CN110533191A - 一种处理窄成分合金钢的方法及装置 - Google Patents
一种处理窄成分合金钢的方法及装置 Download PDFInfo
- Publication number
- CN110533191A CN110533191A CN201910777818.7A CN201910777818A CN110533191A CN 110533191 A CN110533191 A CN 110533191A CN 201910777818 A CN201910777818 A CN 201910777818A CN 110533191 A CN110533191 A CN 110533191A
- Authority
- CN
- China
- Prior art keywords
- steel alloy
- information
- photo
- alloying element
- pivot
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种处理窄成分合金钢的方法及装置,涉及冶金技术领域,所述方法包括:获取合金钢的照片;将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户,达到了智能化程度高,减少人力投入,提高工作效率,避免判断错误现象的出现的技术效果。
Description
技术领域
本发明涉及冶金技术领域,尤其涉及一种处理窄成分合金钢的方法及装置。
背景技术
合金钢是指钢里除铁、碳外,加入其他的合金元素,就叫合金钢。在普通碳素钢基础上添加适量的一种或多种合金元素而构成的铁碳合金。根据添加元素的不同,并采取适当的加工工艺,可获得高强度、高韧性、耐磨、耐腐蚀、耐低温、耐高温、无磁性等特殊性能。随着当今钢铁企业的竞争越来越激烈,为了在市场上占有一席之地,必须优化产品结构,提升产品品质,窄成分控制成为了一条重要的渠道,通过在炉前正式实施窄成分控制,能够降低合金消耗,保证轧材质量的稳定性,提高窄成分的合格率,为炼钢提质打下坚实的基础。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,对窄成分合金钢的识别、对钢材质量的判断大都是通过人工完成的,工作量极大且人工成本过高,处理效率低、容易出现判断错误,对企业造成损失。
发明内容
本发明实施例通过提供一种处理窄成分合金钢的方法及装置,解决了现有技术中对窄成分合金钢的识别、对钢材质量的判断大都是通过人工完成的,工作量极大且人工成本过高,处理效率低、容易出现判断错误,对企业造成损失的技术问题,达到了智能化程度高,减少人力投入,提高工作效率,避免判断错误现象的出现的技术效果。
鉴于上述问题,提出了本申请实施例以便提供一种处理窄成分合金钢的方法及装置。
第一方面,本发明提供了一种处理窄成分合金钢的方法,所述方法包括:获取合金钢的照片;将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
优选的,所述主元素信息包括含碳量信息、含铁量信息;所述合金元素信息包括硅、锰、铬、镍、钼、钨、钒、钛、铌、锆、钴、铝、铜、硼、稀土中的至少一种元素的含量信息。
优选的,所述获取合金钢的照片,包括:获取所述合金钢照片中的特征信息,其中,所述特征信息包括颜色、文字和图标信息中的至少一种;对比所述特征信息和目标特征信息,判断所述合金钢照片是否满足预设条件;当不满足预设条件时,对所述合金钢照片进行处理,使所述合金钢照片满足预设条件。
优选的,所述方法还包括:采集多组训练数据,所述多组训练数据包括多个照片信息和多个目标标签信息,所述多个照片信息中的每个照片信息和所述多个目标标签信息中的每个目标标签信息一一对应;将所述多组训练数据进行机器学习,建立所述照片信息和所述目标标签信息之间的多个训练模型;将所述多个训练模型作为不同类型的预设模型,存储并输入至所述模型中。
优选的,所述在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户,包括:获得第一阈值;判断所述照片中对应的主元素信息是否满足所述第一阈值;当所述照片中对应的主元素信息满足所述第一阈值时,则获得第二阈值;判断所述照片中对应的合金元素信息是否满足所述第二阈值;当所述照片中对应的合金元素信息满足所述第二阈值,则将所述合金钢运送至目标客户。
优选的,还包括:当所述照片中对应的主元素信息不满足所述第一阈值时,则将所述照片剔除;当所述照片中对应的合金元素信息不满足所述第二阈值时,则将所述照片剔除。
第二方面,本发明提供了一种处理窄成分合金钢的装置,所述装置包括:第一获取单元,所述第一获取单元用于获取合金钢的照片;第一输入单元,所述第一输入单元用于将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;第二获取单元,所述第二获取单元用于获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;第一执行单元,所述第一执行单元用于在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
优选的,所述主元素信息包括含碳量信息、含铁量信息;所述合金元素信息包括硅、锰、铬、镍、钼、钨、钒、钛、铌、锆、钴、铝、铜、硼、稀土中的至少一种元素的含量信息。
优选的,所述装置还包括:
第三获取单元,所述第三获取单元用于获取所述合金钢照片中的特征信息,其中,所述特征信息包括颜色、文字和图标信息中的至少一种;
第一判断单元,所述第一判断单元用于对比所述特征信息和目标特征信息,判断所述合金钢照片是否满足预设条件;
第一处理单元,所述第一处理单元用于当不满足预设条件时,对所述合金钢照片进行处理,使所述合金钢照片满足预设条件。
优选的,所述装置还包括:
第一采集单元,所述第一采集单元用于采集多组训练数据,所述多组训练数据包括多个照片信息和多个目标标签信息,所述多个照片信息中的每个照片信息和所述多个目标标签信息中的每个目标标签信息一一对应;
第一建立单元,所述第一建立单元用于将所述多组训练数据进行机器学习,建立所述照片信息和所述目标标签信息之间的多个训练模型;
第二执行单元,所述第二执行单元用于将所述多个训练模型作为不同类型的预设模型,存储并输入至所述模型中。
优选的,所述装置还包括:
第四获取单元,所述第四获取单元用于获得第一阈值;
第二判断单元,所述第二判断单元用于判断所述照片中对应的主元素信息是否满足所述第一阈值;
第五获取单元,所述第五获取单元用于当所述照片中对应的主元素信息满足所述第一阈值时,则获得第二阈值;
第三判断单元,所述第三判断单元用于判断所述照片中对应的合金元素信息是否满足所述第二阈值;
第三执行单元,所述第三执行单元用于当所述照片中对应的合金元素信息满足所述第二阈值,则将所述合金钢运送至目标客户。
优选的,所述装置还包括:
第四执行单元,所述第四执行单元用于当所述照片中对应的主元素信息不满足所述第一阈值时,则将所述照片剔除;
第五执行单元,所述第五执行单元用于当所述照片中对应的合金元素信息不满足所述第二阈值时,则将所述照片剔除。
第三方面,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:获取合金钢的照片;将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
第四方面,本发明提供了另一种处理窄成分合金钢的装置,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:获取合金钢的照片;将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
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:
本申请实施例提供了一种处理窄成分合金钢的方法及装置,所述方法包括:获取合金钢的照片;然后将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;接着获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户,从而解决了现有技术中对窄成分合金钢的识别、对钢材质量的判断大都是通过人工完成的,工作量极大且人工成本过高,处理效率低、容易出现判断错误,对企业造成损失的技术问题,达到了智能化程度高,减少人力投入,提高工作效率,避免判断错误现象的出现的技术效果。
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处理窄成分合金钢的方法的流程示意图;
图2为本发明实施例中一种处理窄成分合金钢的装置的结构示意图;
图3为本发明实施例中另一种处理窄成分合金钢的装置的结构示意图。
附图标号说明: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
本申请实施例提供了一种处理窄成分合金钢的方法及装置,通过获取合金钢的照片;将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户,从而达到了智能化程度高,减少人力投入,提高工作效率,避免判断错误现象的出现的技术效果。
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。
实施例一
图1为本发明实施例一种处理窄成分合金钢的方法的流程示意图,如图1所示,所述方法包括:
步骤110:获取合金钢的照片。
进一步的,所述获取合金钢的照片,包括:所述获取合金钢的照片,包括:获取所述合金钢照片中的特征信息,其中,所述特征信息包括颜色、文字和图标信息中的至少一种;对比所述特征信息和目标特征信息,判断所述合金钢照片是否满足预设条件;当不满足预设条件时,对所述合金钢照片进行处理,使所述合金钢照片满足预设条件。
具体而言,合金钢的照片即为对合金钢进行拍摄所得到的照片,在照片上可显示对应的合金钢的相关信息,例如合金钢的编号、成分等信息。在得到合金钢的照片之后,还需要进一步的判断所得到的照片是否符合要求,是可以输入模型中的照片,具体的:首先从获取合金钢照片中的相关特征信息,该特征信息为颜色、文字或者是图标中的至少一种,也就是说,从照片上至少可以显示颜色、文字或者是图标等信息,然后再将特征信息相应的与目标特征信息进行对比,进一步判断该合金钢照片是否是满足预设条件的,当合金钢照片满足预设条件时,此时进行后续工作即可,当不满足预设条件时,则需要对该照片进行相应的处理,使其满足预设条件之后才能够进行后续使用。举例而言,如果所获取到的合金钢照片中出现不符合要求的颜色时,例如目标特征信息为黑白色,而得到的照片为彩色,则此时需要对该照片进行黑白化处理之后方可使用;再比如所获取到的合金钢照片中出现与合金钢无关的文字时,而目标特征信息为仅显示合金钢的相关信息,则此时需要对该照片中的多余文字处理之后方可使用。
步骤120:将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签。
进一步的,所述主元素信息包括含碳量信息、含铁量信息;所述合金元素信息包括硅、锰、铬、镍、钼、钨、钒、钛、铌、锆、钴、铝、铜、硼、稀土中的至少一种元素的含量信息。
具体而言,当获取到满足要求的合金钢的照片之后,接着即可将该合金钢的照片输入至训练模型中,本实施例中的训练模型是通过采用多组数据利用机器学习训练得出的,其中,机器学习是实现人工智能的一种途径,它和数据挖掘有一定的相似性,也是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。对比于数据挖掘从大数据之间找相互特性而言,机器学习更加注重算法的设计,让计算机能够白动地从数据中“学习”规律,并利用规律对未知数据进行预测。在本实施例中,多组数据中的每组数据均包括:合金钢的照片、第一标签和第二标签,其中的第一标签用于表示合金钢中的主元素信息,第二标签用于表示合金钢中的合金元素信息。由于合金钢里除铁、碳外,还有加入其他的合金元素。因此,在本实施例中以碳和铁为主元素,则加入的其他元素,例如硅、锰、铬、镍、钼、钨、钒、钛、铌、锆、钴、铝、铜、硼、稀土中的至少一种则为合金元素,故此,主元素信息主要包括了合金钢的含碳量信息和含铁量信息,合金元素信息则包括了硅、锰、铬、镍、钼、钨、钒、钛、铌、锆、钴、铝、铜、硼、稀土中的至少一种元素的含量信息。举例而言,例如某合金钢中除了碳和铁之外,还加入了Mn、Cr、Ni等合金元素,则此时,主元素信息即为该合金钢的含碳量和含铁量,合金元素信息即为Mn、Cr、Ni等各个合金元素的含量。
进一步的,所述方法还包括:采集多组训练数据,所述多组训练数据包括多个照片信息和多个目标标签信息,所述多个照片信息中的每个照片信息和所述多个目标标签信息中的每个目标标签信息一一对应;将所述多组训练数据进行机器学习,建立所述照片信息和所述目标标签信息之间的多个训练模型;将所述多个训练模型作为不同类型的预设模型,存储并输入至所述模型中。
具体而言,本实施例中的模型是多组数据通过机器学习训练得出的,而多组训练数据是通过采集得到的,并且在多组训练数据中包括有多组照片和多个目标标签信息,也就是说,每一个照片中的照片信息是和该照片的目标标签信息对应的,然后将这多组训练数据通过机器学习,从而使得照片信息和目标标签信息能够通过机器学习建立相应的训练模型,进而将这些训练模型作为预设模型,存储到模型中去。举例而言,当采集到了多组合金钢的照片,以及各个合金钢照片对应的第一标签和第二标签之后,由于不同的合金钢主元素含量和合金元素各不相同,且添加不同的合金元素也使得第二标签存在差异,例如有的合金钢中加入的合金元素为Mn、Cr、Ni,有的合金钢中加入的合金元素为Mn、Nb、N,因此,通过将这些成分不同的合金钢照片经过机器学习建立模型,从而使得可方便快捷的对待处理的合金钢照片进行快速处理。
步骤130:获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息。
步骤140:在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
具体而言,在将合金钢照片输入到模型中之后,即可进一步得到模型的输出信息,该信息中包括了该合金钢照片对应的合金钢的主元素信息和合金元素信息,接着即可对合金钢的主元素信息和合金元素信息具体进行判断,在合金钢的主元素信息和合金元素信息所对应的元素含量均满足预设要求的时候,则说明所对应的合金钢是符合要求的,属于合格产品,此时将该合金钢运送给目标客户即可,从而解决了现有技术中通过人为对合金钢进行窄成分识别处理时的工作量大,且工作效率低下,出现错误时则有可能对企业的声誉和效益产生影响,达到了工作效率高,智能化程度高且节省时间,避免出错的技术效果。举例而言,当照片中多对应的合金钢中的含碳量为0.03%,含Mn量为1.15%,含Si量为0.10%,含P量为0.010%,含S量为0.0010%,余量为Fe和不可避免杂质元素,而所要求的含碳量为低于0.03%,含Mn量为低于1.5%,含Si量为低于0.20%,含P量为低于0.010%,含S量为低于0.0010%,因此,上述的合金钢满足了生产要求,是属于合格产品,可以进行后续的处理。
进一步的,所述在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户,包括:获得第一阈值;判断所述照片中对应的主元素信息是否满足所述第一阈值;当所述照片中对应的主元素信息满足所述第一阈值时,则获得第二阈值;判断所述照片中对应的合金元素信息是否满足所述第二阈值;当所述照片中对应的合金元素信息满足所述第二阈值,则将所述合金钢运送至目标客户。
进一步的,还包括:当所述照片中对应的主元素信息不满足所述第一阈值时,则将所述照片剔除;当所述照片中对应的合金元素信息不满足所述第二阈值时,则将所述照片剔除。
具体而言,在判断照片中的合金钢的主元素信息和合金元素信息是否满足预设要求时,具体的判断逻辑为:首先,获得对于主元素信息的第一阈值,其中,第一阈值即为主元素信息中碳含量和铁含量的上限值,然后判断该合金钢的主元素信息是否低于第一阈值,当该合金钢的主元素信息低于第一阈值时,接着,获得对于合金元素信息的第二阈值,其中,第二阈值即为合金元素信息中各个合金元素含量的上限值,然后,判断该合金钢的合金元素信息是否低于第二阈值,当该合金钢的合金元素信息低于第二阈值时,则说明该合金钢满足生产需求,可将合金钢运送给目标客户。
进一步的,当该合金钢的主元素信息高于第一阈值,也就是说,该合金钢的主元素信息不满足第一阈值,则说明该合金钢不满足生产需求,因此,该合金钢为不合格产品,不能将其发送给目标客户,则进一步将该照片剔除即可;进一步的,当该合金钢的合金元素信息高于第二阈值,也就是说,该合金钢的合金元素信息不满足第二阈值,则说明该合金钢不满足生产需求,因此,该合金钢为不合格产品,不能将其发送给目标客户,则进一步将该照片剔除即可。举例而言,对于某种合金钢而言,其含C量为0.01%,所添加的合金元素含量分别为:含Mn量为0.08%、含Cr量为0.06%、含Ni量为0.03%,其余成分为铁和不可避免的杂质元素。其中,在窄成分控制时,所要求的C、Mn、Cr、Ni含量波动范围分别为C≤0.018%、Mn≤0.10%、Cr≤0.06%、Ni≤0.06%,因此,该合金钢是满足窄成分控制需求的;若其含C量为0.02%,则说明该合金钢的含碳量不满足窄成分要求,则需要将该照片剔除;若该合金钢的含C量为0.01%,含Mn量为0.08%、含Cr量为0.1%、含Ni量为0.03%,则该合金钢的含Cr量不满足窄成分要求,不能将其发送给目标客户,则需要将该照片剔除。
实施例二
基于与前述实施例中一种处理窄成分合金钢的方法同样的发明构思,本发明还提供一种处理窄成分合金钢的装置,如图2所示,所述装置包括:
第一获取单元11,所述第一获取单元11用于获取合金钢的照片。
第一输入单元12,所述第一输入单元用于将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签。
第二获取单元13,所述第二获取单元13用于获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息。
第一执行单元14,所述第一执行单元14用于在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
进一步的,所述主元素信息包括含碳量信息、含铁量信息;所述合金元素信息包括硅、锰、铬、镍、钼、钨、钒、钛、铌、锆、钴、铝、铜、硼、稀土中的至少一种元素的含量信息。
进一步的,所述装置还包括:
第三获取单元,所述第三获取单元用于获取所述合金钢照片中的特征信息,其中,所述特征信息包括颜色、文字和图标信息中的至少一种。
第一判断单元,所述第一判断单元用于对比所述特征信息和目标特征信息,判断所述合金钢照片是否满足预设条件。
第一处理单元,所述第一处理单元用于当不满足预设条件时,对所述合金钢照片进行处理,使所述合金钢照片满足预设条件。
进一步的,所述装置还包括:
第一采集单元,所述第一采集单元用于采集多组训练数据,所述多组训练数据包括多个照片信息和多个目标标签信息,所述多个照片信息中的每个照片信息和所述多个目标标签信息中的每个目标标签信息一一对应。
第一建立单元,所述第一建立单元用于将所述多组训练数据进行机器学习,建立所述照片信息和所述目标标签信息之间的多个训练模型。
第二执行单元,所述第二执行单元用于将所述多个训练模型作为不同类型的预设模型,存储并输入至所述模型中。
进一步的,所述装置还包括:
第四获取单元,所述第四获取单元用于获得第一阈值。
第二判断单元,所述第二判断单元用于判断所述照片中对应的主元素信息是否满足所述第一阈值。
第五获取单元,所述第五获取单元用于当所述照片中对应的主元素信息满足所述第一阈值时,则获得第二阈值。
第三判断单元,所述第三判断单元用于判断所述照片中对应的合金元素信息是否满足所述第二阈值。
第三执行单元,所述第三执行单元用于当所述照片中对应的合金元素信息满足所述第二阈值,则将所述合金钢运送至目标客户。
进一步的,所述装置还包括:
第四执行单元,所述第四执行单元用于当所述照片中对应的主元素信息不满足所述第一阈值时,则将所述照片剔除。
第五执行单元,所述第五执行单元用于当所述照片中对应的合金元素信息不满足所述第二阈值时,则将所述照片剔除。
前述图1实施例1中的一种处理窄成分合金钢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处理窄成分合金钢的装置,通过前述对一种处理窄成分合金钢的方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种处理窄成分合金钢的装置的实施方法,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处理窄成分合金钢的方法同样的发明构思,本发明还提供另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前文所述一种处理窄成分合金钢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。
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:
本申请实施例提供了一种处理窄成分合金钢的方法及装置,所述方法包括:获取合金钢的照片;然后将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;接着获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户,从而解决了现有技术中对窄成分合金钢的识别、对钢材质量的判断大都是通过人工完成的,工作量极大且人工成本过高,处理效率低、容易出现判断错误,对企业造成损失的技术问题,达到了智能化程度高,减少人力投入,提高工作效率,避免判断错误现象的出现的技术效果。
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 (9)
1.一种处理窄成分合金钢的方法,其特征在于,所述方法包括:
获取合金钢的照片;
将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;
获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;
在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
2.如权利要求1所述的方法,其特征在于,所述主元素信息包括含碳量信息、含铁量信息;所述合金元素信息包括硅、锰、铬、镍、钼、钨、钒、钛、铌、锆、钴、铝、铜、硼、稀土中的至少一种元素的含量信息。
3.如权利要求1所述的方法,其特征在于,所述获取合金钢的照片,包括:
获取所述合金钢照片中的特征信息,其中,所述特征信息包括颜色、文字和图标信息中的至少一种;
对比所述特征信息和目标特征信息,判断所述合金钢照片是否满足预设条件;
当不满足预设条件时,对所述合金钢照片进行处理,使所述合金钢照片满足预设条件。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
采集多组训练数据,所述多组训练数据包括多个照片信息和多个目标标签信息,所述多个照片信息中的每个照片信息和所述多个目标标签信息中的每个目标标签信息一一对应;
将所述多组训练数据进行机器学习,建立所述照片信息和所述目标标签信息之间的多个训练模型;
将所述多个训练模型作为不同类型的预设模型,存储并输入至所述模型中。
5.如权利要求1所述的方法,其特征在于,所述在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户,包括:
获得第一阈值;
判断所述照片中对应的主元素信息是否满足所述第一阈值;
当所述照片中对应的主元素信息满足所述第一阈值时,则获得第二阈值;
判断所述照片中对应的合金元素信息是否满足所述第二阈值;
当所述照片中对应的合金元素信息满足所述第二阈值,则将所述合金钢运送至目标客户。
6.如权利要求5所述的方法,其特征在于,还包括:
当所述照片中对应的主元素信息不满足所述第一阈值时,则将所述照片剔除;
当所述照片中对应的合金元素信息不满足所述第二阈值时,则将所述照片剔除。
7.一种处理窄成分合金钢的装置,其特征在于,所述装置包括:
第一获取单元,所述第一获取单元用于获取合金钢的照片;
第一输入单元,所述第一输入单元用于将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;
第二获取单元,所述第二获取单元用于获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;
第一执行单元,所述第一执行单元用于在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
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:
获取合金钢的照片;
将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;
获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;
在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
9.一种处理窄成分合金钢的装置,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:
获取合金钢的照片;
将所述合金钢的照片输入模型中,其中,所述模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据均包括:合金钢的照片、用来标识所述合金钢的主元素信息的第一标签以及用来标识所述合金钢的合金元素信息的第二标签;
获取所述模型的输出信息,其中,所述输出信息包括所述合金钢的照片中所述合金钢的主元素信息和合金元素信息;
在所述合金钢的主元素信息和合金元素信息均满足预设要求的情况下,将所述合金钢运送至目标客户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777818.7A CN110533191A (zh) | 2019-08-22 | 2019-08-22 | 一种处理窄成分合金钢的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910777818.7A CN110533191A (zh) | 2019-08-22 | 2019-08-22 | 一种处理窄成分合金钢的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533191A true CN110533191A (zh) | 2019-12-03 |
Family
ID=68663992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910777818.7A Pending CN110533191A (zh) | 2019-08-22 | 2019-08-22 | 一种处理窄成分合金钢的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533191A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866849A (zh) * | 2015-04-30 | 2015-08-26 | 天津大学 | 一种基于移动终端的食品营养成分标签识别方法 |
CN106841241A (zh) * | 2017-01-13 | 2017-06-13 | 重庆市计量质量检测研究院 | 一种基于x射线检测3d硬金饰品内部缺陷的方法 |
CN106884278A (zh) * | 2017-04-17 | 2017-06-23 | 东华大学 | 一种多功能智能衣物护理机 |
CN107796840A (zh) * | 2017-09-26 | 2018-03-13 | 中车青岛四方机车车辆股份有限公司 | 合金成分确定方法及装置 |
CN108921841A (zh) * | 2018-07-02 | 2018-11-30 | 北京百度网讯科技有限公司 | 钢铁连铸坯质量检测方法、装置、设备及存储介质 |
CN109330559A (zh) * | 2018-08-13 | 2019-02-15 | 平安科技(深圳)有限公司 | 皮质醇含量的测评方法、装置、计算机设备及计算机存储介质 |
CN109447097A (zh) * | 2018-08-23 | 2019-03-08 | 浙江理工大学 | 一种基于卷积神经网络的面料主成分检测方法 |
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
CN109612943A (zh) * | 2019-01-14 | 2019-04-12 | 山东大学 | 基于机器学习的隧洞岩石石英含量测试系统及方法 |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN109900645A (zh) * | 2019-04-17 | 2019-06-18 | 岭南师范学院 | 一种基于高光谱图像技术的牡蛎重金属含量测定方法 |
CN109919154A (zh) * | 2019-02-28 | 2019-06-21 | 北京科技大学 | 一种字符智能识别方法及识别装置 |
-
2019
- 2019-08-22 CN CN201910777818.7A patent/CN110533191A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866849A (zh) * | 2015-04-30 | 2015-08-26 | 天津大学 | 一种基于移动终端的食品营养成分标签识别方法 |
CN106841241A (zh) * | 2017-01-13 | 2017-06-13 | 重庆市计量质量检测研究院 | 一种基于x射线检测3d硬金饰品内部缺陷的方法 |
CN106884278A (zh) * | 2017-04-17 | 2017-06-23 | 东华大学 | 一种多功能智能衣物护理机 |
CN107796840A (zh) * | 2017-09-26 | 2018-03-13 | 中车青岛四方机车车辆股份有限公司 | 合金成分确定方法及装置 |
CN108921841A (zh) * | 2018-07-02 | 2018-11-30 | 北京百度网讯科技有限公司 | 钢铁连铸坯质量检测方法、装置、设备及存储介质 |
CN109330559A (zh) * | 2018-08-13 | 2019-02-15 | 平安科技(深圳)有限公司 | 皮质醇含量的测评方法、装置、计算机设备及计算机存储介质 |
CN109447097A (zh) * | 2018-08-23 | 2019-03-08 | 浙江理工大学 | 一种基于卷积神经网络的面料主成分检测方法 |
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
CN109612943A (zh) * | 2019-01-14 | 2019-04-12 | 山东大学 | 基于机器学习的隧洞岩石石英含量测试系统及方法 |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN109919154A (zh) * | 2019-02-28 | 2019-06-21 | 北京科技大学 | 一种字符智能识别方法及识别装置 |
CN109900645A (zh) * | 2019-04-17 | 2019-06-18 | 岭南师范学院 | 一种基于高光谱图像技术的牡蛎重金属含量测定方法 |
Non-Patent Citations (1)
Title |
---|
李善春等编著: "《石油化工机器维护和检修技术》", 30 November 2000 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584221A (zh) | 一种基于监督式生成对抗网络的异常图像检测方法 | |
CN108228706A (zh) | 用于识别异常交易社团的方法和装置 | |
CN110428058A (zh) | 联邦学习模型训练方法、装置、终端设备及存储介质 | |
CN110503207A (zh) | 联邦学习信用管理方法、装置、设备及可读存储介质 | |
CN110222880A (zh) | 业务风险的确定方法、模型训练方法和数据处理方法 | |
CN109102393A (zh) | 训练和使用关系网络嵌入模型的方法及装置 | |
CN110503641A (zh) | 一种改善连铸坯表面裂纹的方法和装置 | |
CN107944859A (zh) | 一种基于图像识别技术的无人售货方法和设备 | |
CN108053030A (zh) | 一种开放领域的迁移学习方法及系统 | |
CN105719045A (zh) | 留任风险确定器 | |
CN110490862A (zh) | 一种提高连铸探伤合格率的方法及装置 | |
CN110097450A (zh) | 车贷风险评估方法、装置、设备和存储介质 | |
CN110472695A (zh) | 一种工业生产过程的异常工况检测和分类方法 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN109657792A (zh) | 构建神经网络的方法、装置和计算机可读介质 | |
CN110503466A (zh) | 一种基于互动活动的消费者人群获取方法及装置 | |
CN107918983A (zh) | 一种基于神经网络的无人售货方法和设备 | |
CN105812473A (zh) | 数据处理方法及装置 | |
CN109102468A (zh) | 图像增强方法、装置、终端设备及存储介质 | |
CN107909465A (zh) | 一种银行存款账户利息的校验方法及装置 | |
CN111784665A (zh) | 基于傅里叶变换的oct图像质量评估方法、系统及装置 | |
CN110532924A (zh) | 一种高耐热钢的识别处理方法及装置 | |
CN110533191A (zh) | 一种处理窄成分合金钢的方法及装置 | |
CN108764248A (zh) | 图像特征点的提取方法和装置 | |
CN109656810A (zh) | 一种图像算法的调试方法、调试系统及终端设备 |
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: 20191203 |