ尽量使连铸钢方坯图片Ⅰ填充满整个图片,使图片尽可能不留或少留背景区域。
S7:将连铸钢方坯图片Ⅰ进行图像预处理,得到只含有连铸钢方坯中心偏析的缺陷暗斑的连铸钢方坯图片Ⅱ;
S8:计算连铸钢方坯图片Ⅱ的中心暗斑大小比;
S9:将连铸钢方坯图片Ⅱ的中心暗斑大小比带入步骤S5得到的确定了加权系数个数、加权系数和调整常数的数学模型,计算得到连铸钢的方坯中心偏析缺陷检验评级级别初值;
判断计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值是否属于集合A;若属于,则计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值为最终连铸钢的方坯中心偏析缺陷检验评级级别;若不属于,则在集合A中与计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值差值的绝对值最小的元素值为最终连铸钢的方坯中心偏析缺陷检验评级级别。通过上述方法,建立铸钢方坯中心偏析缺陷检验评级的数学模型,可对连铸工艺生产的碳素钢及低合金钢等方坯(横截面尺寸范围为边长90~400mm)中心偏析缺陷定量评级,保证了连铸钢方坯中心偏析缺陷检验结果的客观性和准确性,提高了连铸钢方坯中心偏析缺陷检验的效率。
所述集合A={0,0.5,1,1.5,2,2.5,3,3.5,4}。步骤S9中,例如P的计算结果为2.6,即连铸钢的方坯中心偏析缺陷检验评级级别初值为2.6,不属于集合A,与集合A中元素2.5差值的绝对值最小,故将2.5作为最终连铸钢的方坯中心偏析缺陷检验评级级别。
如图2至图6所示,所述样本图片Ⅰ包括《中华人民共和国黑色冶金行业标准(YB/T4003-2013号)——连铸钢方坯低倍组织缺陷评级图》中的0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图,其中,0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图的P依次等于0,1,2,3,4,即0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图的连铸钢方坯中心偏析缺陷检验评级级别依次为0级、1级、2级、3级和4级;0级图为无缺陷的标准连铸钢方坯低倍组织图。
连铸钢方坯中心偏析缺陷评定原则为中心部位组织腐蚀较深的暗斑大小。为避免图像分辨率不同对暗斑大小的影响,S通过无量纲化处理得到,所述S的计算公式为:
其中,S1/4方坯像素点数表示以方坯边长围绕方坯中心构建正方形图像区域内的像素点个数,即面积大小为方坯的的区域内的像素点个数;S中心暗斑像素点数表示中心暗斑区域内的像素点个数。S1/4方坯像素点数可表示中心部位组织腐蚀较深的暗斑大小。
所述图像预处理包括:
图7所示,步骤1:裁剪:采用中心矩形分割法,将图片中的连铸钢方坯图像的边长四等分,取最靠近图片中的连铸钢方坯图像4个角的8个四等分点,做至少经过2个四等分点且分别平行于连铸钢方坯图像4条边的4条线,这4条线围成的正方形裁剪出来,得到裁剪后的图片;图7中的黑色部分为所要裁剪的区域部分,裁剪区域结果可如图8所示。
图8所示,步骤2:灰度化:步骤1得到的裁剪后的图片为三通道的彩色图,将步骤1得到的裁剪后的图片转化为单通道的灰度图,得到灰度化后的图片;
图9所示,步骤3:阈值分割:建立与图片像素尺寸大小一样的矩阵G,所述矩阵G中各元素的值的计算公式为:
其中,g(x,y)表示矩阵G中位置为(x,y)的元素值;f(x,y)为步骤2中得到灰度化后的图片中位置为(x,y)的像素点值,T1和T2分别为分割下限阈值和分割上限阈值;
求矩阵G与步骤2中得到灰度化后的图片的哈达玛积,得到阈值分割后的图片,即图像预处理后的图片。通过上述方法,得到去除噪点,保留中间组织的缺陷暗斑。位于图9中心位置处的黑色区域部分为缺陷暗斑。
所述T1和T2的确定方法如下:
通过MATLAB软件,计算并画出步骤2中得到灰度化后的图片的灰度直方图;
取灰度直方图的波峰所在的灰度值区域中的最大灰度值和最小灰度值,分别作为T2和T1。
所述步骤S5中将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,得到数学模型中的加权系数个数、加权系数和调整常数是通过最小二乘法将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,拟合得到数学模型中的加权系数个数、加权系数和调整常数。所述最小二乘法通过MATLAB软件实现。本实施例中,拟合得到的数学模型为:
P=59.1S3-59.7S2+25.9S+0.1 (1-1)
其中,n=3,a3=59.1,a2=-59.7,a1=25.9,c=0.1。
最小二乘法的拟合的相关性系数越接近于1,拟合越好,所述最小二乘法的拟合的相关性系数R2需满足:
R2≥0.966 (4)
所述(1-1)的的相关性系数为0.966,满足拟合相关性需求。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种连铸钢方坯中心偏析缺陷检验量化评级方法,其特征在于:包括步骤:
S1:建立连铸钢方坯中心偏析缺陷检验评级的数学模型,所述连铸钢方坯中心偏析缺陷检验评级的数学模型为:
其中,P表示连铸钢方坯中心偏析缺陷检验评级级别;P的取值越大,表示连铸钢方坯中心偏析程度越大;S表示中心暗斑大小比;ai表示中第i项加权系数;c表示调整常数;n表示加权系数个数;
设定连铸钢方坯中心偏析缺陷检验评级级别的取值集合A;
S2:获取连铸钢方坯中心偏析缺陷检验评级的样本图片Ⅰ;
S3:将样本图片Ⅰ进行图像预处理,得到了只含有连铸钢方坯中心偏析的缺陷暗斑的样本图片Ⅱ;
S4:计算样本图片Ⅱ的中心暗斑大小比;
S5:将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,拟合得到数学模型中的加权系数个数、加权系数和调整常数,得到确定了加权系数个数、加权系数和调整常数的数学模型;
S6:采集进行连铸钢方坯中心偏析缺陷检验评级的连铸钢方坯图片Ⅰ;所述连铸钢方坯图片Ⅰ含有完整的连铸钢方坯图像;
S7:将连铸钢方坯图片Ⅰ进行图像预处理,得到只含有连铸钢方坯中心偏析的缺陷暗斑的连铸钢方坯图片Ⅱ;
S8:计算连铸钢方坯图片Ⅱ的中心暗斑大小比;
S9:将连铸钢方坯图片Ⅱ的中心暗斑大小比带入步骤S5得到的确定了加权系数个数、加权系数和调整常数的数学模型,计算得到连铸钢的方坯中心偏析缺陷检验评级级别初值;
判断计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值是否属于集合A;若属于,则计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值为最终连铸钢的方坯中心偏析缺陷检验评级级别;若不属于,则在集合A中与计算得到的连铸钢的方坯中心偏析缺陷检验评级级别初值差值的绝对值最小的元素值为最终连铸钢的方坯中心偏析缺陷检验评级级别。
2.根据权利要求1所述连铸钢方坯中心偏析缺陷检验量化评级方法,其特征在于:所述集合A={0,0.5,1,1.5,2,2.5,3,3.5,4}。
3.根据权利要求2所述连铸钢方坯中心偏析缺陷检验量化评级方法,其特征在于:所述样本图片Ⅰ包括《中华人民共和国黑色冶金行业标准(YB/T4003-2013号)——连铸钢方坯低倍组织缺陷评级图》中的0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图,其中,0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图的P依次等于0,1,2,3,4,即0级图、第2评级中心偏析1级图、第2评级中心偏析2级图、第2评级中心偏析3级图和第2评级中心偏析4级图的连铸钢方坯中心偏析缺陷检验评级级别依次为0级、1级、2级、3级和4级。
4.根据权利要求3所述连铸钢方坯中心偏析缺陷检验量化评级方法,其特征在于:所述S的计算公式为:
其中,S1/4方坯像素点数表示以方坯边长围绕方坯中心构建正方形图像区域内的像素点个数,即面积大小为方坯的的区域内的像素点个数;S中心暗斑像素点数表示中心暗斑区域内的像素点个数。
5.根据权利要求3所述连铸钢方坯中心偏析缺陷检验量化评级方法,其特征在于:所述图像预处理包括:
步骤1:裁剪:采用中心矩形分割法,将图片中的连铸钢方坯图像的边长四等分,取最靠近图片中的连铸钢方坯图像4个角的8个四等分点,做至少经过2个四等分点且分别平行于连铸钢方坯图像4条边的4条线,这4条线围成的正方形裁剪出来,得到裁剪后的图片;
步骤2:灰度化:步骤1得到的裁剪后的图片为三通道的彩色图,将步骤1得到的裁剪后的图片转化为单通道的灰度图,得到灰度化后的图片;
步骤3:阈值分割:建立与图片像素尺寸大小一样的矩阵G,所述矩阵G中各元素的值的计算公式为:
其中,g(x,y)表示矩阵G中位置为(x,y)的元素值;f(x,y)为步骤2中得到灰度化后的图片中位置为(x,y)的像素点值,T1和T2分别为分割下限阈值和分割上限阈值;
求矩阵G与步骤2中得到灰度化后的图片的哈达玛积,得到阈值分割后的图片,即图像预处理后的图片。
6.根据权利要求5所述连铸钢方坯中心偏析缺陷检验量化评级方法,其特征在于:所述T1和T2的确定方法如下:
计算并画出步骤2中得到灰度化后的图片的灰度直方图;
取灰度直方图的波峰所在的灰度值区域中的最大灰度值和最小灰度值,分别作为T2和T1。
7.根据权利要求3所述连铸钢方坯中心偏析缺陷检验量化评级方法,其特征在于:所述步骤S5中将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,得到数学模型中的加权系数个数、加权系数和调整常数是通过最小二乘法将样本图片Ⅱ的中心暗斑大小比和样本图片Ⅱ的连铸钢方坯中心偏析缺陷检验评级级别带入数学模型,拟合得到数学模型中的加权系数个数、加权系数和调整常数。
8.根据权利要求7所述连铸钢方坯中心偏析缺陷检验量化评级方法,其特征在于:所述最小二乘法的拟合的相关性系数R2需满足:
R2≥0.966 (4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910013484.6A CN109712141A (zh) | 2019-01-07 | 2019-01-07 | 连铸钢方坯中心偏析缺陷检验量化评级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910013484.6A CN109712141A (zh) | 2019-01-07 | 2019-01-07 | 连铸钢方坯中心偏析缺陷检验量化评级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109712141A true CN109712141A (zh) | 2019-05-03 |
Family
ID=66260860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910013484.6A Pending CN109712141A (zh) | 2019-01-07 | 2019-01-07 | 连铸钢方坯中心偏析缺陷检验量化评级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712141A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070543A (zh) * | 2019-05-28 | 2019-07-30 | 北京科技大学 | 基于数字化图像处理的全自动连铸坯中心偏析的评级系统 |
CN111652869A (zh) * | 2020-06-02 | 2020-09-11 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的板坯空洞识别方法、系统、介质及终端 |
CN111872339A (zh) * | 2020-08-05 | 2020-11-03 | 山东莱钢永锋钢铁有限公司 | 一种用于连铸低倍质量分析的方法 |
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 |
CN113740336A (zh) * | 2021-09-03 | 2021-12-03 | 广东韶钢松山股份有限公司 | 一种直接获得连铸坯边部增碳的评价方法 |
CN116309598A (zh) * | 2023-05-23 | 2023-06-23 | 江苏永钢集团有限公司 | 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1259663A (zh) * | 1999-12-28 | 2000-07-12 | 上海宝钢集团公司 | 铸坯断面质量的自动评价方法 |
CN106022315A (zh) * | 2016-06-17 | 2016-10-12 | 北京极创未来科技有限公司 | 一种用于虹膜识别的瞳孔中心定位方法 |
CN106018728A (zh) * | 2016-05-19 | 2016-10-12 | 首钢总公司 | 一种方坯中心宏观偏析的定量评价方法 |
-
2019
- 2019-01-07 CN CN201910013484.6A patent/CN109712141A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1259663A (zh) * | 1999-12-28 | 2000-07-12 | 上海宝钢集团公司 | 铸坯断面质量的自动评价方法 |
CN106018728A (zh) * | 2016-05-19 | 2016-10-12 | 首钢总公司 | 一种方坯中心宏观偏析的定量评价方法 |
CN106022315A (zh) * | 2016-06-17 | 2016-10-12 | 北京极创未来科技有限公司 | 一种用于虹膜识别的瞳孔中心定位方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070543A (zh) * | 2019-05-28 | 2019-07-30 | 北京科技大学 | 基于数字化图像处理的全自动连铸坯中心偏析的评级系统 |
CN111652869A (zh) * | 2020-06-02 | 2020-09-11 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的板坯空洞识别方法、系统、介质及终端 |
CN111652869B (zh) * | 2020-06-02 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 基于深度学习的板坯空洞识别方法、系统、介质及终端 |
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 |
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 |
CN111872339A (zh) * | 2020-08-05 | 2020-11-03 | 山东莱钢永锋钢铁有限公司 | 一种用于连铸低倍质量分析的方法 |
CN113740336A (zh) * | 2021-09-03 | 2021-12-03 | 广东韶钢松山股份有限公司 | 一种直接获得连铸坯边部增碳的评价方法 |
CN113740336B (zh) * | 2021-09-03 | 2024-03-12 | 广东韶钢松山股份有限公司 | 一种直接获得连铸坯边部增碳的评价方法 |
CN116309598A (zh) * | 2023-05-23 | 2023-06-23 | 江苏永钢集团有限公司 | 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712141A (zh) | 连铸钢方坯中心偏析缺陷检验量化评级方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN109632811A (zh) | 基于机器视觉的结构钢锭型偏析缺陷检验量化评级方法 | |
Gomes-Junior et al. | X-ray densitometry to assess internal seed morphology and quality | |
CN108444934A (zh) | 一种复合材料脱粘缺陷的自动分割及量化方法 | |
CN115049319B (zh) | 一种钢材锻造成型的质量评估方法及系统 | |
CN114694144B (zh) | 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法 | |
DE102019121446A1 (de) | Quantitatives Charakterisierungsverfahren für die Fläche und für den Inhalt unterschiedlicher Typen von Einschlüssen in Stahl | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN110264464A (zh) | 一种肉牛肌内脂肪含量预测模型、其构建方法及应用 | |
CN110632068A (zh) | 一种烟叶耐加工性的测量方法 | |
CN106770296A (zh) | 一种四球摩擦试验磨斑图像磨痕方向角自动测定方法 | |
CN114594118A (zh) | 基于微束x射线荧光的铝合金组织显微偏析定量表征方法 | |
Yao et al. | Inspection of rice appearance quality using machine vision | |
CN109164069B (zh) | 一种果树叶面病害级别的鉴定方法 | |
CN113298766B (zh) | 一种基于图像识别的金属腐蚀损伤定量评价方法 | |
CN102914479A (zh) | 布氏硬度自动测定方法 | |
WO2021169996A1 (zh) | 一种基于磨痕灰度相似性的磨痕角自动检测方法 | |
CN102901729B (zh) | 一种用图像仪标准样品法定量分析盘条索氏体含量的方法 | |
WO2024041560A1 (zh) | 基于高空间分辨率卫星的地面水质监测方法 | |
CN114820611B (zh) | 基于人工智能的机械零件质量评估方法及系统 | |
CN106096274A (zh) | 一种基于正态分布的分段线性拟合健康评估方法 | |
CN112837271B (zh) | 一种甜瓜种质资源性状提取方法及系统 | |
CN104165696A (zh) | 一种材料表面颜色特征在线自动检测方法 |
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 |
Application publication date: 20190503 |
|
RJ01 | Rejection of invention patent application after publication |