CN110503641A - 一种改善连铸坯表面裂纹的方法和装置 - Google Patents

一种改善连铸坯表面裂纹的方法和装置 Download PDF

Info

Publication number
CN110503641A
CN110503641A CN201910777838.4A CN201910777838A CN110503641A CN 110503641 A CN110503641 A CN 110503641A CN 201910777838 A CN201910777838 A CN 201910777838A CN 110503641 A CN110503641 A CN 110503641A
Authority
CN
China
Prior art keywords
continuous casting
casting billet
identification region
information
image information
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
Application number
CN201910777838.4A
Other languages
English (en)
Inventor
赵小军
谷杰
蔡雪贞
徐书成
石晨敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lian Feng Steel (zhangjiagang) Co Ltd
Original Assignee
Lian Feng Steel (zhangjiagang) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lian Feng Steel (zhangjiagang) Co Ltd filed Critical Lian Feng Steel (zhangjiagang) Co Ltd
Priority to CN201910777838.4A priority Critical patent/CN110503641A/zh
Publication of CN110503641A publication Critical patent/CN110503641A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/30116—Casting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种改善连铸坯表面裂纹的方法和装置，获得连铸坯表面图像信息；对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。达到了批量改善连铸坯表面裂纹的情况，降低批量连铸坯的裂纹率，提高整体质量的技术效果。

Description

一种改善连铸坯表面裂纹的方法和装置
技术领域
本发明涉及钢铁技术领域，尤其涉及一种改善连铸坯表面裂纹的方法和装置。
背景技术
在连铸生产实践中，裂纹是铸坯的一种主要缺陷，据统计，铸坯各类缺陷中有50％为裂纹。铸坯中存在裂纹，严重的会影响到铸坯的后续加工以及最终产品的质量，甚至造成废品。
但本发明申请人发现现有技术至少存在如下技术问题：
现有技术的连铸生产过程中，无法对连铸坯表面裂纹进行快速高效的识别，造成批量连铸坯的整体质量参差不齐，影响整体质量的技术问题。
发明内容
本发明实施例提供了一种改善连铸坯表面裂纹的方法和装置，解决了现有技术的连铸生产过程中，无法对连铸坯表面裂纹进行快速高效的识别，造成批量连铸坯的整体质量参差不齐，影响整体质量的技术问题。
鉴于上述问题，提出了本申请实施例以便提供一种改善连铸坯表面裂纹的方法和装置。
第一方面，本发明提供了一种改善连铸坯表面裂纹的方法，所述方法包括：获得连铸坯表面图像信息；对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
进一步的，所述对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，包括：通过所述特征提取层，对所述待识别仿真图像进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息。
进一步的，所述方法包括：获得连铸坯表面裂纹认定标准；根据所述连铸坯表面裂纹认定标准，获得预设连铸坯表面裂纹等级信息；将所述预设连铸坯表面裂纹等级信息作为监督数据，输入所述每一组训练数据中。
进一步的，所述根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息，包括：获得预定等级阈值；判断所述第一识别区域对应的裂纹等级信息是否符合所述预定等级阈值；如果所述第一识别区域对应的裂纹等级信息符合所述预定等级阈值，作为合格连铸坯表面图像信息；如果所述第一识别区域对应的裂纹等级信息不符合所述预定等级阈值，将所述第一识别区域对应的连铸坯表面图像信息滤除。
进一步的，所述获得连铸坯表面图像信息，包括：获得初始连铸坯表面图像信息；对所述初始连铸坯表面图像信息进行预处理，获得所述连铸坯表面图像信息，其中，所述连铸坯表面图像信息为尺寸、像素相同的图像信息。
第二方面，本发明提供了一种改善连铸坯表面裂纹的装置，所述装置包括：
第一获得单元，所述第一获得单元用于获得连铸坯表面图像信息；
第二获得单元，所述第二获得单元用于对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；
第一输入单元，所述第一输入单元用于将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；
第三获得单元，所述第三获得单元用于获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；
第四获得单元，所述第四获得单元用于根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
优选的，所述装置还包括：
第五获得单元，所述第五获得单元用于通过所述特征提取层，对所述待识别仿真图像进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息。
优选的，所述装置还包括：
第六获得单元，所述第六获得单元用于获得连铸坯表面裂纹认定标准；
第七获得单元，所述第七获得单元用于根据所述连铸坯表面裂纹认定标准，获得预设连铸坯表面裂纹等级信息；
第一输入单元，所述第一输入单元用于将所述预设连铸坯表面裂纹等级信息作为监督数据，输入所述每一组训练数据中。
优选的，所述装置还包括：
第八获得单元，所述第八获得单元用于获得预定等级阈值；
第一判断单元，所述第一判断单元用于判断所述第一识别区域对应的裂纹等级信息是否符合所述预定等级阈值；
第二判断单元，所述第二判断单元如果所述第一识别区域对应的裂纹等级信息符合所述预定等级阈值，作为合格连铸坯表面图像信息；
第一滤除单元，所述第一滤除单元如果所述第一识别区域对应的裂纹等级信息不符合所述预定等级阈值，将所述第一识别区域对应的连铸坯表面图像信息滤除。
优选的，所述装置还包括：
第九获得单元，所述第九获得单元用于获得初始连铸坯表面图像信息；
第十获得单元，所述第十获得单元用于对所述初始连铸坯表面图像信息进行预处理，获得所述连铸坯表面图像信息，其中，所述连铸坯表面图像信息为尺寸、像素相同的图像信息。
第三方面，本发明提供了一种改善连铸坯表面裂纹的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：获得连铸坯表面图像信息；对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获得连铸坯表面图像信息；对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种改善连铸坯表面裂纹的方法和装置，通过获得连铸坯表面图像信息；对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。解决了现有技术的连铸生产过程中，无法对连铸坯表面裂纹进行快速高效的识别，造成批量连铸坯的整体质量参差不齐，影响整体质量的技术问题，达到了批量改善连铸坯表面裂纹的情况，降低批量连铸坯的裂纹率，提高整体质量的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种改善连铸坯表面裂纹的方法的流程示意图；
图2为本发明实施例中一种改善连铸坯表面裂纹的装置的结构示意图；
图3为本发明实施例中另一种改善连铸坯表面裂纹的装置的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第一输入单元13，第三获得单元14，第四获得单元15，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本发明实施例提供了一种改善连铸坯表面裂纹的方法和装置，用于解决现有技术的连铸生产过程中，无法对连铸坯表面裂纹进行快速高效的识别，造成批量连铸坯的整体质量参差不齐，影响整体质量的技术问题。
本发明提供的技术方案总体思路如下：
通过获得连铸坯表面图像信息；对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。达到了批量改善连铸坯表面裂纹的情况，降低批量连铸坯的裂纹率，提高整体质量的技术效果。
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例中一种改善连铸坯表面裂纹的方法的流程示意图。如图1所示，本发明实施例提供了一种改善连铸坯表面裂纹的方法，所述方法包括：
步骤110：获得连铸坯表面图像信息；
步骤120：对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；
具体而言，从仿真图像类型来说，可以是拍摄静态图像或者视频帧序列的视频图像，可以是检测装置获得的信号走势图，也可以是合成的图像等。第一识别区域是对获得的待识别仿真图像进行特征提取所获得的，根据实际应用的需要，第一识别区域可以为一个或者多个，从提取获得的第一识别区域中进行信息特征提取，对于本申请实施例而言，第一识别区域可以是连铸坯表面有裂纹的区域，通过特征提取的方式将连铸坯表面有裂纹的区域提取出来。针对每个连铸坯表面识别区域中感兴趣区域的特征提取，可以仅对感兴趣区域进行训练，从而达到提高训练效率的效果。
步骤130：将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；
步骤140：获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；
具体而言，训练模型即机器学习中的神经网络模型，神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(ArtificialNuearlNewtokr)s,是对人类大脑系统的一阶特性的一种描。简单地讲,它是一个数学模型。神经网络模型由网络拓扑.节点特点和学习规则来表示。本申请实施例中，将第一识别区域作为输入数据，输入到训练模型中，每一组输入的训练数据中都包括第一识别区域和预设连铸坯表面裂纹等级信息，其中预设连铸坯表面裂纹等级信息作为监督数据，从而对第一识别区域进行训练，获得输出数据，即第一识别区域对应的裂纹等级信息。
步骤150：根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
具体而言，得到每个连铸坯表面图像信息中第一识别区域对应的裂纹等级信息后，可以根据实际需求制定标准，根据标准对所有连铸坯表面图像信息进行筛选，去除掉裂纹严重的不符合要求的图像信息，保留符合标准要求的连铸坯表面图像信息，从而高效的降低了连铸坯表面裂纹率，提高了连铸坯整体的质量。
进一步的，所述对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，包括：通过所述特征提取层，对所述待识别仿真图像进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息。
具体而言，对待识别仿真图像进行特征提取和特征向量获取，通过神经网络模型进行实现，神经网络模型可以是任意适当的可实现特征提取或目标对象识别的神经网络，包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等等。神经网络模型包括特征提取层，也可以根据实际需要进行部分调整，其中特征提取层可为卷积神经网络，待识别仿真图像经过特征提取层获得待识别仿真图像的第一识别区域，从所述第一识别区域中获得连铸坯表面裂纹信息，包括连铸坯表面裂纹的数量，长度等特征。这里所述特征向量将图像信息进行检测采集，将图像检测到的关键点转化为二进制特征向量，来对图像进行描述。
进一步的，所述方法包括：获得连铸坯表面裂纹认定标准；根据所述连铸坯表面裂纹认定标准，获得预设连铸坯表面裂纹等级信息；将所述预设连铸坯表面裂纹等级信息作为监督数据，输入所述每一组训练数据中。
具体而言，连铸坯表面裂纹等级信息可以根据连铸坯表面认定标准制定，连铸坯表面裂纹认定标准可以根据本领域的常规判断标准进行制定，也可以根据各个钢厂自己的实际标准进行制定，对比本申请不做具体限制，从而根据认定标准对连铸坯表面裂纹进行性预设的等级分类，将预设连铸坯表面裂纹等级信息作为监督数据，按照预设连铸坯表面裂纹等级信息对每一组的输入数据即第一识别区域中的连铸坯表面裂纹进行等级分类。
进一步的，所述根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息，包括：获得预定等级阈值；判断所述第一识别区域对应的裂纹等级信息是否符合所述预定等级阈值；如果所述第一识别区域对应的裂纹等级信息符合所述预定等级阈值，作为合格连铸坯表面图像信息；如果所述第一识别区域对应的裂纹等级信息不符合所述预定等级阈值，将所述第一识别区域对应的连铸坯表面图像信息滤除。
具体而言，预定等级阈值可以是根据实际需求对连铸坯表面裂纹要求的标准，即连铸坯表面裂纹等级如果满足预定等级阈值，即为合格的连铸坯表面图像信息，如果不满足预定等级阈值，则为不合格连铸坯表面图像信息，为了保证批量连铸坯的整体质量，将不合格即表面裂纹较多的连铸坯图像信息进行滤除，从而根据图像信息将对应的连铸坯去除，保证整体连铸坯的质量。解决了现有技术的连铸生产过程中，无法对连铸坯表面裂纹进行快速高效的识别，造成批量连铸坯的整体质量参差不齐，影响整体质量的技术问题，达到了批量改善连铸坯表面裂纹的情况，降低批量连铸坯的裂纹率，提高整体质量的技术效果。
进一步的，所述获得连铸坯表面图像信息，包括：获得初始连铸坯表面图像信息；对所述初始连铸坯表面图像信息进行预处理，获得所述连铸坯表面图像信息，其中，所述连铸坯表面图像信息为尺寸、像素相同的图像信息。
具体而言，对于图像信息的采集，可以通过多种方式进行采集，保证图像质量并满足同一图像标准即可，这样可以提高图像识别以及各类信息获取的准确性，所以需要对采集的初始连铸坯表面图像信息按照一定标准进行预处理，例如将图像信息规范为同一尺寸，每个图像数据的像素相同，保证每个图像信息中连铸坯表面裂纹的辨识度相同，防止由于图像规格不同，例如采集图像的距离不同，造成的识别到的裂纹清晰度不同，从而导致后期结果的不准确。
实施例二
基于与前述实施例中一种改善连铸坯表面裂纹的方法同样的发明构思，本发明还提供一种改善连铸坯表面裂纹的装置，如图2所示，所述装置包括：
第一获得单元11，所述第一获得单元11用于获得连铸坯表面图像信息；
第二获得单元12，所述第二获得单元12用于对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；
第一输入单元13，所述第一输入单元13用于将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；
第三获得单元14，所述第三获得单元14用于获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；
第四获得单元15，所述第四获得单元15用于根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
优选的，所述装置还包括：
第五获得单元，所述第五获得单元用于通过所述特征提取层，对所述待识别仿真图像进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息。
优选的，所述装置还包括：
第六获得单元，所述第六获得单元用于获得连铸坯表面裂纹认定标准；
第七获得单元，所述第七获得单元用于根据所述连铸坯表面裂纹认定标准，获得预设连铸坯表面裂纹等级信息；
第一输入单元，所述第一输入单元用于将所述预设连铸坯表面裂纹等级信息作为监督数据，输入所述每一组训练数据中。
优选的，所述装置还包括：
第八获得单元，所述第八获得单元用于获得预定等级阈值；
第一判断单元，所述第一判断单元用于判断所述第一识别区域对应的裂纹等级信息是否符合所述预定等级阈值；
第二判断单元，所述第二判断单元如果所述第一识别区域对应的裂纹等级信息符合所述预定等级阈值，作为合格连铸坯表面图像信息；
第一滤除单元，所述第一滤除单元如果所述第一识别区域对应的裂纹等级信息不符合所述预定等级阈值，将所述第一识别区域对应的连铸坯表面图像信息滤除。
优选的，所述装置还包括：
第九获得单元，所述第九获得单元用于获得初始连铸坯表面图像信息；
第十获得单元，所述第十获得单元用于对所述初始连铸坯表面图像信息进行预处理，获得所述连铸坯表面图像信息，其中，所述连铸坯表面图像信息为尺寸、像素相同的图像信息。
前述图1实施例一中的一种改善连铸坯表面裂纹的方法的各种变化方式和具体实例同样适用于本实施例的一种改善连铸坯表面裂纹的装置，通过前述对一种改善连铸坯表面裂纹的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种改善连铸坯表面裂纹的装置的实施方法，所以为了说明书的简洁，在此不再详述。
实施例三
基于与前述实施例中一种改善连铸坯表面裂纹的方法同样的发明构思，本发明还提供一种改善连铸坯表面裂纹的装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种改善连铸坯表面裂纹的方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中一种改善连铸坯表面裂纹的的方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获得连铸坯表面图像信息；对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
在具体实施过程中，该程序被处理器执行时，还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种改善连铸坯表面裂纹的方法和装置，通过获得连铸坯表面图像信息；对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。解决了现有技术的连铸生产过程中，无法对连铸坯表面裂纹进行快速高效的识别，造成批量连铸坯的整体质量参差不齐，影响整体质量的技术问题，达到了批量改善连铸坯表面裂纹的情况，降低批量连铸坯的裂纹率，提高整体质量的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种改善连铸坯表面裂纹的方法，其特征在于，所述方法包括：
获得连铸坯表面图像信息；
对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；
将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；
获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；
根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
2.如权利要求1所述的方法，其特征在于，所述对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，包括：
通过所述特征提取层，对所述待识别仿真图像进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息。
3.如权利要求1所述的方法，其特征在于，所述方法包括：
获得连铸坯表面裂纹认定标准；
根据所述连铸坯表面裂纹认定标准，获得预设连铸坯表面裂纹等级信息；
将所述预设连铸坯表面裂纹等级信息作为监督数据，输入所述每一组训练数据中。
4.如权利要求1所述的方法，其特征在于，所述根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息，包括：
获得预定等级阈值；
判断所述第一识别区域对应的裂纹等级信息是否符合所述预定等级阈值；
如果所述第一识别区域对应的裂纹等级信息符合所述预定等级阈值，作为合格连铸坯表面图像信息；
如果所述第一识别区域对应的裂纹等级信息不符合所述预定等级阈值，将所述第一识别区域对应的连铸坯表面图像信息滤除。
5.如权利要求1所述的方法，其特征在于，所述获得连铸坯表面图像信息，包括：
获得初始连铸坯表面图像信息；
对所述初始连铸坯表面图像信息进行预处理，获得所述连铸坯表面图像信息，其中，所述连铸坯表面图像信息为尺寸、像素相同的图像信息。
6.一种改善连铸坯表面裂纹的装置，其特征在于，所述装置包括：
第一获得单元，所述第一获得单元用于获得连铸坯表面图像信息；
第二获得单元，所述第二获得单元用于对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；
第一输入单元，所述第一输入单元用于将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；
第三获得单元，所述第三获得单元用于获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；
第四获得单元，所述第四获得单元用于根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
7.一种改善连铸坯表面裂纹的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
获得连铸坯表面图像信息；
对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；
将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；
获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；
根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：
获得连铸坯表面图像信息；
对所述连铸坯表面图像信息进行特征提取，获得第一识别区域，所述第一识别区域包含所述连铸坯表面裂纹信息；
将所述第一识别区域输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一识别区域和预设连铸坯表面裂纹等级信息；
获得所述训练模型的输出信息，其中，所述输出信息包括所述第一识别区域对应的裂纹等级信息；
根据所述第一识别区域对应的裂纹等级信息，对所述连铸坯表面图像信息进行筛选过滤，获得合格连铸坯表面图像信息。
CN201910777838.4A 2019-08-22 2019-08-22 一种改善连铸坯表面裂纹的方法和装置 Pending CN110503641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910777838.4A CN110503641A (zh) 2019-08-22 2019-08-22 一种改善连铸坯表面裂纹的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910777838.4A CN110503641A (zh) 2019-08-22 2019-08-22 一种改善连铸坯表面裂纹的方法和装置

Publications (1)

Publication Number Publication Date
CN110503641A true CN110503641A (zh) 2019-11-26

Family

ID=68588513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910777838.4A Pending CN110503641A (zh) 2019-08-22 2019-08-22 一种改善连铸坯表面裂纹的方法和装置

Country Status (1)

Country Link
CN (1) CN110503641A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112159415A (zh) * 2020-10-27 2021-01-01 广西仙草堂制药有限责任公司 一种提高青蒿素提取纯度的方法和装置
CN112182910A (zh) * 2020-10-21 2021-01-05 江苏中利集团股份有限公司 一种用于控制交联材料制备效果的方法及装置
CN112182979A (zh) * 2020-10-21 2021-01-05 江苏中利集团股份有限公司 一种提高树脂与填充助剂相容效果的方法和装置
CN112182874A (zh) * 2020-09-25 2021-01-05 江苏中利集团股份有限公司 一种基于韧性和耐热性提升聚合物材料性能的方法和装置
CN112309513A (zh) * 2020-11-02 2021-02-02 广西仙草堂制药有限责任公司 一种青蒿素提取方法有效性的检测方法和装置
CN112321601A (zh) * 2020-11-02 2021-02-05 广西仙草堂制药有限责任公司 一种提高青蒿素提取效率的方法和装置
CN112331280A (zh) * 2020-10-21 2021-02-05 江苏中利集团股份有限公司 一种阻燃剂改性技术的处理方法和装置
CN112348184A (zh) * 2020-11-02 2021-02-09 广西仙草堂制药有限责任公司 一种青蒿素纯度的检测方法和装置
CN112396131A (zh) * 2020-12-11 2021-02-23 广西味豪食品有限公司 一种木瓜丝质量监控方法和装置
CN112529076A (zh) * 2020-12-10 2021-03-19 广西顶俏食品科技集团有限公司 一种降低高质量成曲酱油杂质产出率的方法和装置
CN112733634A (zh) * 2020-12-28 2021-04-30 柳州市汇方科技有限公司 一种米粉质量监测方法及装置
CN113538396A (zh) * 2021-07-27 2021-10-22 扬州美德莱医疗用品有限公司 一种基于注射针加工的计数提示方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
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
CN105911095A (zh) * 2016-05-04 2016-08-31 东北电力大学 一种连铸坯表面纵裂纹的可视化识别方法
US20180080881A1 (en) * 2016-09-22 2018-03-22 SSAB Enterprises, LLC Methods and systems for the quantitative measurement of internal defects in as-cast steel products
CN107909564A (zh) * 2017-10-23 2018-04-13 昆明理工大学 一种基于深度学习的全卷积网络图像裂纹检测方法
CN108921839A (zh) * 2018-07-02 2018-11-30 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN109035221A (zh) * 2018-07-10 2018-12-18 成都先进金属材料产业技术研究院有限公司 基于图像识别深度学习技术的低倍组织智能评级方法
CN109191459A (zh) * 2018-09-30 2019-01-11 东北大学 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN110111328A (zh) * 2019-05-16 2019-08-09 上海中认尚科新能源技术有限公司 一种基于卷积神经网络的风力发电机叶片裂纹检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
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
CN105911095A (zh) * 2016-05-04 2016-08-31 东北电力大学 一种连铸坯表面纵裂纹的可视化识别方法
US20180080881A1 (en) * 2016-09-22 2018-03-22 SSAB Enterprises, LLC Methods and systems for the quantitative measurement of internal defects in as-cast steel products
CN107909564A (zh) * 2017-10-23 2018-04-13 昆明理工大学 一种基于深度学习的全卷积网络图像裂纹检测方法
CN108921839A (zh) * 2018-07-02 2018-11-30 北京百度网讯科技有限公司 连铸坯质量检测方法、装置、电子设备及存储介质
CN109035221A (zh) * 2018-07-10 2018-12-18 成都先进金属材料产业技术研究院有限公司 基于图像识别深度学习技术的低倍组织智能评级方法
CN109191459A (zh) * 2018-09-30 2019-01-11 东北大学 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN110111328A (zh) * 2019-05-16 2019-08-09 上海中认尚科新能源技术有限公司 一种基于卷积神经网络的风力发电机叶片裂纹检测方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182874A (zh) * 2020-09-25 2021-01-05 江苏中利集团股份有限公司 一种基于韧性和耐热性提升聚合物材料性能的方法和装置
CN112182874B (zh) * 2020-09-25 2022-12-16 江苏中利集团股份有限公司 一种基于韧性和耐热性提升聚合物材料性能的方法和装置
CN112331280A (zh) * 2020-10-21 2021-02-05 江苏中利集团股份有限公司 一种阻燃剂改性技术的处理方法和装置
CN112182979A (zh) * 2020-10-21 2021-01-05 江苏中利集团股份有限公司 一种提高树脂与填充助剂相容效果的方法和装置
CN112182910A (zh) * 2020-10-21 2021-01-05 江苏中利集团股份有限公司 一种用于控制交联材料制备效果的方法及装置
CN112331280B (zh) * 2020-10-21 2023-01-17 江苏中利集团股份有限公司 一种阻燃剂改性技术的处理方法和装置
CN112182979B (zh) * 2020-10-21 2023-01-17 江苏中利集团股份有限公司 一种提高树脂与填充助剂相容效果的方法和装置
CN112182910B (zh) * 2020-10-21 2022-12-20 江苏中利集团股份有限公司 一种用于控制交联材料制备效果的方法及装置
CN112159415A (zh) * 2020-10-27 2021-01-01 广西仙草堂制药有限责任公司 一种提高青蒿素提取纯度的方法和装置
CN112309513A (zh) * 2020-11-02 2021-02-02 广西仙草堂制药有限责任公司 一种青蒿素提取方法有效性的检测方法和装置
CN112321601A (zh) * 2020-11-02 2021-02-05 广西仙草堂制药有限责任公司 一种提高青蒿素提取效率的方法和装置
CN112348184A (zh) * 2020-11-02 2021-02-09 广西仙草堂制药有限责任公司 一种青蒿素纯度的检测方法和装置
CN112529076A (zh) * 2020-12-10 2021-03-19 广西顶俏食品科技集团有限公司 一种降低高质量成曲酱油杂质产出率的方法和装置
CN112396131A (zh) * 2020-12-11 2021-02-23 广西味豪食品有限公司 一种木瓜丝质量监控方法和装置
CN112733634A (zh) * 2020-12-28 2021-04-30 柳州市汇方科技有限公司 一种米粉质量监测方法及装置
CN113538396B (zh) * 2021-07-27 2022-04-26 扬州美德莱医疗用品有限公司 一种基于注射针加工的计数提示方法及装置
CN113538396A (zh) * 2021-07-27 2021-10-22 扬州美德莱医疗用品有限公司 一种基于注射针加工的计数提示方法及装置

Similar Documents

Publication Publication Date Title
CN110503641A (zh) 一种改善连铸坯表面裂纹的方法和装置
Gu et al. No-reference quality assessment of screen content pictures
Liu et al. Deep network-enabled haze visibility enhancement for visual IoT-driven intelligent transportation systems
CN106778705B (zh) 一种行人个体分割方法及装置
CN110533032A (zh) 一种获取高纯度低温用钢的方法和装置
CN104658001B (zh) 一种无参考非对称失真立体图像客观质量评价方法
CN109583340A (zh) 一种基于深度学习的视频目标检测方法
CN107862270A (zh) 人脸分类器训练方法、人脸检测方法及装置、电子设备
Shen et al. No-reference stereoscopic image quality assessment based on global and local content characteristics
CN110582783B (zh) 训练装置、图像识别装置、训练方法和计算机可读信息存储介质
CN109960980B (zh) 动态手势识别方法及装置
CN110490862A (zh) 一种提高连铸探伤合格率的方法及装置
Khodabakhsh et al. A generalizable deepfake detector based on neural conditional distribution modelling
CN108345889A (zh) 一种利用树莓派对通信机柜进行示数识别的应用方法
CN108961243A (zh) 一种基于机器学习的篡改视频标注方法及装置
CN109272044A (zh) 一种图像相似度确定方法、装置、设备及存储介质
Anantha Rao et al. Selfie continuous sign language recognition with neural network classifier
CN112308148A (zh) 缺陷类别识别、孪生神经网络训练方法、装置及存储介质
CN117557784B (zh) 目标检测方法、装置、电子设备及存储介质
CN111881706A (zh) 活体检测、图像分类和模型训练方法、装置、设备及介质
CN103824074A (zh) 一种基于背景减除和纹理特征的人群密度估计方法及系统
Huang et al. A novel FCNs‐ConvLSTM network for video salient object detection
Hepburn et al. Enforcing perceptual consistency on generative adversarial networks by using the normalised laplacian pyramid distance
CN110532924A (zh) 一种高耐热钢的识别处理方法及装置
Viacheslav et al. Low-level features for inpainting quality assessment

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: 20191126

RJ01 Rejection of invention patent application after publication