CN110404985A - 一种基于机器视觉的冷床智能控制系统及其使用方法 - Google Patents
一种基于机器视觉的冷床智能控制系统及其使用方法 Download PDFInfo
- Publication number
- CN110404985A CN110404985A CN201910809024.4A CN201910809024A CN110404985A CN 110404985 A CN110404985 A CN 110404985A CN 201910809024 A CN201910809024 A CN 201910809024A CN 110404985 A CN110404985 A CN 110404985A
- Authority
- CN
- China
- Prior art keywords
- cold bed
- image
- control
- camera
- machine vision
- 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 35
- 238000012545 processing Methods 0.000 claims abstract description 46
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 33
- 239000010959 steel Substances 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000011664 signaling Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 18
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 10
- 229910052742 iron Inorganic materials 0.000 abstract description 9
- 238000011161 development Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000008447 perception Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B43/00—Cooling beds, whether stationary or moving; Means specially associated with cooling beds, e.g. for braking work or for transferring it to or from the bed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
- B21B2001/225—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length by hot-rolling
Abstract
本发明公开的是一种基于机器视觉的冷床智能控制系统，包括PLC控制执行的冷床、图像采集装置、控制主机、通讯服务器以及监控显示设备，图像采集装置配合装置于冷床的上方，用于获取冷床区域的图像信息；控制主机分别与图像采集装置和监控显示设备相控制连接设置，且控制主机通过通讯服务器与冷床相控制连接设置；通讯服务器还与监控显示设备相连接设置。本发明还披露了一种基于机器视觉的冷床智能控制系统的使用方法。本发明实现冷床控制由传统手动向自动化智能化转变，实现冷床控制技术的高精度控制和快速逻辑处理，对促进钢铁工业流程智能化发展具有重要意义，对提高钢铁工业全流程生产效率具有显著的作用。
Description
技术领域
本发明涉及的是热轧钢板生产领域，更具体地说是一种基于机器视觉的冷床智能控制系统及其使用方法。
背景技术
冷床是中厚板生产流程的重要一环，一方面为钢板提供足够的空冷时间，释放应力，保证性能和板形，另一方面对生产流程起到缓存作用，控制整个生产节奏。目前国内几乎所有的热轧中厚板产线的冷床都是人工控制加机械自动化的方法，这种操作具有显而易见的缺点：
①经验化操作，当前冷床操作，主要由具体操作人员依据自身经验判断钢板下冷床，钢板是否运动等，无法满足规范化生产需要。
②效率低，由于生产线处于实时运转状态，个人无法实现对整个冷床区域实时控制，造成效率低下，使之甚至成为制约生产的因素，无法满足轧制流程匹配的要求。
③控制精度差，不同的班组存在不同的操作细节，不同的人操作也不尽相同，这就导致对冷床控制及钢板控制受主观影响较大，无法满足高精度无差错生产的需要。
因此，实现冷床控制由传统手动向自动化智能化转变，对提高钢铁企业的成本优势和技术优势具有重要意义，在工业4.0时代，发展高精度控制，快速逻辑处理的冷床控制技术，研制与之匹配的冷床控制设备，对促进钢铁工业流程智能化发展具有重要意义，对提高钢铁工业全流程生产效率具有显著的作用。
发明内容
本发明公开的是一种基于机器视觉的冷床智能控制系统及其使用方法，其主要目的在于克服现有技术存在的上述不足和缺点。
本发明系统在构建过程中，包括冷床目标区域图像的获取、对获取的图像进行分割和处理、GPU 加速技术处理，即从工业相机采集到的数据经过数据采集的软硬件系统传递给主机，触发主机端的图像处理模块与逻辑处理模块，经过一系列图像处理程序把原始图像数据转换为实际可用的数据传输给逻辑端，逻辑端通过图像处理的数据进行整个冷床的逻辑控制，发送控制指令给 PLC 用于冷床行为控制，同时发送命令给服务端用于信息更新控制。
另一方面，本系统借助机器视觉对冷床进行控制，首要的是实现设备对冷床区域的信息感知和动态感知，再根据感知结果反馈给逻辑部分给出命令与纠正，最后通过构建深度学习机器神经网络以及智能算法，对冷床产生的各种控制数据实现深度学习，实现冷床的自我状态判断和控制。
本方案采用的技术方案如下：
一种基于机器视觉的冷床智能控制系统，包括PLC控制执行的冷床、图像采集装置、控制主机、通讯服务器以及监控显示设备，所述图像采集装置配合装置于所述冷床的上方，用于获取冷床区域的图像信息；所述控制主机分别与所述图像采集装置和监控显示设备相控制连接设置，且该控制主机通过所述通讯服务器与所述冷床相控制连接设置；所述通讯服务器还与所述监控显示设备相连接设置。
更进一步，所述图像采集装置包括高分辨率的工业相机、激光发射器以及触发信号控制器，该工业相机有六台，分别对称设置于该冷床的两侧上方，所述激光发射器用于辅助定位钢板的位置，所述触发信号控制器分别与所述工业相机和控制主机相连接，该触发信号控制器被工业相机的图像信号激活后导通该工业相机与控制主机的连接。
更进一步，所述控制主机包括图像处理模块和逻辑处理模块，该图像处理模块分别与所述图像采集装置及逻辑处理模块相连接，所述逻辑处理模块通过所述通讯服务器与所述冷床相控制连接。
更进一步，所述逻辑处理模块还构建有深度学习的卷积神经训练网络和智能算法，用于对冷床产生的各种控制逻辑指令进行深度学习和训练，并智能地识别和判断冷床的控制状态。
一种基于机器视觉的冷床智能控制系统的使用方法，所述使用方法包括以下具体步骤：
步骤一：冷床图像的获取，布设于冷床上方的图像采集装置获取冷床区域的图像，并将收集到的图像数据信息传输到控制主机，完成数据的采集与传输；
步骤二：图像处理，控制主机对步骤一上传的图像数据信息进行目标选取和透视变换处理；
步骤三：图像滤波处理，采用中值滤波去噪算法对步骤二已透视变换后的图像进行滤波处理，去除图像的噪声点；
步骤四：钢板图像分割，采用OTSU阈值处理算法对步骤三得到的目标图像进行阈值分割，使钢板目标图像从图像中完整地提取出来，形成钢板目标图像的全部或局部像素集合，并最终找出其局部或全部的轮廓；
步骤五：图像数据的加速处理，采用GPU图像加速处理器，将原始图像数据转换并传输给控制主机的逻辑端，该逻辑端通过得到的图像处理数据进行整个冷床的逻辑控制，并发送控制指令给PLC用于冷床行为的控制，同时发送命令给通讯服务器用于信息的更新控制。
更进一步，所述步骤二中的图像处理包括以下具体步骤：
（1）目标区域的选取，在图像中自适应地选取四个坐标点，该四个坐标点所围设形成的四边形包含要处理的目标区域；
（2）透视变换图像，将选取的目标区域的图像利用以下映射公式将图像从二维视平面映射到三维视平面上，，其中，代表变换前的点，在变换前𝑤值为1，在三维表示下为（U，V，1），通过矩阵变换映射到三维下的；
然后再利用以下映射公式再将该图像从三维视平面再次映射到二维视平面上，完成图像的透视变换处理。
更进一步，所述步骤（1）中的自适应地选取四个坐标点的具体步骤如下：
A、获取相机的相关参数，相机的相关参数包括相机拍摄的视场范围及角度α，相机的布置高度h0，相机至激光线的距离l0，相机至冷床最近边的距离l1以及截取得到的激光线宽度l2；
B、通过上述获取的相机参数，利用直角三角形边长的计算公式，计算得到相机到冷床最近边的水平直线距离l3以及相机到激光线的水平直线距离l4；
C、通过截取得到的激光线宽度l2得到其两端点的坐标w1和w2；
D、通过计算l4与l3的相差值以及坐标点w1和w2就可以得到目标区域的四个坐标点p1，p2，p3，p4。
更进一步，所述步骤五中的逻辑控制还包括使用构建深度学习的卷积神经训练网络和智能算法，用于对冷床产生的各种控制逻辑指令进行深度学习和训练，并智能地识别和判断冷床的控制状态。
通过上述对本发明的描述和说明可知，和现有相比，本发明的优点在于：
本方案通过借助机器视觉实现对冷床的控制，设备即可以对冷床区域的信息感知和动态感知，又可以根据感知结果反馈给逻辑部分给出命令与纠正，最后通过构建深度学习机器神经网络和智能算法的学习，对冷床产生的各种控制数据实现学习，实现冷床的自我状态判断和控制。本方案实现设备的高精度控制以及快速逻辑处理控制，实现冷床控制技术的智能化操作，促进钢铁工业流程智能化发展，对提高钢铁工业全流程生产效率具有显著的作用。
附图说明
图1是本发明的系统结构图。
图2是本发明图像采集装置的分布结构示意图。
图3是本发明工业相机的拍摄示意图。
具体实施方式
下面参照附图说明来进一步地说明本发明的具体实施方式。
如图1至图3所示，一种基于机器视觉的冷床智能控制系统，包括PLC控制执行的冷床1、图像采集装置2、控制主机3、通讯服务器4以及监控显示设备5，所述图像采集装置2配合装置于所述冷床1的上方，用于获取冷床区域的图像信息；所述控制主机3分别与所述图像采集装置2和监控显示设备5相控制连接设置，且该控制主机3通过所述通讯服务器与4所述冷床1相控制连接设置；所述通讯服务器4还与所述监控显示设备5相连接设置。
更进一步，如图1和图2所示，所述图像采集装置2包括高分辨率的工业相机21、激光发射器22以及触发信号控制器（图中未画出），该工业相机有六台，分别对称设置于该冷床1的两侧上方，所述激光发射器22用于辅助定位钢板的位置，所述触发信号控制器分别与所述工业相机21和控制主机3相连接，该触发信号控制器被工业相机21的图像信号激活后导通该工业相机21与控制主机3的连接。
更进一步，所述控制主机包括图像处理模块和逻辑处理模块，该图像处理模块分别与所述图像采集装置及逻辑处理模块相连接，所述逻辑处理模块通过所述通讯服务器与所述冷床相控制连接。
更进一步，所述逻辑处理模块还构建有深度学习的卷积神经训练网络和智能算法，用于对冷床产生的各种控制逻辑指令进行深度学习和训练，并智能地识别和判断冷床的控制状态。
一种基于机器视觉的冷床智能控制系统的使用方法，所述使用方法包括以下具体步骤：
步骤一：冷床图像的获取，布设于冷床上方的图像采集装置获取冷床区域的图像，并将收集到的图像数据信息传输到控制主机，完成数据的采集与传输；
步骤二：图像处理，控制主机对步骤一上传的图像数据信息进行目标选取和透视变换处理；
步骤三：图像滤波处理，采用中值滤波去噪算法对步骤二已透视变换后的图像进行滤波处理，去除图像的噪声点；
步骤四：钢板图像分割，采用OTSU阈值处理算法对步骤三得到的目标图像进行阈值分割，使钢板目标图像从图像中完整地提取出来，形成钢板目标图像的全部或局部像素集合，并最终找出其局部或全部的轮廓；
图像分割的目的是在得到的图像中，分割出目标或感兴趣部分，在钢板图像中，需要处理的部分有两个方面，一是激光线的分割，二是激光线数据的提取。激光线分割的目的是实现钢板在冷床位置的定位，由此刻画出钢板在冷床的分布状况；钢板在冷床上的定位关乎新钢板能否上冷床，钢板在冷床上的分布关乎冷床的运行策略。精准的位置刻画是实现冷床智能控制的第一步，这部分处理能力直接反映冷床智能化的处理能力。
OTSU 是一种以图像灰度直方图为依据，通过计算图像灰度分布的最大方差来确定阈值的方法，通过阈值将图像二值化。该算法首先假定图像中存在两类像素，即目标像素和背景像素，通常，为把数据分类，可通过计算其类内方差最小化或类间方差最大。OTSU 法就是寻找类间方差最大化时的阈值，因为类间方差越大意味着错分的概率越小。
OTSU 法的数学表达过程为：
其中，对任一图像I(x,y)，图像大小为 M*N，假设其前景背景的分割阈值为T，大于阈值的设为255，否则值为0，设属于前景的目标像素占整幅图像的比例为w0，其灰度均值表示为u0 ，设属于背景的像素占整幅图像的比例为w1 ,其灰度均值表示为u1 ，整幅图像的灰度均值表示为u，类间方差为g；设图像中小于阈值T的像素个数为 N0，大于等于阈值 T 的像素个数为 N1。
对 OTSU 方法而言，使上述方差达到最大时的T即为所求阈值。
步骤五：图像数据的加速处理，采用GPU图像加速处理器，将原始图像数据转换并传输给控制主机的逻辑端，该逻辑端通过得到的图像处理数据进行整个冷床的逻辑控制，并发送控制指令给PLC用于冷床行为的控制，同时发送命令给通讯服务器用于信息的更新控制。
更进一步，所述步骤二中的图像处理包括以下具体步骤：
（1）目标区域的选取，在图像中自适应地选取四个坐标点，该四个坐标点所围设形成的四边形包含要处理的目标区域；
（2）透视变换图像，将选取的目标区域的图像利用以下映射公式将图像从二维视平面映射到三维视平面上，，其中，代表变换前的点，在变换前𝑤值为1，在三维表示下为（U，V，1），通过矩阵变换映射到三维下的；
然后再利用以下映射公式再将该图像从三维视平面再次映射到二维视平面上，完成图像的透视变换处理。
更进一步，如图3所示，所述步骤（1）中的自适应地选取四个坐标点的具体步骤如下：
A、获取相机的相关参数，相机的相关参数包括相机拍摄的视场范围及角度α，相机的布置高度h0，相机至激光线的距离l0，相机至冷床最近边的距离l1以及截取得到的激光线宽度l2；
B、通过上述获取的相机参数，利用直角三角形边长的计算公式，计算得到相机到冷床最近边的水平直线距离l3以及相机到激光线的水平直线距离l4；
C、通过截取得到的激光线宽度l2得到其两端点的坐标w1和w2；
D、通过计算l4与l3的相差值以及坐标点w1和w2就可以得到目标区域的四个坐标点p1，p2，p3，p4。
更进一步，所述步骤五中的逻辑控制还包括使用构建深度学习的卷积神经训练网络和智能算法，用于对冷床产生的各种控制逻辑指令进行深度学习和训练，并智能地识别和判断冷床的控制状态。
中值滤波的基本原理是：先确定一个合适的方形区域作为某个中心像素点的邻域，并将选定邻域中的所有像素点依据灰度值大小进行排序，取该组序列的中间值作为选取的中心像素点的灰度值输出。我们将中间值进行如下定义，如果该组序列中含有奇数个像素点，那么中间像素点的灰度值即可作为输出值；如果该组序列中含有偶数个像素点，则将中间两个像素点的灰度值求和取平均值作为输出值。由于窗口是可以滑动的，通过上下左右滑动便可以方便地对图像进行平滑处理。
中值滤波的基本思想可表示为下式：
其中，表示操作像素点，表示将窗口内所有数值按单调顺序（从大到小或从小到大）排列后取中间值。它假定窗口中心像素点是噪声点，中心像素点邻域中的像素点是除噪声点外的信号，将这些信号点按照单调顺序进行排列后，把中间点的灰度值赋予选定的中心像素点。但是前提是我们需要设定阈值将信号点和噪声点区分开，把信号点的值取代噪声点的值，这样中值滤波操作才有意义，所以阈值的选取尤为关键。由此可见，如果阈值选取的合适，中值滤波能够准确地区分并去除噪声点，同时保护图像细节信息不被丢失。
通过上述对本发明的描述和说明可知，和现有相比，本发明的优点在于：
本方案通过借助机器视觉实现对冷床的控制，设备即可以对冷床区域的信息感知和动态感知，又可以根据感知结果反馈给逻辑部分给出命令与纠正，最后通过构建深度学习机器神经网络和智能算法的学习，对冷床产生的各种控制数据实现学习，实现冷床的自我状态判断和控制。本方案实现设备的高精度控制以及快速逻辑处理控制，实现冷床控制技术的智能化操作，促进钢铁工业流程智能化发展，对提高钢铁工业全流程生产效率具有显著的作用。
上述仅为本发明的具体实施方式，但本发明的设计构思并不仅局限于此，凡是利用此构思对本发明进行非实质性地改进，均应该属于侵犯本发明保护范围的行为。
Claims (8)
1.一种基于机器视觉的冷床智能控制系统，其特征在于：包括PLC控制执行的冷床、图像采集装置、控制主机、通讯服务器以及监控显示设备，所述图像采集装置配合装置于所述冷床的上方，用于获取冷床区域的图像信息；所述控制主机分别与所述图像采集装置和监控显示设备相控制连接设置，且该控制主机通过所述通讯服务器与所述冷床相控制连接设置；所述通讯服务器还与所述监控显示设备相连接设置。
2.根据权利要求1所述的一种基于机器视觉的冷床智能控制系统，其特征在于：所述图像采集装置包括高分辨率的工业相机、激光发射器以及触发信号控制器，该工业相机有六台，分别对称设置于该冷床的两侧上方，所述激光发射器用于辅助定位钢板的位置，所述触发信号控制器分别与所述工业相机和控制主机相连接，该触发信号控制器被工业相机的图像信号激活后导通该工业相机与控制主机的连接。
3.根据权利要求1所述的一种基于机器视觉的冷床智能控制系统，其特征在于：所述控制主机包括图像处理模块和逻辑处理模块，该图像处理模块分别与所述图像采集装置及逻辑处理模块相连接，所述逻辑处理模块通过所述通讯服务器与所述冷床相控制连接。
4.根据权利要求3所述的一种基于机器视觉的冷床智能控制系统，其特征在于：所述逻辑处理模块还构建有深度学习的卷积神经训练网络和智能算法，用于对冷床产生的各种控制逻辑指令进行深度学习和训练，并智能地识别和判断冷床的控制状态。
5.一种基于机器视觉的冷床智能控制系统的使用方法，其特征在于：所述使用方法包括以下具体步骤：
步骤一：冷床图像的获取，布设于冷床上方的图像采集装置获取冷床区域的图像，并将收集到的图像数据信息传输到控制主机，完成数据的采集与传输；
步骤二：图像处理，控制主机对步骤一上传的图像数据信息进行目标选取和透视变换处理；
步骤三：图像滤波处理，采用中值滤波去噪算法对步骤二已透视变换后的图像进行滤波处理，去除图像的噪声点；
步骤四：钢板图像分割，采用OTSU阈值处理算法对步骤三得到的目标图像进行阈值分割，使钢板目标图像从图像中完整地提取出来，形成钢板目标图像的全部或局部像素集合，并最终找出其局部或全部的轮廓；
步骤五：图像数据的加速处理，采用GPU图像加速处理器，将原始图像数据转换并传输给控制主机的逻辑端，该逻辑端通过得到的图像处理数据进行整个冷床的逻辑控制，并发送控制指令给PLC用于冷床行为的控制，同时发送命令给通讯服务器用于信息的更新控制。
6.根据权利要求5所述的一种基于机器视觉的冷床智能控制系统的使用方法，其特征在于：所述步骤二中的图像处理包括以下具体步骤：
（1）目标区域的选取，在图像中自适应地选取四个坐标点，该四个坐标点所围设形成的四边形包含要处理的目标区域；
（2）透视变换图像，将选取的目标区域的图像利用以下映射公式将图像从二维视平面映射到三维视平面上，，其中，代表变换前的点，在变换前值为1，在三维表示下为（U，V，1），通过矩阵变换映射到三维下的；
然后再利用以下映射公式再将该图像从三维视平面再次映射到二维视平面上，完成图像的透视变换处理。
7.根据权利要求6所述的一种基于机器视觉的冷床智能控制系统的使用方法，其特征在于：所述步骤（1）中的自适应地选取四个坐标点的具体步骤如下：
A、获取相机的相关参数，相机的相关参数包括相机拍摄的视场范围及角度α，相机的布置高度h0，相机至激光线的距离l0，相机至冷床最近边的距离l1以及截取得到的激光线宽度l2；
B、通过上述获取的相机参数，利用直角三角形边长的计算公式，计算得到相机到冷床最近边的水平直线距离l3以及相机到激光线的水平直线距离l4；
C、通过截取得到的激光线宽度l2得到其两端点的坐标w1和w2；
D、通过计算l4与l3的相差值以及坐标点w1和w2就可以得到目标区域的四个坐标点p1，p2，p3，p4。
8.根据权利要求5所述的一种基于机器视觉的冷床智能控制系统的使用方法，其特征在于：所述步骤五中的逻辑控制还包括使用构建深度学习的卷积神经训练网络和智能算法，用于对冷床产生的各种控制逻辑指令进行深度学习和训练，并智能地识别和判断冷床的控制状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910809024.4A CN110404985A (zh) | 2019-08-29 | 2019-08-29 | 一种基于机器视觉的冷床智能控制系统及其使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910809024.4A CN110404985A (zh) | 2019-08-29 | 2019-08-29 | 一种基于机器视觉的冷床智能控制系统及其使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110404985A true CN110404985A (zh) | 2019-11-05 |
Family
ID=68369733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910809024.4A Pending CN110404985A (zh) | 2019-08-29 | 2019-08-29 | 一种基于机器视觉的冷床智能控制系统及其使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110404985A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112275803A (zh) * | 2020-10-12 | 2021-01-29 | 重庆钢铁股份有限公司 | 一种冷床钢板识别监控方法及系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001205316A (ja) * | 2000-01-21 | 2001-07-31 | Toshiba Corp | 鋼材搬送システム |
| US20050213807A1 (en) * | 2004-03-25 | 2005-09-29 | Wasserman Richard M | System and method for excluding extraneous features from inspection operations performed by a machine vision inspection system |
| KR20070006026A (ko) * | 2005-07-07 | 2007-01-11 | 삼성중공업 주식회사 | 곡주판 레이져 비젼 장치 및 그 구현 방법 |
| CN2910394Y (zh) * | 2006-04-13 | 2007-06-13 | 武汉科技大学 | 一种精整线冷床的自动控制装置 |
| CN101622082A (zh) * | 2007-02-28 | 2010-01-06 | 杰富意钢铁株式会社 | 利用近红外线照相机的金属带的热轧方法和装置 |
| CN101905304A (zh) * | 2010-08-27 | 2010-12-08 | 田陆 | 连铸圆坯圆度的在线检测系统、方法和图像采集装置 |
| CN102773263A (zh) * | 2012-07-27 | 2012-11-14 | 黑龙江建龙钢铁有限公司 | 连轧无缝钢管生产线中冷床下料设备的三段级联模糊控制方法 |
| JP2014035590A (ja) * | 2012-08-07 | 2014-02-24 | Toshiba Mitsubishi-Electric Industrial System Corp | データ解析装置 |
| CN204496264U (zh) * | 2014-10-22 | 2015-07-22 | 南京钢铁股份有限公司 | 中板精整区域二级跟踪装置 |
| CN106311775A (zh) * | 2015-06-30 | 2017-01-11 | 宝山钢铁股份有限公司 | 一种适用于辊盘式冷床的独立分区控制方法 |
| CN107716566A (zh) * | 2017-10-26 | 2018-02-23 | 中冶华天南京电气工程技术有限公司 | 电梯导轨钢2段步进式冷床运行方式及同步运行控制方法 |
| CN109454116A (zh) * | 2018-11-06 | 2019-03-12 | 陕钢集团汉中钢铁有限责任公司 | 一种冷床输入辊道速度的控制方法 |
| CN109675933A (zh) * | 2018-12-29 | 2019-04-26 | 北京勤泽鸿翔冶金科技有限公司 | 一种棒材水冷闭环控制工艺方法和控制系统 |
| CN110111648A (zh) * | 2019-04-17 | 2019-08-09 | 吉林大学珠海学院 | 一种编程训练系统及方法 |
| CN210386980U (zh) * | 2019-08-29 | 2020-04-24 | 福建三钢闽光股份有限公司 | 一种基于机器视觉的冷床智能控制系统 |
-
2019
- 2019-08-29 CN CN201910809024.4A patent/CN110404985A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001205316A (ja) * | 2000-01-21 | 2001-07-31 | Toshiba Corp | 鋼材搬送システム |
| US20050213807A1 (en) * | 2004-03-25 | 2005-09-29 | Wasserman Richard M | System and method for excluding extraneous features from inspection operations performed by a machine vision inspection system |
| KR20070006026A (ko) * | 2005-07-07 | 2007-01-11 | 삼성중공업 주식회사 | 곡주판 레이져 비젼 장치 및 그 구현 방법 |
| CN2910394Y (zh) * | 2006-04-13 | 2007-06-13 | 武汉科技大学 | 一种精整线冷床的自动控制装置 |
| CN101622082A (zh) * | 2007-02-28 | 2010-01-06 | 杰富意钢铁株式会社 | 利用近红外线照相机的金属带的热轧方法和装置 |
| CN101905304A (zh) * | 2010-08-27 | 2010-12-08 | 田陆 | 连铸圆坯圆度的在线检测系统、方法和图像采集装置 |
| CN102773263A (zh) * | 2012-07-27 | 2012-11-14 | 黑龙江建龙钢铁有限公司 | 连轧无缝钢管生产线中冷床下料设备的三段级联模糊控制方法 |
| JP2014035590A (ja) * | 2012-08-07 | 2014-02-24 | Toshiba Mitsubishi-Electric Industrial System Corp | データ解析装置 |
| CN204496264U (zh) * | 2014-10-22 | 2015-07-22 | 南京钢铁股份有限公司 | 中板精整区域二级跟踪装置 |
| CN106311775A (zh) * | 2015-06-30 | 2017-01-11 | 宝山钢铁股份有限公司 | 一种适用于辊盘式冷床的独立分区控制方法 |
| CN107716566A (zh) * | 2017-10-26 | 2018-02-23 | 中冶华天南京电气工程技术有限公司 | 电梯导轨钢2段步进式冷床运行方式及同步运行控制方法 |
| CN109454116A (zh) * | 2018-11-06 | 2019-03-12 | 陕钢集团汉中钢铁有限责任公司 | 一种冷床输入辊道速度的控制方法 |
| CN109675933A (zh) * | 2018-12-29 | 2019-04-26 | 北京勤泽鸿翔冶金科技有限公司 | 一种棒材水冷闭环控制工艺方法和控制系统 |
| CN110111648A (zh) * | 2019-04-17 | 2019-08-09 | 吉林大学珠海学院 | 一种编程训练系统及方法 |
| CN210386980U (zh) * | 2019-08-29 | 2020-04-24 | 福建三钢闽光股份有限公司 | 一种基于机器视觉的冷床智能控制系统 |
Non-Patent Citations (2)
| Title |
|---|
| 徐正光;管艳霞;: "冷床区钢坯自动跟踪系统关键技术的研发", 计算机应用与软件, no. 04, 15 April 2009 (2009-04-15) * |
| 田勇;王国栋;: "机器视觉技术在轧钢生产中的应用及其发展", 轧钢, no. 06, 15 December 2008 (2008-12-15), pages 37 - 40 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112275803A (zh) * | 2020-10-12 | 2021-01-29 | 重庆钢铁股份有限公司 | 一种冷床钢板识别监控方法及系统 |
| CN112275803B (zh) * | 2020-10-12 | 2022-06-14 | 重庆钢铁股份有限公司 | 一种冷床钢板识别监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Learning semantic segmentation of large-scale point clouds with random sampling | |
| CN110598610B (zh) | 一种基于神经选择注意的目标显著性检测方法 | |
| CN105069413B (zh) | 一种基于深度卷积神经网络的人体姿势识别方法 | |
| CN100557640C (zh) | 一种交互式多视点三维模型重建方法 | |
| CN105844663B (zh) | 一种自适应orb目标跟踪方法 | |
| CN110888960B (zh) | 一种室内空间分区方法、装置及移动机器人 | |
| CN108053449A (zh) | 双目视觉系统的三维重建方法、装置及双目视觉系统 | |
| CN104598915A (zh) | 一种手势识别方法与装置 | |
| CN103942557B (zh) | 一种煤矿井下图像预处理方法 | |
| CN105069751B (zh) | 一种深度图像缺失数据的插值方法 | |
| CN106056053A (zh) | 基于骨骼特征点提取的人体姿势识别方法 | |
| CN110827398A (zh) | 基于深度神经网络的室内三维点云自动语义分割算法 | |
| CN113762201B (zh) | 基于yolov4的口罩检测方法 | |
| CN106650592A (zh) | 目标追踪系统 | |
| CN101400001A (zh) | 一种视频帧深度图的生成方法及系统 | |
| CN110363742A (zh) | 一种基于cnn和图像处理的转辙机缺口检测方法 | |
| CN107330922A (zh) | 基于运动信息和区域特征的航拍视频运动目标检测方法 | |
| CN102194443A (zh) | 视频画中画窗口的显示方法、系统及视频处理设备 | |
| CN105652895A (zh) | 基于激光传感器的移动机器人人体跟踪系统及跟踪方法 | |
| CN107818563A (zh) | 一种输电线路分裂导线间距空间测量与定位方法 | |
| CN104537342A (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
| CN106203361A (zh) | 一种机器人跟踪方法和装置 | |
| CN210386980U (zh) | 一种基于机器视觉的冷床智能控制系统 | |
| CN110404985A (zh) | 一种基于机器视觉的冷床智能控制系统及其使用方法 | |
| CN104463896B (zh) | 基于核相似区分布特性的图像角点检测方法及系统 |
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 |